驾驭AI的能力是一种管理能力,管理不好人,也用不好AI

驾驭AI的能力是一种管理能力。管理不好人，也用不好AI。

这不是一句比喻。AI的能力始终强于使用它的人，这相当于让一个低水平的管理者，去带一个高水平的执行者。

不过，只要认清难在对象，管理学的三件事——杠杆、目标、结果——放到AI身上一件都不能省。

AI的能力始终强于使用它的人。这相当于低水平的管理者，去带高水平的执行者。

一个AI助手，干的是700个人的活

不过，这个执行者已经在岗了。据OpenAI的客户案例，Klarna的AI客服助手累计完成230万次对话，承担了这家公司三分之二的客服会话。它的工作量相当于700名全职客服。

这个数字的意思不是「AI很强」，而是坐在它对面的人能力上处在下风。

原因在于，用惯了的办法在这里会失灵。你没法靠「我比你懂」建立权威，因为你不懂。

有的公司，数字员工比真人还多

具体来说，美国有家叫Asymbl的公司，约170名真人，配了200个数字员工。给AI写岗位说明书，定考核标准，每周由人类销售逐行复盘它的邮件。

结果是，据Salesforce的案例，这批数字劳动力在2025年产生了500万美元的生产力收益。2026年预计1100万到1300万美元，比2025年的500万翻了一倍多。

不过，多数企业没走到这一步。据德勤对24个国家3235名负责人的调查，85% 的企业打算定制AI智能体。只有21% 建立了成熟的治理模型，前者是后者的四倍多。

所以，治理模型听着绕，说白了就三件事：谁负责、按什么标准验收、出错怎么追。这三件事管的都不是模型，是人。

因此，先把这张图的上下两截看清楚。

更重要的是，水面上那三样都是别人替你准备好的，水面下这四样只能你自己给。

所以，管理对象一变，问题就从「用哪个模型」变成了「你有没有能力管一个比你强的执行者」。

用少而精的输入，换最大的输出。这是管理的杠杆，也是AI的杠杆。

1.3万个里，158个产出95% 的价值

问题在于，数量本身不说明什么。据美云智数总裁金江2026年1月的公开发言，美的内部累计做出1.3万多个智能体。其中只有158个贡献了95% 以上的价值。能商业化的比例约千分之二。

所以，算下来158除以13000，约1.2%。

结果是，剩下的那98.8% 不是失败，是没有杠杆。它们各自替掉一点重复劳动，没一个能跨部门复用。

所以，管理从来靠的不是数量，是「一次投入，多处生效」。AI也一样。

少数派的做法，是用少而精的输入

结果是，跑出来的那5% 有一个共同动作：只挑一个痛点，做透。这是MIT的NANDA团队在2025年8月报告里提到的。

不过，同一份报告里还有一组数更刺眼。超过一半的生成式AI预算投在销售和营销工具上，回报最高的地方却在后台：砍掉外包、压掉代理费用、捋顺运营流程。

所以，钱花在离客户最近的地方，回报出在离客户最远的地方。

具体来说，先看这个落差。

这意味着，图的读法很直接：杠杆不在用得多，在用得准。

所以，管理和AI走的是同一个公式。输入少而精，输出才可能大；输入散而多，输出一定小。

目标的明确，决定结果的明确。

四份研究，量的是同一件事

具体来说，MIT的NANDA团队在2025年8月发布了报告。他们访谈了150位企业负责人，问卷了350名员工，分析了300个公开AI部署。结论是只有5% 的试点带来可测量的营收加速。

结果是，报告把成因归到一个词上，学习落差。说的是工具没学会企业的流程，组织也没学会怎么用工具。报告写得很清楚，问题不在模型质量。

不过，这不是孤证。

例如，Gartner的判断是，至少50% 的生成式AI项目在概念验证后被放弃。据S&P Global的调查，42% 的企业砍掉了大部分AI举措，是前一年17% 的两倍多。据IDC与联想的CIO报告，AI概念验证的转化率只有12%，每33个项目只有4个进到生产。

所以，四个数字，四套口径，落在同一件事上。

这四条口径不同，不能相加，也不能互相印证，但都指向同一个方向。

目标说不清，结果就不可能清楚

问题在于，这些失败很少表现为「AI答错了」。更常见的表现是「AI答得挺顺，但没人能说清它对不对」。

具体来说，管理学的「控制跨度」说的是一个管理者能直接带的下属数量有限。AI拆掉了这条约束的一头，一个人能调动的执行单元可以有很多个。另一头没拆。

原因在于，目标还得由人来定。AI天生不接受模糊约束。你说「把周报写好一点」，它会给你一版更工整的。你说「华东区续约风险按客户分级，未回款超60天的排前面」，它才会给能用的东西。

所以，差别不在模型，在句子的精度。

因此，目标的明确决定了结果的明确。含混的输入换来含混的输出，只是规模更大、速度更快。

所以，把这三段分工摆开看，会更清楚。

这三段里，中间那段最容易被跳过，也最不该被跳过。

杠杆、目标、结果，最后都要落到具体的人、岗、账上。

谁受益，谁受损

具体来说，受益的一侧很清楚。能把目标说清、能定验收标准的岗位，产出会被放大。销售、运营、客服这些能直接对着结果定指标的职能先受益。

所以，反过来的那一侧也清楚。只做转述、只做汇总的岗位最先被削掉。

结果是，据MIT报告的访谈，做成的试点里有一类是先换掉外包环节。这类动作省下的钱能直接进报表，也最先算清。

成本结构变了什么

不过，这笔钱的位置变了。过去的支出是买人买设备，一次性算得清。

原因在于，现在的支出分成了两截。一截是模型和算力的月度账单，另一截是重新定义岗位和验收标准的内部成本。

结果是，后者往往更贵，也更难报预算。很多试点卡在演示阶段，就是因为那一截成本没人签。

具体来说，据Salesforce的案例，Asymbl每配一名数字员工，人类每周要多花固定时间复盘。这笔时间不产生收入，但决定了收益能不能持续。

所以，管理动作的成本从来不体现在采购单上。

对三类人意味着什么

具体来说，先动的那一类是手里有明确考核指标的负责人。你最该先做的，是把最重要的那项指标翻译成一句AI能照着执行的话。

因此，第二类是中层的管理者。你的价值正在从传话转到定标准。能不能写出验收条件，会直接决定你在新组织里的位置。

因此，第三类是人力资源和培训岗。美的那个千分之二说明，让全员做智能体不是答案。更有效的做法，是先筛出那一小撮能定义目标的人，再把方法复制出去。

这套观点什么时候不成立

不过，这套类比也有它管不到的地方。

原因在于，管理人的经验里有一半是激励与信任。这两样对AI都无效——它不图升职，也不在乎被认可。你能给它的只有目标与验收标准。

另一处边界在方法上。MIT报告里那5% 是个案；本文的读法是，它能证明方向，不能证明有一套照抄就有效的流程。

还有一个变量没有被交代。美的的千分之二说明能商业化的极少，至于那158个是怎么选出来的，本文没有拿到公开的筛选标准。

一条能被检验的判断

所以，这里给一个可核验的说法。如果上述判断成立，未来6到12个月应该观察到这样的变化。

具体来说，企业招聘里开始出现「AI员工管理」「智能体验收」这类职责条目，而不是清一色的提示词培训。同时，Gartner与S&P那类放弃率指标不再走高，而是走平。

但是，反面情况同样具体。如果放弃率还在涨，德勤那个21% 长期不动，说明多数企业还停在买工具这一步，目标那一关就没过去。

驾驭AI的能力是一种管理能力；管理不好人，也用不好AI。

• • •

点击下方名片，关注本公众号，不错过每一篇有深度的分析！

附录

A. 参考资料

[1] MIT NANDA. The GenAI Divide: State of AI in Business 2025. 2025-08. https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/

[2] Gartner. 生成式 AI 项目在概念验证后被放弃的比例. https://www.gartner.com/en/articles/genai-project-failure

[3] S&P Global Market Intelligence / 451 Research. Generative AI shows rapid growth but yields mixed results. 2025-10. https://www.spglobal.com/market-intelligence/en/news-insights/research/2025/10/generative-ai-shows-rapid-growth-but-yields-mixed-results

[4] IDC / Lenovo. 联想 CIO Playbook 关于 AI 概念验证转化率的结论. https://www.cio.com/article/3850763/88-of-ai-pilots-fail-to-reach-production-but-thats-not-all-on-it.html

[5] OpenAI. Klarna's AI assistant does the work of 700 full-time agents. https://openai.com/index/klarna/

[6] Salesforce. Agentforce customer metrics（Asymbl 数字员工案例）. https://www.salesforce.com/agentforce/metrics/

[7] 每日经济新闻. 美云智数总裁金江：美的累计打造超 1.3 万个智能体. 2026-01. https://www.nbd.com.cn/rss/tonghuashun/articles/4228207.html

[8] Deloitte. Agentic AI is scaling faster than guardrails. https://www.deloitte.com/us/en/insights/topics/emerging-technologies/ai-agents-scaling-faster.html

B. 阅读提示

风险提示：本文数字均来自公开披露，判断不构成投资或经营决策建议。

数据时效：文中数据在 2025 年 8 月至 2026 年 1 月披露，引用前请核对原始来源。

观点来源：除标注来源的数据外，其余判断均为作者依公开资料整理。

免责声明：文中各来源统计口径不同，本文未做跨来源合并运算。

版权声明：本文版权归本公众号所有，转载请联系授权并注明出处。

AI辅助创作说明：资料检索与文字整理环节使用了 AI 工具，数据已核对来源。