ARTICLE · 1207400
员工用AI效率翻倍,为什么企业绩效没有翻倍?——AI4PI框架揭示:企业应用的真正瓶颈,可能不在技术,而在组织系统
AI正在创造一个耐人寻味的管理现象。
员工写报告的时间缩短了，数据分析的速度提高了，客服响应更快了，营销内容也可以批量生成了。
从个人工作效率来看，AI的价值似乎毋庸置疑。
但另一个问题却越来越值得关注：
当越来越多员工的工作效率得到提升，企业的整体绩效是否也获得了相应改善？
如果员工处理一项任务的时间缩短了50%，是否意味着业务交付周期也能缩短50%？
如果一个部门的工作效率提高了30%，是否意味着企业的经营绩效也会提高30%？
答案显然没有这么简单。
这背后涉及一个长期被企业管理忽略的问题：
个人效率与组织绩效之间，并不存在简单的加总关系。
国际绩效改进协会（ISPI）的AI4PI框架，以及管理学中关于社会技术系统和组织资本的经典研究，为我们理解这一问题提供了重要的理论依据。
AI提高了员工效率，但这只是绩效改善的第一层
2025年，斯坦福大学经济学家Erik Brynjolfsson与Danielle Li、Lindsey Raymond共同发表了一项研究《Generative AI at Work》。
这篇发表于国际顶级经济学期刊《The Quarterly Journal of Economics》的论文，分析了5172名客服人员使用生成式AI助手后的绩效变化。
研究发现，AI使客服人员每小时成功解决的问题数量平均增加了约15%。
其中，经验较少、技能水平较低的员工获得了更显著的改善。
AI不仅提高了任务处理效率，还可能帮助员工更快地学习优秀员工的工作经验。
这项研究证明，AI确实能够在特定工作场景中显著提升个人生产率。
但需要注意一个区别：
每小时解决的问题数量增加15%，与企业整体经营绩效提高15%，完全是两个不同的命题。
前者评价的是特定任务的生产率，后者涉及整个业务系统创造价值的能力。
假设一家企业利用AI，将客户问题的初步识别时间从10分钟缩短到2分钟。
从客服岗位来看，效率提高了80%。
但如果问题识别之后，还需要等待其他部门确认、审批和处理，客户最终可能仍然需要两天才能获得解决方案。
AI显著提高了一个环节的速度，却未必改变整个业务流程的运行效率。
换句话说：
AI优化了员工的工作，不等于优化了企业创造价值的过程。
这正是理解企业AI应用价值的一个重要起点。
ISPI的AI4PI框架：AI价值存在三个不同的作用层次
国际绩效改进协会（ISPI）发布的《AI for Performance Improvement Framework》（简称AI4PI），提出了一套以绩效改善为导向的人工智能应用框架。
在需求分析环节，ISPI将AI4PI的需求划分为三个层次。
Level 1：Worker/Individual——个人绩效层次
主要关注AI助手如何支持员工完成具体任务，提高个人或岗位的生产率。
例如，帮助销售人员分析客户资料、辅助财务人员生成报告、支持客服人员快速回答问题。
Level 2：Work/Workplace Systems——工作系统层次
关注AI如何改变工作流程、团队结构或业务流程。
例如，重新设计客户服务流程、改变跨部门协作方式，或者将过去由多个岗位完成的工作重新组合。
Level 3：Society/Mega Impact——社会与宏观影响层次
关注AI在教育、医疗、公共政策、可持续发展等领域产生的更广泛影响。
需要强调的是，这三个层次并不是AI应用成熟度的三个阶段，而是AI解决方案所作用的不同绩效范围。
这一分类的价值在于，它帮助我们区分两种经常被混为一谈的AI应用：
一种是让员工在原有工作方式下做得更快；另一种是利用AI改变原有工作方式，让整个系统创造更多价值。
两者并不矛盾，但管理难度和价值创造机制明显不同。
在现实中，企业往往更容易实现第一种。
因为第一种主要涉及工具使用。
而第二种可能涉及流程、职责、协作机制、管理制度乃至组织结构的调整。
这也解释了一个现象：
为什么企业能够迅速部署大量AI工具，却未必能够同样迅速地获得组织层面的绩效改善？
真正的障碍，可能已经不在AI技术本身。
一个70多年前的管理理论，解释了今天的AI困境
要理解这一问题，需要回到管理学中的一个经典理论：
社会技术系统理论（Sociotechnical Systems Theory，STS）。
这一理论起源于20世纪50年代英国塔维斯托克研究所的组织研究，Eric Trist等学者是其重要奠基者。
社会技术系统理论认为，组织不是单纯由技术和设备构成的系统。
一个有效的工作系统，至少包含两个相互依赖的部分：
技术系统，包括设备、工具、工作流程和技术方法。
社会系统，包括人员、团队、职责分工、权力关系以及管理机制。
理论的重要原则是：
Joint Optimization——联合优化。
即技术系统与社会系统必须相互协调，不能只追求其中一个系统的局部最优。
1995年，William M. Fox在《The Journal of Applied Behavioral Science》发表的《Sociotechnical System Principles and Guidelines: Past and Present》中再次强调，技术系统与社会系统是相互依赖的，一个子系统的最优安排，未必是另一个子系统的最优安排。
这一理论放到AI时代，依然具有很强的解释力。
例如，一家企业为销售人员配置了AI助手。
AI能够快速识别潜在客户、分析需求并生成销售建议。
但是，销售人员的绩效考核仍然主要依据拜访数量；客户信息仍然分散在不同部门；报价依然需要经过多级审批；销售与交付部门之间的协作机制也没有改变。
这时候，AI虽然提高了销售人员处理信息的能力，却无法自动解决原有组织系统中的问题。
甚至可能出现一种反常现象：
销售人员利用AI产生了更多客户机会，却让后端审批、交付和服务环节更加拥堵。
前端效率越高，后端压力越大。
局部效率改善，反而可能暴露甚至放大系统瓶颈。
这不是AI失效，而是组织没有为新技术重新设计相应的工作方式。
社会技术系统理论提醒我们：
企业不可能只改变生产工具，却期待原有组织结构、工作流程和管理机制自动适应新的生产能力。
AI应用的深层挑战，不仅是技术升级，更是技术系统与组织系统的重新匹配。
为什么技术投资不能直接转化为经营收益？组织资本理论给出了答案
如果说社会技术系统理论解释了AI应用为什么需要组织变革，那么另一项管理学研究则进一步解释了：
为什么缺少组织变革的技术投资，可能无法获得预期回报？
2002年，Erik Brynjolfsson、Lorin Hitt和Shinkyu Yang在《Brookings Papers on Economic Activity》发表了《Intangible Assets: Computers and Organizational Capital》。
研究发现，企业的信息技术投资与组织实践之间存在重要的互补关系。
那些既进行了较高水平的信息技术投资，又具备相应组织实践特征的企业，往往获得了更高的市场估值。
研究者将其解释为，技术投资的价值与组织资本等无形资产密切相关。
所谓组织资本，不只是员工的知识技能，还包括组织的工作流程、管理方式、组织结构以及相关实践。
这一研究虽然针对的是早期信息技术，而不是今天的生成式AI，但其揭示的技术互补性逻辑非常值得借鉴。
企业投入AI技术，并不意味着能够自动获得与技术能力相匹配的价值。
还需要配套的组织能力。
例如，AI能够帮助企业更准确地预测客户需求，但如果采购、生产和供应链计划不能相应调整，预测能力就很难充分转化为库存改善和经营收益。
AI能够提高经营分析速度，但如果决策权限、管理流程和反馈机制保持不变，决策效率可能依然无法改善。
这说明：
企业购买的是AI技术，但真正决定AI投资回报的，往往还包括那些无法直接购买的组织能力。
AI投资为什么可能存在“J型曲线”？
2021年，Brynjolfsson与Daniel Rock、Chad Syverson在《American Economic Journal: Macroeconomics》发表论文《The Productivity J-Curve》。
研究提出，人工智能等通用目的技术，需要大量互补性无形投资，包括流程创新、新产品开发、商业模式调整和人力资本建设。
这些投入通常先于生产率收益发生，而且部分投入难以被传统统计指标充分捕捉。
因此，新技术应用初期，测量到的生产率可能表现不佳；随着互补性投资逐渐发挥作用，收益才可能显现。
更值得关注的是，2025年美国人口普查局发布的一项工业AI研究，为这种现象提供了新的实证证据。
Kristina McElheran、Mu-Jeung Yang、Zachary Kroff和Erik Brynjolfsson通过研究美国制造业企业发现，工业AI应用可能在短期内伴随生产率和盈利能力下降，而较早采用AI的企业在后续时期可能表现出更强的增长。
研究还指出，既有生产管理实践的变化，是影响AI应用结果的重要因素之一。需要注意，这是一项针对美国制造业工业AI的研究，不能直接推断所有生成式AI应用都具有相同规律。
这些研究揭示了一个容易被管理者忽略的事实：
AI投资的回报不仅取决于技术部署速度，还取决于组织完成配套变革的能力。
有些企业可能因为低估了组织调整的成本，高估了AI应用的短期收益。
还有一些企业，虽然获得了明显的个人效率改善，却因为没有改变关键业务流程，而无法进一步释放技术价值。
从这个意义上说，AI应用的瓶颈，可能正从技术能力转向组织能力。
从个人效率走向组织绩效，绩效改进方法论能做什么？
那么，企业如何避免AI应用停留在单点提效？
从绩效改进的角度看，关键是改变AI应用的分析起点。
不要首先分析哪些员工可以使用AI，而应首先分析企业需要改善什么业务结果。
这里，华商基业的关键价值链方法论提供了一条具体的分析路径。
1. 从业务结果出发，而不是从AI工具出发
企业引入AI，不能只停留在“哪些工作可以被自动化”的讨论上。
首先应该明确，企业希望改善的究竟是什么。
是增加销售收入？
是缩短产品交付周期？
是降低运营成本？
还是提高客户问题的一次解决率？
明确业务结果之后，才能进一步判断哪些工作环节值得改善。
2. 用价值链找到真正值得AI介入的关键环节
华商基业的关键价值链方法不是简单绘制业务流程图，也不是罗列影响绩效的各种因素。
而是从最终业务结果出发，通过加、减、乘、除等客观数据关系，逐层还原业务结果产生的逻辑，深入分析相关流程环节，识别具有改善机会的关键环节和动作。
例如，企业希望缩短客户问题的端到端解决时间，就需要沿着实际处理流程，逐层分析时间究竟消耗在哪些环节。
可能是问题识别。
可能是信息核验。
也可能是跨部门等待或最终处置。
如果问题识别只占整个解决周期的一小部分，那么即使AI将这一环节的效率提高数倍，对最终结果的贡献也可能相对有限。
反过来，如果跨部门流转中的环节才是主要瓶颈，企业就需要重新研究协作流程，而不是继续优化前端客服人员的工作速度。
AI应该优先进入对业务结果具有关键贡献、且确实存在改善空间的环节，而不是仅仅进入最容易应用AI的环节。
这是从个人效率走向组织绩效的重要区别。
3. 用BEM识别工作系统有哪些障碍和摩擦
找到关键环节之后，还需要进一步研究影响绩效的原因。
例如，企业希望使用AI实现销售机会的自动识别与分配，但实施后发现，业务人员仍然习惯采用原有工作方式。
这时，问题可能不是员工不会使用AI。
按照BEM（Gilbert行为工程模型），还需要系统分析环境因素与个体因素。
特别是工作环境中的“数据、要求和反馈”“资源、流程和工具”“后果、奖励和激励”。
如果企业没有明确新的工作标准，没有调整客户机会的分配流程，也没有建立相应的绩效反馈机制，那么员工即使掌握了AI工具，也未必会持续采用新的工作方式。
因此，AI工作系统的重构，既需要找到应该改变的关键业务环节，也需要消除阻碍新工作方式落地的绩效障碍。
这正是关键价值链与BEM可以结合使用的地方。
前者帮助企业识别关键绩效环节，后者帮助企业分析影响工作行为和绩效的原因。
最终再根据原因设计相应的技术、流程和管理干预措施，并验证业务结果是否真正改善。
企业需要重新定义AI应用的成功标准
当AI应用深入组织之后，还有一个问题必须改变：
企业究竟应该如何评价AI的价值？
目前，一些企业容易将AI使用率、员工节省时间、内容生成数量等作为主要成果。
这些指标并非没有价值。
但它们主要说明AI是否被使用，以及具体任务是否提高了效率。
如果企业希望获得组织绩效改善，还需要进一步评价整个工作系统的变化。
例如，不能只看客服人员平均响应时间缩短了多少，还应该看客户问题的端到端解决周期是否缩短。
不能只看销售人员每天可以生成多少份客户分析报告，还应该看有效商机转化和销售成果是否改善。
不能只看管理人员制作经营报告的时间节省了多少，还应该看经营决策和问题解决的周期是否缩短。
评价AI应用是否成功，关键不只是计算员工节省了多少时间，而是判断这些时间和资源是否真正转化为更有价值的业务成果。
AI4PI不仅要求识别AI应用需求，还要求评价解决方案的实际效果，包括对个人、组织和社会所产生的影响。
从这个意义上说，企业评价AI投资，需要从工具使用结果进一步走向业务绩效结果。
当然，并非所有AI项目都必须同时创造三个层次的价值。
企业可以从具体岗位开始，也可以直接针对工作系统开展设计。
关键在于，明确所追求的绩效结果，并采用与之对应的评价标准。
写在最后：AI正在重新考验企业创造绩效的能力
过去，企业提高生产率，往往依靠增加人员投入、提升员工技能、优化工作流程和升级技术设备。
今天，AI使企业能够以极低的边际成本获取过去需要大量知识、经验和人力才能完成的部分工作成果。
但技术能力的增长，并不意味着组织创造价值的能力会同步增长。
社会技术系统理论告诉我们，技术进步需要组织系统的适配。
组织资本研究告诉我们，技术投资的回报离不开相应的组织能力。
而ISPI的AI4PI框架，则进一步提醒我们：
AI的价值不仅存在于个人效率层面，还存在于工作系统乃至更广泛的社会影响之中。
这些理论共同指向一个重要判断：
AI能够大幅提高完成工作的能力，但企业仍然需要回答：哪些工作值得做，应该如何组织这些工作，以及怎样才能真正创造更高的价值。
未来，企业之间的AI竞争，可能越来越不是谁拥有更多的AI工具，而是谁能够更有效地重新设计创造价值的工作系统。
AI让员工变得更高效，而管理真正需要完成的，是让组织变得更有效。
这才是AI时代绩效改进更值得关注的命题。
