AI下半场,竞争的是交付结果

做了多年人力资源服务，也在推进医疗AI，我越来越觉得，这个朴素的要求，正在成为理解AI商业价值的重要起点。

最近，硅谷创业孵化器Y Combinator（YC）关于“AI原生服务公司”的讨论，引起了我的关注。在2026年夏季的创业需求清单中，YC提出，希望看到用AI直接提供服务的公司，并列举了保险经纪、财税审计、合规、医疗行政等方向。同年6月，YC又专门讨论了这类公司的市场选择、交付差异和经营账。

YC的讨论给我的启发，是把目光进一步放到工作本身：无论是用AI重构人力资源服务，还是建设一家AI原生的医疗智能体公司，都要回答同一个问题——客户的工作究竟有没有被真正完成？

过去，业务量增加，往往要增加人手。客户更多了，还要增加协调、检查和管理的投入。经验丰富的员工既要处理复杂问题，也要反复核对资料、追踪进度、补上流程中的遗漏。

AI带来的机会，是重新安排这些工作，让业务增长不再完全依赖人手增长。但要做到这一点，仅仅给每位员工配一个AI工具，还远远不够。

AI的商业价值，要落实到专业人员、智能体和运营体系共同完成的工作中。

智能体在授权范围内承担规则查询、信息核对、材料准备和流程执行；专业人员负责复杂判断、客户沟通与服务承诺；运营体系则把任务分配、过程记录、结果核验和异常接管连接起来。

这套体系要回答非常具体的问题：一项任务交给谁，做到什么程度算完成，遇到什么情况必须停下来，谁来接手，处理完又怎样回到原来的流程。

如果这些问题没有答案，智能体做得越快，后续核对和返工也可能越多。员工看起来拥有了更强的工具，却还要自己盯着所有交接。

人机协同需要有清楚的分工，也需要交接能够真正发生。

以我们正在推进的“沙包”人力资源服务方向为例。一项参保业务，从接收员工资料、核对信息、匹配当地规则，到提交办理、获取结果、核验差异、反馈客户，只有走完这一整段，才能判断是否完成了客户的托付。

识别出一份材料、成功点击一次提交，都只是其中一步。遇到材料冲突、办理退回或结果不一致，系统应当识别并转交相应人员处理，保留原因和处理记录，再核验最终结果。

在这件事上，客户购买的依然是人力资源服务。我们努力改变的是完成工作的方式，并以此改善服务质量、响应速度和交付成本。

明日联合的定位是医疗智能体运营商。它以更AI原生的方式组织产品与交付，同样必须接受结果的检验。

以住院病历为例。智能体依据真实诊疗资料生成病历，经过医生审核确认，按照医院的权限和流程，把内容真实回写到HIS等院内业务系统的对应位置，并核验回写是否成功，才算把这一段工作做完整。

如果文字生成了，医生还要在两个界面之间来回切换、复制粘贴、重新录入，再逐项检查是否放对位置，那么原来的工作并没有被充分接过去。生成得再快，也不能直接等同于医生工作量的减少。

所以，我们要检验的是：病历质量是否符合要求，回写是否准确完成，把审核、修改和异常处理的时间也算进去，医生的实际工作量究竟减少了多少。

智能体的交付，要走到业务系统里的真实结果，也要走到使用者工作量的真实减少。

质控也遵循同样的逻辑。发现缺项或矛盾、生成一张问题清单，只是起点。问题还要进入相应人员的处理流程，得到确认和修正，再经过复核，形成可以追踪的处理结果。如果提示越来越多，却没有帮助问题得到解决，反而可能增加医生和管理人员的负担。

我们后续计划拓展的医保、编码等方向，也应按这个标准设计。医保相关智能体要把规则核对、问题处理与相应的审核、提交和结果反馈衔接起来；编码智能体要依据病历形成编码建议，经专业人员复核后写入相应系统，并核对最终记录。具体承接哪些环节、以什么作为完成标准，要在实际场景中逐项明确。

这些是后续建设与验收的方向，不能把功能规划当成已经实现的成果。但从一开始，就应当围绕工作怎样完成来设计产品。

这也是明日联合用AI智能体重构医生临床工作流与医院治理工作流的含义：从人操作系统完成工作，转向智能体与人协同完成工作。现阶段，我们需要让智能体接入既有院内系统，把任务真正做进业务流程。

但这并不意味着，智能体永远只是叠加在旧系统上的一层。我的判断是，系统本身以及底层的工作机制，也会逐步智能体化。过去围绕页面、菜单和人工操作组织的功能，会更多围绕任务如何发起、由谁执行、如何协作、怎样确认完成来重新设计。

交付结果，意味着把服务范围、完成标准和责任说清楚。

不同任务不必采用同一种人机分工。标准清楚、风险可控、结果可核验的操作，可以在授权范围内自动完成；需要权衡的事项，由AI提供依据和选项，专业人员决定；涉及关键责任的环节，则应保留明确的审批和确认。

责任分工与结果交付应当同时明确。医院和医务人员保留相应的专业判断，并不意味着智能体只需给出建议。明日联合仍要对约定范围内的智能体运行质量、系统执行与交付效果负责，让人工确认成为工作流程中的必要环节，而不是把未完成的工作都退回给使用者。

对外承诺也不能简单变成一句“专业人员兜底”。提供方应当组织资源、管理质量，并对自己承诺的交付负责。人员分工必须清楚，但组织不能把流程和系统的问题都留给一线员工补救。

真正进入交付以后，行业经验的价值也会发生变化。

许多工作的难点藏在日常处理之中：一个客户为什么有特殊要求，一项业务为什么反复被退回，某类异常应该先核对什么。这些知识很有价值，却常常只掌握在少数经手人手里。

YC在同一期清单中提出“Company Brain”，即“公司大脑”，关注的就是把散落在人员经验、邮件、沟通记录和系统中的知识组织起来，持续更新，让AI能够据此工作。

对我而言，这意味着企业需要保存做成一件事的依据和过程。业务为什么第一次没有办成，后来补了什么材料，谁作出了判断，最后怎样确认成功，都值得留下。

但留存记录还不等于形成能力。一次人工纠正，只有经过复核，被整理成适用的规则或案例，并在后续同类业务中得到验证，才可能减少下一次的重复劳动。

一家公司的经验能否积累，要看同样的问题再次发生时，是否处理得更好。

这也意味着，做过多年业务并不自动构成优势。过期的数据、说不清适用条件的经验，都可能影响判断。新的团队如果更善于组织工作、验证方法，同样可能做得更好。

数据的来源、授权范围和用途，也要从开始就明确。经手过客户资料、员工信息或患者病历，并不意味着可以随意使用。许多场景首先需要的，是让智能体在权限范围内获取正确信息、调用合适的系统，并留下可核查的记录。

经营者还必须把另一笔账算清楚：一件事做成以后，公司究竟付出了多少成本。

一个标准动作快了很多，不代表完成整项工作的成本同比下降。模型调用、系统对接、人工审核、客户沟通、现场工作、返工和持续维护，都需要投入。数量不多的复杂异常，有时恰恰决定一笔业务最后赚不赚钱。

因此，我会把交付质量、人工纠偏和单位成本放在一起看。客户增加以后，质量是否稳定？每笔业务是否更少需要人工补救？对使用者，实际工作量是否减少；对提供方，完整交付成本是否下降，并能支撑持续投入？两边的账都要成立，业务才能长久。

还要看员工是否真的能够转向更有价值的工作。如果AI处理了前面的步骤，却让员工花更多时间检查和返工，就需要重新审视流程设计。

交付结果也不意味着所有业务都要“成功才收费”。按月、按人、按单或者按项目，都可以是合理的收费方式。关键是客户知道自己买到什么，公司知道自己需要怎样兑现承诺。

对准备行动的团队，我更愿意从一个明确的场景开始：选一类真正熟悉、客户已经愿意付费的工作，为一个客户跑通完整交付。

记录改造前后的质量、耗时、人工介入和完整成本，连续验证几个业务周期。先证明这套方法能够稳定运行，再扩大服务范围。小团队的机会，也应当从这样边界清楚的工作开始。

对于已有客户和团队的企业，这是一次重新审视自己的机会。行业积累提供了起点，能否重新组织专业人员与智能体，决定了这份积累能够走多远。

在这个过程中，我尤其在意人的位置。

有经验的员工，应当参与定义规则、判断质量和解释异常。他们的知识值得尊重，他们也应当获得学习新工作方式、承担新职责的机会。

我希望看到的是，AI接走重复劳动以后，员工有更多时间理解客户、处理复杂问题，医生有更多精力面对患者。企业的增长，也能够伴随着服务改善和员工能力的提升。

客户最终感受到的，是事情有人负责，问题能够解决，服务值得信任。这些感受，来自每一次具体交付。