ARTICLE · 1271544
从工具到组织:企业AI转型,真正考验的是经营能力 法国雷恩商学院中国高管发展公开课思考
10月28日，在上海长宁国际T4，我参加了法国雷恩商学院中国高管发展公开课。本次活动的主题是：从工具到组织：AI如何真正走进企业经营？
从企业竞争与战略选择，到人才组织与业务落地，几场主题分享和行业圆桌，讨论了一个管理者越来越难以回避的问题：当AI能力变得越来越容易获得，企业究竟靠什么，把它转化为经营成果？
这个问题，最近一直出现在我的工作里。
过去在腾讯、美团、蚂蚁做运营和增长，我们习惯围绕目标拆业务：收入从哪里来，转化卡在哪里，资源应该投向哪个环节。
现在自己创业，带着团队做企业AI员工和FDE落地，我发现，同样的经营基本功，正在变得更加重要。
AI工具越来越强，企业做出的选择却不一样。
有的企业在普及工具，有的开始改造流程，有的已经重新思考：客户未来会为什么付钱，自己的竞争对手又会是谁？
这次活动，从郑金师博士关于CAIO的分享，到孟劲博士对企业竞争的讨论，再到人才组织、吴玉青的落地实践和行业圆桌，把这些问题放到了一起。
我想复盘其中几个对企业管理者最有价值的判断。
一、AI对企业更深的影响，是客户可能换一种方式花钱
现场有一页农机案例，标题很直接：
谁来拿走每亩地的除草预算？
这个问题，比“农机企业应该用哪个AI工具”更值得琢磨。
站在农机企业内部，AI可以用来做经销商维修助手、旺季备件预测、整机排产优化、工厂焊缝质检。
每一个场景都有价值。
但把视角移到客户身上，会发现农户最终关心的是：这块地的草能不能除干净，要花多少钱，会不会影响作物。
为了实现这个结果，他可能买设备、买药剂，也可能购买一整套作业服务。
当AI识别、精准喷洒、设备控制和服务交付结合起来，原来分属不同企业的产品，开始共同争取一笔预算。
设备商、农化企业、技术公司、作业服务商，彼此的边界也就发生了变化。
这让我想到，我们讨论AI战略时，至少需要看两个层面。
一个层面，是现有业务怎么做得更好。
另一个层面，是客户要的结果有没有变化，满足这个结果的方式有没有变化。
内部提效，可以帮助企业改善成本；客户购买方式的变化，可能影响企业未来的收入来源。
做运营的人习惯研究用户需求和交易链路。到了AI时代，这个习惯仍然有用，而且需要往前多走一步：重新理解客户愿意为什么付费。
对企业负责人来说，一个值得认真讨论的问题是：
如果客户未来可以直接购买结果，我们现在卖的产品和服务，还处在什么位置？
二、企业需要有人，对AI的经营成效承担责任
战略讨论往下落，很快就会遇到一个现实问题：
谁来负责？
很多企业的AI项目，最初由IT部门发起，或者由几个积极的业务骨干推动。
试用时大家都觉得有意思。真正进入业务，就开始碰到数据、流程、权限、资源和考核。
销售希望接入客户资料，相关部门担心数据安全；技术把系统做出来了，业务人员仍然沿用旧习惯；试点部门觉得有效，跨部门推广却迟迟推不动。
这些问题，需要有管理权限的人协调。
现场关于CAIO的一页投屏，把责任拆得很清楚：
我认同这个拆法。
企业是否设立一个专职CAIO，可以根据规模和阶段决定。但这三项责任，必须有人承担。
尤其是结果责任。
如果一个项目只有技术负责人，没有业务结果负责人，最后很容易只验收“系统有没有上线”“功能能不能使用”。
至于上线之后有没有提高转化、缩短交付、减少损失，反而成了没人继续追的问题。
企业AI落地，需要一位能够把业务目标、组织资源和技术应用连起来的负责人。
对中小企业来说，这个人很多时候就是老板自己。
三、选场景，要从最重要的业务目标开始
吴玉青分享中，有一句话我很认同：
先问“哪个业务目标最重要，哪条流程阻碍了结果？”
企业找AI场景，很容易先去找工作量最大的岗位。
销售忙着填记录，运营忙着做报表，客服忙着回消息，管理者忙着开会。
于是，AI需求清单很快就列出来了。
这些工作值得优化，但忙碌程度不能直接代表经营价值。
过去做增长，我们不会因为一个动作耗时，就认定它应该优先投入。我们会先看目标，再找影响目标的关键因素。
例如，销售转化率低，可能有几种原因：
目标客户不准，需求没有挖透，方案没有打中关键问题，或者一直见不到决策者。
如果卡点是见不到决策者，把拜访记录从半小时缩短到三分钟，对转化的帮助就可能有限。
我会用三个问题判断一个AI场景：
第一，希望改变哪个业务指标？
第二，当前哪个环节影响了这个指标？
第三，AI介入之后，谁会因此改变下一步动作？
第三个问题，经常被忽略。
AI生成了一份报告，然后呢？
发现了一个异常，然后呢？
给出了一条建议，然后呢？
如果没有人接住输出，没有明确动作，AI很容易成为企业里又一个信息生产工具。
所以，场景设计不能停在“AI输出什么”，还要设计“输出交给谁，谁来执行，结果如何反馈”。
四、单点效率提升，不会自动变成组织效率提升
现场用“流程瓶颈效应”解释了一个常见现象：
一条流程有很多环节，即使其中几个节点变快了，只要主要瓶颈仍然存在，整体周期也未必明显缩短。
放到企业里，很容易理解。
市场团队一天能生成几十套物料，但审批仍然要等一周。
销售几分钟就能生成方案，但报价、合同和交付评估，还要在几个部门之间反复流转。
经营分析报告自动出来了，但会上没有形成决定，会后也没有人跟进。
每个部门都在展示提效成果，业务链路仍然很慢。
这时候，我们需要同时看两笔账。
任务账，看一项工作节省多少时间。
经营账，看整条链路的结果改善多少。
前者说明工具是否好用，后者决定企业是否值得持续投入。
还有一个更具体的问题：省出来的时间，最后用到了哪里？
员工每天省下两小时，公司如果没有重新安排工作，这两小时不会自动变成收入和利润。
管理者需要决定：
让销售多研究一批客户，让运营多做几轮实验，让分析人员把精力放到原因判断，还是让团队接住更多交付。
AI释放了产能，组织需要把产能用到有价值的地方。
五、三个案例，让AI的经营价值变得具体
听AI分享，我最关心的还是业务到底发生了什么变化。
这次现场有三个案例，分别对应三种值得企业关注的价值。
1. 销售：扩大过去难以覆盖的工作范围
现场展示了一个销售Agent方案。
输入目标企业后，Agent结合公开信息，识别关键人背景、近期活动和人际连接，再匹配企业内部老客户资料，寻找潜在引荐路径。
以前，优秀销售也会做这些工作。
但深挖一家企业，需要大量时间，也依赖个人经验，很难对更多客户持续开展。
AI提供了一种可能：先完成信息整理和线索分析，让销售带着更充分的准备，去核实关系、建立联系。
找到潜在路径，距离信任和成交还有很长的路。但它扩大了销售能够系统研究客户的范围。
这提醒我，评估AI价值，除了看原来的工作省了多少，还可以多问一句：
过去因为太贵、太慢、太依赖专家而没有开展的工作，现在能不能做起来？
这种能力覆盖范围的扩大，有时比节省几分钟更值得投入。
2. 客服：沿着问题向前追，推动产品和运营改进
另一页投屏写着：
客服优化：更快回答，不如减少问题。
这句话对做用户运营的人很有启发。
客户为什么反复咨询优惠怎么使用？可能是规则太复杂。
为什么经常投诉商品与预期不一致？可能是详情页表达造成了误解。
为什么同一种售后问题反复出现？可能需要调整产品、履约或服务流程。
客服对话、评价和工单，本来就包含大量业务信号。
AI如果能持续识别高频问题、歧义表达和根本原因，再推动产品功能、广告文案、电商页面的改进，价值就能沿着业务链路继续往前走。
这里需要一个完整闭环：
客户反馈 → 问题分析 → 改进任务 → 部门执行 → 效果验证。
最后验收的，是相关问题有没有减少，客户体验有没有改善，处理成本有没有下降。
对于消费和零售企业，这条链路尤其值得重视。
3. 设备维修：在解决问题的过程中积累企业经验
现场展示的东风奕派案例，围绕设备故障处理建立了四步闭环：
设备信号接入，Agent辅助诊断，维修方案进入协同处置，处理完后回访确认，再生成报告、回写知识库。
我更关注最后一步。
企业建设知识库，常见做法是让专家写经验、让部门交材料，然后把文件集中起来。
问题是，真正有用的经验，往往藏在具体判断中。
为什么同一种报警，这一次要先检查这个位置？
为什么看起来相同的问题，需要采取不同的处理方式？
单独整理一份文档，很难把现场条件、判断依据和处理结果完整留下来。
如果每解决一次真实问题，都能记录当时的信号、判断、动作和结果，知识就有了更具体的业务背景。
知识沉淀可以成为日常工作的一部分。
放到经营分析里也是一样。
发现异常后，谁判断了原因，采取了什么措施，过一段时间结果如何，这些都值得留下。
下一次遇到相似情况，系统才有机会提供更贴近企业实际的参考。
六、工具升级之后，人才和管理标准也要跟着变化
现场关于人才的分享，有一页标题是：
优秀人才的标准变了。
过去我们招人，习惯看经验、资历、做过什么项目。
这些仍然重要。但AI普及之后，我会更加关注一个人能不能定义问题、判断质量、快速学习，以及推动结果发生。
同样拿到一份AI分析：
有人直接转发。
有人会检查口径。
有人能发现结论与业务常识之间的冲突。
还有人能把分析变成一项具体行动，并持续跟进。
这些人的贡献，会有很大差别。
管理者的工作也一样。
信息收集、进度汇总、会议记录中的一部分工作，可以交给AI。管理者需要投入更多精力，判断优先级、协调资源、辅导团队，以及处理跨部门问题。
这也意味着考核方式要调整。
如果企业要求员工积极用AI，评价贡献时却仍然主要看文档数量、报告篇幅和加班时长，员工就很可能用AI生产更多过程材料。
组织奖励什么，员工就会优化什么。
想让AI帮助经营，就需要把业务结果、交付质量、问题解决和经验复用放进评价体系。
现场圆桌中，能源、办公空间和出行行业的实践，也呈现了不同的落地方向。
能源企业需要结合工业现场和客户需求，关注可靠性与专业经验；WeWork围绕OPC整合模型、Agent部署及配套服务；出行行业从营销、客服、运营等部门切入，同时还要处理输出质量和人工校验的问题。
行业不同，场景不同，组织需要接住的工作也不同。
一套统一的工具培训，很难替代这些具体调整。
七、回到企业，先跑通一个能验收的闭环
这次活动结束后，如果让我把讨论转成一项可以开始执行的工作，我会建议企业先选一个重要场景，把六件事写清楚。
先把这个场景跑起来。
跑的过程中，看业务人员是否使用，看流程是否顺畅，看输出质量是否稳定，也看投入的时间、技术和维护成本。
有了基线和结果，再决定继续优化、扩大应用，还是及时调整方向。
现场吴玉青用一个公式总结组织级AI建设：
组织提效＝基于流程的高价值场景 × AI时代的知识沉淀 × 人才与文化。
我理解这个乘法，是提醒管理者把几项工作一起推进。
场景选得好，流程接不住，价值很难兑现。
知识积累得很多，没有在业务中使用，也难以产生结果。
工具已经配齐，考核和分工仍然沿用原来的方式，员工就会回到熟悉的工作习惯。
对我们自己做企业AI员工和FDE共创而言，这也是一次提醒。
客户现场的每一个数据口径、审批规则、业务例外和协作习惯，都可能决定应用能不能持续运转。
演示效果之后，还有大量具体工作要完成。
从工具到组织，是这次活动的主题，也是一家企业需要持续完成的管理工作。
工具让能力更容易获得。企业还需要判断，把这些能力放在哪里，交给谁，怎样进入流程，最后形成什么结果。
过去做运营，我习惯追着一条业务链路往下看。
现在做企业AI落地，这个习惯没有变。
从客户需求开始，到业务动作，再到组织协作和结果反馈，每一段都需要有人接住。
下一次讨论AI项目，我会先问：我们希望改变哪个经营结果，准备用什么证明它发生了变化？
更 多 文 章
