别找 FDE 了,分享个企业 AI Native 转型的焚决

我们之前分享过一篇文章，许多读者朋友感触很深：别指望你的组织能变得 AI Native。

作者 Vas，是硅谷 @varickAgents 的 CEO。

他们每天的工作，就是和世界上一些最大、最复杂的组织打交道，帮它们把 AI 真正落地：业务涵盖战略与培训、流程梳理与再造、构建与部署 Agent，以及后续的优化与扩展。

最近，他们分享了如何让组织进行 AI 转型。

以下为全文精校翻译，略有删改。

AI 转型需要从公司层面开始

如果你经营一家大型公司，AI 该从哪里入手？

简单直白不绕弯子的回答是：视情况而定。没有什么灵丹妙药能让效率直接提升 90%。如果一个外部的 AI 转型伙伴给每家企业开同样的方子，那说明他们做过的项目还不够多。

我敢下这个判断，是因为在我们服务过的每家企业里，从财富 50 强到新融资了大钱的创业公司，我们都看到这套打法奏效：

在一个部门内做调研，聚焦关键工作流，把价值谈清楚，然后构建一个公司大脑（Agent 在执行中学到的关于你公司的知识，都沉淀在这里）。其中几乎所有的价值都在调研这一步。

我们有一个客户，先请了德勤，三个月后把他们换掉了，原因很简单：他们的调研做得太差。顾问做了一堆所谓的访谈，却不知道该怎么提问，这既浪费你的钱，也浪费你的时间。

真正的关键是：知道该问什么、如何找到对 AI 转型真正重要的信息，然后还能把它成功建出来。世界上真正知道怎么把这件事做对的人，可能不到 1,000 个，标准是既高效又准确。

不要被那些所谓的专精某个部门的 AI 转型伙伴忽悠。如果你想给财务部门引入 Agent，它们必然会横跨销售、运营、人力资源等多个部门的部分流程。销售运营的 Agent 也一样：那些工作流会牵涉财务和市场。人力资源会牵涉 IT。不存在所谓部门专属的 Agent。这种分工，本质是在人的精力和能力有限时的妥协，对于 Agent，这种分工反而成了限制：因此你的 Agent 必须能跨多个部门，因为它们有能力同时知道所有事情。

对于企业来说，AI 转型是一场侵入性手术：它高度依赖客户定制，做错了，可能让你浪费数月、搞崩系统迁移，重创业务。做对了，它可以让你的利润率翻倍，让一支 150 人的团队发挥 300 人的产出。

如果你想让自己的组织走上这条路，可以按下面的顺序来。

AI 转型的具体步骤

在 AI 转型前，你需要先搞清楚你的组织现在在哪个阶段：

一、如果你还没启动（这还不是最糟的一种）：

可能是安全、法务卡住了流程，也可能是一次 ERP 迁移挡住了去路，于是你开始担心，自己已经落后太多。AI 确实让数据整理容易了不少，但别把“先把数据整理好”当成转型的前提：

数据准备本身就是转型的一部分，不必等它“全部完成”再启动。你的数据永远会有问题；转型工作本身，就应该在推进过程中不断暴露并修复这些缺口。

即便你还没启动，你的处境很可能比你以为的更好：

你也没有 20,000 个 AI 付费席位，每月耗资 1,000 万美元，却躺在那里吃灰；更没有一个所谓的 AI 中台部门卡着流程，花六个月评出 40 个最佳用例，还规定只有这些项目才能动工。

二、如果你部署了 Copilot，但撞上了平台期（这是最常见的一种）：

过去两年，你部署了 Copilot 或 ChatGPT Enterprise，培训员工使用，甚至让他们自建了数百个 Agent。使用量在头几个月猛增，随后便进入平台期。人们都说它有帮助，但这种帮助始终没有体现在收益表上。

最典型的例子是总结会议纪要。麦肯锡《2026 年 AI 现状调研》显示：在使用 AI 的人中，80% 表示它提高了自己的工作效率；但只有 37% 的受访者认为，AI 对盈利产生了任何影响。

Copilot（或其他助手）只在员工主动求助时才会起作用，让某个环节提速 10%-20%。更何况，员工一天中真正使用它的时间远不到 8 小时，用得好不好还取决于个人写提示词的水平。

而当 Agent 在后台系统中工作，只在出现例外时才交由人工处理，我们看到的效率提升能达到 60%-90%。

假设一家 12,000 人的公司有 1,200 人使用 Copilot，而且他们只在三分之一的工作时间里提速 15%，你依然不会在收益表上看到任何变化：因为你既没有改变任何人的工作内容，也没有触动任何成本项。算下来，这不过相当于每人每天省出 24 分钟。

但假设你的 AP 部门（应付会计，负责核对供应商发票、安排付款的部门）有 40 人，而你用 Agent 自动化了 75% 的工作，那就是另一种情况：在 CFO 真正关心的成本项上，直接减少相当于 30 个全职岗位的人力成本。

三、如果你的试点卡住了（这是最糟的一种）：

九个月过去，你手里攒了一堆试点的措施，却没有一个进入生产环境。原因大概率不出这三个：开发只在一个团队内部进行；动手前没有梳理流程；或者在构建前没有设定指标。

于是，你的 AI Demo 在理想路径上跑得很顺，却在遇到第一个例外时当场失效，而且没人算得清，把它修好到底值多少钱。最糟的是，整个公司因此疲惫不堪：大家试过了，没做成，也没人愿意再来一遍。重新启动，看起来像是一项永远做不完的大工程；相比之下，干脆认定“AI 没用”反而省事。

但 AI 并非没用：你的竞争对手正在用它，而他们有可能会凭此把你的公司碾碎。

无论你的起点如何，调研都应先聚焦一个部门：既不要只盯着一条工作流，也不要一开始就铺开整个公司。盘点该部门涉及的所有记录系统（如 ERP、CRM）、每一条流程和规则、每一个 Agent，以及每一位相关人员。

按部门切入，并不意味着把视野局限在部门边界之内。因为一个流程的大部分耗时，往往并不集中在某个单一部门。以采购到付款为例，时间可能更多耗在采购、收货等环节，而不是财务本身；月度关账，也可能被薪酬流程中的一个例外卡住。

因此，如果一次只优化一条工作流中的局部环节（比如应付账款中的例外处理），就很容易漏掉真正影响全局的因素，例如采购或收货环节的例外率。这样的结果往往是，每个部门都认为自己已经达标，整个流程却仍要花上三周，因为大量时间消耗在部门之间的交接上。这些跨部门的前后衔接，就是我们所说的上游与下游依赖。

这也是为什么不能把 Agent 限制在单个部门内：财务 Agent 往往需要访问采购、薪酬等多个部门的系统，读取和写入相关数据。如果你的 FDE 只为某个单一部门（如财务）构建 Agent，他们就无法梳理出完整的端到端流程。

那该从哪个部门开始呢？

选在这三项标准上得分最高的那个：数量（它的流程一个月跑多少次）、成本（你知不知道这个部门花多少钱；多数情况下 CFO 有这个数）、触达率（它的流程牵涉多少个部门）。

根据我们的经验，多数情况首选是财务，然后是销售运营，再是人力资源、采购或运营，最后是法务和市场。这一点在我们的客户项目里也成立：大约 40% 的项目落在 CFO 办公室，25% 落在销售运营。

转型为 AI Native 组织的七个步骤

我们用一家全球分销公司来走一遍这些步骤。

这家公司在给 12,000 名员工部署 Copilot 一年后找到了我们，当时已经走到了平台期：他们有 3 个试点在跑，但都卡在组织内部，CEO 希望在 16 周内拿出成果给董事会看。

财务得分最高，因为流程量大（月结要 20 天，应付账款每月有 700 个例外），且流程触达广（关账涉及 4 个部门）。销售运营排第二，法务因为流程量低排最后。

CEO、CFO 和财务总监就三类 KPI 达成一致：时间与成本、收入（扣除 Token 开销后）、风险。然后他们把每一项的现状写了下来。

月结需要 20 天；应付账款每月有 700 个例外；处理一张发票的实际成本是 31 美元，而公司上下一直以为是 5 美元。第 16 周，CEO 带去董事会要讨论的问题，正是这一页纸。

这一步就是调研，也是大多数伙伴失败的地方。纸面上的流程写了 11 步，但读取 ERP 事件日志、再和一线人员聊完，发现 ERP 里实际有 20 步，邮件里还有 4 步。

多出来的步骤中，有一半源于集团内各公司之间开票时未附采购订单，而这些步骤在流程文档中只字未提。因此，画流程既要读取系统中的事件日志，也要与一线人员交谈，还得有一个真正知道该问什么的人。

对现状流程里的每一步，问题都是：这一步能不能删掉，或者能不能用一段代码或一个 Agent 来做？

在这个例子里，财务职能原本要做的 20 步中，7 步被删除，4 步由代码完成，6 步由 Agent 完成。还有 3 步仍由人做，因为审计师要求必须有人来做。

于是一个人从做 20 步，变成做 3 步，外加处理 Agent 转给他的所有例外。人们最常犯的错误是不删步骤，直接把现状自动化。在麦肯锡 2026 年的调研中，用 AI 赚到钱的公司里近 75% 从根本上改变了流程，而其他公司里这个比例只有约 25%。

Agent 构建在你当前的系统里，所以你的人不需要迁移到新系统，也不用登录新系统：Agent 基本上全是代码，只有一小部分用到了模型。

模型只用在输入不可预测的地方，比如读取一种新的发票版式，或者根据过去 1,000 张发票把一张发票归到正确的总账科目。Agent 学到的关于你公司的一切都存进你的公司大脑，所以当你开始做第二个部门时，这些知识已经在那里了。

头两周让 Agent 以影子模式同时运行着全量跑，但不允许它们采取行动。

逐一检查 Agent 与人工结论不一致的案例。从第 3 周开始，凡是已经写好校验规则、且你有 99% 以上把握不会出错的操作，都可以交给 Agent 执行；这类操作通常约占 50%。到第 12 周，Agent 能处理约 90% 的工作，其余由员工接手。

找出那些已经在用 AI 把本职工作做得更好的员工。为他们提供一天的培训，再设一个排行榜，比较他们利用各自的技能文件省下了多少时间，而不是消耗了多少 Token。

接着，让他们为下一个要攻克的部门构建 Agent；其他员工则使用这些在后台运行的 Agent。

在这个案例中，四个月后，公司的月结时间缩短至 8 天，应付账款团队每月需要处理的例外降至 50 个以下。接下来，销售运营将按同样的步骤推进。

无论你从三类起点中的哪一类出发，后续这 7 个步骤都相同。

如果你尚未启动，直接从第 1 步开始，但不要一开始就在全公司铺开。第 1 周就让安全、法务和财务团队参与进来。SailPoint 的数据显示，截至 2026 年 10 月，79% 的组织已有 AI Agent 在生产环境中运行，但只有 2% 在使用专为这些 Agent 打造的 AI 安全工具。

如果你已经在全公司铺开 Copilot 席位，就保留这些席位——它们确实能让员工更快地完成本职工作。但要生成一份使用报告，看看谁用得最多，找出前 10%（他们正是第 7 步要找的人），然后选定一个部门开始。

如果你一直在跑试点，就按第 2 步，为每个试点敲定一个明确的价值数字；敲不定的，直接砍掉。将保留下来的试点纳入所选部门的转型范围，再按第 3 步梳理其流程。很可能，每个试点只覆盖流程中的 1 步，也就是说，在一个耗时 22 天的流程里，只省下了 8 分钟。

构建业务 + 工程混编小组

每个人都想卖你点什么。付费席位最好卖，也最容易向董事会交差。

或者，某家大型咨询公司想进来办工作坊、做访谈，把你能想到的业务用例全部列出来，那 40 个用例，你自己也列得出来，再拿一张 1–5 分的打分表逐个评估。可他们通常并不知道该问什么。

各家 AI 实验室则想把 FDE 卖给你，替你构建 Agent。OpenAI 在 5 月成立了自己的部署公司，19 家合作方为此提供了 40 亿美元；微软在 7 月成立 Frontier Company，投入 25 亿美元，并配备约 6,000 名驻场工程师和行业专家。

Vistance Networks 的 CIO 于 2026 年 10 月 13 日写道：「我们花了数百万，送 AI 专家去学业务；其实，应该送业务人员去学 AI。」

这句话只对了一半。懂业务的人无法独自完成上述所有工作，尤其是先让 Agent 以影子模式运行、再让它们通过 SOX 审计这一步。因此，你需要把 AI 专长和业务知识结合起来，才能充分释放从单个部门切入的价值。

也没有人能把它打包成产品卖给你——因为它本来就不是产品。

你大概率正处于三种状态之一：尚未启动；Copilot 已经铺开，却撞上平台期；或者试点卡住，迟迟无法进入生产。大多数人属于第二种。Copilot 只在人们主动提示时发挥作用，让工作提速 10%-20%；而在后台运行的 Agent，则能接管 60%-90% 的工作流。

无论你处在哪种状态，做法都一样：选定一个部门，把它的流程端到端地重建一遍。

最大的省时空间，往往藏在部门之间的交接里；这也是 Agent 必须跨部门工作的原因。

而整件事的成败，取决于调研：选部门时，看流程量，看成本（CFO 手里会有数），也看它涉及多少个部门。通常，财务是首选。

在前面提到的那家全球分销企业，16 周后，月结流程的 20 个步骤中，人工只需完成 3 步；月结时间从 20 天缩短至 8 天，应付账款每月的例外从 700 个降至 50 个以下。