AI用得越多,组织反而越散?

这篇文章最早来自一场分享的整理。

一开始，我以为主题会落在 HR 怎么用 AI。

后来越整理越觉得，这个题太小了。

真正值得写的不是某个部门怎么用工具，而是一个更扎心的问题。

AI 用得越多，组织为什么反而可能越散。

上一篇我写智能体出错谁负责。那篇讲责任链，是先把安全边界画清楚。

但边界画清楚以后，还得往下问一句，如果 AI 仍然停在每个人自己的电脑里，组织会自动变快吗。

我的判断是，不会。

它只会多出一堆更快生成的材料，更分散的口径，和更难追踪的责任。

先看数据，不看热闹

先把几组调研放在前面。

McKinsey 2025 年全球 AI 调查里，88% 的受访者表示，所在组织已在至少一个业务职能中规律使用 AI。

BCG 的 Build for the Future 2025 研究里，全球大约只有 5% 的企业达到 future-built 阶段，能持续从 AI 获得实质价值。还有 60% 的企业已经投入不少，却几乎没有形成收入或成本收益。

BCG 讲 AI 转型时反复提醒，真正的大头往往不在算法和工具，而在人和流程。

这几组数字放在一起，刺耳的地方就在这里。

AI 不稀缺。

会把 AI 变成组织结果，才稀缺。

很多企业现在不缺账号，不缺插件，不缺内部案例，也不缺几张好看的月报。

月报里可以写使用人数增加，调用次数增加，生成内容增加。

再往下问，返工少了多少，等待短了多少，错误少了多少，经验沉淀了多少，很多团队就没那么好回答了。

这就是使用热闹和能力增长之间的距离。

一个人用 AI 写得快，不代表公司跑得快。

十个人各用各的 AI，有时候反而会让组织更乱。

个人效率，可能放大组织噪音

我现在最警惕的，不是员工不会用 AI。

真正麻烦的是，人人都能很快得到一个答案，但组织没有一个准答案。

口径先散。

同一份制度、同一条合同、同一类报销规则、同一个客户问题，只要知识源头不清，AI 就会顺着不同人的输入生成不同说法。

每个人都觉得自己提高了效率。

但员工、客户和业务部门收到的是不同口径。

这不是 AI 的锅。

是组织没有给 AI 一个权威源头。

接着散的是资产。

过去没有沉淀，大家至少知道没有沉淀。

现在每个人都能生成一份漂亮材料，材料存在个人电脑里、聊天记录里、临时文档里。下个月另一个人再从头问一遍。

看上去输出多了，实际上组织还是没留下东西。

最后散的是责任。

AI 起草了，谁复核。AI 总结了，谁签字。AI 给了建议，谁判断。AI 用了旧版本资料，谁更新。

这些问题如果不提前说清楚，AI 用得越多，责任越容易变成一团雾。

所以我越来越觉得，AI 的第一道分水岭不是谁会提问。

是组织有没有能力把个人使用收回来。

收成统一入口。

收成权威口径。

收成复核责任。

收成留痕记录。

收成结果指标。

HR只是一个好样本

这次素材里有不少 HR 场景。

但我不想把这篇写成 HR 怎么用 AI。

那样太窄，也容易写偏。

HR 只是一个好样本。

因为它刚好把几种组织难题叠在一起。

高频。

高文本。

高流程。

高重复。

同时又高敏感、高责任。

这类工作最适合出 AI 价值，也最容易出 AI 风险。

拿员工服务来说，它其实不是一个 HR 专属问题，而是一类内部服务问题。

很多问题本身并不复杂，难的是入口太散。群消息、私聊、电话、邮件、表格来回跳，处理人一直被打断，提问的人也不知道进度在哪里。

AI 可以接住第一层，识别类型，生成答复草稿，提醒进度，再把高频问题沉淀出来。

但这件事的价值，不是回复快了几分钟。

真正的价值是，组织第一次看见哪些问题被反复问，哪些制度说不清，哪些流程一直让员工卡住。

这就是一张组织问题地图。

能力训练也是一样。

沟通、谈判、投诉处理，过去很容易停在听课和经验上。听完课，回到现场会不会谈，能不能处理异议，主管很多时候只能凭感觉判断。

AI 可以把场景做成练习，把评价维度固定下来，把每次练习的数据留在看板里。

但它不应该变成新的隐形考核。

这类训练的价值不是替人打分，而是让能力建设从听过变成练过，从感觉变成可复盘。

人才交接更典型。

很多岗位最贵的不是岗位说明书里那几行职责，而是老人脑子里的坑，关键流程里的例外，某些客户、员工、供应商背后的处理经验。

AI 可以访谈、整理、追问、生成知识库，让后来的人随时能问。

但如果没有版本责任人，没有权限范围，没有更新机制，这个知识库很快就会变成另一个没人敢信的文件夹。

换成客户投诉、合同评审、采购比价、财务报销、项目复盘，道理是一样的。AI 真正要改的，不是某一个岗位的效率，而是一类工作能不能被组织稳定复用。

六个关口，比提示词重要

我现在判断一个 AI 场景有没有真正落地，不看提示词写得多漂亮，也不看使用人数涨得多快。

拿一类高频咨询来说，可能是员工政策，也可能是合同条款、报销规则、客户投诉。问题看上去都不大，但只要入口散、口径散、版本散，很快就会变成组织噪音。

我会先看六个关口。

入口要统一。谁在什么情况下触发，不能全靠微信群和个人习惯。

输入要标准。需要哪些资料、字段、背景和约束，不能让每个人凭感觉喂给 AI。

口径要权威。制度、政策、话术、知识库到底以哪一版为准，要有一个源头。

复核要有人。AI 输出以后谁看，谁改，谁签字，谁把它变成可以对外使用的结果。

过程要留痕。用了什么资料，改过哪些版本，谁确认过，后面能不能追溯。

结果要有指标。到底是缩短了周期，减少了返工，提高了一致性，还是降低了风险。

这六个关口齐了，个人效率才有机会变成组织能力。

它们稳定下来以后，就不再只是流程要求，而会变成组织里的固定角色。

入口像一个角色。

知识库像一个角色。

复核节点也像一个角色。

这也是为什么下一步组织架构图一定会被重新画。

少了这些，AI 就只是一个更快的个人助手。它可以让某个人更轻松，但很难让组织更稳定。

指标比使用率诚实

很多 AI 项目最容易犯的错，是把使用率当结果。

使用率当然要看，但它只是开始。

后台数据很好看。

调用了多少次，生成了多少字，活跃了多少人。

这些都能拉出来。

但这些指标有一个问题，它们只能证明大家在用，不能证明组织变好了。

真正该问的是，合同评审返工少了几轮，客户投诉首次响应快了多少，费用报销退回率降了没有，交接资料复用率提高了多少，同类问题的回答一致性有没有改善。

如果这些指标没有变化，AI 用得再热闹，也只是新型忙碌。

说真的，这个判断对管理者不太友好。

因为使用率容易汇报，结果指标难看。

调用次数可以从后台拉出来。

返工轮次要一件件复盘。

生成内容数量很好看。

内容到底有没有被复用，要到流程里去翻。

但管理就是这样。

真正的价值，常常藏在那些不好看的地方。

AI 活跃用户增长，不等于组织能力增长。

组织能力增长，一定会在流程里留下痕迹。

边界不是刹车

上一篇我已经写过责任链，这里不重复展开。

这一篇只补一句，越是想把 AI 使用沉淀成组织资产，越要先把边界写清楚。

AI 可以整理信息、生成草稿、提醒流程、归纳趋势、沉淀知识，但不应单独决定一个人的录用、拒绝、晋升、绩效、薪酬、处分、调岗或离职。

凡是影响个人权益的场景，都要有合法处理依据、最小必要、权限控制、影响评估、人工实质判断和复核渠道。要说清楚数据从哪里来，谁能看，谁能用，日志保存多久，制度依据是哪一版。

健康、孕产、残障、生物识别、行踪轨迹、心理情绪、投诉举报这类敏感信息，更不能随手丢进未经批准的通用 AI 工具。

这一段不热闹，也不好传播。

但没有边界，组织不敢复用，好的经验也不敢沉淀。

边界不是给 AI 踩刹车，是让 AI 有资格进入组织资产。

30天，先收回来一类工作

Gartner 在 2026 年未来工作趋势材料里提醒，AI 应该对准最费力、最高摩擦的工作环节。我很认同。

如果让我给一个企业提建议，我不会先看谁最会用 AI。

我会先看哪类 AI 使用最散、最重复、最难复用。最好是每周都发生、多人参与、反复返工、容易计量、大家都觉得烦的高摩擦工作。

第一周，先盘散点。

看看现在谁在用 AI，解决什么问题，输出放在哪里，有没有被复用。先别急着做新项目，先承认组织里到底散落着多少半成品。

第二周，再定口径。

选一个高频场景，明确参考哪一版资料，哪些数据不能进通用工具，输出给谁复核，哪些结果可以沉淀。

第三周，开始建资产。

把跑通的问答、案例、质检清单、提示方式和输出样例放到一个地方。不要让每个人下个月再重新问一遍。

第四周，只看指标。

不要只看使用人数。看返工有没有少，口径有没有稳，等待有没有短，复用有没有发生，风险有没有被提前拦住。

30 天结束，只回答一个问题。

这类工作有没有更一致、更可复用、更可追踪。

回到重写管理

AI 刚进入企业的时候，看起来像工具问题。

会不会用，买不买账号，选哪个模型，谁的提示词更漂亮。

用的人多了以后，才会发现它是组织问题。

谁给口径，谁做复核，谁留痕，谁沉淀资产，谁看指标，谁为结果负责。

这也是我为什么越来越不愿意只聊 AI 工具。

工具会越来越多，也会越来越便宜。

真正稀缺的是，管理者能不能把这些能力重新写进组织运行方式里。

个人会用，只是开始。

组织会跑，才是分水岭。

当 AI 从个人电脑进入统一流程、资产和指标以后，组织架构图也会开始变化。里面不一定全是人，有些位置会变成系统、智能体、知识库、复核节点和流程责任人。

下一篇，我想继续聊这个。

未来的组织架构图，框里不全是人了。

参考资料

McKinsey & Company，The state of AI in 2025, Agents, innovation, and transformation，2025年11月5日。Global Survey 样本为1,993名受访者，覆盖105个国家，关键引用点为企业 AI 使用普及度和 Agentic AI 部署阶段。

BCG，The Widening AI Value Gap, Build for the Future 2025，2025年9月30日。BCG Build for the Future 2025 Global Study 样本为1,250名高管和AI决策者，关键引用点为 future-built 企业比例、scale 阶段企业比例和价值差距。

BCG，AI at Work, Momentum Builds, but Gaps Remain，2025年6月26日。覆盖11个国家和地区，10,600多名员工、管理者和领导者，关键引用点为领导支持与一线 AI 使用差距。

BCG，Scaling AI Requires New Processes, Not Just New Tools，2026年1月20日。关键引用点为 AI 规模化需要流程重构和 10-20-70 资源配置原则。

Gartner，Gartner Identifies the Top Future of Work Trends for CHROs in 2026，2026年1月12日。关键引用点为 CHRO 应将 AI 对准高摩擦工作环节。

《中华人民共和国个人信息保护法》，关于个人信息处理、自动化决策、敏感个人信息和个人权益保护的规定。

国家互联网信息办公室等七部门，《生成式人工智能服务管理暂行办法》，2023年7月13日。关于生成式人工智能服务的数据、个人信息、合法权益和风险治理要求。