现在，几乎人人都在学AI、用AI，但是企业整体利用AI提效或增长的并不多。麦肯锡的一份全球AI调研显示，88% 的企业已在至少一个业务职能中使用 AI。但是，绝大多数企业仍卡在"将试点转化为全企业影响"这一步——技术上线了，价值出不来。过去几个月，舵舟也走访、访谈了一些企业实际应用AI 的情况，这些公司有规模巨大的头部公司，也有中小公司，行业各不相同。做这些调研旨在了解AI在企业中的真实落地场景，以及面临的挑战。希望能为更多企业提供经验或教训。访谈完这些企业，有一个整体发现：跑得快的企业和跑得慢的企业，差距不在模型能力，而在组织跨越J型曲线的能力。
落地AI 本质上是一次组织分工的重新谈判——CEO 该管什么、AI 技术部该做什么、业务部门该承担什么、HR 该何时介入。更关键的是，不管什么行业、什么规模，组织的 AI 落地几乎都会经过一条"J 型曲线"：初期效率下降、底部煎熬、然后回升超越。角色分工如果错了，技术越强越容易跑偏，J 型曲线也会被无限拉长。我们把多家访谈中反复出现的那条"组织进化线"提炼成一个可复用的框架——四类角色如何分工，以及这份分工如何在 J 型曲线的不同阶段动态调整。一、四类角色的核心定位
AI 转型最常见的组织问题不是没人干活，而是角色错位——CEO 把 AI 当 CTO 的事，业务部门等 AI 技术部"交付成品"，HR 只做培训不碰机制。角色没对齐，组织进入 J 型曲线后根本扛不住底部的压力。- CEO 的核心任务不是懂技术，是扛住"J 型底部"。
AI 转型会经历一段效率短暂下降——员工学新工具、老流程被打断、投入已发生但收益未到。这段时间质疑声最大，CEO 动摇，项目就死在底部。我访谈过的一家企业，CEO 做了两件事：强制部门目标嵌入 AI 指标，管理者晋升必须证明有 AI 应用场景——本质上是帮组织扛过最难那段路。这个角色最容易把"做支持"做成"当总负责人"——选场景、定节奏、推落地全抓。但技术部没有业务判断力，选出来的场景往往是"技术最容易做"而不是"业务最需要"。正确姿势：把底座搭好、工具链拉通、接入门槛降到最低，让业务部门在自己的一线场景里做决策。最常见失败模式：技术部做出工具推到业务部门，试两下说"不好用"就搁置。根因不在工具，在于业务部门没深度参与场景定义。AI 不是 ERP——不是部署完就能用的标准化产品，需要在真实业务流程中反复打磨，这事只有业务部门自己能做。很多企业以为 HR 做几场培训就够了。真正的杠杆在机制——晋升标准里有没有 AI 应用场景的硬性考核？岗位设计要不要因 AI 重新调整？这些事只有 HR 能做，也只有 HR 做了，AI 才会从"号召"变成"制度"。二、3个阶段的分工演变
真正的挑战是这份分工会在 J 型曲线的不同阶段发生结构性转移。初期、发展期、成熟期，每个阶段对组织的阵型要求完全不同。如果组织意识不到"该切换角色了"，就会卡在 J 型的底部出不来——初期 CEO 该主导时放手了，发展期该业务接手时技术部还抓着不放。更深一层看每个角色的底部：CEO 的底部在战略定力受到最大挑战的时候，技术部的底部在平台化改造最吃力的阶段，业务部门的底部在从"等交付"转向"主导场景"的阵痛期，HR 的底部在动真格改机制受到的阻力最大时。四个角色的底部可能不同步，但任何一个角色过不去，组织整体就卡住了。关键不是照搬别人的时间表，而是建立一套衡量每个角色走到了哪里的标尺。初期（0-6 个月）：CEO 是引擎，技术部是底盘。核心矛盾是"要不要做"和"从哪开始做"。CEO 必须亲自下场——不是开两次会表个态，而是做成第一推动力。我们访谈过的企业 CEO 不仅在战略层明确 All in AI，对管理层的话术也层层升级——从"不拥抱 AI 可能被淘汰"到"谁抵抗干掉谁"。技术部定位是搭底座、跑通 MVP，不追求完美，追求验证。业务部门出场景、容忍粗糙。HR 把配套激励跟上。发展期（6-18 个月）：权力重心从技术部转向业务部门。核心任务是场景横向扩展，业务部门必须走到台前。技术部的工作从"自己上手做"变成"把底座平台化，让业务部门自己能配置"。HR 开始动真格：岗位重组（培训岗被替代后，人往哪去？）、晋升卡位（没有 AI 场景不能晋升）、考核体系调整（引入"AI 浓度"指标）。CEO 从推动者变成标准制定者，设定 AI 浓度指标定期审视。技术部从建设者变成维护者+前瞻者。业务部门已将 AI 作为日常工作方式。HR 转向人员结构优化和文化固化。- 初期→发展期：第一个场景跑通并产生可度量效果，业务部门开始主动提场景需求
- 发展期→成熟期：日常运营不再需要 CEO 或技术部特别干预，AI 变成"水电煤"
这里提出一个概念——AI 浓度，定义为"每个岗位/每条流程/每项工作任务中，AI 贡献的工作量占比"。我判断未来AI 浓度会成为评价一个组织 AI 能力的标配指标——就像今天看人效一样自然。
三、案例：互联网公司 AI 落地路径
我访谈过一家中型互联网公司，他们公司战略层提出 All in AI 后，技术部、业务、HR开始共同讨论，如何做好AI落地。第一步不是铺开，是选场景。选容错最大、正反馈最快那个。他们选了"内部宣贯与培训"——入职培训、制度宣贯、活动主持。这些场景说错了问题不大，做成了效果立竿见影。技术部搭建数字人底座，职能部门配合出内容素材。两个月后，培训岗效率被大大提升了，培训岗位的人员逐步转型。"我们没有去碰核心业务流程，那些场景容错太低。先在内部场景上跑，跑通了，团队自然就信了。"
单个场景跑通后，场景从"宣贯培训"扩展到"智能问答"和"方案生成"。到 2024 年，AI 沟通助手和文档助手陆续上线。关键动作是技术部把数字人底座平台化，接入成本降到"职能部门自己就能配置新场景"的程度。技术部从"自己做"退到"做支持"，场景扩展主导权交还给职能部门。到 2024 年下半年，该职能部门的团队人员出现结构性缩减——不是一刀切裁员，而是某些岗位自然不再需要。这个案例最容易被忽略的信息：AI 之所以能这么快落地，不是因为技术多先进，而是职能部门在 AI 出现前就做了两件事：花了两年把全职能知识文档梳理成结构化知识库。初衷只是知识沉淀，没人预判 AI 会爆发。但 AI 来的时候，知识是现成的——直接灌进去就能用。从人力服务中心、全流程标准化到信息化全面上线，这套系统在 AI 到来前默默积累，AI 到来后一次性兑现。"很多公司 AI 落地卡死了——不是模型不行，是连标准化知识库都没有。我们只是提前把该做的功课做了。"
四、企业都绕不过的J型效率规律
这一条是我访谈多家企业后反复确认的共识——值得单独拎出来说。AI 落地不是一条平滑的上坡路。无论什么行业、什么规模，组织都会经历一条效率曲线：先下降，再回升，最终超过原点。我管它叫"组织 J 型曲线"。 | | |
|---|
| J 的左半边 | | 员工学新工具、老流程被打断、部分场景 AI 还不如人 |
| J 的底部 | | 投入已发生，收益还看不到，团队开始怀疑"要不要继续" |
| J 的右半边 | | |
上述案例企业的技术部负责人也印证了这一点。2023 年下半年刚批量部署 AI 时，团队反应是"更累了"——老流程还在跑，新工具要学，两头占精力。走到 2024 年下半年，效率才真正体现出来。这就是一个完整的组织 J 型曲线走通的过程。J 的底部组织质疑声最大，领导层动摇就死在底部。那家企业的 CEO 用战略目标绑定和晋升施压，本质是帮组织"扛过底部"。选容错大、正反馈快的边缘场景——内部宣贯、基础问答——而不是一上来就碰核心业务流程。选错第一批场景，组织的 J 型曲线会被无限拉长，消耗掉团队的信心。组织 J 型曲线本质是"预期管理"问题。很多转型死在底部，不是技术不行，是组织没为"短暂下降"做好准备。建议企业在启动 AI 前，先对内外讲清楚——组织效率会先降后升，这是规律，不是失败。预期管理做到位，底部的煎熬就从"未知的恐慌"变成"已知的代价"。五、总结：组织 J 型曲线，靠机制才能走完
AI 转型不仅是技术项目，更是组织分工的重新谈判。CEO 扛底部，技术部做赋能，业务部门主导场景，HR 动机制。这四个角色各有位置——缺位和越位，都会让组织在 J 型曲线里卡死。分工在三阶段发生结构性转移，本质是组织跟着 J 型曲线动态调整。初期 CEO 主导、左半边阵痛，发展期业务接棒、底部煎熬，成熟期机制接管、右半边回升。临界信号就是第一个场景跑通并产生可度量效果。组织 J 型曲线绕不过，但可以缩短。场景选对、领导层在底部不退缩、信息化地基提前做好——这三件事决定了组织在底部待多久。麦肯锡那个数据——88% 企业用 AI，但大多数卡在规模化——密码就在这里。先排阵型，再上技术。阵型对了，组织就能扛过 J 型曲线；阵型错了，AI 是放大器——放大你组织里所有还没解决的问题。关于如何选对场景，如何让AI在企业中融入业务，如何用AI提效业务流程？我们开发了一场“AI落地工作坊”，如果你正在计划在公司里落地AI，诚邀你来参加工作坊，给你一套落地方法和工具，带走你的落地方案。
夜雨聆风
