夜雨聆风一句话：AI 能不能带来回报，往往不取决于公司买了多少工具，而取决于原来的运营系统有没有纪律。
很多公司谈 AI 落地，会先问模型、工具、场景和预算。
McKinsey 这篇关于 operational excellence 的调查提醒了一个更朴素的问题：如果一家公司的流程、指标、责任和反馈本来就混乱，AI 很难凭空创造经营改善。
它最多让混乱跑得更快。
文章里有一个数字很刺眼：接近 90% 的组织说自己至少在试验 AI，但只有 7% 表示已经在企业范围内规模化。
差距不在“有没有试”，而在“能不能进入日常运营”。
试点成功，不等于组织会用
AI 项目最容易制造一种错觉：demo 很好，试点不错，所以规模化只是时间问题。
现实通常相反。
一个试点可以靠少数聪明人、额外资源和管理层关注跑起来。可一旦进入多部门、多地区、多流程，就会遇到老问题：
指标不一致； 权责不清楚； 流程没有标准化； 一线反馈回不到系统； 管理层只看结果，不看运行机制。
这时 AI 不是魔法，而是一面放大镜。
原来流程里被人用经验补上的缝隙，会在自动化和规模化时暴露出来。
运营卓越不是降本口号
很多人听到 operational excellence，会自动联想到降本、流程优化、精益管理。
但这篇文章真正有价值的地方，是把运营卓越重新放回经营系统里看。
它不是一次专项改善，而是一整套公司运行方式：清楚的管理节奏、明确的 KPI、实时资源配置、客户反馈闭环、技术系统和行为规范。
没有这些基础，AI 项目很容易停在“局部聪明”。
某个团队效率提高了，但上下游不配合；某个模型预测更准了，但决策流程没有改变；某个自动化节省时间了，但省下来的时间没有被重新投入到更重要的问题上。
结果就是：工具上线了，财务表现没有明显变化。
真正的飞轮是双向的
McKinsey 的核心判断是：运营纪律帮助 AI 规模化，规模化 AI 又反过来强化运营表现。
这个飞轮可以拆成四步：
公司先有清楚的流程、指标和责任； AI 才能嵌入真实工作，而不是停在演示； AI 带来更快的计划、预测、质量控制和决策反馈； 这些反馈再改进流程，让组织更容易继续部署 AI。
所以 AI 不是替代运营管理，而是考验运营管理。
一家连普通流程都跑不顺的公司，很难因为接入 AI 就突然变成高效组织。
老板要警惕“技术先行”的冲动
对管理者来说，这篇文章最重要的提醒是：不要把 AI 项目外包给工具团队。
如果 AI 只被当成技术项目，它会自然落到功能清单、供应商选择和局部效率上。
但真正影响经营结果的问题，往往是组织问题：
哪个流程值得被重做； 哪个指标真的能代表价值； 哪个团队有权改变决策方式； 哪些岗位需要重新分工； 哪些一线经验要被系统化。
这些问题不解决，AI 项目越多，组织越可能碎片化。
每个部门都有自己的工具，每个流程都有自己的小自动化，但公司整体没有更快、更准、更稳。
起步公司的正确姿势
对还在起步期或增长期的公司，不必照搬大公司转型方法。
更有效的做法，是选一个最关键的经营约束做闭环。
例如：
销售线索响应慢； 客户成功只会事后救火； 供应链预测总是滞后； 内容投放无法回到真实机会； 产品反馈没有进入路线图。
先把这个流程的输入、责任、指标、反馈和决策节奏梳理清楚，再判断 AI 应该放在哪一环。
不要问“哪里能用 AI”。
要问：哪一个经营瓶颈，如果被更快发现、更快解释、更快行动，会真正改变收入、成本或客户体验？
结尾的判断很简单：AI 落地不是从模型开始，而是从经营纪律开始。纪律越差，AI 越像烟花；纪律越强，AI 才可能变成飞轮。
参考资料
McKinsey Insights: Putting AI to work: The operational excellence imperative