AI干得越多,人为什么反而更忙?- AI时代能力供给6B · Bot * Boost

AI时代能力供给6B · BOT × BOOST

1854年，纽约水晶宫展览会上，伊莱沙·奥的斯站上升降平台，让助手当众砍断了唯一的起吊绳。

平台猛地坠落。几英寸之后，两侧的安全装置卡住导轨，平台停在半空。

在那之前，升降机已经能够载货升降。人们不敢用它载人，因为谁也不知道绳索断裂以后会发生什么。

奥的斯改变的不是升降速度。他让一台机器第一次获得了人们的信任：它能够独立运行，也能在失效时被另一套机制接住。

170多年后，AI正在进入企业的客服、财务、研发、营销和管理流程。机器读得更快、写得更多、回应得更及时，许多人的工作却没有减少。

他们仍要检查AI生成的内容，重新录入系统，逐项复核结果，处理新增的例外，再向管理者提交AI使用记录。

机器开始干活了，组织却没有重新安排工作。

这正是AI时代能力供给6B中，Bot与Boost必须放在一起讨论的原因。

机器完成了任务，工作未必真的被交出去

上一篇谈Break：一项已经识别出来的组织能力，为什么在现有组织中不能稳定产生客户与经营结果。

找到断点以后，6B继续追问能力怎样被重新配置。Bot回答机器可以独立承接什么，Boost回答人的判断和行动怎样被放大。

这篇进入其中两个彼此关联、又不能互相替代的判断：Bot处理机器承接，Boost处理人的放大。Build、Bridge和Bind则继续回答能力如何内建、外部能力如何接入，以及关键资产与最终责任如何留在组织中。

传统人才供应链里已经有Boost，却没有Bot。过去，即使组织使用软件和自动化设备，能力主要仍由人和岗位承接。今天的变化在于，AI不再只是提供信息，它开始读取材料、作出判断、调用系统，并让结果直接生效。

两者的区别不在于使用了哪一种AI，而在于最后是谁让结果生效。

AI起草一份客户方案，由销售经理判断、修改并向客户承诺，这是Boost。

系统审核一笔低风险报销，自动通过并进入付款流程，异常单据才转给财务，这是Bot。

前者扩大人的判断范围，后者把一段可以验收的工作交给机器。它们可以先后发生，也可以同时发生。最常见的第三种情况是：AI增加了一层生成，人又增加了一层复核，Bot和Boost都没有真正形成。

一张报销单，最能看清工作有没有改变

中国费控企业合思正在尝试把Agent放进完整的财务工作流。

公开材料显示，合思推出了7个Agent，覆盖填单、审核、票据识别、法务和商旅分析等环节。公司还成立独立的Harness小组，用AI重新设计产品线；一部分产品经理被调入“深度现场部”，长期进入客户现场，观察Agent在哪里出错、为什么被拒绝、哪些规则需要调整。

变化甚至延伸到了收费方式：从按软件收费，尝试走向按结果、按效果收费。机器是否真正完成工作，开始直接影响收入。

合思的AI财务审核产品提供辅助、半自动和全自动三种模式。企业可以通过“信任滑杆”，逐步扩大机器能够自动判断的单据与场景。其公开披露的目标口径包括约98%的全流程自动化率、超过95%的审核准确率。

这些数字来自企业披露，尚不足以证明所有客户都实现了同样结果。但它提出了一个比“AI能否识别发票”更重要的问题：组织究竟愿意把多少审核权交给机器？

把镜头拉近到一张报销单。

员工提交发票和事由。机器读取票据，匹配差旅制度，核对金额、行程和重复报销记录。证据完整、规则明确、风险较低的单据，由机器完成审核，把结果写回系统。

遇到材料冲突、金额越界、特殊客户或特殊业务，机器停止，单据转给财务人员。财务人员看到的不只是“请复核”，还应看到触发异常的证据、对应规则和历史记录。他作出的否决、修正和新规则，再回到系统，改变下一轮机器的处理方式。

到这里，流程只完成了一半。

真正困难的是：原来逐单检查的工作是否取消？是改为抽检，还是换了一个界面继续全量复核？财务人员是否有时间处理复杂业务，是否有权修改规则，还是只为机器的判断承担最后责任？

如果机器处理了98%的材料，人仍然触碰100%的单据，所谓自动化只是把人的工作向后挪了一步。

自动化率不等于人工工作退出率。

流程里有一个人，不等于人真的在负责

面对AI风险，许多组织会说：“最终还有人工审核。”

一项发表于《Management Science》的随机现场实验，揭示了这句话的局限。

一家匿名小额信贷公司的62名贷款评估员，在10个工作日内处理了23,809份真实申请。他们先独立作出初步判断，再看到XGBoost给出的建议，最后由人终审。

实验设置了四种情形：评估员掌握的信息有多有少，系统是否披露算法给出建议的理由。

四种人机组合都优于人或算法单独决策。但一个反常识结果是：解释并不总能帮助人。当评估员掌握的信息有限时，披露算法理由反而降低了协作价值；只有信息比较丰富时，解释才带来改善。

有效的人机协作也不意味着人要频繁反对机器。真正产生价值的是，算法的理由与具体申请出现内部矛盾时，人能够看见异常，并选择性地推翻建议。

这项实验把“人工终审”拆开了。

人有没有在看到机器建议之前形成自己的判断？系统给他的是一个结论，还是可以核验的异常证据？他有没有足够时间处理分歧？面对高压队列和效率考核，他是否真的有权按下停止键？

流程图上画一个人工审批框很容易。让一个人能够在正确时点、依据充分证据改变机器的结果，要重新安排信息、时间、权力和责任。

研究本身也有边界：企业和国家匿名，被拒申请的部分结果依赖模型估计，研究对象还是传统机器学习。它没有证明一种通用做法，却足以推翻一种轻率判断：

“人在环”不是安全设计。人能够有效否决，才是。

比AI使用率更重要的四个数字

很多AI项目先统计账号开通率、调用次数和Token消耗。这些数字能说明组织在推动使用，却不能说明工作已经改变。

更值得进入经营会的，是另外四组数字。

机器独立完成率：多少工作不再等待人工逐单批准，结果已经在业务系统中生效？

人工接触率：机器处理量上升以后，人还要触碰多少工作，每单花费多少分钟？

异常回交质量：有多少工作被升级、被人工否决、被撤回，客户又提出多少申诉？升级过少，风险可能被机器吞掉；升级过多，机器还没有形成稳定边界。

人的新增价值：人是否更快解决复杂问题，是否持续更新规则，客户和经营结果是否改善？

四组数字放在一起，才看得出组织正在经历哪一种变化。

机器完成率提高，人工接触率不降，说明AI增加了产出，却没有带走旧工作。

人工接触率下降，错误撤回和客户申诉上升，说明组织把工作交了出去，却没有把风险接住。

只有机器独立完成率提高、人工总工时下降、异常能够及时回交，而人的判断又改善了客户与经营结果，Bot与Boost才真正进入同一条工作流。

不必重做整个岗位，先重做一段工作

读到这里，管理者最容易犯的错误，是马上启动一次全公司的“岗位重构”。

Bot和Boost更适合从一个小而完整的经营场景开始。可以是一笔报销、一次客户报价、一张售后工单，也可以是一份候选人初筛结果。它必须高频发生，有明确结果，出了问题也能找到责任人。

召集这段工作的业务负责人、一线操作者、流程或风控负责人，以及能够改动系统的人。用90分钟，只完成一张工作约定。

先写清结果。

这段工作以什么为起点，什么状态才算完成，结果在哪里生效？“AI生成了一份内容”不算完成；报价发给客户、报销进入付款、工单完成关闭，才是业务结果。

再划定机器的行动边界。

机器可以读取什么、判断什么、改变什么？金额、客户类型、数据范围和风险等级要写清楚。能生成建议，不等于可以拒绝客户；能识别异常，也不等于可以冻结付款。

同时写下回交条件。

材料缺失、证据冲突、金额越界、客户提出异议、模型置信不足时，工作交给谁？接管者能看到哪些证据，能否暂停、否决和修改结果？

明确哪些旧工作退出。

这是最容易被回避的一步。原来的人工检查是取消、转为抽检，还是只保留高风险部分？如果试点结束后仍然全量复核，就应当承认Bot尚未成立，而不是用调用量掩盖事实。

最后重新写人的工作。

被机器接走标准任务以后，人不应只是“负责兜底”。他要处理哪些复杂判断，维护哪些规则，面对哪些客户，拥有怎样的决定权，又对什么结果负责？

这张约定完成后，不必立刻全量上线。先让机器在后台运行，与人工结果对照；稳定后开放低风险场景，再逐步扩大授权。30天内，每周只看前面四组数字：机器独立完成率、人工接触率、异常回交质量和人的新增价值。

到第30天，管理层只作三个决定：扩大授权、收窄边界，或者停止试点。

这套做法的价值不在于快速证明AI有效，而在于把一句模糊的“用AI提效”，变成一份可以验证、可以撤回、也有人负责的工作约定。

AI放大谁，取决于组织怎样分配资源

美图的案例把Boost推到了个人工具之外。

据36氪对美图管理层的访谈，公司在2000多人规模的组织中设置小型AI创新工作室，单个团队最高可获得1000万元创新资金，同时调用影像和增长中台。新产品约一个月完成市场验证，六个月内还要跨过10万美元ARR闸门。

AI改变的不只是产品经理生成原型的速度。

用户信息怎样进入选题，小团队能够调用多少资源，谁决定继续投入，什么结果出现时应当停止，都被放进了一条更短的反馈链。被放大的，是团队发现机会、验证产品和停止错误投入的能力。

美团的媒体报道呈现了另一种组织反应。高层推动AI以后，一些团队开始在周报中增加AI提效栏目，统计Token和Skill使用情况。正式要求沿着层级向下传递，最后可能变成员工不断证明自己“用了AI”。

两家公司不能简单作成败比较，公开证据也不足以支持这样的结论。但它们放在一起，能够看见一条清晰分界：

AI进入资源、决策和客户反馈，才可能改变工作；只进入汇报和考核，最先增加的是证明工作。

机器越能干，组织越需要重新安排人

AI干得越多，人反而越忙，并不矛盾。

机器生成了更多结果，却没有获得让结果生效的权限；旧流程和全量复核被完整保留；管理者把节省的时间立即换成更高产量；人的信息、决定权和评价标准仍停在过去。

机器增加了产出，人继续承担旧工作，还要接住新的复核、例外和责任。

Bot要求组织在明确边界内，把一段能够独立验收的工作真正交给机器。Boost要求那些必须由人完成的判断，同时获得证据、时间、权力和责任。

奥的斯没有承诺升降机永不失效。他只是让所有人看见，绳索断裂以后，系统会在哪里把它接住。

AI进入组织以后，也要回答同一个问题。

机器接走什么，人的工作就必须重新安排什么。