前段时间，我在用codex整理自己这几个月使用 AI 的记录的时候，翻到一句当时随手记下的话。

只要 Token 管够，AI 可以同时处理一百个客户的方案。但新的麻烦变成了，一百份方案交回来，我根本审不过来。

这句话当时把我逗笑了。后来接触的企业多了，我发现这又不只是一个人的烦恼。

公司给员工开了 AI 账号。大家开始用它写材料、做报告、查资料、生成方案。原来半天才能写出的初稿，现在几十分钟就能拿到。使用次数在涨，生成的内容也在涨。

可到了月底，却发现员工还是没有轻松多少。一个单子从接到需求到交付，周期也没有跟着缩短。AI 做得很快，人还是很忙。

工具明明在提提效，但效率去了哪里？

AI 做快的，常常只是一项工作里最显眼的部分

我自己也在用 各种Agent 处理客户的方案，初稿当然比从零开始快得多。可在它动笔以前，我仍然要找到这家客户过去的会议记录，确认项目到了哪个阶段，判断这次汇报是给谁看，再告诉它哪些材料能用，哪些已经过期。

这些背景没有给够，Agent 也会交稿。那份稿子通常还挺完整，只是用不了。

它可能读错参考材料搞出一些驴头不对马嘴的东西，也可能只是抓住了字面任务，却没有回答客户领导想问的事。有时材料本身没有错，放进眼前这个场合却不合适。遇到这种情况，我要重新解释背景，纠正方向，再等它生成一版。

AI 在这里只是省下了组织现有素材的的时间。理解任务、寻找信息、补充背景的工作，还是在人这里。

而一项完整的工作流程，通常包括理解问题、准备信息、生成内容、检查质量、决策和推动执行。很多 AI 工具只动了中间的生成环节。

假如原来写一份报告需要半天，等数据需要两天，跨部门确认又要三天，AI 只是把写材料的半天压到十分钟，整件事依然要耗上好几天。

员工会清楚地感到 AI 很快。老板却很难在交付周期和经营数字里看到变化。两边说的都是事实，只是他们说的效率不是一个东西。

生成越来越便宜，判断开始变贵

以前，一位员工一天只能推进一两份材料。现在可以同时让几个 Agent 做调研、写方案、改课件、整理会议记录。任务很快都跑起来了，结果也会陆续回来。

人的注意力没有跟着增加。

我仍然要判断哪一份能用，哪一份漏了关键材料，哪一份需要返工，哪一份可以先不弄。任务一多，还要不断切换客户背景和判断标准。AI 扩大了产出量，验收很快成了新的堵点。

企业里也会出现同样的情况。

员工过去只能一次写一份方案，现在可以同时生成多份，主管仍要逐份找出事实错误、口径问题和不合适的承诺。工具节省的时间，有一部分变成了别人的审核工作。

这类变化很容易被忽略。生成了多少篇材料、调用了多少次模型，都很容易统计。返工花了多久，管理者排队审了多少份，多少内容最后压根就没用上，通常没啥人关注。

结果就是，前端的生产越来越快，后端的判断越来越挤。员工觉得自己做了很多，管理者觉得信息越来越多，事情却没有更快的被处理。

报告写完以后，工作往往才走到一半

最近还看了一家大型企业的收入预测需求。

这家公司在多个地区开展业务。各业务单元用着不同的表格和文件，项目进展还散落在会议、聊天和线下沟通里。总部要反复追问，再把信息汇总起来，判断项目何时签约、交付和从而去预测他们的收入目标能否完成。

AI 能做的事情很多。它可以读表格和文档，提取项目进展，检查材料，生成预测，也可以定期提醒销售更新信息。

但如果业务人员不愿意填报，工具就拿不到最新情况。部分团队不愿完整共享商机，模型也推不出被藏起来的信息。特殊项目能否确认收入，还要结合合同、工程进度、验收资料和财务意见作出判断。

如果只把 AI 接在汇总报表这一步，它确实能让报表出得更快。前面的信息仍然进不来，后面的业务判断依然接不上，收入预测的准确性不会自动提高。

我在另一家大型企业看到过相似的情况。数据已经搬到线上，分析人员做报表也快了很多。可他们仍然要导出 Excel，截成图片，再发给业务。报告发出去以后，有没有人看、发现问题后谁来处理、处理结果怎样在系统中验证，都没有稳定的安排。

工具上线了，业务还是按旧的模式运行。制作效率提高了，人仍然要负责传递和解释。

这时的 AI 只是变成了员工的新玩具。它拿起来就有反馈，几秒钟便能看到一段文字、一张图或一份方案。产出很具体，使用者也很有成就感。可这些内容的意义往往有限，企业每天只是多出了一批需要搬运、审核和解释的东西。

AI 要接住一件工作从开始到结束

我也见过一套能把时间省下来的做法。

一家大型制造企业把 AI 用在财务审单上。单据进入系统后，OCR 先读取信息，规则引擎完成基础校验，AI 再判断事项是否合理。规则清楚、置信度高的结果直接进入后续处理，复杂和高风险的事项才交给人复核。

这套做法覆盖了十余类业务场景，单笔审核时间从数分钟缩短到一分钟左右。

效率能够出现，靠的是整件事被接了起来。系统已经掌握的数据直接成为 AI 的输入，AI 给出的判断直接进入审核和处理，遇到异常才找人，处理结果随后留在系统里。员工不用把 AI 的回答复制出来，另发一封邮件，再等另一个人重新核对和录入。

这里说的端到端，并不要求 AI 包办每一步。它要求一项工作里的每一步都能接上。前面的数据进得来，中间的判断有规则，后面的动作有人或系统执行，执行结果还能回来验证这次判断是否正确。

少掉其中任何一段，效率都可能停在局部。AI 写报告很快，报告仍要人工转发，时间就耗在交接上。AI 能识别异常，系统没有后续处理动作，异常只会多占一块屏幕。AI 一次生成很多方案，审核标准没有写清，管理者仍要从头逐份判断。这只是把AI直接塞进之前的旧流程里，AI只是玩具而不是工具

企业评估 AI 项目时，需要把一件工作从提出到完成完整地走一遍。原来经过多少人，等待多久，在哪些地方反复补材料，结果出来后怎样进入下一步，出了错又怎样退回。AI 只有把这些环节接起来，才有机会缩短整件事的时间。

如果一个 AI 工具明天停掉，员工只是少生成几篇材料，客户、交付和业务运转都没有受到影响，它大概还停留在玩具阶段。等到单据会积压、报告无法送达、后续任务也无法继续时，它才算成为了企业的生产工具。