导语

集团统一推下来的 AI 工具，汇报演示时看着挺好，真到一线用起来，大家都不买账，最后落到三个字——“不好用”。反过来，一线员工自己捣鼓出来的小工具，真能解决实际问题，却很难让大家都用上。

在大企业里，到底有没有那种“造一次、全集团都能用”的 AI 工具？

我的答案是：有，但极少。

一、一个令人纠结的难题

昨天参加了一场述职会，有位负责集团公司研发 AI 工具推广的同事说，她做得很纠结：推广是硬任务，但一线实际效果很不理想。与此同时，另外几位同事在分享：自己发现了工作中的痛点，顺手做了个小工具，非常好用，目前正努力在周围推广。这恰好印证了开头说的现象——自上而下推下来的工具和自下而上长出来的工具，是两条相反的路：前者汇报亮眼、一线不买账，沦为“不好用”的摆设；后者接地气、却很难普及。

二、哪些能复用？哪些是伪命题？

办公文档处理、财务审核、报销核对这类后台标准职能，确实可以通用。原因很朴素——它们本来就是标准化的、规则驱动的，上下文几乎不变，甲省和乙省干的是同一件事。

可一旦 AI 工具碰上以下场景：复杂的逻辑判断、本地化语境、客户交互、特性化领域工作流（如情报系统、标书制作、行业解决方案），所谓的“全面复用”，基本就成了个伪命题。你以为造的是一把万能钥匙，其实每个门锁的齿形都不一样。

三、为什么前期做了调研，出来的工具还是不好用？

有人会问：集团造工具前难道没做调研？原型难道没反复征求意见？当然有。但调研和 Demo 救不了这类工具，根源在于这四个被忽视的“断层”：

需求提取断层：坐到调研会议桌前的大多是中层和数字化部门同事，不是天天在一线干活的那拨人。人能说出“想要什么功能”，却很难说清自己每天是怎么“绕弯子、打补丁”把活干完的。征求到的，往往只是能表达出来的浅层需求。

测试环境断层：Demo 在会上永远亮眼，但它很难测试这东西能否嵌进乱糟糟的日常工作环境。真正的考验在部署之后，不在演示那一刻。

反馈通道断层：层级制会让反馈变成“上行管理”。下面跟集团汇报想听的话，部署后政治压力一松，大家默默回到老办法，“不好用”的真实情况这才浮出水面。

被动抵抗心态：很多时候，“不好用”不仅仅是工具本身难用，而是一种被动抵抗——上面推下来的工具，常常顺带了新的汇报和监控预期，容易被一线当成管控手段。

此外，还有迭代周期的错配：

省里收集意见➔ 汇总 ➔ 报集团排期 ➔ 等待开发 ➔ 重新下发

这一套传统流程走下来，动辄一两个月。而一线的工作流是每天变化的，等工具改好，大家早用其他替代方案绕过去了。所以再好的工具，一阵子下来也就没人用了。这反过来说明：能长期活下来的，往往是那些一线自己随手就能调整的东西。

四、真正的复用，到底应该发生在哪一层？

真正能全集团复用的，往往不是某个“端到端工具”，而是底层的基础设施与通用能力——如大模型底座、数据管道、评测平台等。

长期从事 AI 落地的团队把这种差异形象地比喻为 “书本智慧” 与 “街头智慧”：

书本智慧（通用能力与知识）：可以集中生产、全集团共享。

街头智慧（在具体地界怎么干）：必须在一线融合，无法由总部远程代劳。

核心逻辑：Reuse at substrate, adapt at surface.（能力集中，工具下放），集团把能力底座打好，一线拿去融合出适合自己的工具。

五、重新定义集团与一线的分工

基于这个逻辑，企业各层级的角色需要一次清晰的重构：

注：上述推论只适用于组织层级明显、区域差异较大的企业，不能反过来一刀切——对于完全标准化的后台职能，该集中造的依然要集中造。

结语

AI 转型最难的从来不是技术本身，而是想清楚：什么东西该集中打造，什么东西必须下放给一线去融合。

想错这一层，再多 AI 工具，最终也逃不过“不好用”的宿命。