企业AI落地 · Agent · 组织重构

给全员配AI工具没用后，这家公司重做了整套组织

给员工开通账号，只是完成了采购。AI能不能进入日常工作，要看流程、权限和责任有没有一起改变。

很多公司的AI项目，都从发账号开始。

统一买工具，安排几场培训，再让各部门报几个应用场景。三个月后，汇报材料里多了知识库、会议纪要和文案生成，员工还是照旧在几个系统之间复制数据，该走的审批一步没少。

问题不难理解。公司添了一个新工具，却没有改原来的工作方式。AI就像在旧办公室里多摆了一台打印机，偶尔有人用，但它不会主动改变部门怎么协作。

最近读了智慧零售观察的《蒙牛面试了45个AI员工》，又找来海外二手车平台Kavak的公开案例对照。两家公司走的路不一样，放在一起却很有启发：蒙牛在解决应用从哪里长出来，Kavak在解决应用成熟以后，怎么进入一整段业务。

蒙牛先让一线员工动手

蒙牛先从28个一级事业部选出200名“AI先行官”（企业内部FDE），让参赛者拿自己的岗位问题做应用。业务负责人看价值，技术人员负责培训和陪跑。

这套安排看起来不复杂，却避开了企业AI常见的第一道弯路。牧场员工知道一次诊断究竟卡在哪里，设计师知道一张电商主图为什么要改出几十个尺寸，新零售团队也知道订单下载最容易在哪一步出错。这些细节很难从一张需求表里看出来。

我们看两个结果：1、奶牛诊疗辅助方案把单牧场诊疗时效从1.5天缩短到2小时；2、“牛图工厂”把单张电商主图的制作时间从3至5分钟压到几秒。企业案例数据仍要结合测试范围看，但验收思路是对的。员工背了多少提示词没有意义，原来那项工作有没有变快、返工有没有减少，才值得追踪。

蒙牛的培训也没有停在听课。13节短课、场景辅导和线下工作坊，最后都要落到真实作品，评审时业务价值占最高权重。

普通的AI培训结束后，大家手里多一份课件。围绕岗位任务训练，至少有机会留下一个可以继续改的工作流。差别就在这里。

小工具跑通以后，麻烦才刚开始

文章没有把案例讲得过满。现阶段，不少智能体接手的仍是重复性工作。接下来要把业务系统中的数据和操作权限有选择地交给AI，这才进入“深水区”。

当AI只负责整理会议记录，出错了可以重来。一旦它开始读取订单、修改状态、触发任务，公司就要回答一串具体问题：它能看哪些数据，可以执行哪些动作，什么情况必须等人确认，出错后谁接手，规则变了谁更新，过程如何留痕。

这些问题和模型参数关系不大，却决定了系统敢不敢上线。

二手车公司Kavak也试过给员工发工具，结果没人用

Kavak走过一段很典型的弯路。

根据Kavak创始人Carlos García Ottati参加的a16z访谈，公司早期给员工建设过Copilot类辅助工具，采用情况并不好。员工继续沿着旧流程干活，新工具没有自然变成收入或效率。

后来，Kavak不再催大家提高使用率，而是让Agent接下一段有起点、有终点的工作，员工处理例外。

Agent开始进入客户首次咨询、销售沟通、车辆检测预约、金融审核和售后更新。a16z页面称，目前Kavak有90%至95%的客户交互由AI Agent参与。Meta的WhatsApp案例还显示，Agent可以带着前面的沟通内容，把车辆发现、金融、检测和成交衔接起来。

看Kavak这次改造，Agent数量反倒是次要的，变化更大的是服务对象。

传统组织按部门切分工作。销售只看销售，金融只看金融，置换和售后各管一段。客户每换一个环节，往往要重新说明自己看过什么车、预算多少、手续办到哪一步。

Kavak试着让Agent保留这段连续记录，再调用背后的系统和岗位。客户看到的是一次连贯服务，公司内部仍然可以有专业分工。这比在每个页面加一个聊天框难得多，也更接近业务改造。

这段AI转型并不轻松

Kavak的故事很像一篇爽文：Copilot没人用，改上Agent，业务很快起飞。

a16z的访谈页面提到，公司在转型中有一年业务基本持平，之后才重新增长。Agent进入业务链的第一天，并不会自动比老员工更稳。它要经过真实数据、持续评测、人工接管和多轮修改。

Vapi发布的Kavak客户案例也提到，团队会根据真实通话反馈继续调整语音、延迟、个性、工具和评测。案例中的收入、NPS和转化提升由供应商与客户联合披露，不能直接套到其他企业身上。

所以，企业不能从这个案例里只抄走一句“直接上全自动Agent”。数据不完整，权限没有定义，异常也没人接手时，自动化只会让错误跑得更快。

Kavak能持续改造，与它已有的数据、业务系统和管理层投入有关。多数传统企业更稳妥的办法，是先替换一小段工作，跑稳以后再往前后延伸。

把两个案例接起来看

蒙牛提供了一种寻找场景的办法：让最了解工作的人参与开发，从每天重复、等待和返工的地方开始。

Kavak展示的是下一阶段：当一个应用已经证明有用，就把它接进完整的客户旅程，让数据和责任跟着业务对象连续流动。

只做前一段，公司可能收获很多零散小工具。直接跳到后一段，又容易在数据和责任都没说清楚时，启动一场成本很高的改造。多数企业可以按下面六步推进。

一套更稳的六步路径

1. 先找一项每天都在付出代价的工作

别急着征集“AI创意”。先找那些高频、重复、等待时间长，或者出错后要返工的任务。

场景描述要落到人和动作：谁在什么时间做什么，要查哪些资料，最慢的是哪一步，结果交给谁继续使用。“提升智能化水平”无法验收，少等两个小时、少录一次订单则可以。

2. 业务负责人必须在场

IT负责系统安全和技术边界，供应商负责实现，业务负责人要说清什么叫答对、什么结果有用，并组织一线员工提供样本。

如果没有这个人，项目通常只能验收功能。页面能打开、接口能调用，却没人能回答它有没有帮到业务。

3. 第一版先辅助人

先让AI整理信息、给建议或生成草稿，由员工确认。等准确率、权限和异常处理稳定，再把一段完整工作交给Agent。

例如订单场景，可以从识别订单并生成待确认记录开始。员工检查后再写入系统。这样既能看到节省了多少时间，也给错误留出了人工出口。

4. 数据要围绕业务对象流动

不要让每个部门各自建一个互不相通的Agent。先确定服务对象是一位客户、一份订单、一台设备，还是一次合同审核，再让有关的数据、规则和历史记录跟着它走。

部门可以分开，客户经历不该被切碎。Kavak案例中最值得参考的，正是这条连续上下文。

5. 人工接管要在上线前写清楚

高金额、低置信度、敏感承诺、权限不足和没见过的异常，都应转给人处理。谁来接、多久响应、处理后如何回写，需要在系统里明确。

每一次人工修改也值得保存。它能告诉团队问题出在模型、资料、权限，还是业务规则。没有这些记录，下一轮优化只能靠猜。

6. 只按经营结果决定是否扩大

调用量和活跃人数可以看，但不能当最终成绩。

诊疗等待时间是否下降，订单处理有没有变快，人工接管率是否趋于稳定，客户还要不要反复解释，返工和损失有没有减少，这些指标改善了，再复制到更多部门。

培训目标也要改

过去的培训喜欢教员工提问、写提示词、操作某个产品。Agent进入业务后，员工还要知道AI为什么给出这个判断，自己怎样核对，什么情况必须接管，发现错误后到哪里反馈，哪些信息不能交给系统。

蒙牛让员工围绕岗位问题亲手做应用。Kavak的案例往前走了一步，员工还要学会监督一个能执行工作的数字同事。

培训是否有效，可以看员工能不能把工作讲清楚、检查结果，并承担仍应由人负责的判断。至于提示词写得漂不漂亮，没那么重要。

写在最后

给员工开一个AI账号，可以让某些动作快一点。让Agent接下一段工作，需要补齐数据、权限、异常处理和责任。再往后，企业才有可能围绕客户旅程重排岗位与系统。

大多数公司还在第一步，却很喜欢在汇报里谈第三步。更可行的做法，是从一线拿到一个真实问题，把一小段流程做稳，再看它能不能沿着业务链继续延伸。

采购单签完，AI项目才刚开始。等数据能接上、员工知道何时接管、业务负责人愿意对结果签字，它才算进入了公司日常运行。

给所有人发一把更好的锤子，房子不会自己盖起来。图纸、工序和验收人没有变化，工具再好也只会躺在工具箱里。

资料说明：

• 蒙牛案例来源：智慧零售观察《蒙牛面试了45个AI员工》。

• Kavak的90%至95%客户交互数据与一年转型期，来源于a16z对Kavak创始人的访谈介绍。

• Kavak全旅程Agent与运营指标，参考Meta案例和Vapi客户案例，相关效果数据为企业或供应商自述。

— 完 —