FANGE


AI下半场:不是增加更多工具,而是重做流程
帆歌|研究增长与发展的人



引言
之前我讨论了一个问题:
为什么每个人都更快了,公司却没有变强?
AI让员工写得更快、查得更快、算得更快。
但这些被释放出来的生产力,并不会自动变成企业的生产率。
它可能堵在部门之间。
消失在审批里。
沉淀在旧的岗位和绩效制度中。
我把这种现象称为:
AI生产率泄漏。
那么接下来,一个更重要的问题就来了:
如果生产率泄漏在流程里,
是不是只要给每一个流程节点都装上AI,就可以了?
很多企业现在正在这么做。
原来一个流程有七步。
第一步,加一个AI助手。
第二步,加一个Copilot。
第三步,做一个Agent。
第四步,接企业知识库。
第五步,让AI自动生成报告。
第六步,让AI检查。
第七步——
还是领导审批。
原来的七步,一步没少。
甚至因为担心AI出错,又增加了:
人工复核。
数据安全检查。
AI结果确认。
新的审批节点。
七步最后变成了九步。
于是一个非常荒谬的场景出现了:
AI越来越多,流程反而越来越长。
所以我越来越认为:
如果旧流程一条都不敢动,AI就不是在改造企业,只是在给旧组织安装外挂。
1
提效、自动化、重构,是三件完全不同的事

FANGE

今天企业谈AI落地,经常把三个概念混在一起:
提效。
自动化。
流程重构。
其实它们完全不同。
比如,过去一个员工写一封客户邮件需要30分钟。现在AI五分钟生成初稿。
这叫:提效。
人还在。
流程还在。
只是原来的任务做得更快了。
再比如:
过去客户订单发到邮箱以后,需要员工打开邮件、读取内容,再把信息录入ERP。现在AI可以直接读取邮件、识别订单内容,再自动录入系统。
这叫:自动化。
原来的任务还在,只是执行者从人变成了机器。
真正的流程重构是什么?
是企业开始问:
既然AI已经可以直接读取客户需求,为什么还需要一个人先把客户邮件整理成Excel,再交给另一个部门?
这时候我们问的已经不是:
“这一步能不能让AI做?”
而是:
“这一步为什么还存在?”
这是一个完全不同的问题。
所以我把它们分成三个层次:
提效,是把原来的事情做得更快。
自动化,是让机器替人做原来的事情。
重构,是重新判断原来的事情还有没有必要做。
很多企业今天所谓的AI转型,其实还停留在前两个层次。
真正困难的,是第三个。



2
不要急着嘲笑旧流程,它们当年大多有存在的理由

FANGE

讲流程重构,很容易犯一个错误:
把传统企业过去建立的那些流程都看成官僚主义。
其实不是。
很多流程在它们产生的时候,都非常合理。
为什么销售收到客户需求以后,要先整理一次再交给技术?
因为技术部门不可能每天阅读大量杂乱的客户邮件。
为什么不同部门之间要反复填表?
因为信息分散在不同系统里。
为什么中层管理者每天要汇总报表、开会、向上汇报?
因为一个CEO不可能直接读取几百个人的工作信息。
为什么重大事项要层层审批?
因为信息不透明。
专业能力不对称。
而企业还必须控制风险。
这些流程背后,其实存在一个非常基本的约束:
人的认知带宽有限。
一个人能够同时处理的信息有限。
一个管理者能够直接管理的人数有限。
不同专业之间理解彼此信息的能力也有限。
所以企业不得不把一个大任务拆开。
分给不同的人。
再通过表格、报告、会议、审批,把这些信息重新连接起来。
这里产生了大量成本。
我们可以把它理解为:
信息摩擦(Information Friction)。
过去的企业流程,很大程度上是在一个高信息摩擦环境下形成的。
问题是:
AI正在改变这个环境。
FANGE





3
大模型真正降低的,是大量非结构化信息的摩擦成本

FANGE

过去,一封几十页的客户资料,需要人先读。
一堆Excel,需要人整理。
中文和英文之间,需要人翻译。
销售语言和工程语言之间,需要有人转译。
几百份文档,需要有人先总结,再向上汇报。
大量会议内容,需要秘书整理纪要。
这些工作为什么存在?
因为信息不能直接流动。
它必须经过人的大脑进行一次加工,才能交给下一个人。
而大模型正在大幅降低这部分成本。
它可以阅读文字。
理解表格。
处理图片。
翻译语言。
整理非结构化信息。
总结大量文档。
把一种表达方式转换成另一种表达方式。
当然,它并没有消除所有信息摩擦。
AI仍然会带来新的问题:
核验。
权限。
上下文。
数据质量。
幻觉。
系统接口。
但是一个趋势已经非常清楚:
过去因为人的信息处理能力有限而存在的大量信息中转工作,正在失去原来的技术前提。
所以我认为,AI进入组织以后,最先被冲击的未必是一个完整的岗位。
而是岗位之间大量的:
接收。
整理。
汇总。
转译。
转发。
再汇报。
这些信息搬运工作。
过去这些工作很重要。
今天我们必须重新问:
这条信息为什么还需要经过三个人,才能到达真正需要它的人?
FANGE





4
但这里一定要分清两种流程节点

讲到这里,很容易走向另一个极端:
既然AI能够降低信息摩擦,
是不是中间节点越少越好?
不是。
我认为企业必须区分两种完全不同的节点。
第一种:认知型节点
这类节点存在,主要是因为人的认知能力和信息处理能力有限。
例如:
整理资料。
汇总信息。
转换格式。
重复录入。
把一个部门的信息重新加工以后,再交给另一个部门。
这些节点,是AI时代最应该重新审视的地方。
有些可以删除。
有些可以合并。
有些可以自动化。
有些可以被AI直接穿透。
第二种:隔离型节点
它们的存在不是为了搬运信息。
而是为了:
风险隔离。
相互制衡。
合规要求。
独立审计。
责任分离。
比如重大付款的双重授权。
财务职责分离。
法务审查。
合规检查。
这些节点不能因为AI更聪明就随便删掉。
有些地方恰恰相反:
AI越快,越需要独立的风险控制。
所以:
AI应该穿透认知型节点,却可能强化隔离型节点。
这也意味着,AI流程重构绝对不是:
节点越少越好。
而是:
每一个节点,都必须重新证明自己为什么还应该存在。


想增长 谋发展
看帆歌



5
我自己的企业里,就有一个非常典型的例子:报价

FANGE
上一篇,我讲过一个实际问题:
报价慢。
一个客户需求进来以后,传统流程可能是:
客户提出需求。
销售整理。
技术确认规格。
查询历史订单。
核算成本。
生成报价。
销售经理审核。
特殊情况找老板审批。
最后发给客户。
假设整个流程需要十天。
现在企业开始用AI。
销售用AI整理客户需求。
技术用AI查询历史资料。
成本人员用AI计算。
销售再用AI生成报价邮件。
于是大家都在用AI。
但如果原来的流程一个节点都没有变化,
它本质上还是原来的流程。
只是每个人旁边多了一个AI。
这不是流程重构。
真正的重构,可能是另外一种样子。
客户需求进来以后,
AI直接读取并结构化。
自动调用产品资料、历史订单、成本数据和客户历史。
根据企业已经设定的规则形成报价区间。
然后,订单开始分流。
标准订单走标准路径。
在明确的价格、毛利、信用和授权范围内,自动完成大部分流程。
异常订单走人工路径。
毛利异常。
金额异常。
特殊客户。
特殊付款条件。
战略性定价。
重大合同条款。
这些情况再进入人的判断。
注意,这里真正发生的变化不是:
“AI替代了几个人。”
而是:
过去所有订单都走同一条长流程,现在不同风险的订单开始走不同的路径。
这才是流程重构。
6
流程重构最深的变化,是改变“默认路径”

这一点,我认为特别重要。
很多人理解AI流程改造,还是:
过去A由人做。
现在A交给AI。
过去B由人做。
现在B也交给AI。
这仍然是在原来的流程里换执行者。
真正更深的变化,是:
改变什么叫正常流程,什么叫例外流程。
传统组织习惯的是:
所有事情先审批。
所有材料先汇报。
所有决策逐级往上走。
没有人签字,就不往下走。
这是一种:
事前逐项审批的控制逻辑。
而在适合标准化、风险可控的场景里,AI可能推动另一种组织方式:
规则事先确定。
标准情况默认流动。
异常情况自动升级。
事后持续审计。
也就是说:
AI流程重构最深的变化,不是把人换成AI,而是把组织从“逐项审批”逐步转向“规则约束下的异常管理”。
这件事情一旦发生,
企业的速度才可能真正发生数量级变化。


想增长 谋发展
看帆歌



7
但是,“人审异常”绝不意味着让AI自己决定什么叫异常

我这里必须非常谨慎。
如果我们说:
“标准情况交给AI,异常情况交给人。”
马上会出现一个问题:
谁定义异常?
如果完全由AI自己判断,
风险很大。
因为AI最危险的错误,有时候不是它告诉你:
“我不知道。”
而是它非常自信地告诉你:
“没有问题。”
但实际上错了。
所以,企业不能只靠AI自己上报异常。
至少需要三道机制。

第一,企业自己设定边界
比如:
毛利低于多少,必须人工审批。
金额超过多少,必须升级。
客户信用低于什么等级,不得自动放行。
出现某些法律条款,必须进入法务。
这些边界不能由AI临时决定。

第二,即使AI判断为正常,也要保留动态抽样审计
定期随机检查。
看看系统是不是正在出现新的错误模式。

第三,必须有熔断机制
一旦发现异常率上升,或者环境发生重大变化,自动流程必须能够立即停下来。
所以Human-in-the-Loop真正的含义,不应该是:
人在每一步都审批。
也不应该是:
AI觉得自己不行了才找人。
真正的含义应该是:
企业自己决定,人必须在什么条件下出现。
这是完全不同的管理逻辑。
8
什么可以自动走,什么必须让人出现?

那么企业到底怎么划这条边界?
我建议先看两个维度:
不确定性有多高?
一旦错了,后果有多严重?
如果:
不确定性低,错误后果也低。
例如格式转换、标准数据录入、例行汇总。
这类任务最适合高度自动化。
如果:
不确定性低,但错误后果很严重。
比如某些财务、合规动作。
AI可以大量参与,但必须有明确规则、验证和审计。
如果:
不确定性高,但错误成本很低。
比如内部创意、探索性分析、小规模实验。
反而可以大胆让AI试错。
而如果:
不确定性高,错误后果也严重。
重大投资。
战略定价。
关键人事。
重大法律承诺。
这种事情,人必须保留最终判断。
所以企业真正应该问的,不只是:
“AI能不能做?”
而是:
“如果AI做错了,我们承受得起吗?”
这个问题,会把AI从技术问题重新拉回管理问题。
9
为什么很多流程明明知道应该改,却就是改不动?

走到这里,AI已经不是最困难的问题了。
真正困难的是组织。
为什么很多企业明明知道某个审批没有必要,
还是删不掉?
因为流程从来不只是流程。
流程也是组织权力的一张路线图。
谁拥有信息。
谁拥有审批权。
谁可以否决。
谁控制预算。
谁有资格让一件事情继续往下走。
这些东西都藏在流程里面。
所以删掉一个流程节点,有时候意味着:
一个人失去信息优势。
一个部门失去审批权。
一个岗位失去一部分存在的理由。
这就是为什么:
买AI容易。
改流程难。
但是,如果只看到“权力”,仍然没有看到全部。
还有另外一个更隐蔽的东西:
责任。
10
流程是权力的路线图,也是责任的避难所

在企业里,我们经常看到一种现象:
一件事情明明一个人可以判断,
最后却需要五个人签字。
为什么?
有些确实是必要的风险控制。
但有些不是。
有些只是因为:
多一个人签字,就多一个人一起承担责任。
于是形成一种很奇怪的组织机制:
我签了。
你也签了。
他也签了。
大家都参与了。
最后出了问题,却很难说清楚到底谁负责。
我把这种现象叫作:
分布式免责。
流程越来越长。
会议越来越多。
签字越来越多。
但责任反而越来越模糊。
所以,当AI把三个信息中转节点拿掉以后,真正困难的问题马上出现:
谁来判断?
谁有授权?
谁承担责任?
这才是AI流程重构真正碰到组织深处的地方。
我们需要的不是把所有责任重新压到一个人身上。
更不是所有事情最后都让老板负责。
真正需要的是:
责任必须清晰、可追溯,而且必须与授权相匹配。
谁拥有相应的判断权,
谁承担相应的责任。
谁承担责任,
组织就必须给他足够的授权。
否则,所有被删除的审批节点,迟早还会重新长回来。
所以:
AI流程重构最终不是技术工程,而是权责重构。
11
如果我是CEO,我会先拿三个问题重新检查流程

我不会先问各部门:“还能在哪里加AI?”
我会先把一条真正重要的业务流程画出来。
然后对每一个节点问三个问题。

第一问:中转
如果这个节点消失,信息会中断,还是反而会更透明?
如果它主要在做:
接收。
整理。
转发。
汇总。
那么它应该优先接受AI重构。

第二问:规则
这个节点是在做真正需要人的判断,还是只是在执行一套稳定规则?
如果只是重复执行稳定规则,
就应该优先考虑自动化。
如果面对的是高度不确定的问题,
人的判断仍然重要。

第三问:责任
这个审批节点真的是为了控制风险,还是只是为了多一个人签字、平摊责任?
这可能是最难问的一句话。
但也是最值得CEO亲自问的一句话。
因为很多流程的真正阻力,不是技术。
而是组织长期形成的防御机制。
12
AI下半场,不是工具升级,而是组织重构

所以,我并不认为AI时代的好流程一定更短。
有些流程会被删除。
有些会合并。
有些会自动化。
有些风险隔离和审计节点,反而应该加强。
真正重要的不是:
流程还有几步。
而是:
每一步为什么存在?
它是在创造价值,
还是搬运信息?
它是在做真正的判断,
还是重复规则?
它是在隔离真正的风险,
还是帮助组织分散责任?
如果一个流程节点存在的唯一理由是:
“我们以前一直都是这么做的。”
那么AI时代,
它就应该第一个接受重新审视。
这也是为什么我越来越认为:
AI的上半场,是把AI交给员工。
AI的下半场,是重新设计企业。
真正的AI转型,不是公司又买了多少工具。
也不是又上线了多少Agent。
而是企业开始重新设计:
信息如何流动。
规则在哪里执行。
人在哪里判断。
权力如何配置。
责任由谁承担。
当这些东西开始变化,
AI才真正从一个员工的工具,
进入了企业的组织结构。
但走到这里,一个更加危险的问题也出现了。
过去,我们是什么都不敢交给AI。
未来,我们可能走向另一个极端:
因为AI越来越好用,于是什么都想交给AI。
可是,一个企业真正的边界恰恰在这里。
哪些能力可以借?
哪些任务可以交?
哪些数据可以开放?
哪些判断可以让AI参与?
又有哪些东西,无论AI多聪明,企业都必须牢牢留在自己手里?
下一篇,我们讨论:
企业做AI,最危险的问题不是“哪里能用”,而是“哪里不能交”。
<<< END >>>
| 想增长 谋发展 看帆歌 |
原创声明
本文内容及观点均为作者原创,依法享有著作权。
未经作者书面授权,任何机构和个人不得以任何形式复制、转载、发表或改编。
如需引用,请注明作者及出处。
夜雨聆风