AI提效一年后，管理者們發現了一個真問題

“AI沒能讓組織真正提效，有一個常見的認知誤區：企業以為，只要內部出現幾個善用AI的‘超級個體’，他們的效率就會自然外溢到整個團隊。但其實，1+1并不能大于等于2。”

文 /巴九靈（微信公眾號：吳曉波頻道）

一家電商公司嘗試把AI引入業務，結果制造出了更多混亂。

最近的一場AI對談上，有贊CEO白鴉分享了一個企業用AI提效“翻車”的真實例子，讓人印象深刻。事情的起因是，這家公司每個部門都根據自己的玩法搭建了一套AI工作流，一款新品保溫杯，市場部的命名是“黑金炫金版保溫杯”，電商團隊覺得不夠好，改成了“燙金奢華版保冷杯”，短視頻團隊根據自己的玩法又改了一輪。

這就導致，AI提效只在極小范圍內成立，一旦涉及多部門協作，就會因為部門間的信息差而產生混亂，反而拖累效率。

類似的情形其實非常普遍。

AI可能拖垮了團隊？

洪信是一家連鎖消費企業的招聘團隊負責人。

招聘流程分為三個步驟：首先，接收用人部門上報的崗位需求，確定崗位畫像并撰寫招聘JD；接著篩選簡歷、組織多輪面試并匯總面試評分；最后，與用人部門溝通決定錄用結果，并把候選人沉淀進人才庫。

因為步驟少、流程固定，招聘一直被視作AI提效的重點場景之一。

但洪信的感受卻并非如此。他從很早就開始嘗試帶隊搭建AI工作流，負責各環節的員工根據自己的需求搭建出了一個個小工具，有的能用來生成崗位JD、有的能用來篩選簡歷，但這些工具之間因為信息不互通而各自成了孤島。

最后的結果是，各下屬部門匯報時都能拿出AI提效的漂亮數據，但最終招聘的整體速度和質量沒有多大提升。

高度流程化的業務容易反被AI困在流程里，非標準化的業務則依賴AI對復雜性的理解能力。

內容工作是個典型的非標業務。以小巴團隊為例，輸出一篇文章的流程大致是：編輯部討論確認選題和寫作思路；作者收集素材并撰寫稿件；主編審稿并反饋意見；定稿發布。

這也是內容機構的常見工作流程。雖然流程相對固定，但審稿的標準是動態的，因為不同類型的選題會對應不同的審核標準，每一家內容機構也有自己的獨特定位和價值觀，對應的選題范圍、風格調性、寫作方法論乃至雷區禁區都不一樣。

這也導致，在我們最初嘗試搭建審稿機器人時，僅靠人工總結的審稿要求訓練出的智能體始終效果不佳，因為審稿的本質是判斷，而判斷必須建立在經驗的基礎上。

再比如，協作鏈路比較長的數字化業務，容易被困在散落的信息里。

騰訊旗下AI工具WorkBuddy的產品經理Neil跟我們分享了一個互聯網企業里最常發生的場景。

當產品經理要設計一個新功能時，會希望AI能基于已有的產品設計、歷史文檔、用戶反饋、團隊的商業化策略和運營計劃，給出一個周全縝密的方案。

但這樣的訴求往往無法達成，因為上下文散落在不同的地方：有些在會議紀要里，有些在團隊頭腦風暴留下的聊天記錄里，有些在各種文檔里，還有的停留在負責人的腦子里。

所以產品經理當然可以打開對話框，用最前沿的AI生成需求文檔，但它無法真正理解產品的歷史，所以最終給出的總是一個看似完美但經不起推敲的方案。

而無論是基于哪一方面的原因，最終的結果，就是AI在很多場合并沒能做到提效，反而制造了新的麻煩。

從個人工具到團隊工具

AI專家、非凡產研創始人吳畏有個觀察。AI在企業里擴散的路徑通常有兩種：一種是自下而上、從真實業務場景里長出來的，好處是貼近業務，壞處是容易碎片化。另一種是自上而下由管理層統一制定，更容易標準化，但不一定能真正滲透到一線。

到目前為止，人們的大多數注意力被自下而上的變革吸引，但這種零碎變革往往難以撬動更大的效能。而要過渡到質變，則需要自上而下的標準化，由管理者帶頭重構工作流。如今企業缺的不是會用AI的人，而是把這些人的方法變成組織資產的機制。

所以，最好的路徑不是二選一，而是上下結合。

但服務組織的AI需要更體系化的能力。比如，能共享組織的上下文，理解真實業務邏輯；能把各種不同的辦公軟件嵌入工作流；有清晰的權責邊界，保護信息安全；還能把散落在各種情景中的要素匯集起來，統一、動態地管理。

而且，中國的組織管理生態中確實存在獨特的痛點：如場景分散，大量信息沉淀在不同的辦公軟件里，整合難度大；另外，國內很多新興行業如直播、電商、科技公司迭代極快，沒有長期穩定的標準流程，需要更靈活的AI。

正因如此，WorkBuddy團隊也在AI辦公工具中，推出了“項目”功能，就是為了更好地適配中國的職場生態。

簡單來說，它開辟了一個多人和多個智能體可同時在線的空間。人和AI在這個空間中圍繞同一個任務協作，分工、推進過程和AI產出都被納入同一套任務流，并在權限邊界內清晰呈現。在線文檔、騰訊會議、網盤等生態里的資料也能被連接進來，成為AI可以持續讀取和調用的團隊上下文。

和“在文檔里掛一個AI助手”不同，項目里的人和Agent是同一個任務流上的協作節點，Agent不只是回答問題，而是真正承接、流轉、交付待辦。隨著項目不斷推進，AI會越來越熟悉真實業務需求和流程，最終成長為能力可復用的“超級大腦”。

這個思路在小巴團隊已經得到了成功的實踐。我們把內容團隊的歷史資料全部喂進了項目資產，包括吳老師所有著作、文章、演講，編輯部歷史所有文章，以及內容的閱讀量數據，要求它基于歷史文章并融合自身的內容創作經驗，制定一份審稿規則。

WorkBuddy會根據目標拆解關鍵動作，在關鍵節點彈出卡片讓用戶確認，按步驟逐項完成工作。基于這些資料，WorkBuddy梳理出了頻道的內容邏輯，包括高閱讀量文章的選題和標題有何規律、開頭和結尾如何設計、價值導向和語言風格，等等。

在此基礎上，它梳理出了一套審稿規則，能夠從不同維度對稿件加權評分，并多維度提出建議。

目前，這一思路也被擴展到了短視頻、知識付費等多個部門。

WorkBuddy的獨特價值之一在于，它能夠連接豐富的辦公生態如知識庫、課程平臺、網盤等，讓沉淀歷史經驗的鏈路更加絲滑。另外，WorkBuddy內置了豐富的高質量專家庫和技能庫，我們可以直接調用這些資源。

WorkBuddy團隊自己在協作中也有諸多痛點，項目功能很大程度上解決了這些流程斷點。

比如，WorkBuddy每天會收到上千條用戶反饋，這些反饋的處理往往要跨多個平臺完成：功能BUG要在工單平臺分配給研發，用戶建議要錄入在線文檔里的需求池，處理過程中還要在通訊軟件里跟進處理過程，最后再整理回復口徑同步給客服。

整個過程要經歷四個環節、涉及三個角色、串聯三個平臺，只要有人漏看消息、響應不及時，反饋就可能卡在某個環節，只能靠人工反復催促，專職人員每天處理反饋就需要耗費大半天的時間。

引入WorkBuddy項目后，團隊用連接器接入用戶反饋平臺，將反饋篩選規則、各模塊負責人、任務分配和回復規范沉淀為一個Skill，放入項目空間；再建立定時任務，由AI每天自動完成反饋拉取、分流和回復。所有反饋都會在計劃看板里生成待辦，統一監控進度。最終，原本需要人工跨平臺串聯的流程，變成了項目空間內的自動流轉，團隊每天只需花10分鐘確認結果。

除此之外，團隊的產品開發、項目管理等流程也陸續被搬進項目空間，進一步提升了協作效率。

洪信最近也帶領團隊把招聘流程搬進了“項目”，整個業務流程被串聯起來。每位候選人在計劃看板里變成一張待辦卡片，被清晰分配給對應成員。AI輔助每個環節的同時，把招聘過程中的信息動態匯總和更新，進度一目了然，信息差被最大程度抹平。而且，項目系統使用時間越長，AI越熟悉公司的需求和業務流程，準確性有了明顯提高。

在產品上線后持續收到的反饋中，WorkBuddy團隊發現這種模式對很多行業、領域都有適用性。它的精髓是，讓AI進入人類真實的協作環境，獲取到完整的團隊上下文，形成智能體，然后接管工作流。

超級個體不意味著超級組織

AI沒能讓組織真正提效，還有一個常見的認知誤區：企業以為，只要內部出現幾個善用AI的“超級個體”，他們的效率就會自然外溢到整個團隊。

但其實，1+1并不能大于等于2。

一方面，超級個體數量有限，往往只是組織里的一小撮人。

這種狀況在傳統行業會更明顯。一位管理著一家小型工程制造企業的年輕企業家告訴我們，公司員工年齡整體在 35—40 歲，即便他自己有用AI改造業務流程的強烈愿望，但老師傅們大多對新技術并不感冒，主動使用 AI 的員工集中在較年輕的技術、外貿和市場部門。

他也嘗試過讓年輕員工把AI工具、skill和使用方法教給老員工，但很快發現大家普遍學習動力不強甚至心態抵觸。

另一方面，超級個體之間也存在信息差。

現代組織是高度分工的，一個人可能對自己的工作非常熟練，卻對其他人的工作內容一無所知。所以即便超級個體有意愿，他們不一定有能力設計整個協作系統。

疊加前述，即便他們有能力搭建團隊化工作流，組織也未必接得住，因為AI協作首先要求企業內部有一套干凈統一的知識底座，否則知識庫本身的混亂只會放大混亂。

這些因素導致超級個體對組織提效的貢獻并不高，像被封印了能力的武林高手，只能做些看門護院的雜活。

WorkBuddy在構思“項目”功能時，也考慮到了超級個體的經驗如何復用的問題。落到功能屬性上，具體圍繞三個機制形成：

◎一是共享配置，把Skill、專家、連接器一次性配置好，讓團隊在同一套能力底座上協作。

為了降低工具使用門檻，系統內置了大量適配各行各業的Skill和專家Agent，連接器則用于打通各類辦公生態。企業也可以把自身的數據資產沉淀成自定義的Skill和專家接入系統，讓個人經驗真正轉化為組織資產。

◎二是共享計劃，提供一個面向團隊的待辦看板，人和Agent都可以參與待辦的生成、流轉和處理，每個成員都清晰知道自己要處理哪些事項、對應的背景上下文是什么，做到事事有著落。與此同時，每一次動作和版本調整都可追溯，這讓超級個體的做法本身就能成為團隊共享的學習樣本。

◎三是共享資產，即統一沉淀團隊共享文件，Agent可以自動讀取調用，讓每一次任務執行都獲取最新、最全的上下文。最新產出在人類確認后可以自動回流到資產庫，實現持續迭代，相當于每一次任務執行，都在為下一次提供復利。

這種設定也有助于提升全員積極性，因為團隊成員越積極地優化資產，AI的能力和整體效率就越高。

工具的能力最終指向如何讓人類更好地協作，WorkBuddy團隊希望這個產品能成為企業探索未來組織形態的一塊跳板。而這種針對B端的、對標準化協作工具的探索，很可能成為AI下半場全球競爭的一個重要趨勢。

結語

20世紀中期，管理學家在英國的煤礦里做過一個調查。煤礦引入了新技術，工作效率卻反而下滑了，調查出的原因是，技術破壞了過去的組織協作模式，礦工的工作體驗變得更差了。

他們據此提出理論：技術系統和社會系統必須一起設計，盲目把新機器塞進舊組織，可能不僅無法創造新效率，反而會打碎原有的協作。

長遠來看，每一次技術革命的起點都是制造出一小撮技術精英，而終點是改造社會分工和勞動的形式。技術不會替代人，也不是某種篩選工具。

可以預見，今天的AI會以類似的姿態走向下半場。

作者|溫若梅

主編|何夢飛

圖源|VCG、網絡