应用型AI行不通

世界在人工智能上投入了巨额财富。但对大多数企业而言，一切如旧。我曾与全球最大公司的300多位CEO、CIO和CFO交流过。我发现，大多数公司只是把AI应用到他们原本就糟糕的流程上，结果不过是让垃圾产生得更快。无论是购买数千个Claude Code许可证、承诺每年5000万美元的令牌支出，还是通过Zoom开展AI培训课程，我都亲眼目睹了AI应用的低效。但事情本不必如此。

我们其实已经走过这条路，而且不止一次。在AI应用上，我们应当从历史中汲取教训。我希望读完这篇文章后，全球的AI领导者们能摒弃他们那套过时且天真的AI应用方法，转而遵循下面这个经过验证的可靠流程。

第一部分：历史及其相似之处

1990年，前麻省理工学院计算机科学教授迈克尔·哈默为《哈佛商业评论》撰写了一篇文章。他曾在多家斥巨资购置计算机却收获甚微的公司里工作多年，是最早揭示其中原因的人之一。

“在信息技术上的巨额投资并未带来令人满意的回报，主要是因为企业倾向于用技术来机械化旧有的经营方式。它们保留现有流程不变，只是用计算机来加速这些流程。”

这是原话。你没听错吧？如果把“信息技术”换成“人工智能”，这篇文章明天就能登上《商业内幕》的头版。在同一篇文章中，他还写道，是时候停止“给牛走的路铺柏油”了。36年过去了，猜猜我们现在还在做什么？

注：“给牛走的路铺柏油”指的是将现有低效流程自动化、规范化或固化，而不是按照应有的方式重新设计。省得你去问Claude了，不用谢。

与此同时，超过1万亿美元被投入资本支出，用于建设人工智能（仅微软、Alphabet、亚马逊和Meta在2025年就花费了4100亿美元，确实令人瞠目结舌），然而企业实际用于使用AI的支出仅为370亿美元。这意味着什么？英国商业和贸易部进行了一项Microsoft 365 Copilot试验，并公布了结果。在3个月内发放了1000个许可证，但每位用户每天平均仅有1.14次Copilot操作。PowerPoint幻灯片的制作时间快了7分钟（从18分钟降至11分钟），但质量评分却减半。Excel分析实际上完成得更慢（质量也更差）。电子邮件节省的时间，用他们的话说，“极其微小”。他们自己的结论，原话是：“我们没有发现有力证据表明节省的时间正在转化为生产力的提升。”然而，72%的用户表示他们感到满意或非常满意。

简而言之：人们喜欢它，但他们产出的内容与之前完全相同。沃顿商学院副教授兼AI研究员Ethan Mollick说得最好：“提升个人绩效的AI使用，并不会自然而然地转化为组织绩效的提升。”本文将深入探讨为何如此，并提供我们在实践中验证有效的解决方案。

介绍一下背景，我是Vas，@varickagents的首席执行官。我们与超大型企业合作（营收在5亿至1000亿美元之间，员工人数在1000至10万之间），帮助他们采用AI，从总体战略到流程再造，再到构建、部署和管理他们的智能体。本文基于我们总结的经验：区分那些失败的AI试点（无可衡量的投资回报率）与成功的试点（80%以上的工作完全由智能体处理，节省时间和金钱）的关键因素。

这种情况反复发生，原因并非纯粹是愚蠢。当然，其中有一部分是，但大部分在于惯性和设计。今天签下AI合同的人，或许掌握了工具和供应商的选择权，但他们绝对不掌控流程。那条链条上没有人有权走进财务部门，比如说，他们那14步的流程实际上应该只有5步。所以没人这么做。相反，你在现有基础上“应用AI”，最终得到的是更快的一堆烂摊子。

AI本不该被应用。那样行不通。你会应用一层油漆。太多人把AI想成一层新油漆，而油漆无法修复底下的问题。没人说过“应用云”或“应用数字化”。不，他们说的是数字化转型、云现代化，因为大家都明白那些是变革，而技术只是其中的一部分。AI也是如此。

回到哈默：他最精彩的数据来自他研究的一家保险公司。一个申请在业务中流转需要22天。在这22天里，任何人实际花在工作上的总时间只有17分钟。假设今天，你的AI专家把世界上最好的模型放到那个流程上，让每个单独步骤的速度翻倍。他省下了8分半钟。他把这算作节省了50%的时间，得到晋升和奖金，然后功成身退。那只是8分钟。

节省并不在于应用本身的工作上。它们存在于队列和交接中，在于等待其他团队的周期，以及第二轮审查。把精力花在加速那17分钟上，比什么都不做更糟；你只是花光了预算，并向董事会证明了AI不起作用。你可能会认为这是90年代的遗留问题，但并非如此。我们曾与一家公司合作，他们从自己的系统日志中经历了这个确切的问题。开设一个新客户案例需要25分钟的实际工作。从案例录入到激活，所经过的时间从2天到2周不等。工作可能只需几分钟，而流程却可能长达数周。

当我说大多数AI项目是在把烂东西做得更快时，我是字面意思。流程本身就是烂的。AI让它变快了。对此我听到过：“嗯，我们是一家大公司，显然我们做对了什么，不需要改变。”适者生存这句话在今天比以往任何时候都更适用，而这也是AI与数字化和云计算唯一不同的地方。如果使用得当，AI能给竞争对手带来前所未有的优势，让他们压过你。无论是通过成本优势削弱你，无需增加处理人员就能无限扩展，还是在你整理出潜在客户名单之前就触达全世界，他们都会碾压你。最好的情况是你继续增长，但现在你的员工数量呈指数级膨胀。3名分析师变成6名，但6人现在需要一名经理，而且因为是两个团队，他们需要以前不存在的交接，现在这个交接需要状态会议和项目经理，等等等等。这就是为什么员工人数曲线向上弯曲，而人均收入却没有。适者生存，但别假装AI没有发生。你的竞争对手正在不择手段地搞明白这一点。

第二部分：今日该做什么

你的数据一团糟，系统之间互不沟通，所以你的第一反应可能是先解决这个问题，再碰其他东西。你只需要一个ERP、一个CRM、一个数据平台，然后在其上叠加AI。理论上听起来很美好，但IT专家明白，事情远没有那么简单。看看这实际要花费多少金钱和时间。

TSB在核心银行系统迁移上花费了3.18亿英镑，事故处理又额外耗费约2亿英镑，2022年12月被FCA和PRA罚款4865万英镑，并导致520万客户银行业务中断。Zimmer Biomet，一家市值80亿美元的制造商，在2025年9月向Deloitte索赔1.72亿美元，原因是后者一次失败的“迁移与整合”使其无法执行基本功能，如发货、给客户开票或生成有效的销售报告。而这仅仅是上了新闻的两个例子；这类事件远比你想的更为普遍。

相反，你应该聚焦于理顺流程。假设过去20年里你收购了9家公司，这意味着你现在有同一个流程，在你的9家子公司中以9种不同的方式运行。如果你想在整个公司应用AI，你就得用9种不同方式构建同一个代理，然后被迫永久维护全部9套代理。要避免这种炼狱般的处境，你需要先定义一套全球统一运行的流程，并在整个实体范围内推广，然后才考虑在其上叠加AI。

反过来，你并不需要一个统一的ERP。过去，当两个系统对供应商记录的定义不一致时，确定性集成就会立刻崩溃。然而，代理能容忍这种不一致，因此，横跨你现有系统的编排层，正是解决系统分散问题的方案。你的系统不仅需要彼此对话，更需要幸福地“联姻”，容忍彼此的缺点。

开始映射

要重新设计你的业务，首先需要理解它。要达到这种理解程度，不能仅挑选一个工作流程，花上8周时间完善某个最终却被上游姊妹流程所限制、导致净回报为零的环节。

然而，同时你也不能一次性吞下整个业务，必须从某处着手。从部门层面开始。这不会完美——每当收入确认依赖于销售方式时，财务就会触及销售；每次新员工入职，人力资源都会涉及IT和运营。但至少这样，你能识别出流向同一部门的工作流束（例如，财务包含应付账款、应收账款、财务规划与分析、计费、银行、对账等），并开始映射以下7个细节：

提取上述信息需要两个程序：

只执行这些步骤中的一项，会让你对全局认识不完整，这也是AI发现失败的最大原因。我见过应用型AI公司试图通过“AI访谈”或派工程师去进行访谈来走捷径。这行不通。这项工作的一半在于与操作人员建立牢固的关系，并知道该问他们什么问题，这样才能带着对构建什么以及如何部署的清晰理解离开。

有效的智能体不仅仅是LLM调用

流程重组是一项需要软件和AI经验的分类工作。每一步都归入以下三类之一：

确定性操作。 如果X则Y，无需判断。例如，如果发票金额低于某个阈值，并且与采购订单和收货单匹配，那么就支付它。如果披露文件提到了竞争对手，则将其转给冲突处理团队。这些操作最好用普通的老式软件来实现。如果可以用常规代码完成，就不需要花哨的LLM调用，因为常规代码成本低、可审计、确定性（从不产生幻觉）且速度快。

自主执行（Agentic）。 如果你拥有成千上万条过往案例，记录了人类如何做出判断及其结果，且该步骤风险足够低（例如交易台审批或总账编码），那么你绝对应该使用LLM来进行判断。尤其是当输出是“是/否”、路由至某团队、标记/不标记或匹配/不匹配时，直接通过智能体交付，并衡量每一个输出。另一方面，如果所需输出是5页文档，而人类无论如何都必须通读全文来验证，那么你最好采用混合方法。在这里，你需要判断的是行动的难度，而非思考的难度。

人在回路（Human-in-the-Loop）。 对于风险过高或缺乏足够历史背景的步骤，你最好让人类参与其中，因为智能体执行错误行动的成本实在太高。相反，应在人类做决策的那一刻，将所有相关证据呈现在他们面前。例如，智能体检测到发票与采购订单之间的不匹配，然后向人类提供3个选项：无论如何批准、直接拒绝、或提供反馈并转给其他人。智能体为你的员工节省了40分钟翻查邮件、发票记录等的时间，让他们能在30秒内做出决策。但最终行动仍由人类把关。

一旦你将每个步骤归入上述3个类别之一，就能将类似25步的流程转化为3个智能体的集群，前后辅以确定性步骤，并最终设置2个人类介入的决策点来解除阻塞。这种流程重构工作，连同智能体本身，正是所有投资回报率（ROI）所在之处。

在此之后，在构建任何东西之前，你需要先设定关键绩效指标（KPI）基线。你的目标是计算你正在解决流程背后的数字，包括这些数字今天在哪里以及如何被测量。如果你做不到这一点，这个项目注定会失败。你需要能够回望12个月后说：我们过去是X，现在因为构建的智能体，我们达到了3X、10X或100X。只有这样，你才能说这个项目真正成功了。

最后，你确定优先级并安排构建顺序。首先，处理交接环节最多的流程，因为这可能是最容易见效、结果最清晰的部分。关键区别在于，这不一定是量最大的流程。

这在实践中是什么样子？

我们重新设计了一个全球业务，每月对300多个银行账户进行对账。其中三分之二由离岸团队处理，其余部分由另外两个地区的三种不同格式处理，但完全在Excel中进行。有超过12,000个未解决的对账项目，每月初有4天时间用于获取银行对账单。他们的对账流程几乎每个月都要花费几乎整个月的时间。

他们重新设计前的流程如下（在嘲笑他们之前，请认识到你们自己公司肯定也有类似甚至更糟的流程）：

如果你让这些步骤中的每一步都更快，匹配速度自然就提升了。但问题在于，匹配从来都不是瓶颈。真正耗时的是那4天等待报表的时间、给另一个时区的财务主管发邮件，以及回复仍需3天才能到达。加快匹配速度，不过是在一个以周为单位的流程中节省出几小时而已。

因此，我们重新设计了他们的流程，将其精简为3个步骤。

催收、发邮件、等待、重复录入和区域汇总被彻底消除。这就是一个能节省几分钟到几小时的智能体系统，与一个能节省数周的智能体系统之间的区别。

第3部分：为何这并不普遍？

你被骗了

你听到的关于AI的宣传从一开始就具有误导性。将AI作为单一解决方案来采纳，并不能为你带来价值。仅靠IT部门无法实现这一点，靠一个预算100万美元却毫无实权的“创新部门”也无济于事。重新设计一个跨越四个部门的流程，需要有人能向这四个部门宣布流程即将改变。公司里能真正做到这一点的人寥寥无几，这必须来自高层。

但还有另一层复杂性：今天实际从事这项工作的人，例如应付账款主管，以及财务部门各处的操作员和分析师，也需要被纳入其中。他们必须渴望新的AI系统，因为他们明天必须采纳并推动它。他们必须愿意透露那些他们自认为可能取代自己的信息，即便在大多数情况下并非如此。

最重要的是，采纳AI被视为一种风险。对大多数人来说，维持现状是“安全的”，如果AI成功，他们不会得到晋升，而如果失败，他们则会被解雇，即便固守现状意味着让公司随时间慢慢消亡。

再工程化难度颇高

哈默与钱皮在1993年的估算中提出，尝试流程再工程化的组织中，高达50%至70%未能达成预期目标。（显然，自90年代以来，情况并未有太大改观。）哈默本人后来也承认，他当时“对人性的维度重视不足”。他的意思是，那时“消除交接环节”意味着解雇负责该交接的人（那是他们的全部工作），并要求其他所有人改变工作方式，而当时的“软件”并不支持这样的变革。这意味着，顾问们来去之后，组织结构与流程迅速回归原状：一个充满低效与错误的状态。

然而，如今有两个根本性的不同。首先，AI原生的工具提供了前所未有的灵活软件状态：一种能适应周围变化的软件。嵌入你记录系统中的代理能够执行过去依赖人工的交接，同时处理确定性软件周围的差异，并且不受人类常见变异的影响。其次，你首先消除的工作几乎全是协调性的，即：追踪、等待、升级、分诊等。经过这些流程改进和真正的AI转型后，剩下的全是高判断力、高杠杆的工作，而这正是你顶尖人才本应全身心投入的领域。

勇敢新世界

传统咨询公司在流程处理上确实有两把刷子，这点我承认。确实，如果你想要一份详尽的15步流程图，横跨10个国家、3个实体，那些普通的咨询公司能为你制作出你见过的最精美的幻灯片，收费30万美元。但这家咨询公司做不到的，是后半部分，也是更为关键的部分：知道哪些模型可以信赖、哪些不能，知道一个月运行4万次的代理成本是多少，知道哪种模型（Fable 5.1 对比 Gemini 3.8 Flash）适合哪种任务类型（GL编码对比交易台路由），如何为特定流程最优地设计评估套件，以及流程中某一步骤真正属于上述三类（确定性、代理型、人工介入）中的哪一类。因此，如果你选择这条路，你的重新设计将由那些在猜测的顾问完成，而非经验丰富的AI原生战略家和FDE，六个月后你会疑惑为什么你的试点项目会坠毁。

另一方面，AI实验室和公司则面临相反的问题。他们能构建一个智能体（至少在大多数情况下），但他们从未与财务和运营部门坐下来，共同拆解一个工作流程——在这个流程中，两个部门对所有权归属和谁是谁的上游存在分歧。因此，他们只会把AI硬套在一个有缺陷的流程上，称之为自动化，而不是像几个月前就应该做的那样，彻底推翻并重新设计这个流程。此外，像OpenAI（DeployCo）和Anthropic（Ode）这样最大的“应用型AI”实验室会迫使你终身绑定他们的模型。把你整个公司的智能栈押注在单一供应商身上无异于自杀。明天，当他们对你正在运行的模型进行限流、量化、提价或淘汰时，你只能面对一团乱麻和巨额账单。你可能以为这就像把端点从Claude换成GLM、Gemini或DeepSeek那么简单，但事实并非如此。重新运行评估并确定每次模型调用应使用哪种思维级别，是一个极其繁琐的过程，而实验室不会帮你做这件事。

你真正需要的是两全其美的结合：既要有真正运营过财务、运营、销售或人力资源部门的人，又要有能将生产级软件部署到Microsoft Dynamics等ERP或Salesforce等CRM中的工程人才，还要有能够构建与模型无关的企业级“公司缰绳”并内置企业级治理和评估套件的AI工程师。有些人称这些人为“前向部署工程师”，但事实上，如今大多数FDE不过是平庸的工程师和平庸的顾问，完全没有AI能力，最终你得到的往往是样样都做不好。

做对了是什么样子？

用AI改造公司时，有四个关键杠杆：成本（理想中降低）、收入（理想中增加）、时间（理想中加快）、风险（理想中降低）。在我们部署的案例中，约一半在上市公司，以下是每个杠杆实际产生效果的例子：

总体而言，这一系列部署带来的价值超过1亿美元。最棒的是，这个数字是与客户共同创造的；并非我们单方面宣称，而是经过实际测量的。

真正的AI转型公司是什么样的？

上述所有内容正是我们在Varick的工作方式，也是我们为合作企业推广AI时唯一奏效的方法。这些企业都是规模庞大的巨头，拥有数千名员工、数十个核心记录系统以及无穷无尽的复杂性，然而我们的策略始终如一，且每次都能成功。

我们的战略师与工程师团队会深入部门层面，首先描绘出工作的实际流程，而非仅仅依据文档记录，通过结合流程挖掘与访谈、计算耗时与实际操作时间、梳理例外情况、上游影响及下游效应，并明确各环节的负责人。我们能在短短几周内完成这一过程，而非耗时数月，届时您将获得重新设计的流程、可获取的价值、定制化的基准KPI，以及构建代理的优先级排序。接下来，我们将着手构建代理，这些代理自带企业级治理、审计追踪、评估套件及监控功能，开箱即用。

我们与年营收超过5亿美元的企业合作，处理他们在产品、财务、销售、采购、运营、人力资源等领域的棘手工作流。如果您想了解我们如何针对您的具体流程实施这一方案，欢迎在我们的网站上预约通话，并准备好讨论您最不喜欢的流程及其复杂之处。如果您觉得这些内容有帮助，欢迎订阅我们的通讯，我们每周都会发布关于“应用型”AI的最新动态及实践心得。

TLDR