局部效率
过去三年，
AI发展快得有点不可思议。
写邮件。
整理会议纪要。
写代码。
分析文件。
搜索资料。
做PPT。
翻译。
生成图片。
甚至开始操作软件和处理完整工作流程。
很多以前需要几个小时的事情，
现在几分钟就可以完成。
所以按照最直觉的想法：
企业生产率应该大幅提高。
大家应该工作得越来越轻松。
公司需要的会议应该越来越少。
项目应该完成得越来越快。
甚至每周工作时间都应该慢慢缩短。
但现实似乎没有这么简单。
AI已经进入办公室，
很多人的工作却仍然是：
早上打开电脑。
几十封邮件。
Teams消息不断跳出来。
一个会议接着一个会议。
Excel还是那些Excel。
审批还是那些审批。
项目还是会延期。
为什么？
因为“一个任务快了十倍”和“整个公司快了十倍”完全不是一回事
假设以前写一份报告需要一天。
现在AI帮助你：
一个小时完成。
生产率提高了吗？
当然提高了。
但问题是，
报告完成以后还需要：
同事Review。
经理Review。
修改。
开会讨论。
客户Review。
再修改。
审批。
上传系统。
等待签字。
真正写报告，
可能只占整个流程的20%。
AI把这20%提高十倍，
并不意味着整个流程提高十倍。
剩下80%的流程如果完全没有变化，
最终可能只是：
原来五天完成，
现在四天完成。
这就是为什么局部效率和系统效率完全不同
制造业其实早就知道这个道理。
假设一条生产线有五道工序：
A每小时100件。
B每小时100件。
C每小时20件。
D每小时100件。
E每小时100件。
现在花很多钱，
把A升级到：
每小时500件。
整条生产线产量提高了吗？
几乎没有。
因为瓶颈仍然是C。
每小时只能生产20件。
AI进入办公室以后，
很多公司可能正在做同样的事情。
把某一个步骤优化得非常快，
但整个流程的瓶颈仍然没有改变。
AI可能让我们更快地生产文件，却没有减少文件
这是一个很有意思的问题。
以前写一份20页报告需要三天。
大家会想：
这份报告真的需要写吗？
现在AI一个小时可以生成。
于是答案变成：
写吧。
反正很快。
结果是什么？
报告越来越多。
PPT越来越多。
总结越来越多。
会议材料越来越多。
信息越来越多。
每个人处理信息的时间反而增加。
技术降低了一件事情的成本以后，
人类经常不是少做，
而是做更多。
Email就是一个很好的例子
几十年前，
寄一封商业信件很麻烦。
需要：
写。
打印。
装信封。
贴邮票。
寄出去。
等待几天。
所以大家不会一天给同事寄50封信。
Email出现以后，
发送消息几乎没有成本。
理论上：
沟通效率大幅提高。
现实却是：
我们每天收到几十甚至几百封邮件。
沟通变便宜以后，
沟通数量爆炸了。
最后大家需要新的工具帮助：
管理邮件。
AI可能再次发生同样的事情。
写东西越来越便宜以后，阅读反而成为新的瓶颈
以前一个人一天写一份报告。
十个人产生十份。
现在AI让每个人一天可以生成十份。
于是公司突然出现：
100份报告。
谁来看？
人类。
谁来判断哪一份重要？
人类。
谁来决定做什么？
还是人类。
所以AI可能首先解决：
Content Generation。
然后创造另外一个更大的问题：
Content Consumption。
这也是为什么未来真正有价值的AI，
可能不是帮我们生成更多东西。
而是帮助我们：
决定哪些东西根本不应该生成。
企业真正的瓶颈往往不是“写得慢”
而是：
没人敢决定。
责任不清楚。
部门之间信息不通。
审批层级太多。
目标不断变化。
会议没有结论。
系统彼此不连接。
数据质量不好。
这些问题，
AI并不能自动解决。
例如一个项目需要五个人签字。
AI可以帮每个人10秒钟读完文件。
但如果其中一个人休假两周，
流程还是停在那里。
所以很多组织真正需要优化的，
不是个人效率。
而是：
组织设计。
这也是为什么新技术通常需要很长时间才真正提高生产率
电脑刚进入办公室的时候，
也没有马上带来生产率奇迹。
最开始，
企业只是把原来的工作数字化。
以前：
纸质表格。
后来：
Excel表格。
以前：
纸质信件。
后来：
Email。
工作方式本身没有发生根本变化。
只是把旧流程搬到电脑上。
真正的变化发生在后来。
企业开始重新设计：
供应链。
ERP。
库存管理。
电子商务。
全球协作。
自动化生产。
商业模式本身开始改变。
这时候计算机的生产率价值才真正释放出来。
AI现在可能正处于类似阶段
很多公司今天所谓的“使用AI”，
其实只是：
给员工一个Copilot。
让员工自己尝试。
写邮件的时候用一下。
总结文件的时候用一下。
写代码的时候用一下。
当然有价值。
但这更像1995年：
每个人桌上终于有一台电脑。
真正的AI转型可能还没有开始。
真正的转型不是“给旧流程加一个AI按钮”
而是重新问：
为什么要有这个流程？
例如以前：
工程师完成分析。
写报告。
发给项目经理。
项目经理整理。
再发给客户。
客户提问题。
工程师重新检查数据。
未来可能变成：
数据自动进入系统。
AI自动检查异常。
模型自动生成初步解释。
工程师只处理异常情况。
客户直接查看实时Dashboard。
如果没有异常，
根本不需要报告。
这时候AI带来的不是：
报告写得快50%。
而是：
报告本身可能消失。
这才是真正的生产率提升。
制造业里面其实已经发生过类似变化
早期自动化，
很多时候只是：
机器代替人操作。
后来真正成熟的自动化开始重新设计生产线。
机器人。
传感器。
MES。
自动质量检测。
预测维护。
数字孪生。
这些东西连接以后，
整个生产方式才改变。
所以真正有价值的数字化，
从来不是：
把原来的事情数字化。
而是：
发现有些事情原来根本不需要做。
AI Agent可能是下一步
今天大多数人使用AI的方式还是：
人问。
AI答。
人复制。
人粘贴。
人打开另一个系统。
人再输入。
这其实仍然非常手工。
未来Agent真正成熟以后，
可能变成：
AI读取邮件。
理解任务。
查找数据。
调用软件。
运行分析。
生成结果。
更新数据库。
通知相关人员。
只有遇到需要判断的问题，
才找人。
这时候生产率才可能发生真正明显的变化。
因为AI不再只是帮助一个人完成一个Task。
它开始接管一段Workflow。
但这也解释了为什么企业部署AI没有想象中容易
要让AI真正进入Workflow，
需要解决很多非常无聊的问题。
数据在哪里？
权限怎么管理？
系统有没有API？
谁对错误负责？
AI可以修改数据库吗？
可以给客户发邮件吗？
什么情况必须人工审批？
公司数据能不能发给外部模型？
如何审计AI做过什么？
这些问题没有ChatGPT演示那么精彩。
但真正决定AI能不能创造价值的，
可能恰恰就是这些问题。
企业最后可能发现，AI项目最困难的部分不是AI
模型可能已经足够好了。
真正困难的是：
数据。
流程。
系统集成。
组织结构。
责任。
治理。
这和很多数字孪生项目其实非常像。
大家一开始容易把注意力放在：
模型够不够先进？
仿真够不够准确？
AI够不够聪明？
后来才发现真正决定系统能不能用的是：
数据能不能自动进来？
设备能不能连接？
数据库有没有结构？
用户愿不愿意使用？
出了问题谁维护？
技术Demo和真正生产系统之间，
往往隔着大量这些看起来不高级的工作。
所以AI生产率革命可能会比AI模型革命慢很多
模型可能半年就升级一次。
企业流程却可能十年没有改变。
模型可以一夜部署。
组织结构不能。
API可以几天写出来。
企业文化不能。
这就是为什么技术进步速度和经济生产率提升速度，
可能完全不同。
AI能力是一条曲线。
企业吸收AI能力，
是另外一条曲线。
两条曲线不会同时上升。
还有一个更有意思的问题：省下来的时间去了哪里？
假设AI真的每天帮一个员工节省两个小时。
公司会不会说：
很好。
以后每天工作六小时？
大概率不会。
更可能发生的是：
以前一天完成五件事情。
现在完成七件。
于是AI提高生产率以后，
我们并没有变得更闲。
而是社会对产出的期待继续提高。
这其实和洗衣机非常像。
洗衣机出现以后，
人类当然不用手洗那么久。
但衣服洗得更加频繁了。
卫生标准也提高了。
技术节省时间，
社会又创造新的事情填进去。
所以AI可能不会让我们“没有工作”
至少短期更可能发生的是：
工作的标准提高。
以前一周做一次分析。
以后可能每天分析。
以前一个项目做三个方案。
以后AI可以生成30个方案。
以前客户一个月收到一次报告。
以后希望看到实时结果。
AI提高能力以后，
客户和管理者的期待也会同步提高。
最后大家还是很忙。
只是做的事情更多。
真正成熟的公司可能会做一件很难的事情
不是问：
“我们怎样用AI做更多？”
而是问：
“有了AI以后，哪些事情可以彻底停止做？”
哪些会议可以取消？
哪些报告可以取消？
哪些审批可以自动完成？
哪些数据不需要重复输入？
哪些PPT根本不需要制作？
哪些邮件可以不用发送？
如果企业只是用AI把原来的100件事情做得更快，
生产率当然会提高。
但真正巨大的变化可能来自：
发现其中40件事情根本没有必要存在。
这可能也是未来几年AI应用真正的分水岭
第一阶段：
大家都有AI。
第二阶段：
大家都会用AI。
第三阶段：
企业开始围绕AI重新设计工作流程。
真正拉开差距的，
可能是第三阶段。
因为第一阶段可以买。
第二阶段可以培训。
第三阶段需要企业真正理解：
自己到底是怎么工作的。
而很多组织最困难的问题恰恰是：
没有人真正知道整个流程为什么会变成今天这样。
所以今天生产率数据没有立刻爆发，并不一定说明AI没有价值
也可能只是说明：
技术已经到了，
组织还没有跟上。
历史上很多通用技术都是这样。
电力出现以后，
工厂并不是第二天就提高生产率。
最开始只是用电动机替代蒸汽机。
后来工厂才发现：
既然不需要围绕中央蒸汽动力轴布置机器，
整个车间都可以重新设计。
流水线。
布局。
生产组织。
最终全部改变。
真正巨大的生产率提升，
来自第二步。
AI今天可能也正在等待自己的“重新设计工厂”时刻。
所以下一次公司讨论AI战略的时候，也许应该少问一个问题
不是：
“我们有多少员工在使用AI？”
这个数字当然很好看。
50%。
80%。
100%。
但它可能并不能说明太多。
更重要的问题也许是：
因为AI，我们取消了多少原来必须做的工作？
如果答案是：
没有。
所有会议还在。
所有报告还在。
所有审批还在。
所有Excel还在。
只是大家写邮件快了一点，
那么AI革命可能还没有真正开始。
真正的生产率革命，
不是让每个人跑得更快。
而是重新设计道路，
让很多原本需要跑的路，
从一开始就不需要走。
感谢大家阅读！
你在工作中使用AI以后，是真的减少了工作量，还是只是让你能够在同样时间里做更多事情？你觉得企业真正提高AI生产率，最应该先取消的是报告、会议、审批，还是重复的数据处理？