一家估值超过100亿美元的企业,规模会有多大?硅谷的人工智能搜索初创企业Perplexity会告诉你,只有247人,而这家企业的估值已经达到140亿美元。另一家硅谷的初创企业Cursor AI更为极端,大约30人便足以维持这家估值约90亿美元的企业的运转。
仅从企业规模上就可以看出,AI时代成长出来的企业与传统企业有着明显的差别。一个如此大体量的公司,只需要这么少的人数就可以维持运转,可见它背后的管理逻辑已经发生了巨大的改变。
上述两家企业是“AI原生组织”(AI native organization)的典型案例,但它们只是一个极端。时至今日,无论是在日常生活、学术研究还是企业经营中,AI的影响不断涌现。根据麦肯锡最新的全球调查,使用AI的企业占比已升至78%,有71%的企业已在至少一个业务职能中“经常”使用生成式AI。麦肯锡估算,生成式AI每年可新增2.6万亿——4.4万亿美元经济价值,高度集中在客户运营、市场与销售、软件工程与研发等职能。
但根据我们的观察,企业端对AI的实践呈现出明显的两极分化:一方面,与AI深度融合的成功企业,它们的内在逻辑随着AI发生了根本性改变;另一方面,在绝大多数企业中,虽然AI已然是热门话题,但真正的应用深度有限。更关键的是,高采用率并未转化为相应的价值回报,这种“采用率高、价值兑现参差”的现象值得深思。
#1
个体提效与组织困境:
生产力悖论的本质
当我们把目光从年轻的“AI原生组织”转向那些更成熟的企业,看到的是另一幅图景。
我和团队在调研中遇见了一家程序员“含量”达90% 的公司。为了探寻AI对生产力的影响,公司在内部做了对照测试。按照公司原本的设想,有了AI的辅助,写一个代码的时间可以从1天缩短至1小时,效率理应飞升。但内部测算发现,AI对效率的提升效果仅有10%—15%,与公司的期待值相距甚远。
这背后的原因在于,公司的软件开发流程并未发生根本改变。即便为每位程序员配备AI助手,但生产方式仍然沿用过去的逻辑,流程中固有的效率瓶颈并未被消除。换句话说,如果不彻底改造企业逻辑,AI仅仅作为生产力工具,对生产力的实际影响相当有限。
在个体层面,受控实验与真实使用数据已反复显示类似的提效效应。波士顿咨询公司与学术团队合作进行的现场实验发现,在被视作所谓“AI前沿”的任务中,使用GPT-4的咨询顾问完成速度提升25%以上、质量评分提升40%以上。在软件开发领域,GitHub与学界的随机对照实验同样发现,使用Copilot的开发者在JavaScript任务上用时缩短55.8%。
然而,组织层面的“兑现难”同样在大量研究与调查中得到佐证。麻省理工学院与波士顿咨询公司的多年跟踪报告显示,只有约一成企业从AI中获得显著财务收益,主要瓶颈不是算法,而是组织学习、流程重构与人机协作能力的不足。这种“个体显著提效、组织难以兑现”的现象,我们称之为生产力悖论。
说白了,问题的症结在“组织化能力”而非“工具缺位”。对于大部分成熟企业,单纯在运营过程中引入AI工具而不改变工作流程,只能带来碎片式的优化。这就好比一个员工原本需要工作8小时,有了AI辅助可能只需6小时就可完成相同工作量,但节省的2小时并未转化为企业效益。关键在于,只有当我们把任务拆解进入AI的能力边界,设计出可评测的基线,将人机分工纳入流程,个体层面的提效才能汇聚为组织层面的价值。
因此,企业下一步需要考虑的是如何让AI改变现有的工作流程,使得它不再只是专属于个人的工具,而是变成一个在组织内部流转的工具。
#2
从任务替代到能力重构:
技能金字塔的重绘
过去的组织结构是基于劳动力分工形成的:企业内部分割出很多不同的任务,再根据任务内容和人的技能设计出一个个岗位,每一个岗位匹配一个人。我们现在最常听到的一个问题是:AI会替代哪些岗位?实际上,AI很难替代某一个岗位,AI替代的是一个任务。有些任务能够完全被AI替代,有些只能被AI增强。任务层面发生的替代必然会导致组织变革,比如一个岗位可能有50%的任务实现了自动化,人只需要集中精力做剩余的部分。
对知识工作者时间分配的研究发现,职业写作者把65%—75%的时间用在编辑和重写上,学术研究者也有85%的时间在写作或编辑,还有部分知识工作者有88%的时间用于沟通。换句话说,知识工作者们花了超过80%的时间在个性化的“支线任务”上,而不是基础的生产任务。按照工资和投入的资源计算,这个成本高得惊人。
到底是技术适应组织,还是组织适应技术,是人类长期思考的问题。至少在我们当下所处的阶段,更多需要组织适应技术。
这样的逻辑在历史上已经上演过。第一次工业革命与第二次工业革命交接期间,生产力飞跃也花了30—50年时间才真正实现…