全世界在 AI 上投入了巨额资金。但对大多数企业来说，一切照旧。我与全球最大公司的 300 多位 CEO、CIO 和 CFO 交流过。我发现，大多数公司只是把 AI 应用在它们糟糕的流程上，最终结果只是让垃圾处理得更快。无论是购买数千个 Claude Code 许可证、承诺每年 5000 万美元的 Token 支出，还是通过 Zoom 举办 AI 培训课程，我都亲眼目睹了 AI 应用是多么低效。但事情本不必如此。
我们其实已经走过这条路，甚至不止一次，在 AI 应用方面，我们应该从历史中吸取教训。我希望，在这篇文章结束时，全球的 AI 领导者能够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 (Michael Hammer) 在《哈佛商业评论》上发表了一篇文章。他曾在那些投入巨资购买计算机却几乎看不到回报的公司里工作多年，并且他是最早发现其中原因的人之一。
"在信息技术上的巨额投资之所以带来令人失望的结果，很大程度上是因为公司倾向于用技术来机械化旧的经营方式。它们保留现有流程不变，仅仅使用计算机来加速这些流程。"
这是真实的引述。你没看错吧？如果把其中的“信息技术”换成“AI”，这篇文章明天就能发表，并登上《商业内幕》的头版。在同一篇文章中，他还写道，是时候停止“给牛道铺路”了。36 年过去了，猜猜我们现在还在做什么？
注：“给牛道铺路”指的是自动化、规范化或固化一个低效的现有流程，而不是为了理想的工作方式重新设计它。省得你去问 Claude 了，不用谢。
与此同时，超过 1 万亿美元被用于 AI 的资本支出（仅微软、Alphabet、亚马逊和 Meta 在 2025 年就花费了 4100 亿美元，我知道这令人瞠目结舌），但企业实际用于使用 AI 的支出仅为 370 亿美元。这意味着什么？英国商业贸易部进行了一次 Microsoft 365 Copilot 试点并公布了结果。他们在 3 个月内发放了 1000 个许可证，但每个用户每天平均只有 1.14 次 Copilot 操作。PowerPoint 幻灯片的制作速度提高了 7 分钟（从 18 分钟缩短到 11 分钟），但质量评分下降了一半。Excel 分析完成得更慢了（而且质量也更差）。节省的邮件时间，用他们的话说，“极其微小”。他们自己的结论是：“我们没有找到强有力的证据表明节省的时间能转化为生产力的提高。”然而，72% 的用户表示他们满意或非常满意。
长话短说：人们喜欢它，但他们的产出和以前一模一样。沃顿商学院副教授兼 AI 研究员 Ethan Mollick 说得最好：“能提升个人绩效的 AI 使用，并不会自然而然地转化为组织绩效的提升。”本文将详细阐述原因，并提供我们在实践中行之有效的解决方案。
介绍一下我自己，我是 Vas，varickagents 的 CEO。我们与超大型公司（收入在 5 亿到 1000 亿美元之间，员工人数在 1000 到 10 万之间）合作，帮助他们采用 AI，涵盖从总体战略、流程再造，到构建、部署和管理他们的 Agent。本文基于我们总结的经验教训：区分那些失败的 AI 试点（没有可衡量的 ROI）和成功的 AI 试点（80% 以上的工作由 Agent 完全处理，节省时间和金钱）。
这种情况反复发生，并非纯粹因为愚蠢。当然，部分原因是如此，但主要还是惯性和设计问题。今天签署 AI 合同的人可能拥有工具和供应商的选择权，但他们肯定不拥有流程的所有权。这个链条中的任何人都没有权力走进财务部门，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，你在现有的东西上“应用 AI”，结果只是得到了更快的垃圾。
AI 不应该是被“应用”的。那样行不通。你“涂”的是一层油漆。太多人把 AI 看作一层新油漆，而油漆解决不了底下的问题。从来没人说过“应用云”或“应用数字化”。不，他们说的是数字化转型、云现代化，因为每个人都明白这些是转型，而技术只是其中的一部分。AI 也是如此。
回到哈默：他最好的例子来自他研究过的一家保险公司。一份申请需要 22 天才能在公司内部流转完毕。在这 22 天里，任何人实际花在它上面的总时间只有 17 分钟。假设今天，你的 AI 专家把世界上最好的模型放到这个流程上，让每个单独的步骤都快了一倍。他节省了 8 分半钟。他把这算作 50% 的时间节省，得到了晋升和奖金，然后功成身退。但实际只节省了 8 分钟。
节省的时间并不在于处理申请本身。它们在于队列和交接，在于等待其他团队的时间，以及第二轮审查。把精力花在加速那 17 分钟上，比什么都不做更糟糕；你花光了预算，并向董事会证明了“AI 没用”。你可能认为这是 90 年代的遗留问题，但并非如此。我们与一家公司合作过，他们从自己的系统日志中发现了这个确切的问题。开一个新客户案例需要 25 分钟的实际工作。而从案例录入到激活，所经过的时间从 2 天到 2 周不等。实际工作可能只需几分钟，但流程仍然可能耗时数周。
当我说大多数 AI 项目只是在让垃圾更快时，我是字面意思。流程本身就是垃圾。AI 让它更快了。对此，我听到过：“嗯，我们是一家大公司，显然我们做对了什么，我们不需要改变。”适者生存这句话在今天比以往任何时候都更加真实，而这也是 AI 与数字化和云的一个不同之处。如果使用得当，AI 能给竞争对手带来前所未有的优势。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球客户，它们都会碾压你。最好的情况是，你继续增长，但现在你的员工数量呈指数级增长。3 个分析师变成 6 个，但 6 个人现在需要一个经理，而且因为是两个团队，他们需要一个以前不存在的交接环节，现在这个交接环节又需要一个状态会议和一个项目经理，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，但不要假装 AI 没有发生。你的竞争对手正在不遗余力地解决这个问题。
第二部分：今天该做什么
你的数据一团糟，你的系统互不通信，所以你的第一反应可能是在碰其他东西之前先解决这个问题。你只需要一个 ERP、一个 CRM、一个数据平台，然后在上面加 AI。这在理论上听起来很棒，但 IT 专家明白这绝非易事。看看这实际要花费多少金钱和时间。
TSB 银行花费 3.18 亿英镑进行核心银行系统迁移，又因事故损失了大约 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 月向德勤索赔 1.72 亿美元，原因是其搞砸的“迁移与整合”导致该公司无法执行基本功能，如发货、给客户开票或生成可用的销售报告。而这仅仅是上了新闻的两个例子；这类事件比你想象的普遍得多。
相反，你应该专注于理顺流程。假设你在过去 20 年里收购了 9 家公司，这意味着你现在有同一个流程在你的 9 个子公司中以 9 种不同的方式运行。如果你想在整个公司“应用”AI，你将不得不以 9 种不同的方式构建同一个 Agent，然后被迫永久维护这 9 套 Agent。为了避免这种困境，你需要首先定义一个全球统一运行的单一流程，并在整个实体中推广，然后才能考虑在其上应用 AI。
反过来，你并不需要一个 ERP。过去，一旦两个系统对供应商记录的定义不一致，确定性集成就会崩溃。然而，Agent 能够容忍这种不一致性，因此，一个位于你现有系统之上的编排层，正是解决系统分散问题的方案。你的系统不仅需要相互通信，还需要像幸福的婚姻一样，容忍彼此的缺点。
开始绘制地图
要重新设计你的业务，你首先需要理解它。你不能通过挑选单个工作流来达到这种理解水平，花 8 周时间完善某个流程，结果却发现它被上游的姊妹流程所限制，最终 ROI 为零。
但同时，你也不能一下子吞下整个业务，你必须从某个地方开始。从部门层面开始。它不会完美——财务部门每次收入确认取决于销售方式时，都会触及销售部门。人力资源部门每次招聘新员工时，都会触及 IT 和运营部门。但至少这样，你能识别出流入同一个部门的“工作流包”（例如，财务部门包含应付账款、应收账款、财务规划与分析、计费、银行、对账等），然后你可以开始绘制以下 7 个细节：
- “快乐路径”：这个工作流负责什么，在最理想的情况下会发生什么。对大多数公司来说，这几乎是唯一被详细记录的东西。
- 异常情况：这是你大部分时间花费的地方。不要只描述发生了什么，要深入计算有多少比例的工作量偏离了快乐路径，它去了哪里，谁被牵扯进来，处理这些异常的周期时间是多少，以及这里出错的成本是多少。
- 这个工作流的上游和下游是什么？当每个环节出现延迟或问题时，这个流程如何与它们交互？
- 涉及的所有记录系统有哪些？当其中两个系统不一致时，以哪个为准？
- 这在不同地区、实体、子公司、以及通过哪次收购而来的方面有何不同？
- 接触时间与经过时间分别是多少？这个差距在每个步骤是如何变化的？
- 职能中每个人的 AI 能力如何？他们对未来的 AI 系统应该拥有多大程度的所有权？（计算这个很主观，且差异很大）。
提取上述信息需要两种方法：
- 流程挖掘：针对记录系统，挖掘操作、时间戳、吞吐量、编辑记录，以及那些与文档不符的现实情况。
- 访谈：因为上述方法会给你数据，但与操作人员的对话会告诉你痛点究竟在哪里。你组织的现实情况存在于 10-20 个人的头脑中，他们多年来一直在你的公司做这份具体的工作，归根结底，你的 AI 需要被这些人采用才能有效运作。
只做其中一步，你得到的图景是不完整的，这也是 AI 发现阶段失败的最大原因。我见过一些应用型 AI 公司试图通过“AI 访谈”或派工程师去做访谈来走捷径。这行不通。一半的工作是与操作人员建立牢固的关系，并知道该问他们什么问题，这样你才能清楚地了解该构建什么以及如何部署。
有效的 Agent 不仅仅是 LLM 调用
流程再造是一项需要软件和 AI 经验的分类工作。每一步都属于以下三个类别之一：
确定性。 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，那么就付款。如果披露信息中提到了竞争对手，则将其转给冲突处理团队。这些操作最好用普通的、优秀的旧软件来处理。如果你能用常规代码完成，就不需要花哨的 LLM 调用，常规代码便宜、可审计、确定性强（从不产生幻觉）、速度快。
Agent 化。 如果你有成千上万个过去人类做出判断并记录结果的例子，并且这个步骤的风险足够低（例如，交易台审批或总账科目编码），那么你绝对应该使用 LLM 进行判断。特别是当输出是“是/否”、“路由到某团队”、“标记/不标记”或“匹配/不匹配”时，用 Agent 来处理并衡量每个输出。另一方面，如果所需的输出是 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，而不是思考的难度。
人在回路中。 对于风险过高或没有足够历史背景的步骤，你最好让人参与其中，因为 Agent 错误行动的代价太高了。相反，在人类做决定的时刻，把所有相关的证据都摆在他们面前。例如，Agent 检测到发票和采购订单不匹配，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。Agent 刚刚为你的员工节省了 40 分钟搜索邮件、发票记录等的时间，让他们可以在 30 秒内做出决定。但最终的行动仍然需要人来把关。
一旦你将每个步骤分类到上述三个类别之一，你就可以将一个 25 步的流程转变为一个由 3 个 Agent 组成的集群，前后有确定性步骤，最后有 2 个人在回路中的行动点来解除阻塞。这种流程再造工作，连同 Agent 本身，是所有 ROI 的来源。
在此之后，在构建任何东西之前，先设定基准 KPI。你的目标是计算你正在解决的流程背后的数字，包括这些数字今天在哪里以及如何被衡量。如果你做不到这一点，这个项目注定会失败。你需要能够在 12 个月后回顾并说：我们过去是 X，现在因为构建的 Agent，我们达到了 3X、10X 或 100X。只有这样，你才能说这个项目是真正的成功。
最后，你确定构建的优先级和顺序。首先，处理交接最多的那个工作流，因为这很可能是最容易摘取的果实，你能看到最清晰的结果。关键区别在于，这不一定是工作量最大的那个工作流。
在实践中是什么样子的？
我们为一家全球性企业重新设计了流程，该企业每月需要核对 300 多个银行账户。其中 2/3 由离岸团队处理，其余部分由另外两个地区以三种不同格式处理，但全部在 Excel 中进行。有超过 12,000 个未清对账项目，每月初需要花费 4 天时间获取银行对账单。他们的对账流程几乎占用了整个月的时间。
他们重新设计前的工作流程如下（在嘲笑他们之前，请认识到你所在的公司肯定也有类似甚至更糟的流程）：
- 向每家银行追索并收集对账单，格式不限
- 将其标准化到区域工作簿中
- 提取总账数据
- 逐行匹配
- 标记不匹配项
- 通过电子邮件向本地财务主管询问标记项目的背景信息
- 等待回复
- 如果未回复则跟进催促
- 最终收到回复，然后过账调整
- 将该区域数据汇总到合并文件中
- 对另外两个地区重复上述 1-10 步，每个地区格式不同。
- 结账。
如果你让每个步骤都更快，匹配速度会加快。问题是，匹配从来都不是问题所在。等待对账单的 4 天，以及给另一个时区的财务主管发邮件，以及回复仍然需要 3 天，这些才是问题。通过加快匹配速度，你只能从一个以周为单位衡量的流程中节省几个小时。
相反，我们将他们的流程重新设计为 3 个步骤。
- 对账单通过数据源自动流入，像传送带一样，无需追索。这与 AI 完全无关。
- 所有能根据规则匹配的项目将自动匹配，如果不能，Agent 将端到端地整理案例：包括项目本身、历史分类、从各个记录系统收集的证据，以及建议的下一步行动。
- 最后，人类处理他们队列中的异常情况，所有证据都已准备好供他们审查，而无需他们手动筛选分散在 ERP 和电子表格中的数据。
追索、发邮件、等待、重新录入和区域汇总被完全消除。这就是一个能节省几分钟到几小时的 Agent 系统，与一个能节省数周的 Agent 系统之间的区别。
第三部分：为什么这并不普遍？
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 作为点状解决方案来采用，你无法从中获得价值。仅靠 IT 部门做不到这一点，仅靠一个预算 100 万美元、毫无权力的“创新职能”也做不到。重新设计一个跨越 4 个部门的流程，需要有人能够告诉这 4 个部门流程正在改变。公司里只有少数几个人能真正做到这一点；这必须来自最高层。
但还有另一层复杂性：今天实际做这项工作的人，例如应付账款主管，以及财务部门的操作员和分析师，也需要被包括在内。他们必须想要这个新的 AI 系统，因为他们明天必须采用并推动它。他们必须愿意透露他们认为可能取代自己的信息，尽管在大多数情况下并非如此。
最重要的是，采用 AI 被视为有风险。对大多数人来说，维持现状是“安全的”，如果 AI 有效，他们得不到晋升，但如果无效，他们就会被解雇，即使坚持现状意味着让公司随着时间的推移慢慢消亡。
流程再造相当困难
哈默和钱皮自己在 1993 年估计，多达 50% 到 70% 尝试流程再造的组织没有达到他们预期的结果。（显然，自 90 年代以来，情况没有太大变化）。哈默后来自己也说，他“对人性的维度重视不够”。他的意思是，在当时，“移除一个交接环节”意味着解雇负责该交接的人（那是他们的全部工作），然后要求其他所有人改变他们的工作方式，而当时的“软件”并不支持这种改变。这意味着，在顾问们来了又走之后，组织结构和流程很快又回到了原来的状态：一个充满低效和错误的状态。
然而，今天有两个根本性的不同。首先，AI 原生工具提供了一种前所未有的灵活软件状态：一种能够适应周围变化的状态。一个驻留在你记录系统中的 Agent 可以运行以前依赖人的交接，同时处理来自确定性软件的差异，并且不受人类常见的差异影响。其次，你首先消除的工作几乎完全是协调工作，即：追索、等待、升级、分类等。在这些流程改进和真正的 AI 转型之后，剩下的都是高判断力、高杠杆的工作，而这正是你最优秀的人才应该一直花时间做的事情。
一个勇敢的新世界
传统咨询公司擅长流程工作，这点我承认。确实，如果你想要一个跨越 10 个国家和 3 个实体的 15 步流程的精美图示，你普通的咨询公司会为你制作出你见过的最漂亮的幻灯片，收费 30 万美元。但这家咨询公司做不到后面更重要的一半，即知道模型可以信任什么、不能信任什么，一个每月运行 40,000 次的 Agent 成本是多少，哪种模型（Fable 5.1 对比 Gemini 3.8 Flash）用于哪种类型的任务（总账科目编码对比交易台路由），如何为一个特定流程优化设计评估套件，以及流程中某个给定步骤真正属于上述三个类别（确定性、Agent 化、人在回路中）中的哪一个。因此，如果你走这条路，你的重新设计是由那些在猜测的顾问创建的，而不是经验丰富的 AI 原生战略家和 FDE，6 个月后你会想知道为什么你的试点项目坠毁了。
另一方面，AI 实验室和公司则有相反的问题。他们可以构建一个 Agent（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分解一个工作流，在这个工作流中，两个部门对所有权和谁是谁的上游存在分歧，因此他们会把 AI 强加到一个破碎的流程上，并称之为自动化，而不是像几个月前就应该做的那样，彻底改造和重新设计那个流程。此外，像 OpenAI (DeployCo) 和 Anthropic (Ode) 这样最大的“应用 AI”实验室会强迫你终生使用他们的模型。把你整个公司的智能堆栈押注在单一供应商身上是自杀行为。明天，当他们对你正在运行的模型进行速率限制、量化、提价和淘汰时，你只会留下一堆烂摊子和账单。你可能认为这就像把端点从 Claude 换成 GLM、Gemini 或 DeepSeek 一样简单，但事实并非如此。重新运行评估并重新确定为每个模型调用使用哪个级别的思考是一个痛苦的过程，而实验室不会帮你做这件事。
你需要的反而是两者的最佳结合：真正管理过财务、运营、销售或人力资源职能的人，加上能够将生产级软件部署到 Microsoft Dynamics 等 ERP 或 Salesforce 等 CRM 中的工程人才，再加上能够构建与模型无关的公司级框架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”，但事实是，今天的大多数 FDE 是平庸的工程师和平庸的顾问，完全没有 AI 能力，最终你什么都做不好。
当你做对了是什么样子？
当你用 AI 改造一家公司时，有 4 个杠杆很重要：成本（理想情况下降低）、收入（理想情况下增加）、时间（理想情况下更快）和风险（理想情况下更低）。在我们的部署中，大约一半是在上市公司，以下是按杠杆划分的实际变化示例：
- 时间。 我们将月结流程从 18-22 天缩短到了 7-9 天。供应链中断问题现在能在 6 小时内得到处理，而以前需要好几天。
- 收入。 过去，交易平均会闲置 23 天；现在平均是 6 天，销售代表的行政时间从每周的 38% 降到了 14%。这些时间直接重新投入到了销售中。
- 成本。 应付账款异常处理从每月 600-800 张发票减少到了不到 50 张。在一个营销组织中，由于以前只在月底才发现的节奏错误，8-12% 的媒体预算被追回，每季度节省了数百万美元。
- 风险。 薪资更正减少了 90%，因为跨系统的对账现在在薪资发放前而不是之后进行。80% 的员工支持查询都通过公司自己的政策文档得到了解答，而边缘情况则升级给了人力资源部门的人员处理。
总体而言，这一系列部署所交付的价值超过了 1 亿美元。最棒的是，这个数字是与我们的客户共同创造的；这不仅仅是我们自己说的，而是被实际测量出来的。
一个真正的人工智能转型公司是什么样的？
以上描述的一切都是我们在 Varick 的做事方式，也是我们为那些部署了 AI 的公司唯一奏效的方法。这些都是非常大型的企业，拥有数千名员工、数十个记录系统以及无限的复杂性，但我们的策略手册是相同的，并且每次都能奏效。
我们的策略师和工程师团队会深入到部门层面，首先通过流程挖掘和访谈相结合的方式，绘制出工作实际是如何进行的，而不仅仅是接受文档中记录的方式；计算已用时间与接触时间的对比；绘制异常情况、上游影响和下游影响；并了解谁负责什么。我们不是在几个月内，而是在短短几周内完成这个过程，届时您将收到重新设计的流程、将要获取的价值、自定义的基准 KPI，以及构建 Agent 的优先级排序。接下来，我们将开始构建 Agent，这些 Agent 开箱即用，配备了企业级的治理、可审计性、评估套件和监控功能。
我们与收入超过 5 亿美元的公司合作，处理他们最棘手的工作流程，涵盖产品、财务、销售、采购、运营、人力资源等领域。如果您想看看这如何应用于您自己的某个流程，请在我们的网站上预约通话，并准备好谈论您最不喜欢的工作流程，以及是什么让它们如此复杂。如果您觉得这些内容有帮助，请订阅我们的通讯，我们会在其中每周发布关于“应用型”AI 的最新文章，以及我们通过实践学到的一切。
TLDR
- 如今企业中的大部分 AI 支出都应用于完全相同的现有流程之上，这意味着你实际上只是在让一个糟糕的流程运行得更快。Michael Hammer 在 1990 年就针对 IT 说过这一点，而英国政府在 2025 年用 1,000 个 Copilot 许可证基本上再次证明了这一点：每个用户每天 1.14 次操作，没有发现任何生产力提升，而且 72% 的用户仍然感到满意。
- 时间从来不在工作本身，而是在队列和交接中。Hammer 的保险申请在流程中搁置了 22 天，而实际工作只有 17 分钟。即使你将工作速度提高一倍，你也只节省了 8 分钟。
- 首先整合你的系统（一个 ERP、一个 CRM、一个数据平台）是一个有据可查的、在见到一美元价值之前就损失 2 年时间和 9 位数资金的方法。你真正需要的是一个流程定义和一个负责人，因为 Agent 可以容忍相互矛盾的系统，而确定性集成从来都不能。
- 从部门层面开始，挖掘记录系统并访谈操作人员，然后将每一个步骤归类到三个桶之一：确定性软件、一个 Agent、或者一个有人工介入（并为其准备好证据）的环节。如果做得好，一个 25 步的流程会变成 3 个 Agent 和 2 个人工检查点。
- 当我们这样做时，月结从 18-22 天降到了 7-9 天，应付账款异常从每月 600-800 个降到了不到 50 个，薪资更正减少了 90%，我们部署的总价值超过了 1 亿美元，这是与客户共同测量的。
- 除非这来自高层，操作人员确实想要它，并且你雇佣的人能让流程人员、软件工程师和 AI 工程师都在同一个房间里，否则这一切都不会奏效——而几乎没有人同时拥有这三者。
