从超级个体到组织收益，AI卡在哪？|agent|业务流程|工作流|知识库|超级

撰写：虎嗅智库
头图：现场拍摄

最近，龙湖集团的一场全员Agent大赛，收到了200多个参赛作品。

但对龙湖集团而言，数字倒还是其次，真正有价值的是通过比赛层层筛选，从中识别出了真正具备AI意识和业务能力的人和可落地的业务场景。

这也侧面说明当下的企业并不缺少使用AI的热情和应用涌现。但真正困难的是，如何从大量探索中筛出值得投入的场景，再把少数人的有效方法沉淀为组织能力。

而在另一面，深耕AI企业落地多年的李少春也提醒，不少企业内部存在一类"表演式AI"：试点应用和Demo做了不少，却没有真正进入核心业务流程，更难在经营结果中得到价值验证。

两种现象指向的是同一个问题：AI可以快速制造局部创新，却不会自动带来组织效率。

8月7日，虎嗅智库邀请来自医药、消费、零售、供应链、地产及企业服务等领域的十余位AI实践者展开讨论。

参与者包括云南白药CIO李少春、天音控股CIO朱远刚、小仙炖CIO尤春、Lola Rose IT总监李久意、龙湖集团千丁智能产品总监卢文利、值得买科技营销FDE专家朱越、吉野家技术支持经理李宁、阿里千问办公京津冀区域总经理刘啸天、超级OPC联盟发起人黄有璨，以及特赞北区KA总监梁康毅等

讨论最终收束到同一个问题：为什么AI已经带来大量局部提效，却还没有转化为组织效率和经营结果。

AI项目不少，为什么经营价值仍然难以验证？

当企业进入AI落地深水区，首先要回答的已经不是"还能做什么"，而是"什么值得做"。

过去一年，不少企业通过内部征集、员工培训和创新比赛等方式，自上而下或自下而上地积累了一批AI应用。但项目数量增加，并不意味着企业价值同步增长。

很多所谓的"提效"，其实只是某项任务变快了。员工过去需要一个小时完成的工作，现在可能只用十分钟，但节省下来的时间未必能够转化为实际成本；一个环节效率提高，也不意味着端到端业务周期随之缩短。

天音控股CIO朱远刚提到，公司员工已经开始使用AI，也在探索数字员工等应用平台。部分场景可以看到一定程度的局部改善，但这些变化如何进一步进入成本、收入和利润，仍然难以量化。

这代表了不少传统企业落地AI的现实处境，工具已经用起来了，局部效果也能被感知，但企业原有的信息化基础、数据口径和跨部门流程并未同步改变。任务提速可以被员工感受到，却很难被财务和管理层确认为组织收益。

问题不一定出在AI没有效果，而在于企业究竟在算哪笔账。

"工时节省"是最容易计算的一笔账，却未必是老板真正关心的账。也正因此，ROI不能只在项目结束后核算，而应该前置到场景选择阶段。如果一开始选中的只是孤立、低价值的任务，工时测算再精确，也很难支撑后续规模化。

但知道什么是高价值，并不等于企业能够自动找到高价值场景。管理层清楚经营目标，却未必了解一线操作；一线员工能说清楚哪里费时费力，却未必能判断整条业务链中哪个环节最值得改造。二者之间，还隔着业务流程、数据条件和技术可行性。

李少春强调，高价值场景不能只看使用频率，更要看它能否解决靠继续堆人难以解决的业务问题。

从落地实践案例可以看出，一个具备投入价值的 AI 场景，必须同时满足四项核心条件：业务问题清晰可界定、可获取完整的数据与业务上下文、业务结果可量化验证，且能够直接关联成本、收入、质量、产能等核心经营指标。

以小仙炖的 AI 项目实践为例：企业早期尝试以知识助手赋能前端顾问岗位，但项目初期推进阻力较大。一方面，知识的定义方、维护方与一线使用者，对同样信息理解存在偏差；另一方面，业务内容动态迭代，知识库若无法持续同步更新，很快就会失效。此外，项目由 IT 主导、业务部门被动配合的模式，难以真正做到从业务中来、到业务中去，无法产出可落地的业务价值。

小仙炖早期曾尝试用知识助手赋能前端顾问场景，CIO 尤春坦言，一开始项目推进并不顺利。一方面，知识的定义者、维护者和使用者对"什么信息真正有用"的理解不同；另一方面，业务内容不断变化，知识库如果不能持续更新，很快就会失去价值。由IT牵头、业务配合的推进方式，也很难让业务部门真正对结果负责。

后续小仙炖调整落地思路，转向扎根一线的真实业务数据场景，基于客户沟通、销售全量数据开展服务质量分析，输出可执行的业务优化动作。依托大模型的分析与洞察能力，项目价值才逐步显现。此时 AI由此不再只是回答一个孤立问题，而是深度嵌入可观测、可反馈的完整销售服务业务链路之中。

Lola Rose则从反馈周期更短的场景切入，其IT总监李久意分享，其KOS团队利用AI辅助小红书内容规划，围绕选题、内容组织和发布后的反馈形成更短的验证链路。据其现场分享，相关内容发布后，小红书私信开口率提升约50%。

两个案例虽然切入口不同，却遵循了同一套逻辑：不是先问"AI能做什么"，而是先找到数据可获得、结果可验证，并且有人对结果负责的业务闭环。

但可验证不等于值得规模化，企业最终仍要回到经营账上。

阿里千问办公京津冀区域总经理刘啸天曾提到其接触过的一家机械制造企业原本承担工艺拆解工作的团队，年度人力成本不到200万元，而AI改造方案需要投入约300万元。

如果只计算替代人工，这笔账并不成立。但如果AI能够辅助识别图纸、拆解工艺，并提高企业向外部工厂分发加工任务的能力，它带来的就不只是降本，而可能是产能组织方式的变化。此时，AI的价值不再是省掉几个人，而是帮助企业突破原有的产能边界。

企业AI最容易算的是工时账，最难算的是经营账。但只有进入经营账，一个项目才真正有继续投入和规模化的理由。

然而，场景选对只解决了AI"值不值得做"的问题。项目真正进入组织后，还要回答另一道更难的问题，跑出结果的究竟是一套可以复制的方法，还是某个关键人物的个人能力？

超级个体跑出来了，怎么变成组织能力？

AI往往先改变组织里的一小群人。

他们对工具足够敏感，愿意主动探索新的工作方式，有些人甚至能够独立完成过去需要多个岗位协作的任务。

但一个人用AI变快，只能证明一种可能性；只有当这种能力能够被识别、验证、沉淀和复用，它才可能成为组织能力。

而且，不是所有"个人绝活"都值得组织化。

有些实践只是熟练的工具技巧，离开特定场景便失去价值；有些高度依赖个人的业务经验和判断力，换个人就难以复现；还有一些Demo虽然看起来惊艳，却缺少权限管理、数据维护和工程治理，复制成本可能比实际收益更高。

龙湖集团曾通过AI培训和全员Agent大赛推动AI应用，收到200+个参赛作品。千丁智能产品总监卢文利表示，大赛的意义不只在于做出多少Agent，更在于让一线业务问题浮出水面，识别出真正具备AI意识和业务能力的人—一些项目还促使业务人员主动寻找产品和研发支持，原本固定的部门接口因具体场景重新连接。

换句话说，全员探索的意义未必是让所有人都成为AI开发者，而是更快地找到值得继续投入的高价值场景和关键人才。

值得买科技的探索则呈现了另一面。

实施"全面AI"战略以来，值得买员工已经广泛尝试使用AI和vibe coding开发内部应用，但在各主体独立探索的模式下，实践经验和应用能力难以共享，组织整体效率未必达到最优，部分员工也容易陷入重复投入与开发。如何识别有效场景、沉淀成熟经验，成为个人探索走向组织协同后需要解决的问题。

个人探索越活跃，组织越需要建立判断机制：哪些场景值得继续投入，哪些项目应该及时停止，哪些成熟实践可以沉淀为组织能力。

值得买科技由此开始搭建内部提效工具，以更低门槛的方式承接业务场景，并通过项目化管理，将目标、上下文、权限、过程记录、产物和验收关联起来。它要解决的已经不是"员工有没有AI工具"，而是个人实践如何被组织识别、筛选、管理和复用。

这也引出了现场关于FDE（前沿部署工程师）的争论。

这也引出了现场对FDE角色的讨论。值得买科技营销FDE专家朱越认为，严格意义上的FDE主要面向外部客户的定制化交付，需要兼具业务、产品和技术理解能力；企业内部承担类似职责的人，更接近能够把业务目标转化为工作流的"超级个体"。

因此，推动AI进入业务一线，并不等同于要求全员成为FDE，更重要的是通过产品化、培训和统一治理，让成熟实践能够被更多人使用。

卢文利则认为，与其纠结FDE岗位名称，不如看它解决什么问题。千丁智能正是以FDE方式服务客户的—团队走进客户一线，先诊断业务问题、梳理真实场景，再用技术把方案落成可衡量的结果。这种既懂行业、又懂技术、站在客户身边解决问题的模式，正是千丁受到客户长期信赖的关键。

两种观点表面上争论的是"要不要设置FDE"，背后真正的问题是，连接业务与技术、能够端到端闭环的能力，应该集中在少数专业人员身上，还是分布到更多业务节点？

企业未必需要一个统一命名的FDE岗位，却越来越需要一批能够定义问题、调用技术资源并对结果负责的人。

但无论这种能力集中在FDE身上，还是分散到业务节点，企业仍要面对同一个风险，如果工作方式只存在于少数人的经验中，关键人员越强，组织对他的依赖反而越深。

组织真正要沉淀的不是几条提示词，也不是一份写完便不再更新的SOP，而是一套可以持续运行的工作流，它至少包含数据和业务上下文、任务拆解方式、人与AI的分工、审核机制和责任边界。

超级个体不是组织能力。只有当个人方法被沉淀为数据、工作流和责任机制，"个人绝活"才有可能变成"组织肌肉"。

把个人方法沉淀为工作流，只是完成了团队内部的复制。当这套工作流需要跨部门、跨区域甚至跨业务单元推广时，原有流程、权责和成本分配就会成为新的门槛。

从试点到规模化，为什么必须重写流程

试点阶段，企业可以挑选一批意愿强、能力高的人，在小范围内绕开部分旧规则。但一旦走向规模化，数据、流程、权责，以及成本与收益的分配方式就会集中浮出水面。

规模化不是把同一个Agent发给更多人，也不是再办一轮工具培训，而是重新设计AI进入组织的方式。

首先要重构的是流程。

很多企业的AI落地，仍然是在旧流程上增加一个AI入口，过去由人写材料，现在交给模型生成；过去人工填写表单，现在让AI代填。但后续审核、审批和跨部门协同没有改变，AI只是让一个节点变快，并没有改变整条业务链。

真正的流程重构，需要重新判断，哪些任务可以由AI执行，哪些环节必须保留人的判断；哪些审批可以取消，哪些任务可以并行；AI能否进入业务系统直接触发下一步动作，而不是长期停留在对话框里。

吉野家技术支持经理李宁的分享，则把这个问题进一步拉回连锁门店场景。对于门店密集型企业，总部验证可行只是第一步，AI还要进入一线员工的真实操作流程，并与既有系统和管理要求衔接。一个项目能否规模化，最终不能只看总部Demo是否跑通，还要看门店是否用得起来、现场流程是否因此改变。这意味着，规模化不能只复制工具，还要复制工具得以运行的业务条件。

其次需要重新厘清权责。

试点可以靠少数人的热情推进，规模化却必须回答一组不那么性感、但更加现实的问题：谁有权修改流程？谁维护业务规则和数据？AI出现误判时由谁承担责任？谁支付系统建设和推广成本，效率收益又归哪个部门？

流程能不能重构，最终取决于责任能不能重新划分。很多项目并不是模型能力不足，而是模型上线后，没有人持续维护知识和业务规则，也没有部门对最终结果负责。小仙炖早期知识项目就是一个例子。困难不只在于模型能否回答，更在于知识的生产、更新和使用没有形成稳定责任链。

这也是不少AI项目"一推广就失效"的原因。试点团队可以通过高频沟通补足上下文，一旦换到另一个部门，原来隐藏在关键人员经验里的业务规则便无法同步复制。