AI快速普及未必立刻推高生产率：企业智能体落地仍受制于流程重构与收益测量
· 来源：reuters.com
从员工试用生成式AI到企业获得可持续、可核算的生产率增益，数据治理、系统集成、组织分工和培训等“最后一公里”仍是关键障碍。
生成式AI和企业智能体正在迅速进入办公、客服、研发、营销与运营等场景，但“部署了AI”并不等于生产率会立即显著上升。企业真正要把试用工具转化为可持续的经营收益，往往需要跨越数据可用性、业务流程重构、系统集成、岗位协同和效果评估等多重门槛。AI带来的价值，也因此不能仅以使用人数或调用次数衡量。
在不少企业中，生成式AI最先落地的是文本撰写、信息检索、会议纪要和代码辅助等相对独立的任务。这类应用能够缩短部分员工的完成时间，却未必自动改善端到端流程。例如，一项工作即使前期材料整理被AI加速，仍可能受制于审批、数据核验、跨部门交接或客户确认等环节。若后续流程未同步调整，局部效率提升可能转化为等待时间，难以沉淀为组织层面的产出增长。
企业智能体的挑战更为突出。与通用聊天工具相比，智能体通常需要连接企业内部知识库、客户关系管理、财务、人力资源或供应链系统，并在既定权限下完成查询、生成建议甚至触发业务动作。这要求企业先解决数据质量、数据口径、访问权限、审计留痕和安全合规问题。数据分散、文档过期或规则不清晰时，智能体可能放大既有流程缺陷，而不是成为可靠的自动化执行者。
组织设计同样决定AI投资能否兑现。智能体接手部分重复性工作后，管理者需要重新划分人与系统的职责：哪些决策可由系统建议，哪些必须由员工复核，出现错误由谁负责，员工节省下来的时间如何重新配置。若只是把AI叠加在原有岗位和考核体系上，员工可能因担心责任、质量或岗位变化而谨慎使用；若缺乏针对具体任务的培训，员工也难以判断模型输出何时可信、何时需要纠错。
收益测量则是“AI投资回报”叙事中最容易被忽略的一环。企业不宜仅以模型成本、订阅数量或单次任务耗时来判断成效，还需区分个人效率、团队吞吐量、服务质量、错误率、客户体验和风险成本等指标。更重要的是，应建立上线前后的基线，并考虑业务量变化、流程调整和其他技术改造带来的影响。没有清晰的对照与持续追踪，企业很难确认收益究竟来自AI，还是来自其他管理因素。
因此，AI普及与宏观或企业生产率提升之间存在时间差，并不意味着技术本身没有价值，而是说明价值释放依赖互补性投入：清理和治理数据、改造流程、打通系统、重设控制机制，并让员工形成新的协作方式。对企业而言，更务实的路径或许是从边界清晰、可验证、风险可控的场景开始试点，在验证质量和收益后再逐步扩大，而非将智能体视为可以即时替代组织改造的万能工具。
—— 综合整理自：来源有限（未抓取到原始报道正文）