每个人都更快了，为什么整个组织没有更快？

Geoffrey Chen

《AI进入工作之后》· 第二季“从个人工具到组织能力”· 第九篇

一个团队使用AI后，邮件起草、会议摘要和报告初稿都明显加快。员工感觉每天完成了更多小任务，管理层也能看见生成数量增长。但客户等待时间没有缩短，项目交付日期没有提前，审批队列反而更长。

这是因为组织速度不是个人速度的总和。工作要经过交接、等待、决定和返工。AI加快其中一个环节，如果下一个环节容量不变，结果只是更快地把工作送到瓶颈。

局部生产率与整体吞吐不是同一指标

一个人用两小时完成过去需要四小时的草稿，局部效率提高了一倍。但如果草稿必须等待三天由同一名专家批准，客户得到结果的时间几乎不变。

组织真正关心的通常是端到端结果：从需求进入到合格结果被采用，需要多久；有多少工作在处理中；多少因为错误返回；多少最终对客户或业务产生价值。

字数、提示次数和初稿数量容易测量，却可能只是库存。没有通过验证和决定的产物越多，积压越大。

AI会把瓶颈从生产移到协调

当起草成本下降，更多人会提出“顺便再做一份分析”“再准备三个版本”。产出增加后，专业复核、法律审查、管理批准和系统发布成为稀缺资源。

协调成本也会上升。更多草稿意味着更多比较、命名、版本和会议。AI节省了写第一版的时间，却可能增加决定采用哪一版的时间。

一项覆盖66家企业和7,137名知识工作者的现场实验发现，使用生成式AI的员工后来每周少花约两小时处理邮件，并减少非正常工作时间，但个人获得工具并没有带来任务数量或构成的显著变化。NBER：《Shifting Work Patterns with Generative AI》

这说明个人时间收益可能真实存在，却不会自动重组组织流程。

原有指标会吸收节省的时间

如果绩效仍按邮件数量、报告数量和响应速度衡量，员工会用AI提高这些数字。组织不一定给他们减少会议、改善资料或修复流程的空间。

省下的时间还可能被新的工作要求占用。关于AI暴露与工作时间的一项NBER研究发现，在其数据与模型下，更高AI暴露与较长工作时间、较少休闲相关，作者讨论了生产率收益如何被市场和组织安排分配。NBER：《AI and the Extended Workday》

这不是所有员工必然加班的定律，但提醒我们：技术节省不会自行决定由谁获得。组织必须明确收益用于减负、提质、扩量还是新服务。

新技术通常需要无形的互补投资

“生产率J曲线”研究指出，通用技术需要流程、产品、商业模式和人力资本的共同创新。这些无形投资在早期可能使生产率收益不明显，之后才被收获。NBER：《The Productivity J-Curve》

对于AI，互补投资包括清理知识、建立评测、调整岗位、重新设计批准、训练员工和修改指标。购买许可证很快，改变这些结构很慢。

如果组织不愿承担这部分成本，就只能把AI叠加在旧流程上：员工更快生产，旧制度照常等待。

用流程图找到真正的等待时间

组织可以选择一个具体用例，记录从请求进入到结果完成的每一步：实际工作时间、排队时间、交接、返工和批准。常见发现是，文字生产只占总周期的一小部分。

然后决定AI节省的时间应怎样改变系统。可以减少交接，合并重复批准，为低风险任务设快速通道，把常见检查自动化，并限制无明确用途的额外产出。

重要的是不要只让瓶颈岗位“使用更多AI”。如果瓶颈来自授权集中、目标冲突或资料不可信，生成更快的建议无济于事。

OECD对生成式AI生产率的分析同样强调，企业需要调整组织、流程和战略才能充分获得收益。OECD：《The effects of generative AI on productivity, innovation and entrepreneurship》

限制在制品，而不是奖励无限生成

当验证和批准能力有限，团队应限制同时进行的AI产物数量。先完成和采用已有工作，再启动更多候选。

这可以通过明确入口标准实现：每份分析必须对应一个决定者和截止日期；每个草稿必须说明来源和预期用途；没有复核容量时，不批量生成低优先级内容。

限制产出听起来与AI提高效率相反，实际上保护了端到端吞吐。组织不需要最大化生成，它需要最大化通过全部必要步骤的结果。

重新分配决定权往往比生成提速更重要

有些等待不是能力不足，而是决定权设计不合理。所有低风险事项都集中到一名经理批准，会使这名经理成为永久瓶颈。AI可以更快准备材料，却不能自行改变授权制度。

组织可以分析哪些决定必须集中、哪些可以在明确条件下授权给更靠近工作的人员。对金额低、可逆、规则清楚的事项设预授权和事后抽样；对例外和高后果事项保留升级。这样做需要管理层接受不再逐项控制，并用边界与监控取代形式签字。

同时要检查AI是否增加了新的“决定请求”。如果系统不断生成建议，但每条建议都要求管理者选择，原来由员工直接完成的小事会被升级为新的审批负担。好的设计不仅自动生产选项，也减少不必要的选择。

端到端流程还应设置服务目标：从请求进入到最终采用的时间、等待超过阈值的数量、返工原因和客户结果。只有这些指标改善，局部节省才真正进入组织绩效。

还要观察节省下来的时间实际去了哪里。它可能被重新投入更仔细的复核、更早的客户回应和真正需要判断的例外，也可能只是变成更多会议、更多草稿和更高的即时回应预期。前一种情况扩大了组织能力，后一种情况只是把工作密度推高。因而，AI收益评估不能只记录“每项任务节省几分钟”，还应记录采用率、等待时间、返工、工作日延长和员工能否把节省转化为更有价值的工作。

结论：重新设计流动，而不只是加速动作

个人速度提高值得承认，它可能减少加班并改善工作体验。但组织要更快，必须改变工作怎样从一个角色流向另一个角色。

最终判断是：

AI只有在缩短端到端完成时间、减少返工或提高可采用结果时，才构成组织生产率；只增加中间产物，会把速度转化成积压。

管理者应把注意力从“员工生成了多少”移到“客户和组织更早得到了什么”。AI最有价值的组织应用，往往不是让每一步都更快，而是让一些不必要的步骤消失，并让真正的决定不再长期等待。

主要资料

继续阅读：浏览《AI进入工作之后》系列文章

了解 Geoffrey Chen 的更多信息

订阅后即可通过电子邮件收到最新文章。