一个值得警惕的信号：大部分投资仍在优化已有流程
IBM 商业价值研究院与 Oracle 发布的一项研究调查了 20 个国家、19 个行业的 800 名企业高管。报告显示，超过四分之三的高管表示，其大部分 AI 投资仍用于改进现有流程，而不是创造全新的能力；与此同时，78% 的受访高管认为，要获得 Agentic AI 的最大收益，企业需要新的运营模式。
这组数据揭示了一个常见矛盾：企业已经意识到 AI 可能改变经营方式，但项目治理仍沿用传统数字化逻辑——先由各部门报需求，再按节省工时、降低成本和交付周期排序。
在这种机制下，最容易获批的是“把原流程中的某一步自动化”。而那些真正有可能改变收入、服务范围或决策速度的项目，往往因为没有现成基线而显得不够确定。
例如，企业很容易计算自动生成一份市场报告节省多少小时，却不容易计算“每天持续监测数百个市场信号，并在变化发生时主动触发产品、销售和供应链协同”值多少钱。后者并非把原来的月报做快，而是获得一种过去无法经济地维持的感知和响应能力。
如果仍用旧流程的工时节省去评估它，新能力会在立项阶段就被低估。
“效率项目”与“能力项目”不是同一种投资
效率项目通常有一个现成参照物：过去需要多少人、多少时间、多少费用，AI 上线后改善了多少。它的价值主要来自替代、压缩或减少浪费。
能力项目则回答另一类问题：
它的价值不一定表现为“少用了几个人”，而可能表现为更高的服务覆盖率、更短的市场响应时间、更低的新业务试验成本，或者一种新的产品与收入来源。
世界经济论坛关于 AI-first 企业运营模式的讨论提出，领先组织越来越从明确的业务结果出发，再设计智能工作流与流程，而不是把 AI 叠加到既有工作方式上。IBM 的研究则进一步区分了两类企业：一类擅长优化当前流程，另一类同时用 AI 创建新的工作流能力。真正的战略差距，正在两者之间形成。
这并不意味着企业应该停止做效率项目。更合理的做法，是承认两类项目的目标、评估方式和资金逻辑不同。
- 能否服务过去因成本过高而无法覆盖的长尾客户？
- 能否把过去每季度进行一次的分析变成持续监测？
- 能否让产品根据客户真实使用和反馈进行更细粒度的调整？
- 能否把分散在多个专业团队的判断组合成一种新的服务？
- 能否将内部积累的方法、数据和经验包装成客户可购买的智能能力？
什么才算“原本做不到的事”
所谓新增能力，不是把一个普通功能换成更宏大的名字，也不是上线一个新的聊天入口。它至少应发生一种结构性变化。
1. 服务边界发生变化
过去只有高价值客户才能获得专家研究、方案比较或持续顾问服务，因为人工成本决定了服务半径。AI 如果能在证据可追溯、专家负责的前提下，把其中一部分能力扩展到更多客户，这就是服务边界的变化。
2. 经营频率发生变化
过去企业可能按月复盘客户流失、按季度分析竞品、按半年梳理供应商风险。AI 能持续读取新信息、识别变化并触发复核，使经营从周期性回顾转为事件驱动。这不是把报告写快，而是改变组织感知外部变化的频率。
3. 组合复杂度发生变化
有些工作不是不能做，而是跨数据、跨系统、跨专业角色的协调成本太高，无法规模化。AI Agent 如果能汇集财务、运营、产品和市场信息，形成供人决策的结构化方案，就可能让过去只能偶尔组织的跨部门分析成为日常能力。
4. 试验成本发生变化
过去推出一个细分产品、定制服务或区域方案，需要较长的需求分析、内容生产、系统配置和运营准备。AI 如果显著降低这一整套试验成本，企业就能用更小批次测试更多假设。真正的收益不只是每次试验更便宜，而是企业能够更快淘汰错误方向、发现新机会。
判断标准可以很简单：如果没有 AI，这件事会继续以原来的方式完成，还是因为成本、速度、规模或复杂度限制而根本不会发生？只有后者，才更接近净新增能力。
为什么企业常常发现不了这些机会
第一个原因是，需求收集从现有岗位开始。员工最熟悉自己的痛点，自然会提出“帮我少做一步”的需求，却很少有人被授权重新定义整个业务如何运行。
第二个原因是，预算按部门分配。新增能力常常跨越销售、产品、交付、数据和 IT，没有一个部门能够独立获得全部收益，也没有一个部门愿意承担全部建设成本。
第三个原因是，评估周期过短。效率收益可以在数周内看到，而新服务覆盖、产品学习速度和收入模式可能需要更长时间才能形成证据。
第四个原因是，把模型演示误认为能力。一个 Agent 能生成方案，并不等于企业已经拥有新能力。稳定的数据输入、业务规则、工具连接、异常处理、专家复核和结果回流，缺一不可。
Anthropic 与 Material 对 500 多名技术管理者的调查也显示，57% 的组织已经让 Agent 处理多阶段工作流，但只有 16% 进入跨职能或端到端流程；集成、数据访问与质量仍是主要障碍。这个结果来自技术供应商委托的调查，应谨慎看待其普遍性，但它至少说明：从单点任务走向企业级能力，难点迅速从模型转移到组织和系统。
给 AI 项目组合增加一条独立赛道
如果企业希望避免所有 AI 投资都滑向局部提效，可以在现有项目机制之外，设置一条“新增能力赛道”。它不需要占据大部分预算，但需要独立的筛选标准。
一项候选能力可以先回答五个问题：
1. 过去为什么做不到？ 是人工成本、响应速度、数据规模、专业人才，还是跨部门协调限制？ 2. AI 改变了哪一个约束？ 不是泛泛地说“更智能”，而是明确哪项能力已足以突破原有限制。 3. 形成能力还缺什么？ 包括数据、系统接口、业务规则、复核人员、客户授权与责任边界。 4. 最小可验证结果是什么？ 先验证一个客户群、一个区域、一个产品或一段工作流，而不是直接宣称重构全公司。 5. 如果成功，如何形成复利？ 每次运行是否沉淀新数据、评估样本、专业规则、客户反馈或可复用 Agent 技能？
最后一项尤其重要。只靠通用模型能力的项目容易被同行复制；能够在使用中不断积累专有上下文、工作方法和反馈闭环的能力，才更可能形成持续差异。
新能力不能只用“节省工时”验收
效率项目适合看处理时长、单位成本、自动完成率和返工率。新增能力需要另一组指标。
企业可以从四个层面建立证据：
同时仍要保留质量、风险和人工负荷指标。新增能力不是以“创新”为名降低可靠性要求。相反，它越接近客户、收入和经营决策，越需要明确证据来源、人工责任、停止条件和异常恢复。
这里的关键不是一开始就精确计算完整 ROI，而是把价值假设写成可以逐步验证的因果链：AI 获得某项能力，改变某段工作，促成某种行为，最终影响某个业务结果。每一层都有证据，项目才不会停留在宏大叙事。
- **可达性：** 过去无法覆盖的客户、数据或经营情景，现在覆盖了多少；
- **响应性：** 从信号出现到识别、判断和采取行动，周期缩短了多少；
- **学习性：** 每次运行是否提高后续判断、产品迭代或服务质量；
- **经营性：** 是否带来新收入、提高转化与留存、减少机会损失，或降低新业务试验成本。
一个更现实的组合：今天的收益，明天的能力
企业不必在降本与创新之间二选一。效率项目可以提供近期回报、积累使用经验，也能为更大范围的重构腾出资源；新增能力项目则探索企业未来如何服务客户、设计产品和组织经营。
更现实的做法是建立组合：
管理层需要重点防止的，是所有项目都被同一套短期财务指标筛选。因为这会让企业看起来拥有很多 AI 用例，却始终没有一项能力改变竞争位置。
- 用一批短周期项目解决明确的流程浪费；
- 用少量跨部门项目验证过去无法规模化的能力；
- 对成功项目继续投资数据、集成和运营机制；
- 对只有演示效果、没有业务证据的项目及时停止。
结语：不要只问 AI 能替我们做什么
“AI 能替员工完成哪些任务”仍然是一个有用的问题，但它天然把讨论限制在今天的流程和组织边界之内。
企业还需要提出另一个问题：因为 AI 的出现，有哪些过去不值得做、做不起、做不快或无法规模化的事，现在第一次变得可行？
这个问题会把企业从工具采购带到能力设计，从局部自动化带到产品、服务和运营模式的重新选择。
未来的差距，未必来自谁部署了更多 Agent，而可能来自谁更早发现并建设了那些“过去不存在、现在可以持续运行”的企业能力。
