如果一个 AI 项目最后只让员工更快地准备材料，再等老板拍板，我会先检查两件事：这份材料有没有必要，这个决定为什么非要老板来做。
企业 AI 转型的讨论，常从两个方向展开：别只盯着降本增效，要把高手经验变成团队能力；老板应该亲自参与，从真实经营问题开始。这两点都有价值。杨芳贤在两篇关于成长型企业的文章中，也把它们讲得很清楚。[1][2]
但顺着往下走，还有一个不太舒服的问题：我们准备复制的那套经营方式，本身值得复制吗？
老板的经验可能有用，也可能过时。全量审批可能控制了风险，也可能只是没人敢删。员工写不好报告，可能需要能力支持；报告没人看，则应该考虑停止生产。
把这些区别省略掉，AI 项目做得越认真，就越可能把旧问题固化下来。
我更愿意把企业 AI 转型理解成一次管理检查：哪些工作可以不做，哪些判断需要检验，哪些决定应该交给离现场更近的人。确认这些之后，再决定 AI 放在哪一环。
有些工作，应该直接删掉
看一个假设场景。
一家提供营销服务的公司，客户在项目执行中临时增加需求。客户经理要整理背景，项目经理核算排期，销售负责人说明客户价值，最后发给老板审批。
团队接入 AI，材料从半天整理缩短到十几分钟。汇报更完整，措辞也更专业。但老板还在开会，交付负责人还没确认产能，客户照样等到第二天。
这里的数字只是为了说明流程，不是实测结果。
这个项目改善了材料准备时间。客户真正关心的，是多久能得到一个可信答复。两者之间还隔着核对、排队、审批和执行。
如果主要耗时在等待，继续优化摘要质量就很难缩短整体周期。更应该问：普通变更是否需要全套材料？现有合同和排期已经覆盖的事项，是否还要逐级报批？同一份信息为什么要换三种格式？
一旦确认某份汇报没人使用，停掉它，比用 AI 提高它的产量更合理。
这并不意味着省时间不值钱。省下加班、减少重复录入、在人员不增加的情况下承接更多服务，都可以是独立收益。员工提前下班，也不需要拿新增营收来证明合理。
需要说清楚的，是节约如何兑现。减少了实际加班支出，可以记成本收益；释放了产能，要看有没有需求承接；只是让人不那么累，就承认这是工作体验改善。不要把所有节省的分钟乘上工资，再当成已经落袋的利润。
对投入较大的项目，我会先要求一份停止清单：哪张表能停，哪份重复材料能删，哪次交接可以合并。否则，企业可能只会更便宜地生产没人需要的东西。
老板经验也需要被检验
有人会说，材料提效太浅，应该把老板和高手的经验交给 AI。
这个方向确实有依据。2025 年发表于《经济学季刊》的研究，考察了 5,172 名客服员工使用 AI 建议助手的情况。平均每小时成功解决问题数提高约 15%，经验较少、技能较低的员工收益更大。研究者认为，传播高绩效员工的有效做法，可能是其中一个原因。[3]
但客服回复建议有效，不代表把老板说过的话放进知识库，就能得到可靠的经营判断。研究中的员工仍可修改或忽略建议。它也没有证明所有行业都能取得同样结果。
回到那家服务公司。老板过去可能定过一条规则：“重要客户的临时需求，优先满足。”当时团队有空闲产能，这条规则帮助维护了客户关系。
现在产能已满，客户却不断追加任务。继续优先满足，可能挤占其他已签约项目，造成加班、延期和新的投诉。
AI 如果只记住那句话，甚至能找到历史成功案例佐证，会让建议显得更可靠。问题却在于，规则成立的条件变了。
因此，经验入库前，至少要追问：当时依据了什么，解决了哪个问题，现在条件还在不在，有没有失败的反例。
“老板以前这么决定”，可以是历史记录，不能自动成为今天的执行标准。尤其当经验涉及某个客户、市场阶段或团队配置时，更不能删掉条件，只保留结论。
AI 也不天然适合代替人判断这些条件。哈佛等机构与 BCG 合作的一项实验，招募了 758 名顾问，随机分到无 AI、使用 GPT-4，以及使用 GPT-4 并接受提示指导的组别。在模型擅长的任务上，AI 组表现改善；在一项超出能力范围的战略分析任务上，AI 两组的合并正确率，比无 AI 组低约 19 个百分点，耗时却更短。[4]
这项实验使用的是 2023 年的 GPT-4，论文于 2026 年正式发表。结果不能当成今天所有模型的能力上限，但它指出了一种需要验收的失败：速度提高，判断反而变差。
老板当然可以提供经验。更有价值的贡献，是允许经验被质疑：员工能提出反例，业务负责人能修订规则，AI 的建议能回到实际结果中接受检查。
如果只有老板有权定义“什么叫正确”，又把他的历史判断设为 AI 的标准答案，系统就很难帮助组织纠错。
老板参与，要有退出日常审批的条件
参考文章中的“老板先下场”，并不是让老板先学几十种工具，而是参与经营目标和关键判断。这个边界值得保留。
不过，在低风险事项仍然逐单等老板决定的企业里，我会再加一个要求：试点开始时，就约定哪些条件满足后，老板可以退出日常审批。
否则，AI 很容易变成一套更好用的老板助手：它帮老板汇总一切、提醒一切，再把所有决定继续送回老板。老板看起来掌握了更多信息，却仍然是流程中绕不开的人。
在假设的临时需求场景里，可以先这样分工：
- 合同范围内、现有排期可以承接的调整，由客户经理和项目负责人共同确认。
- 会增加成本或影响排期的需求，由对应负责人核算，并与客户重新确认条件。
- 涉及额外预算、重大交付承诺或客户争议的例外，再升级到有权负责的人。
具体阈值必须由公司根据合同、产能和风险承受能力来定，不能照抄一套通用模板。
AI 在这里负责整理证据、提示缺口和准备选项。下放的是业务岗位的决策权，不是给 AI 无限制的执行权。 对外承诺和重要变更仍要经过相应的人确认。
这对老板的要求，其实比“亲自使用 AI”更高：要把边界说清楚，让有能力的人在边界内决定，也接受他们可能作出与自己不同、但符合约定的选择。
如果每次不同选择都被推翻，员工很快会学会继续请示。授权写得再详细，也难以真正生效。
当然，并非所有企业都需要从老板开始。有成熟业务负责人、清楚授权和可靠数据的团队，可以直接试点。专业判断、重大投资和特殊客户关系也未必适合下放。这里要减少的是没有必要的逐单干预，而不是要求老板对风险退出责任。
考核方式不改，AI 会被旧要求消耗掉
假设客户经理已经有权处理一部分变更，但公司仍要求每天提交长日报，用材料数量判断工作是否认真。那么，AI 省下的时间，很可能又被更多汇报填满。
如果项目经理对结果负责，却没有拒绝超出产能需求的权力，AI 再早提示风险，也不能替他解决这个矛盾。
所以，试点需要一起修改两件事：谁可以决定，以及公司用什么判断他做得好。
与其继续追问写了几份报告，不如看客户是否及时得到答复、需求是否被正确界定、承诺是否履行。与其统计老板看了多少条提醒，不如检查有多少普通事项可以在边界内完成，又有没有出现越界。
这些指标需要成对出现。只追求更快答复，容易诱导员工随口承诺；只追求老板少介入，容易掩盖本该升级的风险。减少等待与守住边界，必须一起验收。
可以用下面这张表检查同一段流程。它是一份试点建议，不是通用绩效标准。
| 要检查什么 | 应该保留的记录 | 什么情况下不能算进步 |
|---|---|---|
| 等待是否减少 | 从客户提出需求，到负责人给出确认答复的完整时间 | 材料更快，但审批和核对仍排队 |
| 判断是否可靠 | 错误承诺、漏项、误报及返工记录 | 速度提高，却新增更多错误 |
| 授权是否生效 | 普通事项的自主处理、例外升级和老板介入记录 | 老板少看了，但该升级的事项也没升级 |
| 投入是否值得 | 工具费、接入维护、人工复核及错误处理成本 | 只算模型费用，漏掉核对和返工 |
少开一次会、少批一张表都可以是变化，但最终还要检查：工作是否完成，责任是否清楚，错误有没有增加。
第一个试点，就拿一段反复卡住的工作
不必等所有规则整理完，也不需要先改造整个公司。
在这个案例中，团队可以从临时需求处理开始，先记录当前耗时、退回原因、老板介入的原因，以及已有的差错。然后选出低风险、条件可核查的一部分，删掉重复材料，明确负责人，让 AI 辅助核对。
保留必须升级的例外，并记录 AI 何时漏掉了条件、用了过时信息、误判了合同范围。条件查不清时，回到现有人工处理方式。
几周后做一次初步复盘。不要只拿一次顺利演示作结论，也别把需求量下降、人员变动带来的变化全归功于 AI。条件允许时，用同类事项作对照；样本太少，就继续观察。
如果核对成本高于省下的工作，缩小 AI 参与范围。如果错误集中在合同边界，就修正资料和判断方法。如果每件事仍须老板拍板，就先查授权为什么没生效。
至于营收、利润和客户关系，通常需要更长的观察期。初期可以检查一段流程是否开始改善，不能提前宣布经营转型成功。
我会把验收问题具体到这样一句话：客户下次提出同类需求时，团队能否查清依据，由有权的人及时答复，并把承诺兑现，而不必再让老板逐项过一遍？
如果做不到，就沿着卡点继续改。它可能出在 AI，也可能出在合同、产能、授权或考核。企业愿不愿意修改这些管理安排，决定了这个项目能走多远。
参考资料
[1] 杨芳贤 / 53AI：《“降本增效”，就是我们低估 AI 价值的开始?》，2026-10-12。
[2] 杨芳贤 / 53AI：《成长型企业 AI 落地，为什么老板应该先下场？》，2026-10-09。
[3] Brynjolfsson, Li, Raymond：Generative AI at Work，The Quarterly Journal of Economics，2025。采用正式发表版口径。
[4] Dell’Acqua 等：Navigating the Jagged Technological Frontier，Organization Science，2026。实验使用 2023 年的 GPT-4。