产品经理用 AI 整理需求,研发用 AI 写代码,运营用 AI 准备方案。假设每个人手里的活都做得更快了,一个需求从提出到上线,仍可能经过反复确认、排期等待和多轮返工。
这不难理解。一个人节省了时间,只能说明某个环节可能变快了;一件事能不能更快、更好地完成,还要看其他环节怎么衔接。
一篇关于 AI 组织建设的演讲记录提出,企业需要把 AI 带进工作流,同时关注信息交流和组织知识。这个方向给了我一个启发:讨论 AI 提效时,可以把目光从“每个人用得怎么样”,转向“一件事从头到尾是怎么完成的”。
每个人快了,为什么项目还是慢?
假设一个团队要做一项新功能。产品经理用 AI 很快写出需求初稿,研发也用 AI 完成了部分代码。到了联调阶段,团队却发现一个异常场景没有定义,运营的配置规则也没有提前确认。需求退回讨论,代码跟着修改,上线时间一再推迟。
这是一个示意场景,但它能帮助我们看清:局部任务完成得快,不代表整个流程完成得快。
即使需求初稿很快生成,等待业务确认仍可能花更长时间;代码可以更快写出来,但如果输入不完整,后面的返工也会更快发生。AI 改善了某个动作,原本卡住流程的等待和分歧却仍然存在。
所以,看组织提效,不能只看个人节省了多少时间。还要看一件事经过多少次交接、在哪里等待、为什么退回,以及最终交付是否满足预期。

个人效率与组织效率之间,有三个断点
第一个断点:任务完成了,交接没有改善
一个人交出去的东西,对下一个人来说未必能直接使用。
比如,AI 帮产品经理生成了一份格式完整的需求文档。研发接手时,真正需要的信息可能是:哪些规则已经确认?哪些是暂定假设?异常情况由谁决定?如果这些信息不清楚,文档再完整,双方仍要重新沟通。
改善交接,并不一定要让 AI 自动完成更多工作。先约定好每个环节需要什么输入、交付什么结果、问题找谁确认,往往更容易发现 AI 可以帮忙的地方。
第二个断点:内容生成了,判断没有留下
AI 可以根据材料整理出一份方案,但方案背后的取舍,常常还在当事人脑子里。
为什么这次先做 A,不做 B?某个客户需求为什么没有采纳?一条规则适用于什么范围?这些判断如果没有保留下来,下一次遇到相似问题,团队还是要从头讨论。AI 拿不到依据,也可能把曾经被否决的方案重新推荐一遍。
这里需要沉淀的未必是一份长文档。一条决策记录只要说清楚背景、结论、理由和适用范围,就有机会帮助后续的人和 AI 理解当时为什么这样决定。条件发生变化时,也能找到需要重新判断的地方。
第三个断点:工具使用变多了,结果没有被验证
统计多少人开通过 AI、生成了多少份内容,可以帮助了解工具有没有被使用。但这些数字很难直接回答:团队交付得更快了吗?质量有没有变化?节省的时间有没有被后续返工抵消?
不同场景要看不同结果。需求流程可以看从提出到确认的时间、退回修改的次数;客户支持可以看解决时间和问题是否被解决;研发可以结合交付周期与缺陷情况一起看。
这些指标也需要结合任务复杂度和人员变化判断。一个需求比另一个需求快,可能是因为它本来就简单,不能直接把差异都算到 AI 头上。初期样本少时,先把变化和原因记录下来,比急着算出一个漂亮的提效百分比更有用。
让 AI 进入流程,先把分工讲清楚
还是以需求交付为例。团队可以先选一个经常发生、范围相对清楚的需求类型,画出从业务提出问题到需求确认的过程。
假设梳理后发现:业务背景分散在聊天记录中,产品经理需要反复追问;评审时才发现缺少异常规则,导致需求多次退回。那就可以尝试这样分工:
- AI 根据已授权的资料整理背景,列出已有信息和待确认问题。
- 产品经理核对资料是否适用,与业务方确认目标和规则。
- AI 按团队约定的结构生成需求初稿,并检查是否遗漏已知状态。
- 业务方、研发和产品经理共同确认关键取舍;资料不足或规则冲突时,由负责人处理。
- 需求确认后,记录重要决策及原因,供后续修改和类似需求参考。

这套分工不是固定模板。它要根据资料质量、权限和风险调整。例如,AI 可以提出建议,但涉及客户承诺、费用或权限变更的决定,需要由有相应权限的人确认。出了问题,也要能找到负责人,而不是只留下“AI 是这么写的”。
AI 处理了更多步骤,也不代表流程一定更好。如果核对 AI 输出比原来的工作更费力,或者错误更难发现,就需要调整分工,甚至撤回某个自动化环节。
知识存下来了,不代表下次就能用
原文把组织专属知识视为 AI 组织的重要资产。这个判断有启发:每次开会、评审和复盘,都可能产生对以后有用的信息。但从“保存下来”到“用得起来”,中间还有几件事要解决。
第一,找得到。 一份规则如果只存在某个群聊里,其他人和 AI 都不容易在需要时找到它。更有效的做法,是把它放到团队约定的位置,并与相关项目或流程关联。
第二,知道能不能用。 去年的规则可能已经改变;针对某个客户的特殊约定,也不能直接套给所有客户。内容需要带上适用范围、更新时间和负责人。重要规则发生变化时,要有更新入口。还要按使用者权限控制敏感资料,人员权限变化后及时调整访问范围。
第三,用错了能纠正。 AI 引用一条过期规则后,使用者应该能看到依据,并反馈错误。反馈需要有人处理,否则知识库只会不断积累新文档,旧错误也继续留在里面。
不是所有会议记录都值得原样塞进知识库。可以先挑那些会反复影响工作判断的内容:已确认的业务规则、常见异常处理、重要决策及其原因。让它们有出处、有范围、有人维护,比追求文档数量更重要。
先跑通一个场景,再决定怎么推广
如果团队准备尝试,可以先选一个高频、边界清楚、有人负责的流程。开始前记录原来的处理方式和大致耗时,实施后继续观察几周,同时记录返工、错误和参与者的实际感受。
例如,试点“需求初稿准备”时,可以记录从收到材料到形成可评审初稿的时间、评审时缺失的信息和退回次数。这些只能说明试点环节的变化。还要记录需求从提出到确认的总时间、各环节等待时间和最终交付质量;如果条件允许,再跟踪到上线。对照时尽量选择相近类型的需求,并记下样本差异。
如果结果改善,再检查可能的原因:是需求模板更清楚了,还是背景资料更容易找到?是 AI 整理节省了时间,还是业务方提前参与减少了返工?如果多项做法同时改变,少量样本通常难以区分各自贡献。可以记录观察与不确定之处,分步调整或继续对照,再决定哪些做法值得推广。
工具可以让一个人更快动手。组织要获得持续收益,还需要把任务交接、判断依据和结果反馈一起理顺。从一个具体流程开始,先确认它是否真的变好,再逐步推广,可能比要求所有人立刻使用 AI 更容易看清问题。
参考资料:字节 AI 组织研究负责人分享:给 CEO 的 AI 组织建议(演讲的二手记录;本文围绕个人与组织提效展开讨论)。
