ftchinese.com
朱未名：企业往往急于把新工具嵌入以人为中心设计的旧流程，却忽略了在AI与智能体成为新的执行主体的前提下，流程本身存在被重新编排的空间。
随着AI与智能体能力提升，企业用AI生成一份报价的时间，已经从半天缩短到几分钟；但客户收到报价，可能仍要等上一周。工具提速与企业提效之间的落差，暴露出一个长期被忽视的管理问题：企业往往急于把新工具嵌入以人为中心设计的旧流程，却忽略了在AI与智能体成为新的执行主体的前提下，流程本身存在被重新编排的空间。要兑现AI的价值，仅靠模型能力并不足够，流程和激励机制必须同步调整。
企业整体的处理能力，往往取决于少数瓶颈环节。这些环节之所以成为瓶颈，很大程度上源于法务、工程师等高级专业人才的稀缺。当AI与智能体提高这些环节的产出速度后，核验AI输出本身可能成为新的瓶颈，下游环节也可能因任务集中涌入而拥堵。如果一份报价仍需经过层层技术确认和主管签字，那么前端文本生成得再快，客户也未必能更早收到。衡量AI提效，不能只看单点瓶颈的提速，而要看端到端交付的时间、成本与质量。
事实上，企业内部流程繁复不能简单归咎于官僚主义。付款需要业务确认、财务核验与权限审批，是为了防范错误、舞弊和利益冲突。流程承担着必要的控制功能，同时也受到信息成本、专业分工、技术条件和权力结构的共同塑造。当企业试图用AI重构流程时，首先需要分辨：塑造旧流程的约束是否依然成立，以及哪些约束已经可以通过更低成本的方式解决。
最先被重构的，应该是流程中“信息搬运”的部分。员工在邮件、表格和业务系统之间反复整理、录入、转发，往往是因为系统无法理解非结构化信息。当AI能够识别这些内容，再配合系统接口和必要的校验机制，相当一部分人工交接就可以被取消。
其次，是压缩专家队列。法务、财务和技术部门接收的大量请求，其实包含许多重复性判断。企业可以把成熟的处理方式沉淀为可复用的任务规范（Skill）：明确需要哪些数据、检查哪些条件、如何验证结果，以及何种情况下升级给人。对规范适用范围内的常规事项，可以交由智能体处理；专家则集中精力应对新问题和边界情形 (corner cases)。
更进一步，是重新安排部门之间的协作顺序。以定制设备报价为例，方案设计、成本测算和产能评估，原本可能串行等待；现在可以围绕同一份订单信息并行展开。客户调整参数后，只需重做受影响的判断，而不必整单重新流转。这要求企业统一数据口径、业务概念及其关联，本体和知识图谱可以为此提供支撑；同时，也需要重新界定权限与责任。即便AI能够跨部门调用知识，原有的审批权限也不会自动发生改变。
企业流程重构的同时，也要求企业定义一种新的标准化。泰勒的科学管理重点规范动作、工具和工时；福特制进一步统一产品、零件与生产节拍，以降低生产对个人技艺的依赖。到了AI时代，标准化需要深入到专业判断层面：企业需要将优秀员工经过实践检验的工作方法，整理成智能体可以调用的技能（Skill）：面对什么问题，应当使用哪些信息、依次检查哪些条件、如何核验结果，以及何时转交专家。由此，个人经验可以在明确的适用范围内被反复调用，逐步成为组织共享的能力。
然而，把个人经验转化为组织能力，难免触及员工利益。如果分享AI使用诀窍换来的是更高的考核指标和更大的岗位替代风险，员工自然有理由保留经验。泰勒在《科学管理原理》中记载过，工人提高产量后，计件单价反而被下调，于是工人学会了隐藏真实产能。今天的企业同样需要让员工分享改善收益，奖励知识贡献，并把质量与协作纳入评价，而不是单纯的以Tokenmaxxing作为单一激励导向。
企业流程是为了协调专业分工、降低沟通与监督成本、明确权责而形成的。已有的流程与部门权力和员工利益息息相关，导致其不会随技术进步自动改变。调整流程，需要重新明确谁来决策以及负责，同时解决部门不愿放权、员工担心工作增加而回报不变等问题。否则，AI即使加快了个别任务，企业仍可能慢在审批、交接和等待上。
