市场部一个上午出三版活动方案。分析师把两小时的会议记录，几分钟整理成给高管的简报。开发在早会前清完常规工单。客服不用在五个系统之间来回翻，答案直接弹出来。
这些提升是真的。
然后财务打开月度报表：收入没动，毛利几乎没变化，AI 的账单倒是变厚了。
这个矛盾已经不是个别现象了。
麦肯锡《The State of AI 2026》的调研覆盖了 97 个国家的 1,719 名受访者，给出了三组数字：
80% 的受访者说 AI 提升了自己的个人生产力，50% 说它帮自己做更好的决策；
只有 37% 说 AI 对公司的息税前利润（EBIT）有正向贡献——这个比例与上一年持平；
只有 6% 属于「AI 高绩效者」，即 AI 贡献了至少 5% 的 EBIT，且影响足够显著。
普华永道第 29 届全球 CEO 调查（4,454 位 CEO，覆盖 95 个国家和地区）从另一侧印证了同一件事：56% 的 CEO 说，AI 既没带来收入增长，也没带来成本下降。同时拿到这两项的，只有 12%。
一边是员工普遍觉得自己更快了，一边是报表几乎没动。这两件事同时成立，说明中间有东西被漏掉了。
80% 和 37%，测的不是同一件事
先把这两个数字分开看。
80% 是个人自评——「我觉得我更快了」。37% 是组织归因——「公司能把利润变化归到 AI 上」。一个是感受，一个是能力，中间隔着好几级台阶：
个人体验——使用者觉得自己更快了；
流程产出——完整流程的产出量、质量或周期确实变了；
职能经济性——成本降了，产能放出来了，支出或收入变了；
企业利润——扣掉实施和运营成本后，财务影响依然看得见。
上一级的证据，不能自动证明下一级。
大多数公司停在第 1 级。同样来自 McKinsey 的数据，近四分之三的高绩效者从根本上重新设计了工作流，而其他组织只有约四分之一。差距不在模型，在流程。
具体漏在哪？三处。
第一处：瓶颈没有消失，它换了地址
AI 把一个环节做快，不等于流程变快了。
一份销售方案，初稿从两小时压到十分钟。但报价审批还是两天，法务再走三天，客户经理等到周五才把终版发出去。一个环节快了十几倍，客户那边还是等了一周。
瓶颈没有消失，它搬到了下一个环节。
同样的形状在每个部门都能找到：
报告出得更快，但决策还在等委员会排期；
开发写代码更快，测试和安全评审开始积压；
市场部内容产量翻倍，审批和分发的人手没变；
客服系统能秒级总结工单，异常单还是走人工逐级上报。
局部加速会给下一道工序制造更多待办。输出质量不稳定的时候，还会额外产生校对、返工和协调。一家公司真正赚到钱的单位是完整流程，不是流程里某一个动作的速度。
第二处：省下来的时间，被返工和隐性成本吃掉了
省下的时间默认被当成了收益。但有两笔账很少被算进去。
第一笔是返工。 Workday 的一项全球研究显示，员工用 AI 省下来的时间里，约 37% 会被返工和校验抵消掉——人们回头去改那些质量不够的输出。算下来，每 10 小时的表面提效，有将近 4 小时消失在修补里。在这项研究里，只有 14% 的员工能持续拿到净正向的结果。
第二笔是运行成本。 McKinsey 的报告里，约五分之一的组织说 AI 相关的运营成本（包括 token 费用）已经限制了他们继续用 AI。
把两笔账放一起，账就清楚了：一个工具省下 100 万的人力时间成本，同时引入 70 万的模型、审核、集成和变革成本——那不是创造了 100 万价值。更关键的是，如果省下来的人力产能从来没有被真正重新分配，剩下的 30 万也可能只存在于汇报材料里。
利润表记的是净值。
第三处：只有体感，没有口径
很多公司能说清楚「大家在用 AI」，说不清楚「哪个经营指标因此变了」。
这并不是能力问题，是没有事先定口径。常见的情况是：AI 项目上线前没有基线，上线后只看使用率、调用量、员工满意度这些过程指标，而它们证明不了增量利润。
一个更实用的做法是把口径写进项目立项书：这个流程现在的周期、吞吐、质量、单笔成本是多少；上线后哪个数要动、动多少才算成功；省下来的产能归谁、用来干什么；全部成本（含审核和风险）是多少。
口径先定，后面才有讨论的基础。
那 6% 的公司做对了什么
McKinsey 定义的那 6%，并不是买了更强的模型。他们改变的是技术周围的组织。
除了工作流重设计，高绩效者还有几个共同动作：
项目从业务结果开始，不从工具开始；
由业务负责人对结果负责，而不是把价值创造甩给 IT；
重设计端到端流程，而不是给每个现有环节都插一个 AI；
释放出来的产能有明确去向——接更多客户、少招人、还是压周期；
按基线测财务和运营结果；
把治理嵌进流程，而不是事后补合规。
分水岭不在能不能买到 AI。绝大多数公司都能买到同样的模型。分水岭在于，能不能把技术和配套的组织能力一起建起来。
顺带说一个反直觉的数据：McKinsey 这份调研里，只有 14% 的受访者说 AI 导致了过去一年的员工人数下降——而上一年有 32% 的人预期会裁员。预期被高估了。这意味着「用 AI 换人头」不是主流路径，真正稀缺的是重新分配产能的判断力。
会用提示词，不等于具备业务能力
给员工一个 AI 工具和一份提示词库，能提高尝试率。但它不会自动带来判断力。
员工需要知道：什么时候该用 AI，怎么评估它的输出，哪些信息不能给它，什么情况下必须转人工复核，以及——自己这一次使用，连到哪个可衡量的结果上。
世界经济论坛《Future of Jobs Report 2025》里，63% 的雇主把技能缺口看作转型的主要障碍，77% 计划对现有员工做再培训或技能升级。
这正是零散工具培训不够用的原因。组织需要的是一条共同的职业基线：安全使用、批判性评估、流程改进、价值创造。这也正是我们设计 AI 原生专业能力模型时的出发点——它要回答的不是「会用哪个工具」，而是「在真实工作场景里，一个人应该具备哪些可验证的能力」。
一个 90 天能验证的做法
不需要再等一年看结果。挑一条流程，把账算清楚。
立项前先回答九个问题：
哪个业务结果要变？
现在的基线是多少？
这个流程真正的约束在哪一环？
哪些步骤该删、该自动化、该增强？
哪些决策和例外必须留在人手里？
新流程会释放多少产能？——这些产能具体怎么变现、怎么重分配、或者怎么减掉？
技术、审核、集成、风险的全额成本是多少？
哪位业务负责人对结果负责？
什么时候复盘，复盘看哪张表？
然后在部署前把测量做掉：周期时间、吞吐量、质量、单笔成本、员工投入、客户影响，以及对应的那个财务指标。
最后，把「产能去向」当成一个明确决策来拍板。
举个具体的：AI 把客服的处理时长压下来了，管理层必须当场决定——是同一批人接更多客户，还是明年少招一批人。不拍这个板，效率就只是让大家的下午轻松了一点，不会进报表。
产研场景同理：只有发布真的更早到市场，写代码快才有意义。市场团队也一样，多出来的内容必须变成更多实验和更高转化，而不是更大的发布量。
90 天到了，把产生净价值的部分规模化，没产生价值的，重设计或者停掉。不要因为「大家用着挺开心」就宣布试点成功——要求的是某个既定业务结果在可接受的成本和风险下真的改善了。
更快，只是开始
80% 和 37% 之间的差距，不能证明 AI 失败了。
它说明的是：采用的速度，跑在了组织变革的前面。员工已经在任务层面证明了这项技术能做什么，接下来的题属于管理者——重设计流程、重新分配产能、建能力、定责任、测到业务结果上。
该问的问题不再是「我们有多少员工在用 AI」，而是：
他们用了之后，哪个经营约束被改变了？
下一道分水岭，不会出现在「有 AI」和「没 AI」的公司之间，而会出现在这两种公司之间——一种用 AI 把现有的活干得更快，另一种用 AI 重新设计价值是怎么产生的。
你所在的团队，AI 的价值卡在哪一环：流程设计、责任归属、能力建设、产能分配，还是测量口径？欢迎在评论区聊聊。
💡 如果你的团队正在推 AI 落地，APD AI 转型咨询团队可以帮你把上面这套口径落到具体流程上；想先看清 AI 进入组织后需要哪些能力，可以从AI 原生组织能力模型看起。
本文数据来源
McKinsey, The State of AI 2026: On the road to ROI（调研期 2026 年 5 月 4 日 – 6 月 8 日，1,719 名受访者，97 个国家）
PwC, 29th Annual Global CEO Survey（4,454 位 CEO，95 个国家和地区，调研期 2025 年 9 月 30 日 – 11 月 10 日）
Workday 全球研究（AI 时间节省与返工）
World Economic Forum, Future of Jobs Report 2025