裁掉700人后，这家公司又把客服招回来了

现在，很多公司已经在用AI了。写方案、做客服、核发票，样样都试过。

但大多数企业卡在同一个地方，工具买了一堆，组织还是原来那个组织，效率并没有真正变过。

问题出在哪？

在笔记侠PPE课程26级美国站《创新英雄》的课堂分享上，一位一线技术管理者给出了他的回答：AI组织转型，要先重塑工作流。

怎么判断一件事能不能交给Agent，怎么像带新员工一样带Agent，落地时最常见的三个坑怎么绕开，管理者的管理方式要跟着改什么，他都讲得很清楚。

如果你正在头疼AI怎么用进自己的业务，这篇值得读完。

从2025年开始，AI编程工具和各种Agent（智能体，下同）产品开始大规模普及。

这一次和之前最大的不同在哪里？以前的AI主要是做预测，预测你会看什么内容，会点什么内容，会买什么东西。

但现在的AI，能生成内容，写代码、写文案，甚至可以自己去执行更多更复杂的任务，AI第一次开始替代一部分知识工作。

赢家是谁？目前来看，最先赚到钱的都是“卖铲子”的人，是卖芯片、云服务、存储的企业。

大模型层面，时代变得太快了，这个月大家还在吹OpenAI，下一个月可能Anthropic出个新模型，大家又开始觉得OpenAI不行了，然后再过一会，又觉得OpenAI行了。

Google的Gemini现在略有点落后了。

Meta不是胜在它的基础模型有多好，而是它开始往用户、往To C端去走。

目前大模型在美国的商业化主要还是to B的，比如 claude code、OpenAI的Codex，因为toB业务带来的营收比较多。但是应用层还没有定局，to C方面也还没有定局。

我们把每一波的AI放在一起看，就会看到一个很稳定的顺序：一般都是基础设施先赚钱，然后掌握了数据和分发的平台开始有优势，最后是深入到各个垂直领域行业的应用。

之前的AI，应用层赢家都有一个共同特点，就是它们手里都有数据飞轮，有分发的渠道。

这一波的应用层还在洗牌，需要有行业的数据、客户的关系、对业务的理解，这些恰恰是大模型公司没有的。

有行业数据，可能就是这一波的入场券。

现在，很多的大模型公司在雇佣很多极其顶尖的领域专家去帮它们生产数据。对于大模型而言，普通人提供的标记数据已经没有额外的价值了。

现在很多大模型公司很想深入金融、法律等垂直领域，但它们没有办法拿到这些领域的私有数据。

一、AI Agent（智能体）难在哪里？

YouTube、Tiktok等推荐系统每天都在替几十亿人做决定，决定你下一条看什么，而且没有任何人逐条审核。从这个意义上说，它是第一个大规模的自主的AI决策系统。

Agent和推荐系统比，难在哪里？

第一，它的反馈稀疏；

假设今天我们在学下象棋、下围棋，有两种老师，一种老师是你每走一步都给你点评，告诉你做得好不好；另外一种老师是整盘棋下完以后，他告诉你，你输了，就告诉你结果，所以你根本不知道在第几步是走错的。

推荐系统是第一种老师，每一步都在纠正你。

而Agent往往遇到的是第二种老师，通过结果来告诉你做的是对还是错。

假设让一个Agent替你跑完一遍海外客户开发的流程，从查客户资料开始、写邮件、跟进报价，3个月以后客户没有签单。

请问是哪一步做错了？

是资料查错了？是邮件写得不好？还是报价报太高？我们不知道。

但是抖音的用户2秒就划走了，系统是立刻就知道了。

这证明，Agent的反馈是比较稀疏的。

第二，多步积累；

假设我做每一步都有95%的把握是做对的，听起来已经是挺可靠的系统。但是如果一个任务要连续做20步，全部做对的概率结果只有36%。

步骤越长，出错就几乎是必然的。

我们让Agent做的大部分工作都是多步骤长程的任务。因此，即使每一步它做的把握都很高，如果这个任务变得越来越长，最终的正确率就会变低。

现在大模型的能力已经很强，对于简单几步，或者5步、10步以内的任务，它已经能够做到比较高的正确率。

但是我们在业务场景或真实生活里，遇到的很多任务可能是更复杂的。

第三个，出错代价高。

推荐错一个视频，最多浪费了用户几秒钟、几分钟，划走就行了。

但是如果Agent发错了一封报价的邮件，把价格少打了一个0，或者给客户付款多打了一笔钱，就收不回来了，这个损失是惨重的。

现在Agent被广泛应用的领域是什么？写代码。

为什AI Agent写代码是验证最成功的领域？因为代码是有测试的，写完代码马上跑一遍测试，几秒钟就会知道这个代码写得对不对，就像我们小时候做数学题，都是有标准答案的。

但是写营销方案、谈客户，很多时候是没有标准答案的。

AI编程几乎是全部满足了反馈多、反馈快、反馈干净、目标明确的特点。

AI能不能落地，不是看模型有多聪明，而是看能不能跟它建一个反馈闭环。

二、未来最重要的，是企业的工作流

我们以前引入AI的时候，比如搜索广告、电商推荐、金融风控，就像买一个工具，思考更多的是这个软件有什么功能。

但是，现在引入Agent，更像招一个新的员工，思考的是在这个岗位上有哪些活可以交给这个新同事。

判断一件工作能不能交给Agent做，建议大家问两个问题：

第一，结果的好坏能不能判断？

第二，做错以后的代价大不大。

可以给 Agent画一个四象限图：

左上角是“放手交给 Agent”：结果最容易判断，并且做错的代价很低，这种任务可以放手交给Agent去做，比如发票核对、数据整理、翻译、常见的客服问题。

客服场景里有大部分的问题，都是常见问题，比如物流的查询、退换货的政策，都可以用Agent24小时去先做简单的前期处理，复杂的问题再转给人工。

但是，要注意的是，Agent说的话，在法律上也代表公司说的话。

瑞典支付公司Klarna在2024年曾经高调宣布，由于AI的发展，AI大约替换掉了700个人的工作量。但是到了2025年，CEO又公开承认说，过度追求降本增效，导致了他们的服务质量大大地下降了，然后又开始重新招人工的客服。

不是说AI不行，而是不要追求完全的自动化和全面铺开，可以慢慢去展开，人机分工可能是现阶段最好的一种系统管理方式。

右上角是“Agent 执行，人审批”：结果容易判断，但做错的代价比较高，让Agent做执行，人来审核审批，比如付款报价、合同条款对比等等。

财务对账在没有AI的时候，每到月底，几个会计要加班，一张一张核对发票、采购订单和入库单，看这三样东西对不对得上。

但现在AI可以自动去核对三个单子，金额一致的直接通过，不一致就可以标红交给人工会计去处理。人工会计只需要看一些例外的情况。

为什么这个场景特别合适？因为金额很明确，是要么对得上，要么对不上，是有标准答案的。这是典型的有标准答案的例子。

但是它出错了也会导致问题，所以需要有人工审核，关键设计就是权限，只给Agent读取和标记的权限，不给它真正付款的权限。把它当成一个新招来的会计，可以帮你核账，但是签字权还是需要主管来负责，相当于Agent和人怎么去协调。

左下角是“Agent 出草稿，人来挑”：结果比较难判断，但做错的 代价低，比如可以让AI去出一个草稿，人在创意之间做挑选。

你今天做广告投送的时候，你可能有好几个创意，你都想跑实验，Agent能很高效地去帮你生成这些创意，很快就能验证闭环。还有比较难判断结果质量的，包括营销文案、社交媒体内容、竞品调研。

右下角是“人主导，Agent 辅助”：结果难判断，出错的代价也是高的，适合人来完全做主导，Agent只是做辅助，比如比较重大的战略决策，Agent只是去做一些市场调研、调研工作。

又或者或者跟大客户的谈判、培训销售的时候都特别适合把语料给积累下来，总结经验沉淀。

很多企业可能还没有意识到，自己拥有一座金矿，那就是沉睡的通信数据。

比如保险公司的电销团队，每天都要打电话给客户去推销保险，每天都要打可能几十上百个电话，但是成交率可能不是很高。

但是销冠为什么能成功？没有人能说得清。客户在电话里透露的预算、顾虑和为什么拒绝，电话一挂，信息就没了，新人又要培训好久才能上手。

如果每一通这样的电话信息内容都能够被记录下来，都能被AI理解，能够自动提取客户的意向、拒绝的原因，这些信息就能回流回来，用来优化话术、筛选客户、培训新人。

这样就可以把以往几个月才能知道结果的成交，拆成每天都会有密集的反馈，可以把中间的每一步也拆解成细分的指标、成功的指标，让它变得清晰。

这就是通过数字化、信息化的方法得到信息，然后产生反馈，这就是在给业务建数据飞轮。

只要你的数据是有沉淀的，AI就可以在这样的数据上去总结和发挥。

关于电话录音，也要遵守各个地方的法律法规。美国比较严格管理通话录音，需要双方同意才可以。

你可以思考一个问题：在你的公司里，有哪些沟通的数据是正在沉睡中的，是没有被挖掘出来的？

它可能是日常线下见面，也可能是一个短会，但是这里的信息可能是有价值的，它反映了你的团队是怎样对齐达到最后的结论。

三、你的公司，怎样真正用好AI？

1.Agent在企业里具体怎么落地？

有个马上就能上手的做法：像带新员工一样去带Agent。

第一步，只拆一个环节；

不要一上来就要用AI改造整个部门，因为我们新招了一个新员工，我们也不会期待他第一天就能独当一面，熟悉公司的全部流程。因此，一般都从一个具体的环节展开。

第二步，先跟岗，再上岗；

让Agent和员工同时去做一件事情，但是只有员工的结果会对外生效，对比一段时间，确认Agent做得比较靠谱了，再放手。

这有点像学徒先跟着师傅做，人走完流程以后，相当于给它示范，让它去总结一下我每一步都在干什么，再把它沉淀成一个经验，以后遇到类似的问题，Agent就可以先按照这个去排查一遍。

第三步，权限逐步放开；

我们给Agent权限就是只看，然后再给它可以去写、可以改写、起草的任务，再在小范围内可以自己执行。

这有点像新员工的试用期一样，慢慢给它把权限展开，在逐步展开的过程中，哪步出错了，可以去进行比较可靠的修复。

第四步，每次修改其实都是资产。

这一步非常重要，员工改了Agent的哪一个结果，改了它哪一句话，驳回了它哪一个判断，非常值得记录下来，这些记录就是反馈。这些记录是训练下一版Agent去提升的最宝贵数据。

行业数据是这一波AI的入场券，修改的记录就是你们企业里自己的数据飞轮。

2.在搭建Agent 的时候有三个常见的误区：

第一个陷阱，不要只看demo（示范/样片）；

比如请FDE（前端工程师）或请其他公司进来帮你们做AI落地的话，如果对方提供demo（示范/样片），肯定要精挑细选，选择性采用，挑最好的结果做最好的演示。

第二个陷阱，不要追求全自动化；

一开始落地的时候，不要想一步到位做到全自动，一定会经历很多迭代。在串起来的过程中，帮Agent提炼工作流，找到更普适和更常规的模板，才会把它给拼接和粘连起来。

世界顶尖的科技公司都还没有做到全自动流程化，我们不必追求一步到位。

试点是很容易的，规模化是很难的，需要有耐心。

一下子铺开，很容易，到后面会造成一些更严重的后果。每一步测试比较稳定了，再逐步展开，是更可靠的。

第三个陷阱，权责没有分清。

Agent是IT部门开发的，但业务部门的人也给了建议。如果这个Agent出错了，到底是工程团队的问题，还是业务部门的问题？

这事需要大家提前明确说清楚，明白权责的分界在哪里，才能充分调动、开发、搭建Agent的人员的积极性。

四、AI落地拼的不是工具，是管理方式

团队永远有很多想干的事情，尤其是创业公司，但是人和资源是有限的。

几年前，团队成员跟管理者要资源的时候，都要想办法怎么去拉合作、拉其他的人一起参与，但是现在要首先反问两个问题：

一些基础性的活，能不能交给AI去做？

如果是长期的周期性的需求，能不能再进一步把它做成一个自动化的流程，不需要每次再人再去做？

如果把这个问题给聊清楚、想清楚了，再基于这个情况再去算我们真正需要投入多少人，投入多少人带来多少收益。

电商公司shopify，在2025年发了一个内部信，要求团队在申请招新人、加人的时候，先证明这个事情AI做不了。

一个管理者，要真的理解哪些工作必须由人完成，哪些活可以交给AI做，才能更好地去控制团队的规模和预算。

1.有没有真正用好AI，怎么判断？

对于很多大公司来说，裁员是一个缩减开支最快、最有效的捷径。如果老板发现很多人用不好AI，以及有了AI以后，员工的生产力没有变上去，可能就不会考虑裁员。

因此，很多公司开始慢慢关注一些指标，比如根据这个员工到底把AI用得多好，决定到底要裁多少员，或者这个人能不能留。

今年年初的时候，科技公司都很关注一个指标：员工用了多少Token。

为什么当时有这样的指标？

因为有一部分人已经开始用AI去提高自己生产力，有一部分人可能还没有这个意识，还在用传统的方式工作。公司领导层用这个指标，确实是为了鼓励大家先把AI用起来，先熟悉起来，用得越多越好，于是单纯以消耗Token的数量去衡定大家使用AI的能力。

但是，公司很快发现，好的模型越来越贵。很多人也搭了一些自动化的流程，每天都会定时定点跑任务，固定的消耗掉很多Token.所以当时有个笑话：别裁我，因为我比大模型便宜，我比Token便宜。

成本上去后，很多公司意识到这一点，开始变得很克制。他们关注的问题变成了：每花1美金或者每花1人民币AI成本，到底能带来多少业务的增长？

这个指标现在还没有一个很精确的定义，但有个简单粗暴的算法：比如一个5人的团队今年AI消耗翻倍，AI消耗的成本相当于新招5个人的雇佣成本，相当于团队拓展到10个人。

那么，成本翻倍了，业绩有没有翻倍？

如果差得很远，说明可能团队目前在AI方面并没有用得特别好。

能够讲清楚用AI可以带来多少收益，是衡量一个员工在当下是否有精准判断力的一种体现。

不过，现在AI的瓶颈已经转移了，因为人的速度跟不上AI的速度。

AI写报告、写代码、做方案很快，但每一份产出都需要有人来判断，审核就会变成一个新的瓶颈。

2.在AI的加持下，管理者的工作变成了三件事：

第一，定目标；

考核什么，组织系统就会走向哪里。目标是不是全面的？是不是准确能反映团队想要的东西？

第二，定验收；

怎么快速地判断结果对不对？不要让管理者自己的人效成为系统的瓶颈和效率卡壳的点。

第三，定权限。

哪些事必须自己做，哪些需要审批，哪些可以放心让AI全流程完成。

管理者过去管理的是人，未来管理的是人+AI的一套工作系统。

3.四个明天就能用好AI的建议：

第一，老板先用；

必须得自己先用，自己不用，团队不会真的用。你都没有动力去让AI落地，员工哪有这个动力？一定要自己起好带头示范的作用。

第二，先问AI，再加人；

第三，看产出，不看工时。

在AI时代，加班时长已经不能纯代表你的贡献了。有些人很会利用AI，他们可以在更短的时间内有更大的产出。

第四，定好数据安全的规矩。

对于公司而言，一定要关心特别重要的私有化数据，这是企业重要的财富。

结语

这篇课堂笔记的核心，其实就几件事。

把工作流拆开，用两个问题判断一件事能不能交给Agent，像带新员工一样带它，先跟岗再上岗，权限一步步放，每一次人工修改都记录下来，形成公司自己的数据飞轮。

管理者的活也跟着变了，定目标、定验收、定权限，从管人，变成设计一套人加AI的工作系统。

参考资料：

1.《AI时代的管理》，作者：陈春花，北京联合出版公司出版

本文来自微信公众号“笔记侠”（ID：Notesman），作者：老贾，36氪经授权发布。