"AI 没能让组织真正提效，有一个常见的认知误区：企业以为，只要内部出现几个善用 AI 的‘超级个体’，他们的效率就会自然外溢到整个团队。但其实，1+1 并不能大于等于 2。"

一家电商公司尝试把 AI 引入业务，结果制造出了更多混乱。

最近的一场 AI 对谈上，有赞 CEO 白鸦分享了一个企业用 AI 提效 " 翻车 " 的真实例子，让人印象深刻。事情的起因是，这家公司每个部门都根据自己的玩法搭建了一套 AI 工作流，一款新品保温杯，市场部的命名是 " 黑金炫金版保温杯 "，电商团队觉得不够好，改成了 " 烫金奢华版保冷杯 "，短视频团队根据自己的玩法又改了一轮。

这就导致，AI 提效只在极小范围内成立，一旦涉及多部门协作，就会因为部门间的信息差而产生混乱，反而拖累效率。

类似的情形其实非常普遍。

AI 可能拖垮了团队？

洪信是一家连锁消费企业的招聘团队负责人。

招聘流程分为三个步骤：首先，接收用人部门上报的岗位需求，确定岗位画像并撰写招聘 JD；接着筛选简历、组织多轮面试并汇总面试评分；最后，与用人部门沟通决定录用结果，并把候选人沉淀进人才库。

因为步骤少、流程固定，招聘一直被视作 AI 提效的重点场景之一。

但洪信的感受却并非如此。他从很早就开始尝试带队搭建 AI 工作流，负责各环节的员工根据自己的需求搭建出了一个个小工具，有的能用来生成岗位 JD、有的能用来筛选简历，但这些工具之间因为信息不互通而各自成了孤岛。

最后的结果是，各下属部门汇报时都能拿出 AI 提效的漂亮数据，但最终招聘的整体速度和质量没有多大提升。

高度流程化的业务容易反被 AI 困在流程里，非标准化的业务则依赖 AI 对复杂性的理解能力。

内容工作是个典型的非标业务。以小巴团队为例，输出一篇文章的流程大致是：编辑部讨论确认选题和写作思路；作者收集素材并撰写稿件；主编审稿并反馈意见；定稿发布。

这也是内容机构的常见工作流程。虽然流程相对固定，但审稿的标准是动态的，因为不同类型的选题会对应不同的审核标准，每一家内容机构也有自己的独特定位和价值观，对应的选题范围、风格调性、写作方法论乃至雷区禁区都不一样。

这也导致，在我们最初尝试搭建审稿机器人时，仅靠人工总结的审稿要求训练出的智能体始终效果不佳，因为审稿的本质是判断，而判断必须建立在经验的基础上。

再比如，协作链路比较长的数字化业务，容易被困在散落的信息里。

腾讯旗下 AI 工具 WorkBuddy 的产品经理 Neil 跟我们分享了一个互联网企业里最常发生的场景。

当产品经理要设计一个新功能时，会希望 AI 能基于已有的产品设计、历史文档、用户反馈、团队的商业化策略和运营计划，给出一个周全缜密的方案。

但这样的诉求往往无法达成，因为上下文散落在不同的地方：有些在会议纪要里，有些在团队头脑风暴留下的聊天记录里，有些在各种文档里，还有的停留在负责人的脑子里。

所以产品经理当然可以打开对话框，用最前沿的 AI 生成需求文档，但它无法真正理解产品的历史，所以最终给出的总是一个看似完美但经不起推敲的方案。

而无论是基于哪一方面的原因，最终的结果，就是 AI 在很多场合并没能做到提效，反而制造了新的麻烦。

从个人工具到团队工具

AI 专家、非凡产研创始人吴畏有个观察。AI 在企业里扩散的路径通常有两种：一种是自下而上、从真实业务场景里长出来的，好处是贴近业务，坏处是容易碎片化。另一种是自上而下由管理层统一制定，更容易标准化，但不一定能真正渗透到一线。

到目前为止，人们的大多数注意力被自下而上的变革吸引，但这种零碎变革往往难以撬动更大的效能。而要过渡到质变，则需要自上而下的标准化，由管理者带头重构工作流。如今企业缺的不是会用 AI 的人，而是把这些人的方法变成组织资产的机制。

所以，最好的路径不是二选一，而是上下结合。

但服务组织的 AI 需要更体系化的能力。比如，能共享组织的上下文，理解真实业务逻辑；能把各种不同的办公软件嵌入工作流；有清晰的权责边界，保护信息安全；还能把散落在各种情景中的要素汇集起来，统一、动态地管理。

而且，中国的组织管理生态中确实存在独特的痛点：如场景分散，大量信息沉淀在不同的办公软件里，整合难度大；另外，国内很多新兴行业如直播、电商、科技公司迭代极快，没有长期稳定的标准流程，需要更灵活的 AI。

正因如此，WorkBuddy 团队也在 AI 办公工具中，推出了 " 项目 " 功能，就是为了更好地适配中国的职场生态。

简单来说，它开辟了一个多人和多个智能体可同时在线的空间。人和 AI 在这个空间中围绕同一个任务协作，分工、推进过程和 AI 产出都被纳入同一套任务流，并在权限边界内清晰呈现。在线文档、腾讯会议、网盘等生态里的资料也能被连接进来，成为 AI 可以持续读取和调用的团队上下文。

和 " 在文档里挂一个 AI 助手 " 不同，项目里的人和 Agent 是同一个任务流上的协作节点，Agent 不只是回答问题，而是真正承接、流转、交付待办。随着项目不断推进，AI 会越来越熟悉真实业务需求和流程，最终成长为能力可复用的 " 超级大脑 "。

这个思路在小巴团队已经得到了成功的实践。我们把内容团队的历史资料全部喂进了项目资产，包括吴老师所有著作、文章、演讲，编辑部历史所有文章，以及内容的阅读量数据，要求它基于历史文章并融合自身的内容创作经验，制定一份审稿规则。

WorkBuddy 会根据目标拆解关键动作，在关键节点弹出卡片让用户确认，按步骤逐项完成工作。基于这些资料，WorkBuddy 梳理出了频道的内容逻辑，包括高阅读量文章的选题和标题有何规律、开头和结尾如何设计、价值导向和语言风格，等等。

在此基础上，它梳理出了一套审稿规则，能够从不同维度对稿件加权评分，并多维度提出建议。

目前，这一思路也被扩展到了短视频、知识付费等多个部门。

WorkBuddy 的独特价值之一在于，它能够连接丰富的办公生态如知识库、课程平台、网盘等，让沉淀历史经验的链路更加丝滑。另外，WorkBuddy 内置了丰富的高质量专家库和技能库，我们可以直接调用这些资源。

WorkBuddy 团队自己在协作中也有诸多痛点，项目功能很大程度上解决了这些流程断点。

比如，WorkBuddy 每天会收到上千条用户反馈，这些反馈的处理往往要跨多个平台完成：功能 BUG 要在工单平台分配给研发，用户建议要录入在线文档里的需求池，处理过程中还要在通讯软件里跟进处理过程，最后再整理回复口径同步给客服。

整个过程要经历四个环节、涉及三个角色、串联三个平台，只要有人漏看消息、响应不及时，反馈就可能卡在某个环节，只能靠人工反复催促，专职人员每天处理反馈就需要耗费大半天的时间。

引入 WorkBuddy 项目后，团队用连接器接入用户反馈平台，将反馈筛选规则、各模块负责人、任务分配和回复规范沉淀为一个 Skill，放入项目空间；再建立定时任务，由 AI 每天自动完成反馈拉取、分流和回复。所有反馈都会在计划看板里生成待办，统一监控进度。最终，原本需要人工跨平台串联的流程，变成了项目空间内的自动流转，团队每天只需花 10 分钟确认结果。

除此之外，团队的产品开发、项目管理等流程也陆续被搬进项目空间，进一步提升了协作效率。

洪信最近也带领团队把招聘流程搬进了 " 项目 "，整个业务流程被串联起来。每位候选人在计划看板里变成一张待办卡片，被清晰分配给对应成员。AI 辅助每个环节的同时，把招聘过程中的信息动态汇总和更新，进度一目了然，信息差被最大程度抹平。而且，项目系统使用时间越长，AI 越熟悉公司的需求和业务流程，准确性有了明显提高。

在产品上线后持续收到的反馈中，WorkBuddy 团队发现这种模式对很多行业、领域都有适用性。它的精髓是，让 AI 进入人类真实的协作环境，获取到完整的团队上下文，形成智能体，然后接管工作流。

超级个体不意味着超级组织

AI 没能让组织真正提效，还有一个常见的认知误区：企业以为，只要内部出现几个善用 AI 的 " 超级个体 "，他们的效率就会自然外溢到整个团队。

但其实，1+1 并不能大于等于 2。

一方面，超级个体数量有限，往往只是组织里的一小撮人。

这种状况在传统行业会更明显。一位管理着一家小型工程制造企业的年轻企业家告诉我们，公司员工年龄整体在 35 — 40 岁，即便他自己有用 AI 改造业务流程的强烈愿望，但老师傅们大多对新技术并不感冒，主动使用 AI 的员工集中在较年轻的技术、外贸和市场部门。

他也尝试过让年轻员工把 AI 工具、skill 和使用方法教给老员工，但很快发现大家普遍学习动力不强甚至心态抵触。

另一方面，超级个体之间也存在信息差。

现代组织是高度分工的，一个人可能对自己的工作非常熟练，却对其他人的工作内容一无所知。所以即便超级个体有意愿，他们不一定有能力设计整个协作系统。

叠加前述，即便他们有能力搭建团队化工作流，组织也未必接得住，因为 AI 协作首先要求企业内部有一套干净统一的知识底座，否则知识库本身的混乱只会放大混乱。

这些因素导致超级个体对组织提效的贡献并不高，像被封印了能力的武林高手，只能做些看门护院的杂活。

WorkBuddy 在构思 " 项目 " 功能时，也考虑到了超级个体的经验如何复用的问题。落到功能属性上，具体围绕三个机制形成：

◎ 一是共享配置，把 Skill、专家、连接器一次性配置好，让团队在同一套能力底座上协作。

为了降低工具使用门槛，系统内置了大量适配各行各业的 Skill 和专家 Agent，连接器则用于打通各类办公生态。企业也可以把自身的数据资产沉淀成自定义的 Skill 和专家接入系统，让个人经验真正转化为组织资产。

◎ 二是共享计划，提供一个面向团队的待办看板，人和 Agent 都可以参与待办的生成、流转和处理，每个成员都清晰知道自己要处理哪些事项、对应的背景上下文是什么，做到事事有着落。与此同时，每一次动作和版本调整都可追溯，这让超级个体的做法本身就能成为团队共享的学习样本。

◎ 三是共享资产，即统一沉淀团队共享文件，Agent 可以自动读取调用，让每一次任务执行都获取最新、最全的上下文。最新产出在人类确认后可以自动回流到资产库，实现持续迭代，相当于每一次任务执行，都在为下一次提供复利。

这种设定也有助于提升全员积极性，因为团队成员越积极地优化资产，AI 的能力和整体效率就越高。

工具的能力最终指向如何让人类更好地协作，WorkBuddy 团队希望这个产品能成为企业探索未来组织形态的一块跳板。而这种针对 B 端的、对标准化协作工具的探索，很可能成为 AI 下半场全球竞争的一个重要趋势。

20 世纪中期，管理学家在英国的煤矿里做过一个调查。煤矿引入了新技术，工作效率却反而下滑了，调查出的原因是，技术破坏了过去的组织协作模式，矿工的工作体验变得更差了。

他们据此提出理论：技术系统和社会系统必须一起设计，盲目把新机器塞进旧组织，可能不仅无法创造新效率，反而会打碎原有的协作。

长远来看，每一次技术革命的起点都是制造出一小撮技术精英，而终点是改造社会分工和劳动的形式。技术不会替代人，也不是某种筛选工具。

可以预见，今天的 AI 会以类似的姿态走向下半场。