How People Are Fixing AI's Problems

OpenAI CFO Sarah Frier 用 ChatGPT 实现“零日结账”，Clay 公司推 AI 写作责任制，企业 AI 成本和人才焦虑升级。

AI落地的难题，已从会不会变成怎么做

本期没有嘉宾，是主持人围绕一周公开讨论做的一次单口评论。材料来自 EY、OpenAI、BCG、KPMG 的研究，也包括 Clay 联合创始人 Verun、Section CEO Greg Shove 等管理者刚分享的实践。焦点已经不再是“AI 会不会进入企业”，而是更难也更具体的问题：成本怎么管，流程怎么改，员工怎么学，谁又该为结果负责。

这期回答了 8 个问题：

1. 为什么 AI 能力突飞猛进，企业生产率却不会立刻爆发？
2. 当每一次提示都在花钱，谁该获得最昂贵的模型和 Token？
3. 不禁止员工用 AI，企业怎样避免内部文档沦为 AI 废话？
4. 财务团队如何从“更快结账”走向“零日结账”？
5. 为什么全员铺开 AI 工具，反而不如重投一个“灯塔团队”？
6. 企业真正该拥有的，是某个模型，还是自己的 AI 上下文底座？
7. AI 替代初级工作后，未来还有谁能检查 AI 的错误？
8. 为什么少投培训，可能让巨额技术投资无法兑现为经营收益？

被问到“AI 是否会立即创造生产率繁荣”这个 EY 所说的常见误解时，主持人先把镜头拉回技术史。蒸汽机在英国变成持续的生产率增长，花了近一个世纪；电力重塑工业生产，大约用了五十年；计算机革命也在约十年后，才在总体生产率统计中显出可测量的改善。EY 的结论很直白："Major technological revolutions rarely produce economywide gains overnight."（重大的技术革命很少会在一夜之间带来全经济范围的生产率提升。）

这不是说 AI 没有即时回报。主持人明确提到，企业里已有一些场景的收益立刻可见，而且很大。但收益并不均匀，像一块地势崎岖的地图：有些岗位已经被快速抬高，有些部门仍卡在旧流程里。尤其进入智能体式工作后，企业不是简单地把“人做的工作”一对一换成“智能体做的工作”。它还要设计人工复核、异常处理、权限管理和新的管理方法。

这意味着，AI 节省下来的时间，短期内往往会被另一批工作填满：搭流程、校结果、定责任、补数据。企业若只盯着下个季度的人效表，很容易把这种过渡成本误判为 AI 无效。真正的分界线在于，能否把局部效率沉淀成新流程和监督机制，而不是把一次成功的提示词当成组织升级。

被问到“AI 是否几乎免费”这一误解时，EY 给出了一个企业财务上很现实的提醒：传统企业软件买完许可后，边际使用成本通常很低；AI 不一样。每一次提示、每一次调用智能体，都会消耗 Token、算力和电力。Token 可以简单理解为模型读入和生成文本时使用的计费单位。用得越多，账单越高。

EY 提到，一些早期采用者曾在数月内耗尽全年 AI 预算，原因不是最初采购贵，而是员工的实际使用量远超预期。随后，这些公司开始引入 Token 预算、使用上限和更严格的治理。背后的判断标准是："the pace of adoption will depend not only on what the technology can do, but whether the value created by each token exceeds its cost."（采用速度不仅取决于技术能做什么，还取决于每个 Token 创造的价值是否超过其成本。）

主持人认为，智能体 AI 已经改变了原先“每人每月一个软件席位”的算账方式。它更像新型劳动力：不同任务需要不同能力的模型，不同员工也不该拿到同一种额度和算力。写一封内部通知，不必调用最昂贵的推理模型；处理高价值合同、复杂预测或代码审查，才可能值得更高成本。

这意味着 Token 上限不只是“勒紧裤腰带”。成熟的做法是建立申请更多预算的通道，让团队证明额外智能投入能带来什么结果。企业真正要学的是智能资本配置：把贵的能力放到价值也高的工作上，而不是平均撒给所有人。

谈到 AI 写作泛滥、社交平台和公司内部都出现 AI slop 问题时，主持人给出的案例来自 Clay。AI slop 指的是大量自动生成、表面通顺却空洞重复的内容。Clay 联合创始人 Verun 公布了一项正式 AI 写作政策。它起初只在工程团队使用，后来其他团队觉得有帮助，于是扩展到全公司。

政策的第一条是，作者必须对文档中的每个观点、每个句子负责；第二条是“写作就是思考”，绕过写作过程，人对主题的理解也会变差；第三条是，写一份文档花的时间应多于读者读它花的时间；第四条则提醒员工，AI 很擅长生成冗长但没有信息的句子。最锋利的一句是："If you're producing docs from a short prompt, consider just sharing the prompt."（如果你是用一个简短提示词生成文档，不如考虑直接分享那个提示词。）

Verun 完整公布政策后，帖子获得了 8,377 个点赞、鼓掌或爱心反应。这个数字说明，许多组织已经感到同一种痛点：写作者用十秒钟生成内容，却把十分钟甚至更久的阅读负担转嫁给同事。

这意味着未来的规范不会粗暴追问“你有没有用 AI”，而会追问“这是不是你的判断”“读者能从中得到什么”。它不把 AI 使用者当成犯错者，也不要求回到纯手写时代；它针对的是用工具逃避思考、逃避责任。质量标准一旦被明确，低质量自动生成内容就不再是免费的捷径。

主持人引用 OpenAI CFO Sarah Frier 关于建设 AI 原生财务职能的复盘时，提到她的团队设了两个大胆目标：零日结账，以及自动化、持续更新的预测。所谓零日结账，不是把月底结账从十天压到三天，而是让管理层几乎实时拿到一份已经核对、可追溯的财务状态。Frier 的定义是："The idea behind a zero-day close is to give leaders a real-time, reconciled, and traceable view of the company's financial position."（零日结账的理念，是让领导者实时看到一份已核对、可追溯的公司财务状况。）

为了靠近这个目标，财务团队必须离开静态 Excel 表格、人工搜索支持记录和临时拼装的演示文稿，转向建立在完整业务上下文与数据之上的实时工具。持续预测则在这个基础上继续往前：不仅告诉管理层现在发生了什么，也显示业务正在怎么变化、下一步可能发生什么、哪些决策会改变结果。

这意味着 AI 的高价值，并不只是把旧报表做得快一点，而是改变“事后汇总—等待会议—再做决策”的节奏。财务从后视镜，变成了能持续感知和推演的仪表盘。

边界也很硬。Frier 说这件事很有挑战，技术部署本身不够。团队还得围绕真正重要的决策重设计工作流，允许员工试验，为每条工作流设清晰责任，并衡量 AI 实际完成的可靠工作，而不是只看它生成了多少内容。

Frier 进一步解释 AI 如何改变财务人员的工作边界时，抛出了一个很具体的数据：OpenAI 的研究显示，财务专业人士的专门 AI 使用中，40% 已经涉及传统财务以外的工作，其中 22% 与工程相关。她团队里的每个人都在构建定制 AI 仪表盘和工具，而不只是等 IT 部门交付一个统一系统。

她概括这种变化时说："The bigger transformation is that finance professionals can now build the tools their work requires."（更大的转变在于，财务专业人员如今能够构建自己工作所需要的工具。） 新工具的形态也不同于过去。静态 Excel 模型和 PowerPoint 演示文稿，正在变成连接完整业务上下文的实时仪表盘：它能保留一轮分析，接受追问，并随着底层数据变化自动更新。

这意味着，未来财务人员的竞争力不只在于会不会做模型、会不会解释数字，还在于能否把自己的专业判断写进工具里。比如，一位熟悉收入确认规则的财务人员，可以把关键检查点、例外条件和追问路径嵌入工作流；工具因此不只是替他排版，而是承接一部分专业判断。

但这不是说每个员工自然都会“造工具”。Frier 的前提很明确：工具必须建立在完整的业务上下文和数据之上。没有干净数据、业务规则和责任边界，所谓自建仪表盘也可能只是把一张不可靠的表格换成更漂亮的界面。

主持人引用 Section CEO Greg Shove 给 CEO 的五条建议时，重点讲了“灯塔团队”。Shove 建议企业挑一个团队，把对它的 AI 投资提高到原来的 10 倍。原因是，大多数面向全员的项目都处在“mile wide and an inch deep”的状态：覆盖很广，投入却很浅。工具人人都有，但没有哪个团队的工作方式真正被拆开、重做和验证。

他描述了一个常见的一年期轨迹："You rolled out tools, had a kickoff, saw some power users emerge."（你上线了工具，办了启动会，也看到一些重度用户出现。） 接下来，到第 12 个月，企业开始问：“这到底值不值得？”Shove 的建议不是继续空泛乐观，也不是立刻集体怀疑，而是把问题问细：到底哪个团队被卡住？卡在数据、流程、权限，还是管理者的预期？又该尝试怎样改变工作方式？

这意味着，灯塔团队不是企业内部的 AI 展示柜，而是高密度试验场。它要有更多预算、更强支持和更明确的业务目标，允许团队把一个端到端流程改透。只有这样，组织才会拿到可复用的证据：哪些任务适合自动化，哪些环节必须复核，成本和收益怎样计算。

Shove 也泼了盆冷水：转型初期不可能拥有完整图景，可能需要 1 到 2 年才能看清成果。灯塔团队的意义，正是在这个不确定期避免企业把预算平均摊薄，最后只收获一批零散的重度用户。

谈到 BCG 全球主席 Rich Lesser 观察到的 CEO 提问变化时，主持人指出，问题已经悄悄变了。过去，CEO 问的是“我们该用哪个模型”；现在，他们更担心“我们是否过早、过多地押注一个仍在演化的生态系统”。这不是对模型能力失去兴趣，而是意识到模型会换代、价格会变化、供应商也可能更替。

BCG 把企业最有价值的内部知识叫作“enterprise cortex”，可以理解为企业的“认知皮层”。里面不只是数据库里的客户记录，还包括知识产权、关键业务数据、业务规则、专有信息，以及流程怎样连接公司战略、使命和价值观的编码理解。主持人把承载这些内容的系统称为 harness，也就是能够接入不同模型、同时保留工具、技能、护栏和治理的底座。核心要求是："Organizations need to own the harness where all of that lives."（组织必须拥有承载这一切的底座。）

这意味着，企业不能把 AI 战略简化成采购一个最强模型。模型像发动机，企业自己的上下文底座才像底盘、方向盘和交通规则。没有它，模型换一次，流程、权限和知识连接就可能重做一次；有了它，企业才有机会按任务组合多个模型，而不是被单一供应商的路线图绑住。

这里的张力是，生态仍在快速变化。企业既不该过早锁死在一个模型上，也不能只做“模型采购”，却把真正不可替代的内部知识散落在文档、个人经验和互不相通的系统里。

主持人讨论 Zara Jang 转述的论文《the tragedy of the cognitive commons》时，提出了一个比“AI 会不会抢工作”更长线的问题。Zara 把它概括为“认知公地悲剧”：检查 AI 输出需要深厚专业知识，而专业知识通常来自多年基础性工作；偏偏这些重复、琐碎、入门级的工作，也是最先被 AI 自动化的部分。

论文把各行业共享的人类专业能力称为“cognitive commons”，即认知公地。每个职业都在使用这片公地，却可能没人继续补充它。单家公司取消初级岗位，从当期成本看也许完全理性；但若整个行业都这样做，集体结果可能是新人没有机会学会基础工作，十几年后也就没有足够的人能发现 AI 的错误。问题被压缩成一句："who checks AI's homework in 15 years?"（15 年后，谁来检查 AI 的作业？）

这意味着，自动化的账不能只按“今天少雇多少初级员工”计算。它还涉及未来的专家供给链：谁能承担复核，谁能处理边缘案例，谁能判断模型看似合理却实则错误的输出。AI 系统越广泛进入高风险工作，具备这种判断能力的人反而越稀缺。

主持人没有把“专家必须从多年基础工作里长出来”当成定律。也许会出现新的训练方式、模拟环境或企业激励机制。但问题不能被省略：如果旧培养路径被拆掉，新路径必须有人主动建起来。

在讨论企业长期技能建设不足时，主持人引用 KPMG 的适应力报告。报告发现，管理者增加新技术投资的可能性，是增加员工培训投资的两倍。过去一年，57% 的领导者把提升绩效和效率列为优先事项，但不到 10% 把建设更强的劳动力培训项目列为主要目标。工具采购在加速，帮助员工改变工作方式的投入却明显滞后。

这不只是“员工体验”问题。过去三年里，25% 的整体商业领导者表示收入增长达到 20% 或以上；在增加劳动力投资的领导者中，这一比例是 37%。KPMG 的判断是："Organizations see better outcomes when they advance the two together."（当组织同时推进技术和人才两方面时，往往能取得更好的结果。）

这意味着，如果 AI 预算持续偏向许可证、模型调用和基础设施，企业很可能看到漂亮的使用量数据，却看不到稳定的经营结果。员工不知道何时该信任 AI、何时必须复核，不会把工具嵌入真实流程，也没有空间试错，技术就只能停在“部署了”的层面。变革管理，说白了就是把新工具变成新工作习惯的一整套安排。

当然，37% 对 25% 说明的是相关性，不能单独证明培训必然造成收入增长。主持人也强调，培训不是发一门视频课或一张证书。它需要时间、真实任务和从流程底部开始的调整。但若没有这部分投入，再贵的模型也很难替企业完成最后那段路。

这 9 条其实都指向同一件事：企业面对 AI 的问题，已经从“它会不会发生”，变成“如何以可持续的方式发生”。

“智能体时代的AI不是SaaS订阅，而是一项持续消耗的劳动成本”，说的是企业必须重新分配 Token、模型能力和预算；“企业AI战略的核心不再是选模型，而是掌控自己的上下文底座”，说的是企业必须把数据、规则、工具和治理留在自己手里。一个处理成本，一个处理控制权，但本质上都在回答：企业如何让 AI 成为可管理的生产能力，而非不可预测的外部服务。

同样，“治理AI废话的关键不是禁用AI，而是让作者重新对思考负责”和“自动化吃掉初级工作，可能同时切断未来专家审核AI的培养链”，共同指向质量责任。AI 可以替人生成内容、完成基础任务，却不能自动补上判断力、专业训练和对结果负责的人。

对读者而言，这也意味着日常工作里的问题该换一种问法。不要只问“我能不能用 AI 更快做完这件事”，还要问：这件事的判断标准是什么？谁复核？用了多少成本？我的经验能否沉淀成下一次可复用的流程？当这些问题被放进同一张工作清单里，AI 才不只是一个更会说话的软件，而会真正改变组织如何运转。