咨询｜麦肯锡：AI 真正落地的地方在业务里；而我们认为，个人开发者和企业落地AI最大的区别在于人和组织

麦肯锡的判断：AI 进入价值实现阶段

最近重新看麦肯锡关于 AI、Rewired 和 agentic AI 的一系列内容，我们越来越觉得，麦肯锡真正想表达的并不是“企业应该拥抱 AI”，而是一句更冷静、也更难做到的话：AI 的下一阶段，不是模型竞赛，而是价值实现。

过去几年，企业已经看了太多 AI 演示。智能客服、知识库、自动写材料、会议纪要、代码助手、数据分析助手，几乎每一类工具都有人讲过，也几乎每一家企业都试过一些。可是真正能进入核心流程、持续产生经营结果的，并不多。

问题并不在模型不够聪明，也不在企业不够积极。问题在于，很多企业把 AI 当成技术项目来做，而不是当成人的工作系统重构来做。

“

我们自己可以在GitHub上面fork很多开源的项目，但是最终在企业里面如果要跑起来的话，这些项目都还有很大的距离。

来源，麦肯锡

麦肯锡的 Rewired 框架，其实已经接近这个判断。它强调的不是单个数字化项目，而是企业 operating model 的重构。换句话说，AI 不是给旧组织贴一层新技术，而是用 AI 重新设计企业如何工作。

我们过去做咨询项目时，经常看到一个现象：企业花了很多钱做系统，最后系统上线了，流程也写进了制度里，但一线员工还是用自己的方式工作。原因很简单，系统没有真正进入他们的工作，也没有改变他们做判断、做协作、做交付的方式。

AI 也一样。

如果 AI 只是被放在一个平台里，等员工想起来才去用，它很难产生价值。只有当 AI 进入员工每天真正面对的问题、决策、判断和协作节奏里，它才可能变成经营能力。

所以我们对麦肯锡框架有一个补充，也可以说是我们的不同看法：AI 价值实现的核心，不只是技术、流程、数据和组织机制，而是人。

更准确地说，是企业里的人如何在 AI 的帮助下重新工作、重新判断、重新协作、重新承担责任。

这就是我们想沉淀的“AI 价值实现框架”。它不是传统意义上的技术框架，也不是工具清单，而是一套从人的工作出发，重新设计 AI 应用的方法。

麦肯锡讲 AI 从 table stakes 走向 advantage。我们同意这个判断，但我们会把这句话再往前推一步：AI 的 advantage，不来自企业拥有最先进的模型，而来自企业是否能让最懂业务的人，用 AI 做出更好的判断，并把这些判断沉淀成组织能力。

这也是为什么我们始终认为，企业落地 AI 应用，本质上不是一个技术问题，而是一个 human centric 的问题。

Human centric：不是体验友好，而是工作重构

这里的 human centric，不是简单地说“AI 要有好的用户体验”，也不是给员工做一个更友好的聊天界面。真正的 human centric，是重新理解人的工作。

人在企业里做什么？表面上看，人在写材料、开会、做分析、回邮件、处理客户问题。但更深层看，人其实在做判断。判断客户真正要什么，判断项目风险在哪里，判断数据背后意味着什么，判断方案应该往哪个方向走，判断什么时候该坚持，什么时候该妥协。

AI 可以替代一部分信息处理，可以加速一部分内容生成，可以辅助一部分分析工作。但真正有价值的地方，是让人从低价值的重复劳动里解放出来，把更多精力放在判断、校准、沟通和责任承担上。

如果 AI 落地之后，员工只是多了一个工具，但工作没有被重新设计，责任没有被重新分配，考核没有被重新调整，那它最多只能提升一点效率，不会改变企业的能力结构。

来源，麦肯锡

对 agentic enterprise 的保留：Agent 不是无人工厂

这也是我们对麦肯锡 agentic enterprise 的一个保留看法。

Agent 当然重要。未来企业一定会出现越来越多的 Agent，它们会读取数据、调用系统、执行任务、生成建议，甚至直接参与流程。但 Agent 不是把企业变成无人工厂，而是把人从“执行者”推向“编排者”和“判断者”。

如果一个企业只是追求 Agent 数量，追求自动化比例，追求所谓无人化，那很可能会走偏。真正重要的是：

“

哪些任务交给 Agent，哪些判断必须留给人，哪些风险需要人机共同确认，哪些经验要被沉淀进系统，哪些责任不能被算法稀释。

这个问题，技术团队回答不了，业务团队单独也回答不了，必须由懂业务、懂组织、懂技术的人一起回答。

所以我们的 AI 价值实现框架，可以概括成一句话：从人的工作出发，以业务流程为载体，以数据和 AI 为杠杆，以组织机制为保障，最终实现可衡量的经营价值。

第一步：不是问用什么 AI，而是问谁的工作被卡住了

很多企业做 AI，一上来就找场景，但场景这个词太宽泛。真正应该找的是人的工作卡点。比如销售不是不知道客户信息，而是信息太分散，没法快速判断客户优先级；项目经理不是不会写周报，而是大量时间花在收集状态、对齐口径、整理风险上；法务不是不会审合同，而是重复条款太多，真正需要判断的风险被淹没在文本里。

这些卡点，才是 AI 应该进入的地方。

“

可以参考我们之前提到的咨询合伙人成为整个咨询流程的卡点的文章。

第二步：重新设计工作流，而不是给旧流程加 AI

很多企业做 AI 失败，是因为他们把 AI 当成旧流程的加速器。旧流程怎么走，AI 就在哪里插一截。结果流程还是那个流程，只是中间多了一个工具。

真正有效的做法，是把流程拆开看：哪些环节是信息收集，哪些环节是分析判断，哪些环节是协同确认，哪些环节是最终决策。然后重新分配人和 AI 的角色。

比如行业研究，过去可能由顾问花几天时间搜集资料、整理观点、做 PPT。现在可以让 Agent 持续追踪行业动态，自动整理公司、政策、竞品和案例，人类顾问则负责提出问题、判断材料可信度、形成战略观点、和客户讨论取舍。

这不是“人加工具”，而是“人和 AI 重新分工”。

第三步：数据底座服务人的判断，而不是服务模型

很多人谈数据，会把它理解成技术资产。这个理解不够。对企业来说，数据真正的价值，是让人和 AI 在同一个上下文中工作。

没有上下文，AI 只能泛泛而谈。有了上下文，AI 才能理解客户、行业、项目、组织、历史和约束。员工也是一样。很多时候，员工不是不努力，而是缺少足够好的上下文，导致判断慢、协作慢、重复沟通多。

所以数据底座要服务的不是模型，而是人的判断质量。

第四步：技术架构的终点，是建立信任

企业真正进入 AI 应用阶段后，问题会变得很现实：模型怎么选，知识怎么更新，权限怎么控制，日志怎么留存，成本怎么管理，错误怎么回滚，输出怎么审计。

这些问题看似技术，其实都和人的信任有关。员工不相信 AI，就不会用；管理者不相信 AI，就不会授权；客户不相信 AI，就不会接受；监管不相信 AI，就会带来风险。

所以技术架构的终点，不是系统上线，而是建立信任。

第五步：组织机制决定 AI 能不能持续

如果一个企业一边鼓励员工用 AI，一边仍然按工时、按材料页数、按会议数量来评价贡献，那 AI 很难真正落地。因为员工会发现，用 AI 提升效率之后，自己并没有获得更多空间，反而可能被要求做更多事情。

这就是 human centric 最难的地方。它不是让员工“配合 AI”，而是让企业重新理解效率提升之后，人应该被释放到哪里。

如果 AI 让员工从重复劳动中解放出来，企业应该鼓励他们去做更高价值的客户沟通、方案设计、业务创新和组织改进。而不是简单地把节省下来的时间继续填满。

否则，AI 只会变成另一套更隐蔽的加班工具。

价值度量：证明改变正在发生

企业投 AI，最终要回答三个问题：省了多少钱，赚了多少钱，降低了多少风险。但除了这些财务指标，还要回答一个更根本的问题：人的工作有没有变得更好。

这个“更好”，不是感觉上的更好，而是可以观察到的变化。决策是不是更快，判断是不是更准，协作是不是更少，客户响应是不是更及时，知识是不是更容易复用，新人是不是更快上手，专家经验是不是被沉淀下来。

这些变化，才是 AI 价值实现的真正证据。

我们对麦肯锡的赞同与不同

我们对麦肯锡最大的赞同，是它把 AI 从技术话题拉回了经营话题。它提醒企业，AI 不是为了试点，不是为了赶潮流，而是为了价值实现。

但我们也有不同看法。麦肯锡的框架仍然偏企业系统视角，强调 operating model、technology infrastructure、governance、scale。这些当然重要，但如果没有 human centric 的视角，企业很容易把 AI 做成一套更复杂的管理系统，而不是一套更能释放人的能力的系统。

我们自己的逻辑应该更直接：AI 的价值，不在于替代人，而在于重新设计人的工作；不在于让组织更自动化，而在于让组织更会判断；不在于让员工更忙，而在于让企业把人的能力用在真正值得的地方。

这也是 AI-first 咨询公司和传统咨询公司最大的区别。

“

我们之前写过一点有关于可进化的组织的文章，对话后台智能体可以获得。

我们的定位：陪企业把建议跑成结果

传统咨询公司擅长给企业画路线图，告诉企业应该从哪里开始。AI-first 咨询公司不能只停留在这里。它要帮助企业把路线图变成新的工作方式，把 AI 应用嵌入真实流程，把人的经验沉淀进系统，把经营结果持续度量出来。

换句话说，未来咨询公司的价值，不只是“给出建议”，而是“陪企业把建议跑成结果”。

这也是为什么我们更愿意把自己的方法叫作“AI 价值实现框架”，而不是“AI 转型框架”。

转型这个词太大，容易变成口号。价值实现更具体，也更难。它要求我们不断回到几个问题：这个 AI 应用到底解决了谁的问题？它改变了哪一段工作？它让人少做了什么，又多做了什么？它有没有提高判断质量？它有没有沉淀组织能力？它有没有带来可衡量的经营结果？

如果这些问题答不清楚，AI 项目再漂亮，也只是样板间。

最后的判断：AI 要放进人的工作里

AI 时代最大的浪费，不是企业没有尝试 AI，而是企业用旧组织、旧流程、旧指标去做新技术。最后钱花了，系统上了，团队累了，业务却没有变化，于是大家得出结论：AI 没用。

其实很多时候，不是 AI 没用，而是企业没有把 AI 放到人的工作里。

麦肯锡提醒我们，AI 的下一阶段是价值实现。我们想再往前走一步：价值实现的关键，不是技术本身，而是 human centric 的工作重构。

谁能把 AI 放进人的工作，谁才可能真正把 AI 变成组织能力。

AI 原生咨询实践：我们在做 AI 原生咨询，欢迎大家留言联系。
邮箱：contact-growth@proton.me