AI 采用率上升，但企业绩效跟上了吗？

企业正艰难地将人工智能投资转化为有意义的回报。使用率在增长，但仅有13%的组织报告称从人工智能中获得了显著的转型价值。这一差距应促使领导者退后一步，思考他们衡量的是活动，还是有意义的变革。

在展示明确的人工智能投资回报率的压力下，组织往往转向易于报告的指标，例如工具使用率、活跃用户数或采用率。这些指标显示员工是否在使用人工智能，却几乎无法告诉我们工作是否在改善，或投资是否在创造价值。

例如，普华永道发现，64%的受访员工在过去12个月中在工作中使用过人工智能，同比增长10个百分点。乍看之下，这是一个令人鼓舞的增长迹象，但这并不能证明其对利润产生了影响。当领导者将人工智能采用率视为转型的证明时，它便成了一种虚荣指标。更有力的衡量标准是，人工智能如何帮助将以往项目中的洞察转化为框架、工具和加速器，从而改善团队交付成果的方式。

在引入人工智能之前，组织需要理解工作流程的目的，识别不必要的步骤，并重新思考工作应如何开展。这一点很重要，因为实施人工智能可能会加速一个低效的流程，将瓶颈转移到下游，并造成更多的审核或返工。

同样的理解应当指导组织衡量什么。纵观整个工作流程，有助于团队看清一项任务的变化如何影响后续所有环节，以及表面上的收益究竟是真的减少了投入，还是只是把投入转移给了别人。

人工智能可以加速单项任务，例如更快地起草内容、总结信息或分析数据，却无法改善流程。例如，更快的内容生成可能会给下游的审核者和审批者带来更多工作。即便个别员工报告节省了时间，瓶颈也只是发生了转移。

这正是生产力指标可能沦为虚荣指标的地方。某项任务周转加快看似是速胜，却可能忽视了将产出转化为下游有用结果所需的投入。工作流程的重新设计应当从预期成果出发，再确定人工智能在何处增值、哪些步骤需要改变。

任务生产力与工作流生产力都重要。要同时衡量二者，团队需要超越个体时间节省，评估质量返工以及达成结果所涉及的总人力投入。

在Arionkoder，我们创建了Socrates——我们的内部转型计划——以帮助我们成为AI原生组织。将AI作为我们自己的“零号案例”进行测试，揭示了单个任务生产力的提升如何可能掩盖整个工作流中的问题。例如，在我们的项目管理流程中，我们最初以为使用AI生成会议摘要、行动项和项目更新会让这些任务更高效。然而，信息量的增加仍然需要人工审核、优先级排序和跨团队协调。这把工作量转移到了下游，而不是减少工作量。 我们意识到，让单个任务变快并不一定能让整个工作流程更高效。Socrates 的目标依然有意义，但该计划需要帮助团队从加速孤立任务转向重新设计端到端工作流程。

当我们审视发生了什么并将发现应用于下一次尝试时，这次挫折变得有价值。它进一步印证了 AI 转型不仅仅取决于引入技术。它需要改变人们如何从实验中学习、如何做决策以及如何协作。Socrates 需要帮助员工将他们各自构建的东西与工作的实际开展方式联系起来。

修订后的方法为这种实验提供了清晰的进阶路径。员工可以先从用AI解决一个小的真实问题开始。下一步是测试其他人能否使用他们所构建的东西。在此基础上，公司可以审视更广泛的工作流程，找出摩擦点，并将工作与其他团队开发的能力连接起来。员工之间的共享学习有助于评估一项改进在最初设计所支持的任务之外是否仍然有用。

这种区分很重要。构建出对一个人有用的东西只是起点。要创造组织价值，需要理解其他人如何使用它，以及当它成为更大流程的一部分时会发生什么变化。

因此，我们的重置从预期结果开始。团队需要实现什么？哪些步骤促成了这一结果，哪些步骤之所以存在，只是因为某个已不再服务于其目的的既定流程？这些问题帮助我们将关注点从为单个任务添加 AI，转向围绕更清晰的目标重新设计工作流。

在此基础上，我们为每个工作流建立了适合的基线和标准。我们考察了质量、返工和员工投入，以及完成时间。这些衡量指标帮助我们评估整个流程的改进情况。

在Socrates项目中，我们重新设计了20多个工作流程，将围绕真实业务问题的实验转化为其他人可以使用的组织能力。财务报告耗时从四小时降至20分钟，IT部门报告的重复性任务减少了40%，响应时间缩短了60%。这些结果体现了运营层面的进展。要理解这些指标如何转化为业务价值，需要评估整个工作流程中的投入是否减少，以及团队如何利用所获得的产能。

对我们而言，教训在于要全程跟踪改进效果。个人层面的时间节省固然重要，但当它们帮助下一个人更好地完成工作、并让团队更接近预期成果时，才会成为组织价值。

CIO们应该改测什么

要将一项改进一路追踪到其业务影响，需要的不仅仅是跟踪AI使用情况或节省的时间。领导者需要将采用情况与工作方式的改进及其带来的成果联系起来。进展应在三个不同层面进行衡量：

采用情况：员工是否在使用AI？

采用情况作为一种诊断性指标仍然有用。使用率、参与实验的情况以及员工反馈，可以揭示人们在哪些方面正在建立信心，以及他们在哪些方面需要支持。

这些信号有助于领导者了解组织的准备情况，但它们并不能确立投资回报率。高使用率是展开调查的起点，而非转型的证明。

工作流绩效：工作是否真的在改善？

成功标准应反映工作流的预期目的。视用例不同，改善可能意味着更准确的信息、更少的错误或更快的解决速度。

将绩效与基线在整个流程中进行比较。跟踪已消除的不必要步骤、返工、质量和员工总投入。将接收并依据AI生成输出采取行动的人员纳入其中。如果一项任务在其他环节产生了额外的审核或纠正，它未必就变得更高效。

业务影响：AI赋能的工作流是否在改善业务成果？

将工作流改进与领导层已经关注的成果联系起来，例如客户留存、收入、服务质量或每个已解决问题的成本。例如，产出更多内容体现了产量的增加。其业务价值取决于所达成的内容。

追踪节省的时间最终如何被使用。新增的产能是否改善了服务、支持了增长或降低了运营成本？请对照交付该成果的全部成本来评估其价值，包括人力投入、AI 消耗、集成、监督、培训和维护。

综合来看，这些衡量指标帮助领导者将 AI 采用一路追踪到更优的工作流和业务成果。如果 AI 使用量增加，却没有减少人力投入、提升质量或带来业务价值，领导者就需要在扩大规模之前重新评估这一做法。

采用数据有助于企业了解谁在使用AI，以及哪些方面需要更多支持。要理解其价值，就需要倾听实际从事这项工作的人的意见，并评估所取得的收益是否改善了更广泛的工作流。领导者需要让员工有信心指出那些增加工作量却没有带来更好结果的做法，然后根据这些发现采取行动。当学习能够改进下一次决策时，改变或停止一种无效的做法就是一种进步。

有意义的转型体现为消除不必要的工作、实现更好的成果，以及拥有更大的能力去做真正重要的工作。这些才是领导者应当用来判断AI进展并指导进一步投资的结果。