一边不少公司将AI弄成了面子工程, 另一边少数企业凭借AI把创新效率提升到满格, 企业AI应用正上演着一场“冰与火之歌”, 同一项技术, 为何在不同组织里产生的结果有极大差异?
业内人士探讨企业AI应用的差异化落地结果
把消费电子领域非常知名的海尔, 与公考培训行业处于领先地位的粉笔拿来作比较, 原因在于在2025年到2026年的这个特定时间范围里, 它们都面临着同样的人工智能技术发展的潮流状况, 做出了看上去好像较为类似的 “全身心去接纳拥抱人工智能” 的战略方面的选择, 然而最终得出的情况可是大大的不一样了, 那就是海尔依靠人工智能技术成功地将生产线出现不良产品的比率降低了超过20%, 把设备停止运行的时间削减了超过30%, 而粉笔花费了高达2.45亿元用于人工智能方面的研究开发支出, 可是全年通过人工智能刷题系统班所获得的收入仅仅只有3810万元, 在总的营业收入当中所占的比例还不到2%。
差在哪？
组织机构, 究竟是“将权力赋予能听到炮火声响之人”, 还是“信息经过层层传递之后出现失真状况”呢。
拆解深入到骨子里, 最大的不同变量并非AI技术自身, 而是组织架构里的决策权分布。
海尔将科层制拆解成了数千个能够自主进行决策的“小微”创业团队, 直接把中层管理给砍掉了, 使得员工能够直接去面对用户需求。这究竟意味着什么呢? 一个处于生产线上的团队察觉到某道工序的AI模型能够对工艺参数予以优化, 并不需要经过层层上报再进行审批, 而是直接在“小微”内部就能够迅速地进行验证以及迭代。
这样一种, 由一人加上多个Agent所构成的, 人机协同的模式, 使得那试错的决策周期, 从原本的几周, 被压缩到了几小时。
再瞧瞧粉笔, 虽说张小龙于公开场合颇为高调地谈论人工智能情况, 然而在组织架构方面, 它依旧是一家典型的教育培训类型司企, 有着7005名员工, 决策链条较长, 人工智能项目从立项之后到落地的话, 是需要历经多层审批的。
2025年，研发投入同比增长了10.6%，然而其产出效率却极低, 这是由于基层团队为了达成高层所设定的“AI项目数量”KPI, 往往倾向于去选择那些低风险的、容易产生成果的标准化AI应用, 像是AI面试点评、AI刷题系统班这类, 而并非是从根子上对教学模式进行重构。
这便是《超级组织》里头所讲的“幽灵效率”, AI提高了个体效能, 然而却被传统科层制的结构错配给吞噬掉了。
管理模式，是“容忍失败快速迭代”还是“KPI导向回避风险”
基于海尔的“人单合一”模式, 存在着一种底层哲学便是“自以为非”, 张瑞敏曾清晰表明企业应当是“自我进化而非自我强化”, 这所意味的是在管理文化方面, 允许进行尝试错误行为, 允许出现失败现象, 甚至还鼓励小团队处于可控范围之内“快速失败、快速学习”。
京东研究院有着这样的做法, 类似这般情况, 年轻的研究员, 能够在周报当中, 直接朝着CEO提出来想法, 在入职三个月后, 就能够独自去推进AI产品, 从Demo状态一直到落地, 就算是短期内的结果并不理想了, 那也不会被否定其探索的方向。
粉笔面临的困境呈现出完全相反的状况, 在人大演讲期间, 张小龙情绪出现失控, 从表面来看, 是“学生未给其应有的尊重”, 然而深入探究其背后的逻辑, 实则是他借助“AI大跃进”这样的一种叙事方式, 去掩饰业务出现下滑所产生的焦虑情绪。
公司内部管理展现出典型的“短期主义”特性, 2025年净利润出现了17.3%的收缩情况, 员工数量从10427人减少到了7005人, 人均薪酬降低了27%, 在这样“降本增效”的压力之下, 有谁敢于去尝试高风险、高回报的AI项目呢?
处于基层的员工, 总会去挑选那些, 看上去好似AI, 然而却不会出现差错的低质量应用, 如同银行业里的某些机构, 将简单的自动化脚本也算作智能体, 并且数量虚报达到数百倍那般。
资源分配，是“小预算高频试错”还是“重金砸向面子工程”
在这一点之上, AI技术自身成本的降低, 实际上给予了所有企业平等的起始线。国产大模型一同降价, DeepSeek降低了75%, 小米MiMo在部分场景中降价接近99%, 原本因资金受限而无法落实的轻量化AI工具, 现今具备了商业化测试的条件。
但钱花在哪，才是分水岭。
海尔将资源投放于“全流程智能体嵌入”, 此涵盖研发、采购、供应链以及服务, 在其中每个环节, 皆存在AI智能体于展开高频试错以及优化工作。
戴纳科技的那个“黑灯实验室”, 情况更为极端, 它运用旨在替代科学家做相关反复试错工作的AI自动化系统, 让机械臂进行24小时不受间断的实验, 哪怕失败一次、失败再者再次, 机器也会持续开展学习, 只要有一次成功, 便会永远保持正确状态。
那粉笔呢? 它将全部未动用的 IPO 募集资金 6080 万港元进行重新分配, 用于 AI 研发。然而, 这笔钱却投在了“AI 面试点评”“AI 刷题系统班”这类标准化产品上。从本质上来说, 这是给传统的大班课内容包装了一层 AI 外壳，最终没能触及“如何用 AI 真正改变教学效果”这个核心痛点。
这便是极具代表性的“面子工程”, 一方面, AI沦为了向资本市场讲述故事的素材, 另一方面, 它并非用以解决业务问题的工具。
可直接照搬的框架不是万能药，但思路可以借鉴
当然了, 将海尔的“人单合一”直接原样复制到所有诸般行业, 明显是不切实际的。有一家从事公考培训的公司, 还有一家身为消费电子领域巨头的企业, 它们所 facing 的客户需求, 以及业务的复杂程度, 还有技术的成熟状况, 全然是不一样的。
但有一件事是通用的, 这件事就是, 把AI从“政绩道具”变成“试错工具”, 而这里面的核心并非技术, 而是要让一线团队拥有“快速验证一个想法”的权限, 还要拥有相关资源, 并且要有容错空间。
不管是那种“个人独自专做单一项目”的极为极致的扁平化, 还是“微小规模”能够自行做主做出决策, 又或者是“黑灯运作的实验室”所进行的自动化出错尝试, 它们共同存在的逻辑都是这样的: 把从“产生了一想法”到“去证实这个想法”的时间段给缩短, 并且要使得失败所带来的代价足够地低。
要是一次试错得经过层层审批, 得背负KPI压力, 得担心失败后的问责, 那么AI永远只会被用于做那些“看似漂亮却毫无价值”的事儿。
所以, 真正的问题并非是“应选取怎样的组织架构以及管理模式”, 而是: 你的公司, 有没有胆量让一线员工运用AI去尝试差错。还要承受他们有可能遭遇失败的后果, 要是答案为否定那种情况之下即便投入再多AI也只不过是另一项面子工程。
