第2篇_机制_从自动化旧流程到重写工作流

别再给旧流程打 AI 补丁了——你该重写的是整条工作流

「2021–2026 AI组织转型与领导力」专辑 · 第 2 篇（共 6 篇）
写给创始人与高管　|　写作日期：2026-09-25

一个让全公司哭笑不得的早晨

2024 年的某一天，一段来自快餐店得来速车道的录音，在 TikTok 上被疯狂转发。

顾客只是想要一杯普通的饮料，AI 接单员却自顾自地给他点了"九杯甜茶"；有人随口提了一句培根，端上来的，是一份"培根配冰淇淋"。屏幕前的人们笑作一团，觉得这人工智能又蠢又萌。

可如果你是这家公司的管理者，你大概率笑不出来。

因为这不是某个工程师玩票的 demo，而是已经在 100 多家门店、真金白银测试了三年的正式系统。每一次"九杯甜茶"，都是一次订单错误，一次后厨返工，一次顾客体验的崩塌，最终都要由人——由那个拿着低薪、疲于奔命的店员——来收拾烂摊子。

2024 年 6 月，麦当劳宣布终止与 IBM 合作的得来速语音接单项目，在 7 月 26 日前全部关闭，重新回归人工。

这不是一个孤立的笑话。过去五年，几乎每一家认真尝试 AI 的公司，都在某个环节撞上了同一堵墙。而这堵墙的名字，就藏在我们上一篇的结尾里——

组织的"梁"换了，可墙里跑了几十年的流程"走线"，还是旧的。

真正的病因：你以为在"用 AI"，其实只是在"给旧流程打补丁"

我们先把一个最常见、代价也最高的误区讲清楚。

绝大多数公司引入 AI 的方式，是这样的：先有一条运转多年的旧流程——接单、审批、客服、报销、筛查——然后在其中挑一个环节，把原来人做的动作，替换成 AI。流程怎么走、节点怎么连、责任怎么分，统统不变，只是在某一格，塞进一个更"聪明"的零件。

这就是"自动化旧流程"，本质是给旧机器打一个 AI 补丁。

它听起来天经地义，实际上藏着一个致命的假设：它默认原来那条流程本身是合理的，只是执行得不够快。可问题是，大量工业时代的流程，本来就是为"信息处理能力极度稀缺"而设计的——之所以要层层审批，是因为信息传不上去；之所以要专人中转，是因为一个人看不全。当这些前提已经不成立，你再用 AI 去加固一条本就不合理的走线，结果往往是：旧流程的毛病，被更快、更大规模地放大了。

麦当劳就是最生动的例子。系统早期的语音识别准确率约 85%——听起来不低，但换算到业务上，意味着大约每五个订单，就有一个需要人工介入纠正。在得来速那种分秒必争、口音方言混杂、背景噪音不断的真实场景里，85% 远远不够。AI 没有消灭人力，反而制造了一批需要人来补救的烂摊子。这不是 AI 不够聪明，而是把一个为安静办公室设计的能力，硬塞进了一条它适应不了的旧流程。

把视野从快餐店拉到全球，这个问题的普遍性，有一组极其冷静的数据。

IBM 商业价值研究院在 2025 年对 33 个国家、24 个行业的 2000 位 CEO 做了调研，结论堪称当头棒喝：

只有 16% 的企业，把 AI 项目真正做到了企业级规模化；只有 25% 的项目，兑现了预期的投资回报。

更耐人寻味的是后两组数字：64% 的 CEO 承认，为了不被时代抛下，他们在还没完全想清楚价值之前就先投了钱；50% 的人承认，这种过快的投资已经造成了技术系统的割裂。

看见了吗？问题从来不是"企业不够努力"，而是努力的方向错了。大家都在拼命给旧流程打补丁，却很少有人停下来，问一个更根本的问题——

如果今天从零开始，为了拿到这个结果，这条流程到底应该怎么设计？哪些节点该是人，哪些该是 AI，它们之间又该怎么连接？

这，就是与"打补丁"相对的另一条路："重写工作流"。用我们上一篇建立的那个框架说——流程，就是组织网络里节点之间那条"电流"的走向。打补丁，是在旧线路上换个零件；重写工作流，是回到最终要的那个结果，重新画一张电路图，重新规定人、AI 这些"功能节点"之间的连接规则。

接下来的三个转变，就是领先者在重写这张电路图时，立下的三条规则。

转变一：别从"流程哪一步能自动化"问起，要从"结果需要什么"倒推

第一条规则，是关于从哪里下笔。

打补丁的思路，起点是"流程"：流程已经在那儿了，我顺着它看，哪一步最机械、最重复，就把 AI 塞到哪一步。重写工作流的思路则把起点整个换掉——不从流程出发，从结果出发。 先问清楚：这条流程最终要交付什么结果？为了这个结果，理论上最优的节点配置是什么？然后再倒推，哪些环节根本不必存在。

这两者的差别，看似只是顺序，结果却天差地别。前者最多让旧流程快 10%，后者可能让整条链路缩短一半。

日本的 Resonac（由昭和电工与日立化成整合而成的半导体材料公司）提供了一个很特别的样本，因为它的工作流不是自上而下重画的，而是从一线"长"出来，再被收编标准化的。这家公司建立了一套独特的扩散机制：一线员工根据自己的真实需求开发智能体，跑通之后被沉淀为标准方案，再向全公司推广。部署仅 6 个月，生成式 AI 的采用率就达到 95%（自报口径），其官网日文原稿估算，由此带来的工时节约，相当于每月约 4.7 亿日元。在最硬核的材料研发环节，AI 把"从配方到原型"的时间压缩到原来的五分之一——过去靠穷举几乎不可能完成的搜索，借助算法在约十秒内就能给出候选。

它的启示恰恰在于：最好的流程重写，往往不是高管在会议室里画出来的，而是让最靠近结果的人先试，再把成功的连接方式固化下来。 前提是，你得有一套能把一线智慧"收编"为组织标准的机制，否则它们只会是散落的火花。

而一旦开始重画走线，你立刻会撞上一个无法回避的问题：新的流程里，哪些决定真的可以交给 AI 自己做？总不能事事要人盯着，那就失去了意义；可要是完全放手，又怕它闯出大祸。这个"授权的边界"到底怎么定？

领先者给出的答案，出人意料地清晰。

转变二：授权不看"信不信任 AI"，看这个决策"可不可逆"

大多数公司处理"AI 能自己做什么"的方式，是一种很模糊的信任判断：这个模型我比较放心，那类任务风险不大，于是"差不多"就放开了。这种凭感觉的授权，要么过于保守、AI 处处受制，要么过于激进、迟早出事。

全远程公司 GitLab 把这件事做成了一套写进公开手册、所有人都能照做的制度，而它划分边界的标准，只有一个极其精彩的维度——决策的可逆性。

GitLab 的规则是这样的：

• 可逆的决策，直接发布即可，无需层层审批。 因为即便错了，也能轻松撤回，那就让节点（无论是人还是 AI）快速行动，把效率拉满。

• 不可逆的决策，则必须进入异议窗口。 它被分成两级：Tier 1 留有 48 小时的异议期，Tier 2 留有 3 天；在窗口期内，任何人都可以提出异议，而且异议必须书面留痕。只有当窗口关闭、没有站得住的反对，决策才能被执行。

这套机制的高明之处，在于它彻底跳出了"信不信任 AI"这个情绪化、无法操作的问题，转而回答一个冷静得多的问题：这个动作一旦做错，代价能不能挽回？ 能挽回，就放权去试；不能挽回，就强制引入人类的审视和留痕。它授权的不是某个"可信的 AI"，而是一类"可逆的决策"——边界清晰、可复制、可审计。

无独有偶，新加坡的 DBS 星展银行走的是另一条殊途同归的路：先把治理的护栏立好，再大规模放量。 这家银行支撑着全行 2000 多个 AI 模型、430 多个用例，并在 2025 年由数据分析与 AI 创造了约 10 亿新元的经济价值。它专门推出了一套生成式 AI 框架，统一规定了可复用的组件标准、治理护栏（guardrails）、工作流能力，甚至细化到提示工程的规范。换句话说，在让几千个节点自由连接之前，DBS 先把"什么连接是安全的"这套规则定了下来。

GitLab 用可逆性决定"要不要人批"，DBS 用护栏框架决定"能不能上线"，说的是同一件事：人机之间的权力，不能靠感觉分配，要靠一套清晰的制度来分配。

然而，就算你把授权的边界划得再清楚、护栏立得再牢固，有一个问题依然像幽灵一样悬在所有管理者头顶——

万一，AI 还是错了呢？而且错在了对外、造成了真实的损失，这个责任，算谁的？

转变三：AI 的错就是公司的错，责任永远无法外包

要回答这个问题，我们必须回到一个在 AI 治理史上绕不开的判例。

2022 年 11 月，加拿大乘客 Jake Moffatt 计划乘坐 Air Canada 去参加一场葬礼。他在航空公司官网的聊天机器人上询问丧亲折扣，机器人明确告诉他：可以在购票之后 90 天内补申请折扣。 可当他事后真的去申请时，航空公司却告诉他：真实的政策是，折扣必须在购票前申请，事后不予受理。因为这个错误信息，Moffatt 多付了一笔钱。

纠纷闹到不列颠哥伦比亚省的民事裁判庭。Air Canada 提出了一个让所有人都愣住的辩护：他们说，那个聊天机器人是一个"独立的法律实体"，它自己说的话，公司不应该负责。

裁判员 Christopher Rivers 当场驳斥，称这是一个"令人瞠目的主张"（remarkable submission）。2024 年 2 月 14 日，裁判庭做出裁定，其确立的原则，值得每一位高管抄在案头：

公司，必须对其网站上提供的所有信息负责——包括由 AI 聊天机器人提供的信息。 航空公司因聊天机器人的过失性虚假陈述，承担赔偿责任。

这个案子是 AI 时代的"责任原点"。它用一份裁决书，冷酷地终结了所有"甩锅给 AI"的幻想：你可以把一项任务授权给 AI，但你永远无法把这份责任授权出去。 AI 在对外说话时，它不是一个独立的主体，而是公司的代理人；代理人说错的话，账永远算在委托人头上。（需要说明：这是省级行政裁判庭而非法院判决，效力层级有限，但其确立的原则被广泛引用。）

如果说 Air Canada 是被动地为 AI 的错误买单，那么瑞典的 Klarna，则主动演绎了一场更完整、也更值得深思的"人机再平衡"。

2024 年 2 月，Klarna 高调宣布：由 OpenAI 驱动的 AI 客服，上线首月就处理了 230 万次会话，约占总量的三分之二，平均解决时长不到两分钟，相当于 700 名客服的工作量，预计带来 5800 万美元的利润增益。一时间，"Klarna 模式"被捧为"AI 替代人类"的标志性胜利。

但仅仅一年多后，2025 年 5 月，CEO Sebastian Siemiatkowski 对彭博社亲口承认：他们走得太远了。

发生了什么？当 AI 大规模接管，复杂案例开始崩溃，服务质量明显下滑，那些原本沉淀在老员工脑子里的机构知识，随着人员流失而悄然蒸发。CEO 反思说，"成本"成了过于主导的衡量因素，让他们忽视了更重要的东西。于是 Klarna 重新招回人类——以更灵活的方式处理那些 AI 搞不定的复杂问题。

但请注意，这不是一个"AI 失败、人类回归"的简单打脸故事。今天的 Klarna，AI 依然处理着约三分之二的会话，只是定位变了：重复问题下降了 25%，响应时间改善了 82%，而人类被重新配置到真正需要判断、共情和经验的复杂场景。它从"用 AI 替代人"，走向了"让 AI 和人各就各位"——这恰恰是一次从'自动化旧流程'到'重写工作流'的痛苦升级。 Klarna 的真正教训不是"别用 AI"，而是：如果你只盯着"省人头"这一个目标去自动化，你省掉的，可能正是组织最该留住的东西。

那么，重写工作流真的能带来回报吗？最硬的证据，来自风控最审慎的银行业。摩根大通在 2026 年把技术预算提高到 198 亿美元，而其运营部门交出的成绩单极具说服力：在反洗钱等交易筛查环节，AI 让系统的审查量翻了一倍，而所需的人工检查却减少了一半。 这是"重写工作流"最本质的成果——业务的吞吐量，第一次与人力的多寡彻底解耦。 量可以翻倍，人不必翻倍。（摩根大通同时在第6篇的合龙故事里扮演关键角色，这里先埋下伏笔。）

给领导者的三个动作

理解了三条规则，你不必一上来就动大手术。可以从三个动作开始：

1. 挑一条端到端流程，做一次"结果倒推"。 不要再问"哪一步能自动化"，而是召集这条流程上的人，先写下最终要交付的结果，再从零追问：为了这个结果，今天的这些节点和审批，哪些根本不必存在？

2. 建一张"可逆/不可逆"决策清单。 像 GitLab 那样，把流程里的关键决定按可逆性分类：可逆的，大胆放权给一线和 AI；不可逆的，强制设异议窗口、书面留痕。把模糊的"信任"，变成清晰的"规则"。

3. 为每一个对外的 AI，指定一个人类负责人。 记住 Air Canada 的原则：责任无法外包。在上线任何能对外表达、能做决定的智能体之前，先明确——一旦它错了，具体是谁来负责、谁来纠正？

最后，回到那个一以贯之的判断：

流程重写的最大障碍，从来不是技术上能不能做到，而是管理者愿不愿意放弃旧流程里那些"必须经过我"的关卡。 重画电路图，本质上是在重新分配电路里的权力——而这，依然是一场组织的、而非技术的抉择。

记忆锚点

"公司必须对其网站上的所有信息负责——包括聊天机器人提供的信息。"
——Air Canada v. Moffatt，不列颠哥伦比亚民事裁判庭，2024-02

"可逆的决策直接做；不可逆的决策，先留出被反对的窗口。"
——改编自 GitLab 公开决策手册

"我们走得太远了——成本，成了过于主导的衡量因素。"
——Sebastian Siemiatkowski（Klarna CEO），2025-05

自动化，是让旧流程跑得更快；重写工作流，是先问这条流程该不该存在。

下一篇预告

这一篇，我们重画了组织里的"电路图"：从结果倒推走线、用可逆性分配权力、用责任原则约束授权。Klarna、摩根大通们已经证明——当流程被真正重写，业务的吞吐量，可以和人力解耦。

可这恰恰把一个更现实、也更让每个人焦虑的问题，推到了台前：

流程可以重画，但执行流程的"人"，还坐在一个个固定的"岗位"上。

当一条工作流被拆成一个个任务节点，当筛查量翻倍而人工减半、当 AI 开始承担"相当于 700 人"的工作——那个我们熟悉了上百年的"岗位"，正在溶解。岗位会消失吗？中层何去何从？年轻人的第一份工作又在哪里？

第三篇 · 岗位：从"一个萝卜一个坑"，到任务流上的动态节点。 我们将从一份覆盖 2600 万人、第一次用硬数据证明"AI 正在影响年轻人饭碗"的重磅研究，以及高盛、蓝色光标的真实抉择，正式讲起。