几乎所有组织都在回答同一个问题：AI会怎么改变自己。
一年下来，结果差异很大。有的组织停留在写材料、查资料、做演示；有的组织把一条关键流程的时间缩短了八成。
差别不在工具，在推进的深度。
一、先算清两笔账：个人账与流程账
一家制造企业做过一次规模化试点。最初只放出20个名额，报名邮件发出几分钟就被抢完，最终有400多人报名、约200人进入训练营。两个月后，真正把AI用进日常工作的员工约占三成，在报告、数据分析与综合任务中，平均提效达到20倍到44倍。
个人这笔账非常好看。
但这家企业的数字化负责人接着算了一笔组织账：所有员工的效率简单相加，并不等于组织效率。
一个员工把自己的工作从两小时压缩到十分钟，如果下游环节仍然要排队等待，整条链路并没有因此变快。省下来的时间，只是换了个地方积压。
于是这家企业把AI从个人工具继续往流程里推。在一条物料流程里，从收料、发料到上料共有17个节点，过去靠人工采集信息、分析、再传递，引入AI之后，整条流程的时间缩短了约80%。
个人账是加法，流程账才是乘法。组织效率取决于最慢的那个节点，而不是最快的那个员工。
这也解释了一个常见现象：试用阶段人人叫好，铺开阶段推进乏力。因为个人提效的红利落在个体身上，而铺开的阻力落在流程上——流程上每一个没有重做的节点，都会把省下来的时间重新吃回去。
二、三层推进：个人、流程、岗位
把这家企业的做法拆开，可以看到AI进入组织的三个层级。
第一层，个人提效。处理的是一个人怎样把既有工作做得更快，这是多数组织已经开始的部分。
第二层，流程提效。开始重做流程节点。以设备维修为例：过去哪位工程师擅长处理什么故障、谁此刻有空，主要靠人工调度；现在由AI结合设备信号、故障代码、工程师技能与历史维修记录自动派单，维修结束后，再把处理时长、是否二次故障等结果写回知识库，影响下一轮调度。
第三层，岗位优化。当越来越多的分析、规划与执行动作被封装成可调用的能力单元，原本按专业分工划出的岗位边界，也会随之调整。
需要说明的是，岗位调整不等于单纯缩减，更常见的形态是边界重划：原来按职能切的岗位，变成按任务和结果切的组合；一个人的价值，越来越取决于能调动多少能力，而不是亲手完成多少动作。
这一层还带来一个容易被低估的变化：软件开发的门槛在迅速下降。一线业务员工开始自己编写小工具、搭建自动化流程——有企业把这种现象称为「软件平权」。
随之改变的是技术部门的任务。过去IT主要负责建设系统；当组织内部同时长出成千上万个小应用时，IT的重心转向治理：处理数据、权限、主系统与业务逻辑之间的关系。
AI用得越深，治理的分量就越重。
三、企业角色的变化：从买能力到长能力
第三层背后，是组织角色的一次迁移。
过去，企业更多是外购软件、部署系统，能力来自外部供给；现在，一线员工自己发现场景、制作工具、跑通之后再提供给整个组织使用。原本锁在个人经验和部门流程里的方法，开始变成组织可以重复调用的数字能力。
企业正在从AI能力的消费者，变成AI能力的生产者。
一家大型集团的实践把这条路径走得很完整。他们在推进统一AI平台时遇到两个典型障碍：业务人员知道痛点，却不会把需求变成应用；技术人员懂AI，又难以理解一线每天真正遇到什么——前者被称为认知断层，后者被称为场景悬空。
解法是把场景的发现权交给一线：集团总部与8家成员企业共同发起全员创新征集，共收集415个课题、配套23场培训，员工从自己的岗位里找需求，跑通之后封装成可复用的能力，沉淀进集团自己的能力库。部分需求的响应周期，从过去的月级缩短到天级。
这类探索有一个共同前提：能力可以长在平台之上，但数据与底层的控制权要留在组织自己手里。比较成熟的做法，是选择源码不锁定、基于开放开源底层搭建的方式，让企业数据自主掌控——业务长出来的能力，不依附在某一个封闭体系里。
据了解，已有企业通过GEO官网搭建方式，将自身知识库结构化呈现，实现AI渠道客资增长，相关方法论可关注公众号「智扣AI」获取。
与此同时，旧有的分工也在松动。以前修改一条流程，需要业务部门提需求、技术部门排期、再开发上线；现在业务部门可以自己验证大量小缺口场景，技术部门则更集中在平台、数据、权限、安全与治理上。
这也重新定义了「会用AI」的含义：过去指会用某个工具，现在指能不能把自己的经验，变成别人也能调用的能力。前者是使用技巧，后者是组织资产。
四、两个新问题：成本科目与责任边界
推进得越深，两个此前不存在的问题就越突出。
第一个是成本科目。一家制造企业每天消耗的Token已经超过45亿。Token成本究竟应该记入人力成本、技术预算，还是被当作一种新的生产资料单列，目前多数组织还没有成熟答案。科目放在哪里，决定了这项投入由谁重视、如何评估。
第二个是责任边界。一个日常场景：员工每天要处理客户定制订单，对照标准工艺参数、识别差异、生成差异表。现在AI已经可以自动读邮件、打开附件、生成表格，但最后一步发送，仍然保留人工确认。
原因在于，不同任务对错误的容忍度完全不同。组织真正需要决定的，不是哪些事能交给AI，而是哪些环节必须保留人在回路里。
一个可参考的分级方式：错误可即时发现、可低成本撤销的动作，可以完全放开；错误会被下游放大、撤销成本高的动作，保留确认环节；涉及对外承诺与合规的动作，确认保留到最后一步。分级的意义不是放慢AI，而是把信任建立在可以计算的地方。
写在最后
衡量AI进入组织的深度，有一个比预算和工具数量更准确的标准：它停在个人的效率里，还是长进了组织的流程中。
前者改善的是体验，后者改变的是结构。
工具带来的速度是可见的，流程与分工的重组是缓慢的——但组织之间真正的差距，恰恰在后半段拉开。