人工智能应用率上升了，企业业绩呢？

企业正努力将人工智能投资转化为实实在在的回报。人工智能的使用日益普及，但表示人工智能带来了重大转型价值的组织仅占13%。这一差距应促使领导者停下来反思：他们衡量的是活动规模，还是有意义的变化？

为了证明人工智能投资回报率明确可见，组织往往会转而采用易于报告的指标，例如工具使用情况、活跃用户数或采用率。这些指标能反映员工是否在使用人工智能，却很难说明工作是否有所改善，或投资是否创造了价值。

例如，PwC 的调查发现，在过去 12 个月里，受访员工中有64%在工作中使用人工智能，同比上升了 10 个百分点。乍看之下，这是一个令人鼓舞的增长信号，但并不能证明人工智能对企业利润产生了影响。如果领导者把人工智能采用情况当作转型已经实现的证明，它就会沦为虚荣指标。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见转化为框架、工具和加速器，从而改善团队交付成果的方式。

潜藏的问题：人工智能可能加速那些本该改变的工作

在引入人工智能之前，组织需要了解工作流程的目的，找出不必要的步骤，并重新审视工作应如何开展。这一点很重要，因为部署人工智能可能会加速低效流程，把瓶颈转移到下游，并增加审核或返工。

这种对工作流程的了解也应为组织选择衡量指标提供依据。审视整个工作流程，有助于团队了解某项任务的变化会如何影响后续所有环节，也能判断表面上的收益是否真的减少了工作量，还是只把工作转移给了其他人。

人工智能可以加快撰写内容、总结信息或分析数据等单项任务，却不一定能改善流程。例如，更快地生成内容，可能会给下游审核者和审批者带来更多工作。即使员工表示节省了时间，瓶颈仍会转移到别处。

生产力指标也可能在这里沦为虚荣指标。加快某项任务的周转速度看起来或许是立竿见影的成果，但这可能忽略了将产出转化为下游可用成果所需的工作。重新设计工作流程，应从预期成果入手，再确定人工智能在哪些方面能够创造价值，以及哪些步骤需要调整。

任务层面的生产力和工作流程层面的生产力都很重要。要同时衡量二者，团队就不能只关注个人节省的时间，还要评估质量、返工情况，以及实现预期成果所需的人工总投入。

成为自己的人工智能客户后，我们学到了什么

在 Arionkoder，我们创建了Socrates这一内部转型计划，帮助自己成为人工智能原生组织。将自身作为“零号案例”来测试人工智能，让我们发现，单项任务生产力的提升可能掩盖整个工作流程中的问题。例如，在项目管理流程中，我们最初认为，使用人工智能生成会议摘要、行动事项和项目进展更新，能让这些任务更高效。然而，信息量增加后，仍需要人工审核、确定优先级，并在各团队之间进行协调。这不仅没有减少工作量，反而把工作转移到了下游。我们意识到，加快单项任务的速度，并不一定能提高整个工作流程的效率。Socrates 的目标依然适用，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。

这次挫折后来成为宝贵的经验：我们审视了事情的经过，并将所得发现应用于下一次尝试。这进一步印证，人工智能转型不仅仅是引入技术，还需要改变人们从实验中学习、作出决策和协同工作的方式。Socrates 需要帮助员工将个人构建的成果与实际工作方式联系起来。

修订后的做法为这些实验设定了清晰的推进路径。员工可以先用人工智能解决一个真实的小问题。下一步是测试其他人能否使用他们构建的成果。此后，公司可以审视更广泛的工作流程，找出摩擦点，并将当前工作与其他团队开发的能力相衔接。员工之间的共同学习有助于评估一项改进是否能在最初设计用途之外继续发挥作用。

这一区别很重要。构建出对一个人有用的东西只是起点。要创造组织层面的价值，就必须了解其他人如何使用它，以及当它成为更大流程的一部分时，会带来哪些变化。

因此，我们从预期成果入手重新调整方向：团队需要实现什么目标？哪些步骤有助于达成这一结果？哪些步骤的存在只是因为沿用已久的流程，而该流程如今已无法实现其目的？这些问题帮助我们将重点从为单项任务添加人工智能，转向围绕更明确的目标重新设计工作流程。

接下来，我们针对每项工作流程设定了相应的基准和标准。除了完成时间，我们还考察了质量、返工情况和员工投入。这些指标帮助我们评估整个流程的改进情况。

在 Socrates 中，我们重新设计了 20 多项工作流程，将围绕实际业务问题开展的实验转化为他人也能使用的能力。财务报告的处理时间从 4 小时缩短至 20 分钟；IT 部门则报告称，重复性任务减少了 40%，响应时间缩短了 60%。这些结果表明，运营方面取得了进展。要了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人力投入是否减少，以及团队如何利用因此释放出的产能。

对我们而言，经验教训是，要追踪改进的全过程。个人节省的时间固然重要，但只有当这些时间能帮助下一位员工更好地完成工作，并让团队更接近预期目标时，才会转化为组织价值。

CIO 应改为衡量哪些指标

要追踪改进对业务产生的影响，仅仅监测 AI 使用情况或节省的时间并不够。领导者需要将 AI 的普及与工作方式的改进及其带来的成果联系起来。进展应从三个不同层面进行衡量：

1. 普及情况：员工是否在使用 AI？

   普及情况仍是一项有用的诊断指标。使用情况、参与实验的程度以及员工反馈，都能揭示员工在哪些方面逐渐建立信心，又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，但不足以证明投资回报率。高使用率是进一步调查的起点，而非转型已经发生的证据。

2. 工作流程绩效：工作是否确实有所改善？

   成功标准应体现工作流程的预期目的。视具体应用场景而定，改进可能意味着信息更准确、错误更少，或问题解决得更快。

   应以基线为参照，评估整个流程的表现。追踪不必要步骤的减少、返工、质量以及员工的总投入。还应将接收并处理 AI 生成内容的人员纳入评估。如果一项任务导致其他环节增加审核或纠错工作，它就未必变得更高效。

3. 业务影响：AI 赋能的工作流程是否改善了业务成果？

   将工作流程的改进与领导层已经关注的成果联系起来，例如客户留存率、收入、服务质量或每个已解决问题的成本。举例来说，产出更多内容，说明产量有所增加；其业务价值则取决于产出的内容。

   应追踪节省的时间最终如何使用。这些额外产能是否改善了服务、支持了业务增长或降低了运营成本？评估其价值时，应计入交付这些成果的全部成本，包括人力投入、AI 使用消耗、集成、监督、培训和维护。

综合这些指标，领导者可以追踪 AI 的普及如何推动工作流程改善并带来更好的业务成果。如果 AI 使用量增加，却没有减少人力投入、提升质量或创造业务价值，领导者就需要在扩大规模之前重新评估当前做法。

领导者需要重新定义 AI 进展

普及数据能帮助企业了解哪些人在使用 AI，以及哪些地方需要更多支持。要理解其价值，就需要倾听实际开展工作的人员，并评估所获收益是否改善了更广泛的工作流程。领导者需要让员工有信心指出那些增加工作量却未带来更好结果的做法，并据此采取行动。如果从中吸取的经验能帮助改进下一次决策，那么改变或停止无效做法本身就是一种进步。

真正有意义的转型，体现在消除不必要的工作、取得更好的成果，并为重要工作腾出更多产能。领导者应以这些结果来评估 AI 进展，并指导后续投资。