AI 的最大隐性成本不是计算，而是人力。

每个人都在谈论 AI 的成本。通常，他们讨论的是 GPU、模型许可或令牌消耗。我认为他们正在看错地方。

企业 AI 的最大成本可能是监督它所需的人力。

一项 最近的研究 发现，员工使用 AI 每周节省约 11 小时，但花费超过 6 小时检查输出、修复错误、添加缺失的上下文和确保结果实际可用。有人为此创造了“botsitting”的术语。这是一个吸引人的名字，但它指向了一个更大的问题。

AI 本应减少工作量。然而，许多组织正在创建一个全新的工作类别来管理 AI 本身。这不是一个技术问题，而是一个运营模型问题。

SaaS 时代的更快续集

我以前见过这样的情景。

15 年前，组织采用了 SaaS，因为它使软件更容易购买和部署。业务单位可以在不等待 IT 部门的情况下解决问题。生产力提高了，创新加速了。然后，影子 IT 出现了。

突然，没人知道员工正在使用多少应用程序，公司数据存储在哪里，谁可以访问它。IT 部门仍然负责，但它不再具有可见性或控制权。AI 感觉上与此非常相似，但不同之处在于速度。

一个 SaaS 应用程序可能会暴露一小部分系统；一个 AI 代理可以在第一天连接到几十个系统。它可以阅读文档、总结合同、生成代码、更新记录和触发工作流程，而大多数组织甚至还没有记录它的存在。

技术的发展速度超过了管理它的运营模型的发展速度。

这就是为什么我并不感到惊讶，IBM最近的一项研究显示，三分之二的 CIO 和 CTO 负责他们并不完全控制的 AI 系统。大多数受访者还表示，AI 正以比治理能够跟上的速度传播。这并不是因为 CIOuddenly 变得不那么能干。是因为 AI 不适合传统的所有权模型。

安全团队负责风险。
法律团队负责合规性。
开发人员构建集成。
业务单位负责结果。
供应商控制基础设施的某些部分。

与此同时，AI 跨越了所有这些领域。当出现问题时，每个人都拥有答案的一部分，但没有人一定拥有整个系统。这就产生了一个差距，组织几乎总是用人力填补这个差距。

有人会审查 AI 生成的报告，然后将其发送给客户。
有人会检查 AI 编写的代码，然后部署它。
有人会验证建议，然后做出决定。
有人会调查意外行为。

其中一些监督是我们想要的。AI 不应该在没有人类判断的情况下运行，尤其是在受监管的行业或高后果环境中。问题在于，当人们成为主要的控制者时。

从聊天机器人到自治代理

想想当组织超越聊天机器人时会发生什么。

今天，AI 助手帮助某人撰写电子邮件。
明天，AI 代理会发送它。

今天，AI 建议更新客户记录。
明天，它会自己做出改变。

今天，AI 推荐业务流程的下一步。
明天，它会自动启动工作流程。

每一个新动作都会引发另一个决定：

应该允许 AI 执行此操作吗？

• 它应该访问该系统吗？
• 它应该检索该数据吗？
• 应该有人先批准它吗？

大多数组织会手动回答这些问题，这在有十个 AI 使用场景时有效。但当有数百个或数千个使用场景时，这种方法就不再有效。讽刺的是，组织投资 AI 以提高生产力，然后要求高薪员工花时间监督它。

这不是扩大 AI 的规模，而是扩大了人力的负担。

微软也得出了类似的结论，在其 2026 年工作趋势指数 中。经过分析了数万亿个工作信号和调查了 20,000 名 AI 用户后，公司发现，AI 成功的最大障碍不是技术，而是围绕它的组织。

员工正在比公司更快地采用 AI。现在的真正挑战是重新设计工作的方式：决定什么应该由 AI 做，什么应该由人做，以及两者如何协同工作。我认为这正是企业领导者应该讨论的内容。AI 不会仅仅因为部署而创造价值；它会在部署时创造价值，当它具有明确的运营模型时，让人能够专注于判断而不是监督。

重新思考 AI 治理：从政策到运营

这就是 AI 治理的对话需要改变的地方。当人们听到“治理”这个词时，他们经常想到政策、委员会和文档。这些东西很重要，但它们都不能实时做出决定。

它们都不能阻止 AI 代理访问不应该访问的数据，或者暂停行为异常的工作流程。它们都不能解释，当采取行动时，是否与公司政策一致。

这是差距。

组织不需要更多的治理文件。他们需要的是能够运作的治理。常规操作应该在批准的政策范围内自动发生；高风险操作应该需要人工批准，敏感系统应该有明确的界限，规定 AI 什么可以做，什么不能做。

如果 AI 过程以意外的方式运行，应该有一个立即停止它的方法。这并不是因为 AI 不可信任，而是因为每个业务流程都需要防护栏。

将人类置于重要位置

从 AI 中获得最大价值的公司并没有将人类从等式中消除。他们将人类置于最有价值的地方。

不用审查每个输出。
不用检查每个提示。
不用照顾每个代理。

他们专注于例外、边缘情况和真正需要判断的决定。这是更好的利用人类专业知识的方式。

真正的企业问题

AI 已经达到了一个阶段，技术不再是最大的问题。大多数组织已经证明它可以生成内容、编写代码、总结信息和自动化重复性工作。

更难的问题是，他们是否能够在企业规模上自信地运营 AI：

他们能看到它在做什么吗？

• 他们能控制它可以访问什么吗？
• 他们能一致地执行政策吗？
• 他们能解释为什么 AI 系统采取了某个特定操作吗？

这些是运营问题，它们也是日益增长的经济问题。这是因为花在监督 AI 上的每个小时都会蚕食最初证明投资合理的生产力收益。赢得 AI 竞争的公司将不是那些运行最多模型或部署最多代理的公司，而是那些不需要一支人马来监视它们的公司。

AI 应该放大你的劳动力。它不应该悄悄地成为一个新的劳动力。