AI应用越广，人为何反而更忙碌？- 智能时代能力供给6B之Bot与Boost

智能时代能力供给6B · BOT × BOOST

1854年，在纽约水晶宫博览会上，伊莱沙·奥的斯登上了一个升降台，并让助手当众砍断唯一的吊绳。

平台瞬间下坠。几寸之后，旁边的安全装置卡住滑轨，平台悬停空中。

此前，升降机已能运送货物，但人们不敢用它载人，因为无人知晓绳索断裂后会怎样。

奥的斯改进的不是速度，而是让机器首次赢得信赖：它能自主运行，也能在故障时由另一套机制托底。

170多年后，AI正融入企业的客服、财务、研发、营销和运营流程。机器阅读更快、输出更多、反应更迅速，可很多人的工作量并未减少。

他们仍需核对AI生成内容，重新录入系统，逐一复核结果，处理新生的例外，再向上级提交AI使用报告。

机器开始工作，组织却没重构任务。

这正是智能时代能力供给6B中，Bot与Boost必须一体讨论的原因。

前篇论Break：一种已识别的组织能力，为何在现有体系中不能稳定产生客户与经营成果。

找到断点后，6B继续追问能力如何重组。Bot回答机器能独立承担什么，Boost回答人的判断与行动如何被增强。

本文聚焦这两个关联但不可互换的维度：Bot处理机器承接，Boost处理人的扩大。Build、Bridge和Bind则继续探讨能力如何内建、外部能力如何接入，以及关键资产与最终责任如何留在组织内。

传统人才供应链已有Boost，却无Bot。过去，即便组织使用软件和自动化工具，能力仍主要由人和岗位承担。如今的变化在于，AI不再仅提供信息，它开始解读材料、做出决策、调用系统，并让结果直接生效。

两者的区别不在于使用哪种AI，而在于最终谁让结果落地。

AI草拟客户方案，由销售经理判断、修改并承诺给客户，这是Boost。

系统审核低风险报销，自动通过并进入付款环节，异常单据才转交财务，这是Bot。

前者扩展人的判断范围，后者将可验收的工作交给机器。它们可先后或同时发生。最常见的第三种情形是：AI加了一层生成，人又加了一层复核，Bot和Boost都未真正形成。

中国费控企业合思正尝试将Agent融入完整财务流程。

公开信息显示，合思推出了7个Agent，覆盖填单、审核、票据识别、法务和商旅分析等环节。公司还成立独立Harness小组，用AI重新设计产品线；部分产品经理调入“深度现场部”，长期驻留客户现场，观察Agent何处出错、为何被拒、哪些规则需调整。

变化甚至波及收费模式：从按软件收费，尝试转向按结果、按效果收费。机器是否真正完成工作，开始直接影响营收。

合思的AI财务审核产品提供辅助、半自动和全自动三种模式。企业可通过“信任滑杆”，逐步扩大机器自动判断的单据与场景。其公开目标口径包括约98%的全流程自动化率、超95%的审核准确率。

这些数字源自企业披露，尚不能证明所有客户均实现同样效果。但它抛出比“AI能否识别发票”更关键的问题：组织究竟愿将多少审核权交给机器？

将镜头拉近至一张报销单。

员工提交发票和事由。机器读取票据，匹配差旅政策，核对金额、行程和重复报销记录。证据齐全、规则明确、风险较低的单据，由机器完成审核，将结果写回系统。

遇到材料矛盾、金额越界、特殊客户或业务，机器暂停，单据转交财务人员。财务人员看到的不仅是“请复核”，还应包括触发的异常证据、对应规则和历史记录。他作出的否决、修正和新规则，再返回系统，改变下一轮机器处理方式。

至此，流程才完成一半。

真正棘手的是：原来逐单检查的任务是否取消？是改为抽检，还是换个界面继续全量复核？财务人员是否有时间处理复杂业务，是否有权修改规则，还是仅为机器判断承担最终责任？

如果机器处理98%的材料，人仍触碰100%的单据，所谓自动化只是把人的工作向后挪了一步。

自动化率不等于人工工作退出率。

面对AI风险，许多组织会说：“最终还有人工审核。”

一项发表于《Management Science》的随机现场实验，揭示这句话的局限。

一家匿名小额信贷公司的62名贷款评估员，在10个工作日内处理了23,809份真实申请。他们先独立做出初步判断，再看到XGBoost给出的建议，最后由人终审。

实验设置四种情形：评估员掌握的信息有多有少，系统是否披露算法给出建议的理由。

四种人机组合均优于人或算法的单独决策。但一个反常识结果是：解释并非总能帮助人。当评估员信息有限时，披露算法理由反而降低了协作价值；只有信息较丰富时，解释才带来改善。

有效的人机协作也不意味着人要频繁反对机器。真正产生价值的是，当算法理由与具体申请出现内在矛盾时，人能够发现异常，并选择性地推翻建议。

这项实验将“人工终审”拆解开来。

人是否在见到机器建议前形成自己判断？系统给他的是结论，还是可核验的异常证据？他是否有足够时间处理分歧？面对高压队列和效率考核，他是否真有权按下停止键？

在流程图上画个人工审批框很容易。但让人在正确时点、依据充分证据改变机器结果，需重新安排信息、时间、权力和责任。

研究本身也有局限：企业和国家匿名，被拒申请的部分结果依赖模型估计，研究对象仍是传统机器学习。它没证明一种通用做法，却足以推翻一种轻率判断：

“人在环”不是安全设计。人能有效否决，才是。

许多AI项目先统计账号开通率、调用次数和Token消耗。这些数字能说明组织在推动使用，却不能说明工作已改变。

更值得进入经营会的，是另外四组数字。

机器独立完成率：多少工作不再等待人工逐单批准，结果已在业务系统中生效？

人工接触率：机器处理量上升后，人还要触碰多少工作，每单花费多少分钟？

异常回交质量：有多少工作被升级、被人工否决、被撤回，客户又提出多少申诉？升级过少，风险可能被机器吞没；升级过多，机器还没形成稳定边界。

人的新增价值：人是否更快解决复杂问题，是否持续更新规则，客户和经营结果是否改善？

四组数字放在一起，才看得出组织正经历哪种变化。

机器完成率提升，人工接触率不降，说明AI增加了产出，却没带走旧工作。

人工接触率下降，错误撤回和客户申诉上升，说明组织将工作交出，却没把风险接住。

只有机器独立完成率提高、人工总工时下降、异常能及时回交，而人的判断又改善客户与经营结果，Bot与Boost才真正进入同一条工作流。

读到这里，管理者最易犯的错误，是立即启动全公司的“岗位重构”。

Bot和Boost更适合从一个小而完整的经营场景开始。可以是一笔报销、一次客户报价、一张售后工单，也可以是一份候选人初筛结果。它必须高频发生，有明确结果，出了问题也能找到责任人。

召集这段工作的业务负责人、一线操作者、流程或风控负责人，以及能改动系统的人。用90分钟，只完成一张工作约定。

先写清结果。

这段工作以什么为起点，什么状态才算完成，结果在哪里生效？“AI生成了一份内容”不算完成；报价发给客户、报销进入支付、工单完成关闭，才是业务结果。

再划定机器的行动边界。

机器可以读取什么、判断什么、改变什么？金额、客户类型、数据范围和风险等级要明确。能生成建议，不等于可以拒绝客户；能识别错误，也不等于可以冻结付款。

同时写下回交条件。

材料缺失、证据冲突、金额越界、客户提出异议、模型置信不足时，工作交给谁？接管者能看到哪些证据，能否暂停、否决和修改结果？

明确哪些旧工作退出。

这是最易回避的一步。原来的人工检查是取消、转为抽检，还是只保留高风险部分？如果试点结束后仍全量复核，就应承认Bot尚未成立，而不是用调用量掩盖事实。

最后重新写人的工作。

被机器接走标准任务后，人不应只是“负责兜底”。他要处理哪些复杂判断，维护哪些规则，面对哪些客户，拥有怎样的决定权，又对什么结果负责？

这张约定完成后，不必立刻全量上线。先让机器在后台运行，与人工结果对照；稳定后开放低风险场景，再逐步扩大授权。30天内，每周只看前面四组数字：机器独立完成率、人工接触率、异常回交质量和人的新增价值。

到第30天，管理层只作三个决定：扩大授权、收窄边界，或停止试点。

这套做法的价值不在于快速证明AI有效，而在于将模糊的“用AI提效”，变为一份可验证、可撤回、也有人负责的工作约定。

美图的案例将Boost推向个人工具之外。

据36氪对美图管理层的访谈，公司在2000多人规模的组织中设置小型AI创新工作室，单个团队最高可获得1000万元创新资金，同时调用影像和增长中台。新产品约一个月完成市场验证，六个月内还要跨过10万美元ARR闸门。

AI改变的不只是产品经理生成原型的速度。

用户信息如何进入选题，小团队能调用多少资源，谁决定继续投入，什么结果出现时应停止，都被放入一条更短的反馈链。被放大的，是团队发现机会、验证产品和停止错误投入的能力。

美团的报道呈现了另一种组织反应。高层推动AI后，一些团队开始在周报中增加AI提效栏目，统计Token和Skill使用情况。正式要求沿层级向下传递，最后可能变成员工不断证明自己“用了AI”。

两家公司不能简单作成败比较，公开证据也不足以支持该结论。但它们放在一起，能看见一条清晰分界：

AI进入资源、决策和客户反馈，才可能改变工作；只进入汇报和考核，最先增加的是证明工作。

AI干得越多，人反而越忙，并不矛盾。

机器生成了更多结果，却没获得让结果生效的权限；旧流程和全量复核被完整保留；管理者把节省的时间立即换成更高产量；人的信息、决定权和评价标准仍停在过去。

机器增加了产出，人继续承担旧工作，还要接住新的复核、例外和责任。

Bot要求组织在明确边界内，将一段可独立验收的工作真正交给机器。Boost要求那些必由人完成的判断，同时获得证据、时间、权力和责任。

奥兹没承诺升降机永不失效。他只是让所有人看见，绳索断裂后，系统会在哪里把它接住。

AI进入组织后，也要回答同一个问题。

机器接走什么，人的工作就必须重新安排什么。

有兴趣的朋友可参考本系列前两篇：

智能时代的人才供应链6B｜战略压力来了，组织靠什么承接？（总括篇）

登月计划背后，组织能力如何真正产生结果？（Break）