AI提速局部却未改变全局？瓶颈不在速度而在清晰度

近日拜读了企业架构师 Frederick Vanbrabant 的文章：《我不认为AI会让你的流程变快》。作者在动笔前，重温了《丰田之道》与《目标》两本管理经典。文中一句“瓶颈应当获得可预测且高质量的输入”深深触动了我。这句话之所以尖锐，是因为它揭示了一个普遍存在的现象。试想这样一个常见场景：销售用AI撰写客户跟进话术，客服利用AI回复消息，运营借助AI批量生成短视频脚本，设计师用AI作图，研发部门引入Cursor和Copilot。单看每个岗位，效率确实提升了。然而老板月底复盘时却发现整体并无显著变化：客户成交周期未缩短，交付依旧卡顿，项目依然延期。员工产出增加，最终却转化为更多需要老板亲自决策的任务——过去是人慢，现在是各部门以更快速度将决策请求推向老板桌面。这正是许多企业AI转型中最易陷入的误区：AI加速了局部动作，却未提速整体系统。我深入剖析此事后得出一个判断：许多企业AI转型失败，并非模型能力不足，而是资金投错了位置，且往往是最显眼的位置。显眼的瓶颈未必是真正的瓶颈。Vanbrabant在原文中举例：一张项目甘特图显示软件开发占用项目时长超60%。众人第一反应便是认定开发是瓶颈，优化应优先聚焦开发。这一判断表面无误，实操却常出错。我审视公司流程时，首要问题从来不是“哪里慢”，而是“哪里在等”。这两者看似相近，背后的逻辑路径截然不同。举一最常见例子：产品从立项到上线，研发耗时占60%。众人皆觉研发慢，于是老板斥资引入代码生成工具、采购Cursor企业版、部署各类大模型，强制程序员使用Copilot且token无上限。但若深入观察研发真实状态会发现：那60%时间里，可能仅20%用于真正编码，其余40%耗费于三件事——等待明确需求、追索前一环节确认、修改业务方临时变更的需求。提供能加速编码的工具，最多优化那20%的部分。剩余40%的等待与返工，AI难以直接解决——它或许能帮模糊需求稍作梳理，但真正需拍板的人、需定的规则、需分的责任，仍需组织自行补足。这便是伪瓶颈——看似最慢，慢因却不在其自身。软件开发并非打字工作。此理不仅适用于研发。Vanbrabant在文中所言令我深表认同：任何程序员都清楚，靠打字快无法让项目加速。若真如此，我们都该去学速记。软件开发本质非写代码，而是将模糊现实问题转化为机器可稳定执行的方案。为此，开发者需完整理解问题、业务规则、异常情形、安全边界及扩展性要求。因此，软件开发慢，真慢之处常发生在“翻译”之前——即厘清究竟要做什么。将此判断推广至老板更熟悉的场景：销售慢，真慢点非话术不足，而是客户分层缺失、报价权限模糊、价格异议频发需请示老板。客服慢，真慢点非打字慢，而是知识库未建全、特殊情况无规则、不知哪些问题可自主回复、哪些需升级。运营慢，真慢点非内容产出少，而是选题方向反复变动、风格标准不一、发文后无人能评判优劣。每个岗位都有自身版本的“翻译”工作。AI再快，也加速不了“老板尚未想清楚”。一个老板最熟悉的例子：你让产品“销售成单后，自动通过微信或短信给客户发送感谢信”。你以为这是两天内可上线的小需求。但开发一旦着手，便涌现一连串问题：感谢信内容为何？谁定？用何模板？销售失败订单是否发送？退款客户是否发送？何种状态算“成单”？下单？付款？发货？签收？海外客户何时发送？用户已退订，是否仍发？异常情形如系统对账失败，发或不发？谁负责？这些问题无一可由开发拍板。他需逐一询问产品、业务、市场、法务。每问一人，对方要么无暇、要么需请示、要么直接说“你看着办”。一个“小需求”可在公司内部流转三天。此时若配AI代码工具，让编码速度从两小时缩至十分钟。看似美好——但前方三天的等待，AI一秒未省。AI加速的并非生产，而是上游问题的暴露。许多人期待AI开发如此：产品给出简单描述，AI数小时内完成完整功能，开发流程从数十天压缩至数天。Vanbrabant称此期待“不公平”。我理解其意：此类比较忽略了AI需“被喂上下文”的成本。AI生成代码确实快，但快不等于对。想让AI做对某事，需向其提供比人类更详尽的功能说明，明确每个边界、每种例外及验收标准。AI并未省去需求澄清环节——它只是将此任务推至你面前，迫使你在模糊之处当下厘清，而非待出错后再返工。许多企业感知的所谓“AI提效”，实则非AI带来，而是为让AI运行，组织首次认真厘清需求。若将同样清晰的需求交予人类团队，他们亦会明显提速。AI在此更像倒逼老板认清公司现状的工具。此判断对老板至关重要。若组织在AI前便能清晰表述需求，AI可助再快一截。若组织本就讲不清需求，AI无法救你——它只会将混乱更快推至下游，转化为更快返工。那AI究竟何时可用？抛开复杂方法论，分享我分析众多成功落地案例所用的三层判断框架。每次计划引入AI项目前，先过此三层。第一层：输入层——该场景能否清晰拆解？自测问题：该流程输入是否有固定模板？员工提交之物质量差异是否大？业务方或老板是否常中途改口？若任一答案为“不稳定”，此环节暂不适合全自动化。更合理起点是让AI辅助——整理、归类、生成初稿、提醒待办——而非直接替人做最终决定。辅助与替代，常易混淆。第二层：决策层——此事谁拍板？AI跑得越快，需拍板节点越多。若决策权不集中、不明确，AI产出速度反致系统崩溃——决策本身成新瓶颈。自测问题：AI产出结果后，谁有权决定用否？此人能否当日给出意见？哪些情况员工可定，哪些须升级老板？若答案多为“看情况”“大家讨论”“问问老板”，项目大概率陷入返工地狱。第三层：验证层——AI完成后，如何判定对错？自测问题：结果优劣有无判断标准？谁负责验收？出错后能否追溯至哪一层？非说客户感受、老板直觉不重要，而是不能仅靠这些。验证需有明确责任人，须在结果产出当日即可判定对错——非待员工使用一段时间出问题后再找责任方。无验证规则的AI产出，等于将质量问题外包下游。下游接不住，整个系统即崩。若三层任一有问题，先修该层，再考虑购工具。许多公司斥数十万购AI系统，最终起作用者非AI本身，而是为让AI运行，公司首次认真梳理输入、决策与验证。让公司变快的非AI，而是被AI逼出的那份清晰度。给老板的三句硬话。若全文只记三句，请记：第一，AI是放大器，非修理工。它放大组织既有能力差距——好的更好，乱的更乱。故引入AI前，先想清组织本身属哪边。第二，AI可加速动作，但不能替你定义规则。销售话术、客服回复、设计图、文案、代码，皆为动作。但谁拍板、何为合格、出错找谁——此为规则。规则未定，AI产出越快，后端越乱。第三，让公司变快的非AI，而是被AI逼出的那份清晰度。故下一笔预算前，先做几乎不花钱之事：将一核心流程的输入、决策、验证三层写清。若写完发现速度已提半成，恭喜，省下一笔工具费。最后留一话给正做AI转型的老板：别问“我该购何AI”，先问“若AI明日即至，我公司有何环节能给它稳定输入、明确决策、可验标准”。若无一，先停采购。补上这三事，你会发现许多原想用AI解决的问题，实则已解决一半。剩余一半，AI才真帮得上忙。参考阅读Frederick Vanbrabant：《我不认为AI会让你的流程变快》