AI, tools and transformation

AI、工具与变革 — Benedict Evans

AI、工具与变革

今天，典型的大型美国公司拥有数百甚至数千个不同的软件系统。它拥有像SAP和Workday这样的巨型“大型铁器”横向系统记录，拥有数百个垂直SaaS应用，还有数百个其他工作流程、脚本、自动化和数据库，甚至包括运行一个部门的10兆字节电子表格。公司往往甚至不清楚自己到底拥有多少软件，哪些软件实际在使用，又为哪些软件付费。然而，尽管拥有如此多的软件，公司内部仍然充斥着大量枯燥且重复的任务。

人们很容易认为AI将解决这些问题。有一个老笑话：工程师是那种会花一个小时构建一个工具来自动化只需10分钟完成的任务的人。但借助AI，现在你可以在五分钟内制造出这个工具，你不需要是工程师，也不需要编写代码。你只需让模型为你创建工具，或者更根本地说，直接替你完成任务。软件可能不再需要逐个创建工具，而是变得动态、生成式、自由形式和自发性。大量任务可以被自动化，而所需的软件却大幅减少。

如果你是工具构建者，而硅谷的每个人都是工具构建者，这听起来令人着迷。但我认为这种观点误解了软件的来源以及人们如何使用软件，也忽略了公司是如何变革的。

首先，大多数人并不是工具构建者，大多数人不会本能地思考自己的工作是否能以其他方式完成。如果你一直在硅谷的泡沫中生活，很容易忘记这一点，因为你的整个世界都围绕着创造改变做事方式的工具。但如果你是一位非常出色的婚姻律师，你整天都在思考自己的案件和客户，而不是思考什么样的法律发现软件会更好；如果你是一位非常出色的B2B销售人员，你整天都在思考自己的产品、客户和竞争对手，而不是思考什么样的销售赋能软件能让你更高效。

像Excel这样的产品试图通过引导流程、助手和模板来解决这个问题——你看到的“文件/新建”中的每一个选项，都是对你可以用这个软件做什么的建议。但每一个模板最终都发展成了一个独立的公司，这同样也是我在“Claude for X”这类产品中看到的现象——这虽然有帮助，但并不是最终答案。

狭义来说，这意味着待自动化的任务可能显而易见，但执行这些任务的人却看不到。这就是“前部署工程师”概念的由来——这类人是建造者，了解AI能构建什么，他们只需在律所或建筑事务所中四处走动，就能发现律师或建筑师没有注意到的桌面上的机会。（这也是很多科技从业者在15岁时的体验——在实习或父母办公室里四处转悠时，会突然对父母说：“爸，你有没有意识到其实可以这样完成？”）

更深层次的问题在于，过去几十年我们自动化的东西往往并不显而易见，即使你是工具构建者，也很难找到明显的解决方案。我们都能想到日常使用的一些工具，最初看到时的第一反应是“我为什么要用这个？”很多时候，问题的存在并不明显，而且常常被嵌入、捆绑或隐藏在其他事物中。同样地，即使你能看到问题，或以为自己看到了，解决它的正确方式也往往并不清晰，通常需要重新定义问题或解构问题，而找到这个正确方式的过程非常困难。对于许多成功的软件公司来说，它们在找到正确的解决方案或识别出正确的问题之前，都经历过多次失败的尝试。

仅仅让编写代码变得更简单并不能解决这些问题——让工具的创建变得更简单也无法解决。真正困难的是首先意识到你需要一个工具，然后知道这个工具应该实现什么功能。

但即使你达到了这个认知阶段，你也需要让其他人使用它。我们想要自动化的许多问题、工作流程和任务，可能涉及公司内五个不同部门的50或500人，三个不同的记录系统，以及四个不同的监管体系。你可能有一个改进应付账款处理的绝佳想法，但你自己无法改变公司所有人执行的方式。这必须是一个采购决策，一个购买决定，并且需要经历长达18个月的销售过程。

其次，所有这些都意味着软件的采购、选择或创建存在一个从自上而下到自下而上的光谱——公司采购SAP而用户制作电子表格——我认为将这一过程也视为从制度化到即兴化的光谱同样是有用的。

你有一些任务可以在现有的专用工具中轻松完成，无论是SAP、Carta还是Rippling。这些任务和工作流程已经被制度化——这些公司和你公司的许多人都投入了大量时间，确定了完成这些任务的正确方式，因此确保每个人使用相同工具以相同方式完成这些任务非常重要。但你也会遇到一些边缘情况、例外情况和一次性问题，这些问题在这些工具中很难甚至无法处理。你的用户会以自下而上的方式创建自己的解决方案，在Excel、电子邮件、共享文件夹、Tableau、PowerPoint、CSV文件、截图、PDF文档和会议电话等非结构化媒介中，以模糊且即兴的方式处理这些情况。

但一旦这个任务变成了你每天重复进行的固定流程，且被大量人执行，并且变得重要并关联到收入和风险时，公司最终必须将其制度化。你需要审计、安全、维护和问责机制。你铺设一条被广泛认可的路径，并雇佣专人将其固化。如上所述，你可能并未意识到这条路径的存在——你可能没有意识到有数百人每天浪费一小时在这件事上——而找到正确解决方案的方式可能很困难，但正是这个过程让公司拥有数百个应用程序。

我们曾经历过从传统软件向SaaS模式转变的阵痛，这种转变使软件数量级增长了十倍，同时伴随着全新的运营模式和业务周期，这导致大量无法适应转型的传统企业被淘汰（这正是“SaaSpocalypse”一词的真实含义）。这种变化本质上是持续不断的整合与解耦过程。所有这些SaaS应用所执行的功能，其实都可以在SAP、Excel或电子邮件中完成——Carta这家估值40亿美元的公司，其核心功能就是为CFO管理一张电子表格。有时任务还会反向流动，几年前我曾与一位顾问交谈，他说他一半的工作是劝说使用Excel的人改用数据库，另一半则是反过来劝说使用数据库的人改用Excel。

因此，如果你是普华永道（PwC），每年招聘3000-4000名毕业生，你会使用专门的“制度化”软件来管理这一过程。而如果是一家小型公司，每年只招聘5-10人，你们可能只会用电子邮件、共享文件夹和Google Sheets。当这家小型公司逐渐成长时，最终会超出这种基础工具的承载能力，可能转向Notion或面向中小企业的SaaS HCM解决方案。但PwC内部的一个小型团队也可能继续使用Google Sheets来跟踪候选人，因为Workday的灵活性不足——解耦过程再次开始。

现在AI技术正在渗透到所有这些领域。AI将扩展现有所有应用的功能，同时催生大量新的垂直领域应用。Excel、Tableau、Google Sheets、电子邮件以及其他所有用于即兴解决问题的自由空间，都将在AI加持下获得全新能力。随着这一周期的演进，聊天机器人本身将成为一个新的自由空间，与Excel和电子邮件并列存在，从它们手中接管部分任务，同时也会将部分任务重新交还给这些工具和应用。

现在，那家每年招聘10名毕业生的小公司可能会更长时间依赖Google Sheets，因为AI让其具备了更强的可扩展性。或者，你们可能将Google Sheets作为Gemini的数据存储库，并思考“我们是该让Claude来处理这件事，还是迁移到Notion？”……这时你会发现，市场上恰好出现了一款专为解决这类问题而设计的SaaS应用，它甚至解决了你尚未意识到的其他问题。AI并未改变核心问题的本质，而是创造了新的选择，重新定义了能力门槛。

我认为过去三年企业级AI部署的实践已经印证了这一切。每家大型企业都为员工配备了Copilot（或可能是ChatGPT、Claude），其中一小部分人使用频率极高（其中一些人确实显著提升了工作效率），更多的人每周使用几次，而公司中很大一部分员工几乎完全不使用。这在一定程度上是变更管理和培训的问题，但本质上与1983年为每位员工配备PC和Lotus 123，或1997年为每位员工配备互联网连接和浏览器时面临的问题如出一辙。AI究竟如何与每个人的具体任务和本周实际遇到的问题精准匹配？是的，你确实为所有人配备了PC和Lotus 123，但这并未改变你处理发票流程的效率。是的，你确实为所有人配备了浏览器，但这并未改变你围绕互联网重建供应链管理的方式，更不可能成为零售商管理电子商务的手段。

狭义上，企业思考如何改变这类结构性流程的方式，是通过启动试点项目开始的。你们会尝试运行产品试点（包括采购和内部开发的产品），这些产品利用AI的新能力来自动化以前无法自动化的流程。现在已有大量数据表明，这类试点项目的数量、成功率（大约一半，这很常见——这也是为什么它们被称为试点！）以及可能出错的地方。

但再次强调，这仍然是一个非常传统的CIO对话，围绕用例、灯塔项目、试点、英雄人物、快速胜利和可衡量的结果。与此同时，CEO和董事会却感到困惑，说：“等等，但我们有数百个工作流程，只完成了五到十个试点。这似乎无法扩展？”理论上，给公司所有人提供ChatGPT确实可以扩展，但大多数人实际上并没有找到有效使用它的方式。

回到假设场景：上世纪80年代，银行给所有人发放电子表格；上世纪90年代，零售商给所有人发放网页浏览器。当然，你应当这么做，当然，你也需要考虑培训、变革管理，以及KPMG能告诉你的所有其他相关内容。但这种方式并不是你思考如何围绕代际级新技术重塑公司运营方式的正确方法。

退一步看，我认为每次出现变革性新技术时，每家公司都必须提出三个问题。第一，我们如何购买、构建和部署这项技术？是否需要试点？我们应该选择微软/谷歌/甲骨文捆绑销售的产品，还是自行构建，或者雇佣他人构建，还是从初创公司购买这项新技术？第二，他们必须思考这项技术对其运营的改变程度。这意味着什么？电子邮件对我们的意义是什么？电子表格对我们的意义又是什么？如果是一家保险公司或律师事务所，答案可能会截然不同。第三，你必须思考这项技术是否给公司的经济模式带来新的挑战，是否形成新的竞争压力，或者是否构成某种生存威胁。

你不会通过给每个人提供Claude来回答这些问题。事实上，所有这些都意味着专业服务行业将涌现大量新的销售方案（这颇具讽刺意味，因为AI本身也对这些公司的商业模式提出了诸多问题）。你是否想部署一个基于大语言模型的语音分析工具到呼叫中心？你大概率会联系埃森哲。供应商本身一直乐于提供帮助，而如今大型实验室也建立了自己的“部署公司”——我们曾开玩笑说，“机器学习科学家”是住在旧金山的统计学家，那么“前向部署工程师”可能就是OpenAI从系统集成商那里雇佣的任何人。另一方面，如果你的初创公司开发了一款出色的工具，并希望快速推向市场？你大概率会联系四大咨询公司。如果你对向律所或会计师事务所销售AI软件的难度感到沮丧？那你可以尝试创办一家“AI赋能”的律所，看看这是否能成为关键的杠杆点（或者是否就像上世纪80年代创办一家“PC赋能”的律所一样困难）。当然，如果你是董事会成员，正在思考这是否构成某种生存威胁，或是否是巨大的收入机会，那么你大概率会考虑联系贝恩、BCG和麦肯锡（或你熟悉的并购银行家）——这就是他们的专长。

不过，如果我们退一步来看，其实还有一个更简单的方式来思考这个问题。每当出现一项新技术时，我们最初都会用它来处理已有的工作，只是做得更多、更快。但随着时间的推移，我们会创造出完全崭新的事物。我们将利用人工智能来自动化现有工作流程和现有公司内部的广泛任务类别（尽管，正如我上面所述，这将比直接为每个人提供一个模型要麻烦得多，工作量也大得多）。但与以往每一次平台转变一样，真正重要的东西是那些以前甚至不可能实现、无人想象过的事物。

分类

人工智能

,

生产力

作者

Benedict Evans

日期

2026年9月3日