吴恩达解析AI企业困境：效率提升为何难转化为实际利润？

吴恩达在HumanX大会上的一句深刻洞察，揭示了当前企业AI竞争的本质：AI已极大提升了执行效率，如今真正的稀缺资源，不再是工程师，而是那些能迅速做出精准商业判断的决策者。越来越多的企业意识到，核心挑战并非缺乏技术工具，而在于难以识别哪些AI实践真正有效，更无法将成功的经验规模化复制。

今年初在旧金山举办的HumanX大会上，吴恩达分享的观点重塑了众多与会者对企业人工智能的认知。这位曾领导Google Brain和百度AI平台建设的权威专家，也是DeepLearning.AI和Coursera的联合创始人。如今，Coursera服务着全球约1.48亿学习者，他对AI在哪些环节将对企业产生关键影响的判断，已成为行业重要风向标。

他指出，他的团队现在期望两名工程师在一个月内交付的成果，过去需要十五名工程师花费三个月。他们的应对策略是招聘更多工程师，而非裁员，因为创新的想法和业务需求增长的速度，已经远远超过了团队现有的执行能力。

这背后揭示了一个容易被忽视的深刻转变：企业发展的瓶颈已经转移。问题不再是工程产能不足，而是决策速度跟不上技术迭代。工程师高效完成任务后会问：“下一步该做什么？”在AI驱动的时代，最稀缺的资源不是开发人员，而是优秀的产品与战略决策者。那些最终能脱颖而出的企业，并非拥有最多AI工具，而是建立了能够对AI产出方向和内容价值做出更快、更优判断的决策机制。

这一点，远比表面看起来更为关键。过去三年，企业AI领域的讨论多集中于执行层面：部署哪些工具、如何推动团队采用、如何管控潜在风险。这些都是真实的问题，但已不再是核心约束。真正的核心约束是组织的判断力——企业能多快决定该推广什么、优化什么、终止什么？

可见性问题，本质上是决策问题

专注于企业AI可见性与治理的平台Lanai AI，从其客户数据中发现了一个典型案例。某营收运营团队有140名销售代表在三个区域使用AI工具，其中一名代表私下搭建了一套客户续约触达工作流，其效果达到了团队平均水平的110倍。然而，管理层对此完全不知情。没有系统能呈现这个最佳实践，没有方法将其整合进主销售漏斗，更无法将其复制推广。

一旦这个隐藏的高效工作流通过平台变得可见，团队立即将其提取出来，作为标准化、可管控的智能流程进行部署，并在72小时内推广到了三个区域的全部140名销售代表。结果如何？回收了相当于11.4个全职员工的产能，并在相关销售管道中创造了280万美元的增量价值。这个案例清晰地表明，技术从来不是真正的挑战，挑战在于决策——而有效的决策，只有在管理者能够看清全局时才有可能做出。

同样的模式也出现在成本管控端。一家IT与安全领域的客户发现，公司内部有23款AI工具在六个部门中运行，其中9款完全处于失控状态，客户的个人身份信息通过个人账户流转，另有3个企业级许可证的利用率甚至不到8%。工具散落各处，支出持续发生，唯独缺少一个能够统一查看哪些工具是关键、哪些是冗余，并据此做出优化决策的全局视角。一旦获得了这种可见性，他们迅速将工具整合为14款受管控的核心工具，一举削减了34万美元的闲置软件支出。这依靠的不是部署新技术，而是做出了他们之前因信息孤岛而无法做出的精准决策。

Coursera自身的员工留存数据，从另一个角度印证了同一趋势。完成AI技能培训的员工，其留存率比未完成培训的员工高出50%。这揭示了一个更有价值的产出：关键不仅是任务效率的提升，更是那些真正理解AI能力的人，开始能提出更优质的创意，并知道该如何有效利用它。最终带来的深层好处，是对业务方向有了更清晰的战略思考，而非仅仅是更快地执行相同的旧任务。

工作本身的变化速度，已经超过了组织架构图的更新速度

在可见性问题之下，其实还潜藏着一个更深层的结构性问题。我们赖以理解和管理企业运作的两套核心体系——组织架构图和损益表，都诞生于一个“谁在执行工作”的答案非常明确的时代：那就是人类员工。

McCallum在1855年设计的铁路公司组织架构图，是为了将数千名员工映射到绵延数英里的铁路线上。Pacioli的复式记账法演变为现代损益表，让商人能看清支付完人员薪酬后还剩多少利润——这里的“人员成本”，指的就是人类劳动者，而非软件或处理器。工业革命引入了“折旧”概念，承认机器设备也在完成工作并产生价值损耗，但即便如此，当时的底层假设仍是：劳动者要么是人，要么是大型硬件设备。这套传统财务与管理体系从未设想过今天这样一个世界：软件和AI智能体本身就在生产一线，作为“数字劳动力”在创造价值。

AI，本质上就是穿着软件外衣的数字运营劳动力。而无论是传统的组织架构图，还是经典的损益表，其最初的设计逻辑都无法准确识别和衡量这种新型劳动力的贡献与成本。

当一个AI智能体自动处理了一万张客户服务工单时，在损益表上它可能仅仅显示为一项云计算或软件订阅支出；而当人类员工完成同样工作时，则被明确计入人工成本。这种实质性的替代与效率提升是真实发生的，却在任何传统的财务报表上都无迹可寻。

这里有一个反直觉却至关重要的发现：人主导、AI辅助（L2）层级的活动在达到效率峰值后会逐渐下降。它下降不是因为AI辅助变差了，恰恰相反，是因为那些被广泛验证有效的L2工作流，已经成熟到可以升级到更高程度的自动化（L3）层级了。对任何企业而言，关键问题不在于如何停留在L2，而在于如何识别哪些L2工作流已经具备了升级条件，以及企业是否有足够的数据洞察来主动地、而非偶然地做出这个判断。

可以预见，到2028年，AI主导、人类监督（L3）将成为知识工作的主流形态。最常见的配置将是：AI智能体负责执行具体任务，而人类负责监督、审核并判断它做得是否正确。这与大多数知识工作者岗位最初的职责描述有着本质的不同，而且这一转变到来的速度，远比大多数组织的架构设计与人才准备要快。

一个没人做过预算的管理问题

现实是，大多数企业现有的AI应用仪表盘，其设计初衷并不是为了呈现上述价值链路。它们追踪的往往是工具采用率、活跃用户数和已完成任务量——这些指标衡量的是“活动量”，而非企业是否成功地将“AI活动”转化为了“有效决策”，再将“有效决策”转化为可衡量的“业务成果”。

当CFO询问公司的AI投入究竟换来了什么投资回报时，这种管理上的差距便会暴露无遗。18个月前每月5000美元的AI计算支出，如今在许多企业已暴涨至每月4万美元，却往往没有一个清晰、有说服力的故事来解释这笔钱花得是否值得。能在这种质询中从容应对的企业高管，不是那些花费更少的人，而是那些在被人问起之前，就已经搭建好从“资源消耗”到“业务成果”转化评估链路的人。从计算资源消耗到AI处理线程，从处理线程到完成的任务，从节省的时间到具体的业务成果——这条价值链路其实存在于数据之中，只是大多数企业尚未将其打通并可视化。

展望2026年，那些能在董事会面前清晰阐述AI战略价值与投资回报的CIO，必然是那些从一开始就将AI部署视为一个核心管理问题的人。他们搭建了连接AI活动与既有业务成果的度量系统，并培养了组织根据数据洞察迅速采取行动和调整策略的文化习惯。

归根结底，执行已不再是瓶颈，判断力成了新的稀缺资源。过去因人类执行速度慢而步履蹒跚的企业，如今缓慢的原因已然不同：缺乏能在高度不确定性的环境下做出正确判断的人才与机制。大多数组织的架构，其设计初衷是消耗和分配既有的判断力，而非系统地培养、激发和规模化新的判断力。

领导者们批准了采购工具的预算，而最终能赢得AI时代竞争优势的，永远是那些决定为最终业务结果负责，并构建了相应决策体系的组织。