AI news

企业 AI 转型案例:梳理跨部门流程,再逐步交给 Agent

By 宇宙编辑部1 viewsSource: 特工宇宙
企业 AI 转型案例:梳理跨部门流程,再逐步交给 Agent

文章译介一家部署服务商的方法,从确定指标、盘点现有流程和删除无效步骤,到影子运行与人工处理异常。月结时间与例外数量为作者分享的单一案例。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

我们之前分享过一篇文章,许多读者朋友感触很深:别指望你的组织能变得 AI Native。(在新窗口打开)

作者 Vas,是硅谷 @varickAgents 的 CEO。

他们每天的工作,就是和世界上一些最大、最复杂的组织打交道,帮它们把 AI 真正落地:业务涵盖战略与培训、流程梳理与再造、构建与部署 Agent,以及后续的优化与扩展。

最近,他们分享了如何让组织进行 AI 转型。

以下为全文精校翻译,略有删改。

AI 转型需要从公司层面开始

如果你经营一家大型公司,AI 该从哪里入手?

简单直白不绕弯子的回答是:视情况而定。没有什么灵丹妙药能让效率直接提升 90%。如果一个外部的 AI 转型伙伴给每家企业开同样的方子,那说明他们做过的项目还不够多。

我敢下这个判断,是因为在我们服务过的每家企业里,从财富 50 强到新融资了大钱的创业公司,我们都看到这套打法奏效:

在一个部门内做调研,聚焦关键工作流,把价值谈清楚,然后构建一个公司大脑(Agent 在执行中学到的关于你公司的知识,都沉淀在这里)。其中几乎所有的价值都在调研这一步。

我们有一个客户,先请了德勤,三个月后把他们换掉了,原因很简单:他们的调研做得太差。顾问做了一堆所谓的访谈,却不知道该怎么提问,这既浪费你的钱,也浪费你的时间。

真正的关键是:知道该问什么、如何找到对 AI 转型真正重要的信息,然后还能把它成功建出来。世界上真正知道怎么把这件事做对的人,可能不到 1,000 个,标准是既高效又准确。

不要被那些所谓的专精某个部门的 AI 转型伙伴忽悠。如果你想给财务部门引入 Agent,它们必然会横跨销售、运营、人力资源等多个部门的部分流程。销售运营的 Agent 也一样:那些工作流会牵涉财务和市场。人力资源会牵涉 IT。不存在所谓部门专属的 Agent。这种分工,本质是在人的精力和能力有限时的妥协,对于 Agent,这种分工反而成了限制:因此你的 Agent 必须能跨多个部门,因为它们有能力同时知道所有事情。

对于企业来说,AI 转型是一场侵入性手术:它高度依赖客户定制,做错了,可能让你浪费数月、搞崩系统迁移,重创业务。做对了,它可以让你的利润率翻倍,让一支 150 人的团队发挥 300 人的产出。

如果你想让自己的组织走上这条路,可以按下面的顺序来。

AI 转型的具体步骤

在 AI 转型前,你需要先搞清楚你的组织现在在哪个阶段:

一、如果你还没启动(这还不是最糟的一种):

可能是安全、法务卡住了流程,也可能是一次 ERP 迁移挡住了去路,于是你开始担心,自己已经落后太多。AI 确实让数据整理容易了不少,但别把“先把数据整理好”当成转型的前提:

数据准备本身就是转型的一部分,不必等它“全部完成”再启动。你的数据永远会有问题;转型工作本身,就应该在推进过程中不断暴露并修复这些缺口。

即便你还没启动,你的处境很可能比你以为的更好:

你也没有 20,000 个 AI 付费席位,每月耗资 1,000 万美元,却躺在那里吃灰;更没有一个所谓的 AI 中台部门卡着流程,花六个月评出 40 个最佳用例,还规定只有这些项目才能动工。

二、如果你部署了 Copilot,但撞上了平台期(这是最常见的一种):

过去两年,你部署了 Copilot 或 ChatGPT Enterprise,培训员工使用,甚至让他们自建了数百个 Agent。使用量在头几个月猛增,随后便进入平台期。人们都说它有帮助,但这种帮助始终没有体现在收益表上。

最典型的例子是总结会议纪要。麦肯锡《2026 年 AI 现状调研》显示:在使用 AI 的人中,80% 表示它提高了自己的工作效率;但只有 37% 的受访者认为,AI 对盈利产生了任何影响。

Copilot(或其他助手)只在员工主动求助时才会起作用,让某个环节提速 10%-20%。更何况,员工一天中真正使用它的时间远不到 8 小时,用得好不好还取决于个人写提示词的水平。

而当 Agent 在后台系统中工作,只在出现例外时才交由人工处理,我们看到的效率提升能达到 60%-90%。

假设一家 12,000 人的公司有 1,200 人使用 Copilot,而且他们只在三分之一的工作时间里提速 15%,你依然不会在收益表上看到任何变化:因为你既没有改变任何人的工作内容,也没有触动任何成本项。算下来,这不过相当于每人每天省出 24 分钟。

但假设你的 AP 部门(应付会计,负责核对供应商发票、安排付款的部门)有 40 人,而你用 Agent 自动化了 75% 的工作,那就是另一种情况:在 CFO 真正关心的成本项上,直接减少相当于 30 个全职岗位的人力成本。

三、如果你的试点卡住了(这是最糟的一种):

九个月过去,你手里攒了一堆试点的措施,却没有一个进入生产环境。原因大概率不出这三个:开发只在一个团队内部进行;动手前没有梳理流程;或者在构建前没有设定指标。

于是,你的 AI Demo 在理想路径上跑得很顺,却在遇到第一个例外时当场失效,而且没人算得清,把它修好到底值多少钱。最糟的是,整个公司因此疲惫不堪:大家试过了,没做成,也没人愿意再来一遍。重新启动,看起来像是一项永远做不完的大工程;相比之下,干脆认定“AI 没用”反而省事。

但 AI 并非没用:你的竞争对手正在用它,而他们有可能会凭此把你的公司碾碎。

文章配图

无论你的起点如何,调研都应先聚焦一个部门:既不要只盯着一条工作流,也不要一开始就铺开整个公司。盘点该部门涉及的所有记录系统(如 ERP、CRM)、每一条流程和规则、每一个 Agent,以及每一位相关人员。

按部门切入,并不意味着把视野局限在部门边界之内。因为一个流程的大部分耗时,往往并不集中在某个单一部门。以采购到付款为例,时间可能更多耗在采购、收货等环节,而不是财务本身;月度关账,也可能被薪酬流程中的一个例外卡住。

因此,如果一次只优化一条工作流中的局部环节(比如应付账款中的例外处理),就很容易漏掉真正影响全局的因素,例如采购或收货环节的例外率。这样的结果往往是,每个部门都认为自己已经达标,整个流程却仍要花上三周,因为大量时间消耗在部门之间的交接上。这些跨部门的前后衔接,就是我们所说的上游与下游依赖。

这也是为什么不能把 Agent 限制在单个部门内:财务 Agent 往往需要访问采购、薪酬等多个部门的系统,读取和写入相关数据。如果你的 FDE 只为某个单一部门(如财务)构建 Agent,他们就无法梳理出完整的端到端流程。

文章配图

那该从哪个部门开始呢?

选在这三项标准上得分最高的那个:数量(它的流程一个月跑多少次)、成本(你知不知道这个部门花多少钱;多数情况下 CFO 有这个数)、触达率(它的流程牵涉多少个部门)。

根据我们的经验,多数情况首选是财务,然后是销售运营,再是人力资源、采购或运营,最后是法务和市场。这一点在我们的客户项目里也成立:大约 40% 的项目落在 CFO 办公室,25% 落在销售运营。

转型为 AI Native 组织的七个步骤

我们用一家全球分销公司来走一遍这些步骤。

这家公司在给 12,000 名员工部署 Copilot 一年后找到了我们,当时已经走到了平台期:他们有 3 个试点在跑,但都卡在组织内部,CEO 希望在 16 周内拿出成果给董事会看。

1. 选出得分最高的部门。

财务得分最高,因为流程量大(月结要 20 天,应付账款每月有 700 个例外),且流程触达广(关账涉及 4 个部门)。销售运营排第二,法务因为流程量低排最后。

2. 谈好价值并写到纸面上。

CEO、CFO 和财务总监就三类 KPI 达成一致:时间与成本、收入(扣除 Token 开销后)、风险。然后他们把每一项的现状写了下来。

月结需要 20 天;应付账款每月有 700 个例外;处理一张发票的实际成本是 31 美元,而公司上下一直以为是 5 美元。第 16 周,CEO 带去董事会要讨论的问题,正是这一页纸。

3. 画出现状流程

这一步就是调研,也是大多数伙伴失败的地方。纸面上的流程写了 11 步,但读取 ERP 事件日志、再和一线人员聊完,发现 ERP 里实际有 20 步,邮件里还有 4 步。

多出来的步骤中,有一半源于集团内各公司之间开票时未附采购订单,而这些步骤在流程文档中只字未提。因此,画流程既要读取系统中的事件日志,也要与一线人员交谈,还得有一个真正知道该问什么的人。

4. 设计目标流程

对现状流程里的每一步,问题都是:这一步能不能删掉,或者能不能用一段代码或一个 Agent 来做?

在这个例子里,财务职能原本要做的 20 步中,7 步被删除,4 步由代码完成,6 步由 Agent 完成。还有 3 步仍由人做,因为审计师要求必须有人来做。

于是一个人从做 20 步,变成做 3 步,外加处理 Agent 转给他的所有例外。人们最常犯的错误是不删步骤,直接把现状自动化。在麦肯锡 2026 年的调研中,用 AI 赚到钱的公司里近 75% 从根本上改变了流程,而其他公司里这个比例只有约 25%。

文章配图

5. 在现有系统上构建。

Agent 构建在你当前的系统里,所以你的人不需要迁移到新系统,也不用登录新系统:Agent 基本上全是代码,只有一小部分用到了模型。

模型只用在输入不可预测的地方,比如读取一种新的发票版式,或者根据过去 1,000 张发票把一张发票归到正确的总账科目。Agent 学到的关于你公司的一切都存进你的公司大脑,所以当你开始做第二个部门时,这些知识已经在那里了。

6. 先跑影子模式,再上线。

头两周让 Agent 以影子模式同时运行着全量跑,但不允许它们采取行动。

逐一检查 Agent 与人工结论不一致的案例。从第 3 周开始,凡是已经写好校验规则、且你有 99% 以上把握不会出错的操作,都可以交给 Agent 执行;这类操作通常约占 50%。到第 12 周,Agent 能处理约 90% 的工作,其余由员工接手。

文章配图

7. 全程找出关键的人(通常占组织人数的 5%–10%)。

找出那些已经在用 AI 把本职工作做得更好的员工。为他们提供一天的培训,再设一个排行榜,比较他们利用各自的技能文件省下了多少时间,而不是消耗了多少 Token。

接着,让他们为下一个要攻克的部门构建 Agent;其他员工则使用这些在后台运行的 Agent。

在这个案例中,四个月后,公司的月结时间缩短至 8 天,应付账款团队每月需要处理的例外降至 50 个以下。接下来,销售运营将按同样的步骤推进。

文章配图

无论你从三类起点中的哪一类出发,后续这 7 个步骤都相同。

如果你尚未启动,直接从第 1 步开始,但不要一开始就在全公司铺开。第 1 周就让安全、法务和财务团队参与进来。SailPoint 的数据显示,截至 2026 年 10 月,79% 的组织已有 AI Agent 在生产环境中运行,但只有 2% 在使用专为这些 Agent 打造的 AI 安全工具。

如果你已经在全公司铺开 Copilot 席位,就保留这些席位——它们确实能让员工更快地完成本职工作。但要生成一份使用报告,看看谁用得最多,找出前 10%(他们正是第 7 步要找的人),然后选定一个部门开始。

如果你一直在跑试点,就按第 2 步,为每个试点敲定一个明确的价值数字;敲不定的,直接砍掉。将保留下来的试点纳入所选部门的转型范围,再按第 3 步梳理其流程。很可能,每个试点只覆盖流程中的 1 步,也就是说,在一个耗时 22 天的流程里,只省下了 8 分钟。

构建业务 + 工程混编小组

每个人都想卖你点什么。付费席位最好卖,也最容易向董事会交差。

或者,某家大型咨询公司想进来办工作坊、做访谈,把你能想到的业务用例全部列出来,那 40 个用例,你自己也列得出来,再拿一张 1–5 分的打分表逐个评估。可他们通常并不知道该问什么。

各家 AI 实验室则想把 FDE 卖给你,替你构建 Agent。OpenAI 在 5 月成立了自己的部署公司,19 家合作方为此提供了 40 亿美元;微软在 7 月成立 Frontier Company,投入 25 亿美元,并配备约 6,000 名驻场工程师和行业专家。

Vistance Networks 的 CIO 于 2026 年 10 月 13 日写道:「我们花了数百万,送 AI 专家去学业务;其实,应该送业务人员去学 AI。」

这句话只对了一半。懂业务的人无法独自完成上述所有工作,尤其是先让 Agent 以影子模式运行、再让它们通过 SOX 审计这一步。因此,你需要把 AI 专长和业务知识结合起来,才能充分释放从单个部门切入的价值。

文章配图

也没有人能把它打包成产品卖给你——因为它本来就不是产品。

你大概率正处于三种状态之一:尚未启动;Copilot 已经铺开,却撞上平台期;或者试点卡住,迟迟无法进入生产。大多数人属于第二种。Copilot 只在人们主动提示时发挥作用,让工作提速 10%-20%;而在后台运行的 Agent,则能接管 60%-90% 的工作流。

无论你处在哪种状态,做法都一样:选定一个部门,把它的流程端到端地重建一遍。

最大的省时空间,往往藏在部门之间的交接里;这也是 Agent 必须跨部门工作的原因。

而整件事的成败,取决于调研:选部门时,看流程量,看成本(CFO 手里会有数),也看它涉及多少个部门。通常,财务是首选。

在前面提到的那家全球分销企业,16 周后,月结流程的 20 个步骤中,人工只需完成 3 步;月结时间从 20 天缩短至 8 天,应付账款每月的例外从 700 个降至 50 个以下。

文章来自于"特工宇宙",作者 "宇宙编辑部"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)