吴恩达一语道破：为何AI让执行效率暴涨，多数企业却还赚不到钱？

吴恩达在HumanX大会上的一句话，点破了企业AI竞争的真相：AI已经让执行效率暴涨，真正稀缺的，不再是工程师，而是能快速做判断的人。越来越多企业发现，问题不是缺工具，而是看不见哪些AI实践真正有效、无法将成果规模化复制。

今年初，在旧金山的HumanX大会上，吴恩达提出了一个观点，重塑了在场许多人对企业AI的认知。吴恩达曾在Google Brain和百度搭建AI基础设施，之后创立了DeepLearning.AI和Coursera，如今Coursera在全球服务约1.48亿名学习者，他对AI在哪些环节会给企业带来压力的判断，早已赢得了业内的公认。

他说，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三个月才能完成，他们的应对方式是招聘更多工程师，而非裁员，因为创意积压的速度已经超过了执行能力。

这个隐含意义很容易被忽略，瓶颈已经转移了，不再是工程产能的问题，而是决策速度的问题。工程师完成工作后会问："接下来做什么?"在AI时代，最稀缺的资源不是开发人员，而是产品经理。那些脱颖而出的企业，并非拥有最多AI工具的企业，而是那些找到了方法，能就AI产出的内容做出更快、更优决策的企业。

这一点比表面看起来更为重要，三年来，企业AI领域的主流讨论一直围绕执行层面：部署哪些工具、如何推动采用、如何管控风险，这些都是真实的问题，但已不再是核心约束，核心约束是判断力，企业能多快决定该推广什么、修复什么、终止什么?

可见性问题，本质上是决策问题

专注于企业AI可见性与管理的平台公司Lanai AI从客户数据中看到的情况让这一点变得具体可感，一个营收运营团队有140名销售代表在三个区域使用AI，其中一名销售代表搭建了一套续约触达工作流，效果是团队平均水平的110倍，管理层对此毫不知情。没有系统能将其呈现出来，没有办法将其接入销售漏斗，也没有路径可以复制推广。

一旦该工作流变得可见，团队就将其提取出来，作为受管控的智能体部署，并在72小时内推广到三个区域的全部140名销售代表。结果是回收了11.4个全职当量(FTE)的产能，受影响的销售管道中产生了280万美元的价值。技术并非挑战所在，挑战在于决策——而这只有在有人能看到实际发生的情况时才成为可能。

同样的模式也出现在成本端，一位IT与安全领域的客户发现，有23款AI工具在六个部门中运行，其中9款完全没有管控，客户的个人身份信息(PII)通过个人账户流转，3个企业许可证的利用率不到8%。工具存在，支出也存在，但缺的是一个能统一查看哪些是关键、哪些是冗余并做出决策的地方。一旦具备了这种可见性，他们就将工具整合为14款受管控的工具，削减了34万美元的闲置软件支出。不是靠部署新技术，而是靠做出了他们之前无法做出的决策——因为他们缺乏足够的信息来自信地做判断。

Coursera自身的员工留存数据也从另一个角度指向了同一方向，完成AI培训的员工留存率比未完成的高出50%。最有价值的产出不是任务效率，而是那些理解AI能力的人开始产生更好的想法，知道该如何利用它。带来的好处是对方向有了更清晰的思考，而非更快地执行相同的任务。

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，还存在一个更深层的结构性问题。组织架构图和损益表——企业用来理解谁在做工作、成本是多少的两套体系——都诞生于一个"谁在做工作"的答案显而易见、没人会特意说出口的时代：是人。

McCallum在1855年设计的铁路组织架构图，将数千人映射到绵延数英里的铁路线上。Pacioli的复式记账法演变为损益表，让商人能看到支付完人员薪酬后还剩多少——这里的"人"指的是劳动者，而非处理器。工业革命引入了折旧的概念，承认机器会随时间推移完成工作，但即便如此，当时的假设仍是：劳动者要么是人，要么是大型硬件设备。它从未设想过这样一个世界：软件本身就在生产一线，作为运营劳动力完成工作。

AI是穿着软件外衣的运营劳动力，而无论是组织架构图还是损益表，都不是为了识别这一点而设计的。

当一个智能体处理一万张工单时，在损益表上显示为软件支出，而当人类完成同样的工作时，它被计为人工成本，这种替代是真实的，但在任何最新账目上都无迹可寻。

L2的峰值后下降这一发现，是最反直觉、也最重要的。L2之所以下降，不是因为AI辅助变差了，而是因为被采用最广泛的L2工作流被提升到了更高层级。对任何企业而言，问题不在于如何留在L2，而在于哪些L2工作流已经具备升级条件，以及企业是否有数据来有意地而非偶然地做出这个判断。

到2028年，L3将成为知识工作的主流形态。最常见的配置将是：智能体执行任务，而由人类来判断它是否做得正确，这与大多数知识工作者岗位最初被设计时的职责描述，有着本质的不同，而且它到来的速度，比大多数组织架构设计的准备速度要快得多。

一个没人做过预算的管理问题

大多数企业AI仪表盘的设计目的，并不是为了呈现上述任何内容，它们追踪的是采用率、活跃用户和已完成任务，这些指标衡量的是活动量，而非企业是否在将AI活动转化为决策，再将决策转化为成果。

当CFO问公司的AI投入换来了什么时，这种差距就会最明显地暴露出来。18个月前每月5000美元的Token支出，如今在许多企业中已涨到每月4万美元，却没有一个清晰的故事来解释这笔钱花得值不值。能在这场对话中存活下来的高管，不是那些花得更少的人，而是那些在有人提出要求之前，就已经搭建好从支出到成果的转化层的人。从Token到对话线程，从线程到任务，从任务到节省的时间，从节省的时间到业务成果——这条链路存在于数据中，但大多数企业尚未将其打通。

到2026年，能在董事会面前讲出最清晰故事的CIO，是那些从一开始就将AI部署视为管理问题、搭建了将AI活动与他们已负责的业务成果相连接的系统、并养成了根据所见信息采取行动的组织习惯的人。

执行不再是瓶颈，判断力成了稀缺资源。过去因为人类执行速度不够而缓慢的企业，如今缓慢的原因已不同：缺乏能在真正的不确定性下做出正确判断的人。大多数组织架构图的设计初衷是消耗判断力，而非培养判断力。

领导者批准了工具，而那些脱颖而出的，是那些决定要对结果负责的人。