买了 AI 工具，为什么利润表还没有变化？——读 WIRED × 麦肯锡《The AI Playbook Top Companies Use》
摘要：企业部署大模型越来越容易，形成可持续的经营收益却依然困难。WIRED 与麦肯锡的一篇访谈提出了一个值得认真讨论的判断：AI 转型的基本单位应当是完整的业务流程，而不是零散的工具或演示项目。本文结合丰田与星展银行的案例，讨论业务域选择、流程重构、收益核算、智能体治理，以及人的角色如何变化。
一、先看材料的性质：这是一篇有启发的访谈，不是一份效果评估报告
这份 12 页的材料发表于 2026 年 9 月，由 WIRED 的 Katie Drummond 采访麦肯锡 Tech & AI 负责人 Dan Swan。页面明确标注为双方的品牌合作内容，正文是经过编辑的访谈记录。它提出的是咨询实践中的观察、案例和判断，并没有给出企业样本的抽样方法、对照组或完整的收益测算底稿。
这个背景并不削弱它的阅读价值，却决定了阅读方法：我们可以借它提炼管理问题，不能把访谈中某家企业的收益数字直接当成普适的因果结论。尤其是“领先企业如何做”这类表述，最好进一步追问：领先的定义是什么？收益的观察周期有多长？投入、替代成本和外部环境变化有没有计入？
我读完后的核心感受是：AI 的技术能力正在快速商品化，而企业将能力变成利润、质量和客户体验的过程，仍然高度依赖组织设计。模型回答得好，只是价值链上的一个环节；企业能否改变决策和执行，才是商业结果的分水岭。
二、为什么“试点很多”，财务报表却没有感觉？
报告反复强调一个建议：不要把几十个小型用例平均撒向各部门，应先选择两三个有足够价值空间的业务域，围绕端到端流程改造。这里的“业务域”可以理解为从需求产生到结果交付的一整段业务链条，例如订单到交付、客户服务到问题解决，而非某个部门里的单一聊天机器人。
原因并不神秘。假设客服团队用 AI 将每次查资料从五分钟缩短到一分钟，但工单仍需在三个系统里重复录入，复杂问题仍在部门间反复转派，最终结案时间可能几乎不变。局部效率提升是真的，客户体验和成本结构却未必同步改善。
我认为这里需要区分三个层次：
| 层次 | 典型变化 | 应观察的结果 |
|---|---|---|
| 个人任务 | 更快检索、写作、总结 | 单次任务耗时与准确率 |
| 业务流程 | 重排分工、数据流和审批节点 | 端到端周期、返工率、服务质量 |
| 经营模式 | 新的产品、定价或服务方式 | 收入、利润、留存及风险调整后的回报 |
不少项目停在第一层，却用第三层的语言宣传。员工每天节约了多少分钟，不等于企业已经节约了相应的工资；只有这些时间被重新配置到产能、服务或成本结构中，收益才有机会兑现。这也解释了为什么业务负责人必须承担转型责任：模型团队可以优化系统，却无法独自改变跨部门的决策权和资源配置。
当然，“集中资源做两三个业务域”也不是放之四海而皆准的配方。价值池较小、数据依赖薄弱或流程本就简单的企业，完全可能先从低成本工具获得较高回报。关键在于用可比较的经济指标决定投入顺序，而不是把“用例数量”当作进度。
三、丰田案例：数字孪生的价值在于共同决策
访谈中最具体的例子来自丰田。Swan 描述了一个贯穿采购、生产和交付的供应链数字孪生：针对约 250 万辆汽车的复杂网络，系统据称能够在 15 分钟内处理约十亿次决策；过去则需要约 100 人与 75 张电子表格参与协调。他还称这一项目创造了约 8 亿美元价值，主要来自更高的产出，以及在正确时间把正确的车型送到正确地点。
这些都是受访者在访谈中的陈述。材料没有展开“十亿次决策”的计算口径、8 亿美元的统计期间、净收益定义或独立审计过程。因此，读者可以据此理解其规模感，却不应把它当成已经公开验证的投资回报率，更不宜照搬到其他行业作预算依据。
这个案例真正值得学习的，是数字孪生背后的协同机制。汽车供应链的问题并非缺少一个漂亮的可视化界面，而是销售预测、制造约束、物料供给和交付承诺相互牵制。若这些环节在同一套数据与约束条件下协同优化，企业才可能减少局部最优带来的整体损失。
报告还特别提到，销售、制造和计划岗位的员工从早期参与设计，随后成为推广者。这一点很重要：实际工作的例外情况、约束条件和隐性经验，往往掌握在一线人员手中。如果系统只由技术团队自上而下设计，算法可能“数学上最优”，执行时却处处碰壁。
四、星展银行案例：能复制的不是单个模型，而是组织能力
与丰田的具体数字相比，访谈对星展银行的描述更偏向组织过程：先聚焦少数业务域，再扩展到更多领域，逐步形成可重复的转型能力。这种路径提示我们，第二个 AI 项目的价值，可能来自第一个项目积累的数据规范、部署流程、人才协作和风险控制机制。
星展银行自己的公开材料也显示，其 AI 能力建立在较长时间的数字化基础、内部技术能力和治理安排之上。换句话说，当外界看到某个智能应用有效时，真正值得追问的往往是：它所依赖的数据、系统接口、岗位培训和审批机制是怎样形成的？
这也让我对“AI 项目投资回报”有了更审慎的理解。只算一次模型调用的成本，会低估流程接入、数据清理、员工培训和持续监测；只看首个项目的收益，又可能低估平台和组织能力对后续项目的贡献。成熟的投资评估应同时记录项目层面的增量收益与可复用能力的建设成本，并避免把同一笔协同收益重复记到多个部门名下。
五、智能体时代，人应该站在循环的哪里？
报告提出一个富有启发性的说法：随着智能体协同工作，人可以从逐步检查每个动作，转向在系统之上设定目标、提供背景、监测结果和处理异常。这种“站在循环之上”的视角，适合大量低风险、可回滚且结果可检验的任务。
但我不赞成把它理解为“人不再需要审查”。授权边界取决于任务的损失函数：错发一封内部摘要与错误拒绝贷款、错误修改客户账户，后果完全不同。自动化程度越高，越要明确哪些动作可以直接执行，哪些必须经过人工确认，以及出现异常时如何暂停和恢复。
可行的设计通常包括四件事：限定智能体可调用的工具与数据权限；在关键决策前设置人工检查点；保留可追溯的输入、依据和操作记录；持续测量错误率、升级率和纠错成本。星展银行关于智能体治理的公开说明，也强调升级路径、审计轨迹与回退机制，并以风控等敏感场景说明人工监督仍然关键。
报告提醒企业警惕“agent slop”，即智能体生成大量看似完成、实际价值很低的产出。我认为其根源并不总是模型能力不足，也可能是组织没有定义“完成”的标准。让系统自动生成一百份报告很容易；让业务人员能据此做出更好的决定，需要可靠数据、恰当的上下文、质量评估和反馈闭环。所谓系统“越来越会做”，通常意味着流程、提示、知识源和工具配置被持续改进，不能默认模型权重会在生产环境中自行学习。
六、从“会提示词”到“会定义问题”
访谈中的四级阶梯，从向大模型提问、在原软件中嵌入 AI，到重构流程、创造新业务。它有助于说明价值来源在变化，却不应被当成一张所有企业都必须逐级攀爬的成熟度成绩单。会议纪要、代码辅助等基础应用同样可能带来可观收益；新的商业模式也未必适合每家公司。
我更愿意把它看成一组管理问题：
- 问题是否值得解决？找到客户或经营中真实的瓶颈，而非先有模型再寻找场景。
- 结果如何验证？为周期、质量、收入或风险建立基线，并尽量与未改造流程比较。
- 谁有权改变流程？明确业务负责人、技术团队、风控和一线人员各自的决策权。
- 失败如何被发现？把人工纠错、投诉、例外处理和系统停机计入成本。
- 能力能否复用？检查数据、治理、工具链与培训是否能支撑下一个场景。
由此看来，人的能力重心确实会变化，但“善于提问”只是表层。更稀缺的是把含糊的经营目标转成可测量的问题，识别结果中的错误和偏差，在多目标冲突时作出判断，并让跨职能团队接受新的工作方式。AI 扩大了答案的供给，问题定义与责任承担反而更加重要。
结语：领先优势来自价值兑现的速度
这篇访谈最有价值的提醒，是企业不要用采购清单、试点数量和模型演示代替转型成果。选择有足够价值空间的业务域，让懂业务的人共同设计流程，再用可核验的经营指标观察改造效果，才有可能把 AI 的能力兑现为企业收益。
我的进一步判断是：未来企业间的差距，未必主要由“谁先接入最新模型”决定，而更可能由谁能更快、更稳妥地把模型接进真实决策，并持续修正系统决定。这是基于报告案例的推论，不是访谈已经证明的普遍规律。技术会继续变，业务目标、数据质量、组织协同和责任边界仍需要企业自己回答。
参考资料
- WIRED × McKinsey,The AI Playbook Top Companies Use, 2026 年 9 月 21 日。本文主要解读对象，为品牌合作访谈。
- DBS Bank,DBS’ AI-Powered Digital Transformation，用于核对星展银行的数字化背景。
- DBS Bank,Agentic AI is here: Are we ready to govern it?，用于核对智能体治理实践。
说明：文中的案例数字均按原访谈归属呈现；关于指标设计、收益核算与治理边界的分析为作者观点。
