企业部署AI，第一步几乎都是选模型。看起来只要模型选对、参数调好，AI 就能自然落地。但现实反复证明：模型再强，如果组织不随之调整，AI 仍然只是“摆设”。在一场由福布斯主办的对话中，前 Google CEO 埃里克·施密特与德勤全球 CEO Joe Ucuzoglu 聚焦的也不是“谁的模型更强”，而是组织如何真正用好 AI。德勤的观察更直白：虽然能接触 AI 工具的员工在增加，但真正重构过业务流程的企业只有三成。工具普及了，流程未动，这才是“普及率低”的根因。因此，真正的问题，从来不是“选哪家模型”，而是“敢不敢动组织”。
第一节｜流程改写权在谁手里
企业上AI 的直觉动作是找最好模型。但施密特强调，关键变化在于：过去的 AI 主要“能对话”（ChatGPT），现在的 AI 开始“能做事”（Agent）。焦点不再是模型本身，而是有没有把真实流程交给 AI 执行的勇气与机制。
把流程交给AI 的前提，是厘清“流程归谁管，谁先动第一刀”。现实中常见的对立是：技术团队想上 AI，业务部门不敢动流程。施密特回忆，当年 Google 在广告系统使用早期 AI，并非因为模型“碾压式领先”，而是因为组织具备“重构投放流程”的权限与意愿。技术发挥的上限，由能否重写工作流决定。
Joe Ucuzoglu 也指出：企业落地 AI 最大的阻力就是流程变革。许多团队得出“AI 没用”的结论，实际上是“旧流程套新工具”的错位：
- 用AI 写文案，但仍层层审批盖章
- 用AI 做分析，但表格格式一改就报错
- 用AI 辅助决策，但最后一句“感觉不太行”即可一票否决
流程不改，AI 就发挥不了价值；这就像你换了电钻，公司却规定只能手拧螺丝
德勤选择直面系统性问题：重构组织。他们宣布取消传统的Analyst/Manager/Partner 层级结构，改用“岗位家族”体系，以“软件工程师 I/II/III、产品专员 I/II/III”等技能等级取代管理头衔。这背后是重新定义“谁有权动流程”：
- 岗位从管理职级转向执行能力与职责边界
- 把“AI 能干什么”写进岗位说明与绩效标准
- 按可被AI 接入的方式重建流程入口、过程与验收
要点是：不是让AI 适配旧流程，而是先为 AI 预留位置与权限。权限放开，并不自动意味着落地顺畅，但它先解决了“谁能改”的根本约束。
第二节｜组织准备好了吗
许多AI 项目“上线时热闹、落地时无声”。施密特称之为“技术过剩”（Technology Overhang）：技术迭代太快，组织能力跟不上。德勤最新企业 AI 报告显示：85% 的企业计划定制自主 AI Agent，但只有 25% 的试点进入生产。这道鸿沟不在技术，而在能力与治理。
常见的三大“卡点”是：
- 权责不清
哪些任务由人做，哪些可交给AI，哪些需要人机协同？如果岗位职责不变、流程不拆分，AI 无法被纳入主流程。
- 配合方式缺失
流程负责人不敢放权，中层不会与AI 协作，执行者担心出错无人兜底。AI 挤在流程“夹层”，难以闭环。
- 考核体系未调整
KPI 仍按“人工完成量”计，使用 AI 反而被认为“不够努力”。在激励机制不匹配的情况下，谁愿意真正让 AI 接管？
这些问题的解药不在“更强模型”，而在“设计更好的组织”。落地的关键，最终回到人与分工：有没有人明确负责“把流程交给 AI 并守住质量”。
第三节｜人要学什么新能力
谁是“合适的人”？德勤的招聘口径已经变化：不再只看学历与专业，而看是否具备“与 AI 协同创造价值”的能力。
传统评估关注：
- 会不会写报告？
- 懂不懂某套准则？
- 能不能做客户拜访？
正在兴起的新能力则包括：
- 会不会写prompt，能否把任务讲清楚给 AI？
- 能否让AI 产出一版可落地的方案？
- 能判断“哪些任务可交 AI、哪些必须由人把关”？
施密特的建议很直接：提示工程（prompt engineering）应成为大学通识课的“底层能力”。无论你做研发、管理还是市场，都需要会“用 AI 正确理解你的任务，并给出可用答案”。Ucuzoglu 补充，真正的挑战不是技术，而是“对 AI 的信任与判断”：AI 的输出看似完美，但需具备领域知识的人来判定可用性与修正点。
这类判断力的本质，是学会“人机协同”的分工：AI 是共事者，不是替代者。不学会如何驱动与验收 AI，AI 永远只是工具。对于“是否来得及学习”的顾虑，答案是肯定的：从提示工程开始，从现在开始。企业选人的逻辑也随之变化：你不再只是某个专业的代表，而是某个“AI 应用场景”的负责人——能拆解流程、交给 AI、设定标准、监督交付并验证质量。
第四节｜敢不敢让AI 真干活
会配合是一层，“敢放手”是另一层。许多组织说在用 AI，但往往停留在“看看、问问、写草稿”。把“一件完整的事”真正交给 AI 执行的并不多。
什么叫“真干活”？不是让 AI 提醒你开会要做什么，而是让它自己：
- 整理日程
- 发送邮件
- 打开视频会议
- 准时提交决策建议
也就是说，从“提醒你动手”，升级为“它自己完成流程”。之所以鲜有人敢放手，是因为这要求给 AI 开放流程权限、数据通道与结果责任，这远比让它写几段文字更复杂。Ucuzoglu 的判断是：AI 的价值不在省几分钟，而在能否完成“整个流程”的交付。现实里，大家都在谈 Agent，落地却稀少，因为多数组织在等别人先试错。归根结底，不是“模型选哪个”，而是“是否真把一个完整任务交给 AI”：
- 不是选模型，而是放权；
- 不是试试看，而是真交付。
结语｜选的不是模型，是起点
这场对话讲透了AI 落地的本质：它首先是组织问题，而不是技术问题。
- 选了模型，流程不改，AI 落不了地；
- 改了流程，组织不动，AI 干不了活；
- 组织动了，人不配合，AI 推不动；
- 一切齐备，却不放手，AI 仍是摆设。
企业真正的第一步，从来不是“选哪种模型”，而是“明确准备让它干哪件事”。这一步，决定了你是在试水，还是在破局。
朴谷观点
- 场景先行而非技术先行：从“可量化、可验收、可闭环”的流程切入，如状态汇总、异步同步、标准问答与通知路由；用明确的验收标准与责任边界，建立首批可验证的成功样本。
- 先定“流程所有权”再定“模型参数”：指定流程 Owner，对“可交给 AI 的环节、需人把关的节点、失败回退策略”做硬性约定；将 RACI（负责/审批/咨询/知会）扩展为 RACI+A（Agent）。
- 把流程改造成“AI 可接入”的形态：入口结构化、过程可追踪、结果可验收；从 SOP（标准作业）到 API（可编排接口）再到 Agent（可执行单元），逐步演进，而非“一步到位”。
- 调整绩效与激励：将“使用 AI 的效率与质量指标”纳入绩效，避免“只看人工产出”的逆向激励；以“单位成果成本/周期/质量”衡量人机协同效益。
- 数据与权限治理前置：明确数据权限、审计追踪与安全红线；对Agent 设定最小必要权限、可回放日志与人为覆核门槛，避免“黑箱执行”与责任不清。
- 能力模型重塑：将提示工程、任务拆解、工具编排、质量评估与变更管理纳入岗位任职要求与培训体系，形成“会用 AI—善用 AI—敢放权”的人才梯度。
- 以“小闭环”推动“大变革”：先在一个业务域实现“真交付”的端到端闭环（从触发到验收），再横向复制到相邻流程，逐步形成规模效应与组织记忆。
我们的结论是：AI 的胜负手在组织。谁能先把“流程所有权、数据权限、绩效激励、人机协同”四件事打通，谁就能把“一个人 + 一个 Agent”的潜力转化为真实、可衡量、可复制的生产力。
Disclaimer: The information provided in this article is for general informational purposes only and does not constitute financial advice.