先说清楚这篇在讨论什么：企业里的员工是怎么用 AI 的，以及为什么大家都在用，公司整体却没有明显变快。选哪个模型、买哪款工具不在讨论范围内，因为我越来越确定，问题不出在这一层。
一、员工都在用 AI，公司却没有变快
这两天跟几个企业 CEO 聊了聊，发现他们员工用 AI，基本还停留在写东西、做分析这个层面。原来写份报告要半天，现在半小时出初稿，确实快了不少。
但然后呢？该整理的背景还得整理，该开的会对齐还得开，审核照样一层层过。起草快了，整件事可没快。
一件事在公司里要走完，中间有起草、交接、审核、返工、再审核，AI 加速的主要是起草这一段，真正卡住交付速度的，往往是流程里最慢的那一环，而最慢的那一环往往不是起草。
所以这不是员工 AI 用得不够好的问题，而是 AI 被放在了流程的哪个位置的问题。
二、员工用 AI 的四级
为了把“AI 被放在哪个位置”说清楚，我习惯把员工用 AI 的方式分成四级。
第一级，会问。 遇到问题问一问 AI，让它解释一个概念、改改一段文字。AI 是一个更好用的搜索框。
第二级，会用。 写材料、查资料、做分析都离不开 AI，个人效率明显提高。但每一份产出都要人逐项检查、改完再交出去，AI 是人手里的工具，结果由人负责。
第三级，会委托。 把一件完整的事交给 AI，人负责讲清楚要求，最后验收结果。人不再盯着每一步，而是看结果对不对。
第四级，会编排。 多个 AI 和人协同完成一整条流程，人只在关键节点做判断。
目前大多数企业其实还停在第二级。而从第二级到第三级，看着就一步，背后其实是整个工作方式在变。
三、第二级到第三级，是一道结构性的坎
第二级和第三级看起来只差一步，AI 好像只要再可靠一点就能跨过去。但我理解，这两级的区别不在 AI 的能力，而在谁对结果负责。
第二级是人对 AI 负责：AI 给出建议，人检查、修改、署名，最后担责的是人。第三级是 AI 对结果负责：事情交给 AI 做完，人按标准验收，不再逐项检查过程。
曾鸣教授在《智能》一书中把这个转折叫作“60 分奇点”：从“人对 AI 负责”转变为“AI 对结果负责”。说白了，就是 AI 不再只是帮人干活，而是开始独立承担任务，围绕结果形成反馈和改进。他强调这不是一个技术分数，而是一个结构性的转折点。
这一步，光靠员工多学几个提示词恐怕解决不了，至少有三件事得跟着变：
- 岗位职责。 出了问题还是员工一个人担责，那他肯定不敢放手，AI 做完还得从头检查一遍。职责要从“写这份报告”变成“定义这份报告要回答什么、按什么标准验收”。
- 交接方式。 很多工作离不开老员工，不是流程多复杂，是大量背景信息都装在他们脑子里。AI 要接手，就得先把这些经验沉淀下来，变成一份写清目标、完成标准和所需材料的交接。
- 验收标准。 什么叫做好了，什么情况算不合格，得提前说清楚，不然最后还是只能靠人盯过程，又回到了第二级。
说到底，这些都是组织管理问题，不只是技术问题。培训能提升一个人用 AI 的熟练度，但改不了这三样东西，培训只能把人带到“会用”，原因就在这里。
四、为什么越早跨过去越好
跨过 60 分奇点的价值，不只是省下逐项检查的人力。
曾鸣教授在书里提出了“智能复利”：AI 系统执行任务、拿到真实结果、结果反馈回系统、能力变强、接下更复杂的任务、拿到更高质量的反馈，形成一个循环。用得越多，它越强。
这个循环有一个前提：AI 要真的对结果负责。在第二级，AI 的输出都被人改过才进入现实，AI 看到的只是被修正后的结果，看不到错误是怎么产生的，也就学不到东西。一旦 AI 能独立完成任务，并且把执行过程、结果和反馈都记录下来，做过什么、哪里出过错、下次怎么改，都有机会成为系统持续改进的依据。
而且这种积累依赖的是真实经历过的历史。一家企业把月度经营分析交给 AI 做了一年，哪些判断被验证、哪些做法失败过、哪些数据口径有坑，这些经验沉淀在系统里，是别人买不来的。越早积累有效的任务经验，未来越有机会拉开差距。
当然，不是把任务交给 AI，复利就自动发生了。曾鸣教授自己也提醒，智能复利是一种价值创造机制，不等于自动形成竞争优势：如果反馈是被人工筛选过的，或者能力提升用户感知不到，复利就很难转化成差距。关键还是得让真实结果回到系统里，真正影响下一次执行。
五、用一个例子把四级走一遍
拿“月度经营分析报告”举个例子，这是很多公司每个月都要做的事。
第一级，分析师遇到一个指标口径拿不准，问一下 AI。报告还是他自己写，周期没有变化。
第二级，分析师用 AI 拉数、写初稿、画图，自己的时间从三天压到一天。但部门负责人还是逐段审，财务还是逐项核数字，来回改两轮，整份报告依旧要三天才能定稿。个人快了，组织没快。
第三级，负责人把这件事整个交给 AI：交接里写清楚这份报告要回答哪几个经营问题、每个结论必须有哪些数据支撑、用哪几张表、哪些口径要和财务一致。AI 交付完整报告，负责人只验收结论是否成立、证据是否充分。下个月再看上个月的判断有没有被验证，这个结果回流，成为下一次的交接材料。
第四级，取数、异常检测、归因分析、起草、分发由不同的 AI 分工完成，负责人只在“这个异常要不要上报管理层”这样的节点做判断。
从第二级到第三级，变化最大的不是 AI，而是负责人的工作：他从审稿人变成了定标准的人。
六、可以从哪里开始
如果要往第三级走，我的建议是先挑一件事，而不是全面铺开：
- 这件事要完整，有明确的起点和交付物，而不是流程里的一个片段；
- 要高频，每周或每月都在发生，才有足够的反馈；
- 结果要能验证，过一段时间能看出做得对不对。
挑好之后，把这件事的交接写清楚，把验收从过程改成结果，再让每一次的结果回流到下一次。跑通一件，再复制到下一件。
同时要注意，这一步离不开数据和产品的配合：没有可用的数据，AI 做不准，员工很快就不用了。产品、工作方式、数据要一起推，只推一头，很容易又卡回第二级。
七、再把这条线走一遍
员工都在用 AI，公司却没有变快，原因是 AI 停在第二级，只加速了起草这一段，交接和审核还是原来的样子。
从第二级到第三级，要跨过的是 60 分奇点：从人对 AI 负责，变成 AI 对结果负责。跨过去需要改的是岗位职责、交接方式和验收标准，这些是组织管理问题，所以光靠培训解决不了。
跨过去之后，行动、结果、反馈、学习第一次闭合，智能复利才有机会转动，而复利靠的是真实经历过的历史，越早积累有效的任务经验，未来越有机会拉开差距。
所以我现在看一家企业的 AI 转型，不太关心买了多少工具、组织了多少场培训，我更想知道：到底有多少件完整的事，已经能由 AI 独立完成，并且形成了清晰的责任、验收和反馈闭环？
这个问题，可能比员工每天用了多少次 AI，更能反映一家企业的真实进展。毕竟 AI 转型最终要改变的，不只是一个人的工作效率，而是整个组织完成事情的方式。