你以为全公司都在用 AI，其实只有研发在用

你好，我是曹犟，欢迎关注我的公众号。

最近有两条新闻挺有意思，一个是三星给全体员工发放了 ChatGPT Enterprise 和 Codex 的权限，另一个则是英伟达把 GPT-5.5/Codex 在内部全面铺开，让一万多名员工在 HR、法务、工程这些部门里实际用起来。

看到这种消息，第一反应是“不愧是大厂，有钱，舍得砸，不让牛马自带干粮”。但我想说的是，给全员发账号，和全公司真的把 AI 用起来，提升组织的效率，根本就是两件事。前者有钱就能办到，后者光花钱可不行。

就拿神策自己来说，我们是一家做数据的公司，自己也在做 AI 产品，对 AI 肯定不陌生。但到今天，公司里真正用 AI 完全重构日常工作流的，主要还是部分研发岗位。而其他岗位，可能账号也开了，工具也在用，但还是很容易停在“偶尔试试”的状态，没有真正取得系统性的提效。

这并不是说神策是一家落后的公司，也不是工具好不好用，而在于不少人把“用 AI”简单当成了一件事。但其实它没这么简单。

一、“应用 AI”有四层，不可混为一谈

我觉得企业应用 AI 大致可以分成四个层面，按照“AI 到底用在哪、谁来推动”来划分。

第一层，个人提效。员工自己用 AI 把自己手上的工作完成得更快，比如工程师用 AI 写代码，产品经理用 AI 产出需求文档。

第二层，把 AI 做进对外的产品。AI 不再是单个人的工具，而是产品的核心因素，是公司售卖给客户的能力。

第三层，用 AI 重构一个岗位的工作流。不是某个“聪明人”自己干活快了一点，而是这个岗位的职责，从根本上被重新组织了一遍。

第四层，把组织知识喂给 AI。让 AI 能调用整个公司的上下文，而不只是每个人自己构建的知识库。

这四层是难度递增的关系，管理方式上也不能一刀切：第一层要放开，第二层要收紧，而越到后面越需要一个岗位一个岗位地去磨。一个公司“发了账号却没动静”，可能就是因为把这四层当成一层，以为开了账号、培训几轮，就算“全员拥抱 AI”了。

二、个人提效和做产品，这两层其实不难想清楚

先说第一层个人提效。

神策在这一层的做法很简单：公司只通过报销的方式管控部门级预算，不限定大家具体用什么工具。有人用 Claude Code，有人用 Cursor，有人用 Codex，都可以。每个人要做的事情不一样，各自也有各自的习惯，非要硬性统一反而是添乱。

那工具五花八门会不会带来协作成本？我觉得这个问题好解决，大家虽然各用各的工具，但交付出来的代码、文档依然是统一的，这就像每个程序员的编程习惯都不同，但依然可以通过各种交付物来形成协作。这也反过来说明，个人提效这层上放手就好，公司要做的是别挡路、给报销，顶多再把好的用法沉淀下来互相分享。

但需要说明的是，个人提效是有天花板的。它只能让本来就聪明、爱钻研的人干活更快一点，但改变不了组织本身。很多公司的“AI 化”就停在这一层，却误以为这就是全员拥抱 AI。

再说第二层把 AI 做进产品。

与个人工具不同，神策的各种 Agent 产品，背后接的各种模型，却是公司统一采购的。当 AI 从个人工具变成需要对客户负责的产品能力，成本、合规、可替换性就都需要管起来，不可能让每个团队各接各的模型，否则出了问题，很难说清责任。

不是说哪种做法更好，而是对 AI 的管理方式要与“AI 用在哪一层”适配。同一家公司，个人工具放开、产品模型收紧，这不仅不矛盾，反而是灵活的体现。如果真要一刀切，则要么把个人的积极性管死，要么把产品的风险放任了。

真正难关在后面两层。

三、困难的，是一个岗位一个岗位地重构

第三层，是用 AI 重构一个岗位的工作流。包括神策在内的很多公司，内部不同岗位的差距，恰恰是从这一层开始拉开的。

先说一个正面的例子，我们的售后服务。

我们的客户在售后群里提的问题，例如产品使用方面的，现在首先都会交给 Agent。它 7×24 小时值班，先自己尝试回答，人在工作时间再去看一眼，发现回答需要补充或者纠正的就直接接手。更关键的是，这些人工干预也不会白费，它们会沉淀回 Agent 的知识库，成为下次回答的依据，并持续迭代 Agent 的能力。先回答、再复核、再回流，这个数据飞轮一旦形成，Agent 就能持续进步。

这个机制运行了一段时间，最直接的变化不光是节省了人力，而是过往在半夜、假期响应没那么及时的问题，现在第一时间有了回应，客户的体感明显不一样。这其实是过去就算多招几个人也很难做到的事。

但除了研发和售后以外，很多其他岗位目前大多还停在零散的尝试，有一些优秀的个体用 AI 提升了自己的工作效率，但在整个组织层面，这个岗位的工作流并没有用 AI 进行重构。这并不是哪个团队不努力，而是背后的一个结构性问题。

一个岗位会不会自发地行动起来，关键看 AI 带来的收益归谁所有，是不是能让团队做到过去做不到的新东西。

研发是一个典型，工程师早上一打开 Terminal，AI 就在帮他写代码、跑测试、查日志，省下的时间立刻变成今天能多交付好几个新功能，收益归属于工程师个人，整个团队也明显有了增量产出。售后岗位则不仅仅是降低了值班带来的工作痛苦度，也长出了新能力，可以给所有客户提供 7×24 小时的一线覆盖，管理者能看见这个增量的价值，才有动力专门去设计人机如何分工、反馈如何回流。两个岗位，一个靠自下而上，一个靠自上而下，都往前走了一大步。

而还有一些岗位，却两头都没占上。在交付、人事、财务这些岗位上，AI 目前更多是被当成个人的“提效”工具，而不是“扩大增量”。提效说白了就是节省时间，可省下来的好处既不直接落到员工自己头上，在当前的管理机制下也不会变成管理者的新业绩。员工凭什么花力气来折腾自己，管理者又凭什么把它排进自己的优先级？自下而上和自上而下的动力，都没了来源。

周围看到的例子，也大多如此。在这类岗位上，有很多员工自发地用 AI 提效，降低了自己的工作痛苦程度，但组织有计划的工作流重构，目前还没有看到特别成功的案例。某种意义上，组织已经变成了超级个体的拖累。

所以所谓“全公司拥抱 AI”，是要一个岗位一个岗位去找到“可被重构的入口”，想办法让好处落到具体的员工头上，或者让这个岗位长出过去做不到的新能力。这就是“只有研发在用”和“全公司都在用”之间，那道真正的鸿沟。

四、最后往往都会阻塞在组织的知识上

前三层解决的是“AI 用在哪、谁来推动”的问题，第四层解决的则是“AI 拿什么来用”的问题。如果组织没有整理好自己的上下文，前面三层的应用很快都会撞到天花板。

神策自己也在做一个统一的内部知识库，把公司这些年沉淀在 CF、企微文档、Word、Excel 的东西都归拢起来，让 AI 能用起来。但几个月过去，这个知识库建设和应用的进度，其实并不能让我满意。

我自己的判断是，问题不在工具选型或者人的能力上，而是我们把知识库当成了一个典型的大工程来做：先立项，再搜集需求，然后调研，再评审，然后去实现和推广，想着一次性把知识库构建完整了才能用。结果几个月下来，没有什么真正落地的应用。

我以前的一篇文章《大模型时代的数据新范式：从“博物馆”到“生产线”》中写过，数据要从“博物馆”走向“生产线”，核心是从“供人参观”变成“被持续消费”。组织内部的知识库构建是同一个道理：它不该是建好了供人查阅的陈列馆，而要被一个个具体应用每天调用、边用边长。所以构建知识库的过程，是不是应该从应用出发，一个场景一个场景地解决，而不是上来就想憋个大招？

当然，组织级的上下文构建，比个人要难一个量级。个人要构建与 AI 的协作方式，整理好自己电脑里的文档就好；组织的上下文却通常分散在几十个离散的系统、几百人的脑子里，谁来负责把它归拢、谁来判断哪些该进入知识库，本身就没有现成答案。组织的知识需要被结构化，更需要有人持续维护，嵌进组织的日常工作流。其中只要有一环没管好，知识库就会沦为建好后没人用的摆设。

五、别数你发了多少账号

回到开头的两条新闻，三星、英伟达给全员发 AI，当然非常好，也让很多自带干粮的牛马羡慕。但这只是第一步，也花不了什么力气。更难的是后面三件事：分清 AI 用在哪一层、一个岗位一个岗位地找重构入口、把组织的知识真正构建起来。

真正能在一个公司中率先铺开 AI 的，往往是那些能用它做出过去做不到的事的岗位，而不是仅仅拿它来节省人力。如果只是盯着省人，反倒容易推不动。

所以下次判断一家公司拥抱 AI 到了哪一步，别去数它发了多少个账号，烧了多少 token，而是要去看它的工作流有没有被重构，组织的知识有没有被用起来。

当然，由于神策自己也还在路上，所以以上只是我的一些观察和思考。也欢迎在评论区聊聊，你们公司的 AI 应用现在到了哪一层。

本文作者曹犟正在和团队打造 Omni-Growth Agent，目标是用 AI 帮中国公司把海外营销做得更稳、更可控。目前主要服务两类需求：一类是把投放全托管给我们，按增长结果付费；另一类是给现有投手配一个 7×24 盯盘和诊断的 AI Copilot。文中讲的让 Agent 承担一线、把组织知识喂给 AI，正是我们在 Omni-Growth Agent 上每天在做的事。更多信息可以看这里：https://omni-growth.ai