AI时代，我们如何与AI同行（二）

该渲染由 marked 生成，可能存在排版问题，最佳体验请前往：

在上一篇里，我更多讨论的是人与 AI 之间的关系：AI 是一根杠杆，它放大能力，也放大风险；它让执行越来越便宜，却让判断、验证和责任变得更加重要。

沿着这个结论继续往前走，就会出现一个更现实的问题：当 AI 已经进入企业的日常生产流程以后，企业究竟应该扮演什么角色？

我有一个很强的判断：凡是主要用于企业生产、并且效率红利主要由企业获得的工具，长期都会倾向于走向企业付费。

原因并不复杂。只要 AI 节省下来的时间没有真正变成员工的自由时间，而是继续被新的任务、DDL（截止时间）和绩效目标重新填满，那么这部分效率红利最终就不是被个人获得，而是被企业获得。既然如此，这类工具就很难长期停留在“员工自费购买的个人外挂”状态。一旦它被组织吸收到生产流程、排期和绩效基线里，它事实上就已经变成了生产资料。

所以，这篇文章看起来像是在讨论“AI 费用应该由谁承担”，但如果只停留在“公司该不该报销 ChatGPT”这个层面，其实把问题说小了。真正的问题是：当 AI 已经开始影响企业的生产率、工作节奏、交付方式和绩效基线时，它还是不是一个纯粹的个人工具？

我认为，很多情况下已经不是了。

当个人工具进入生产流程，它就开始变成生产工具

假设一个中等复杂度的任务，过去需要三天才能完成。员工自己购买了一个更好的 Coding Agent，结果一天就完成了。

如果企业依然只要求他完成原来的工作量，那么剩下的两天确实是员工获得的效率红利。员工花自己的钱买回自己的时间，这个逻辑是成立的。

但现实中的组织往往不是这样运行的。当管理者观察到这个任务一天就能完成以后，下一次排期很可能就会变成一天，甚至更短。原本节省下来的两天，并不会自然变成员工的自由时间，而会重新被新的任务填满。

于是这个过程就变成了：员工承担 AI 成本，AI 提高生产率，企业观察到新的生产率，再把新的生产率吸收到排期和绩效基线中。最终，员工的工作时间并没有因为 AI 而明显减少，但企业获得了更高的单位时间产出。

这时再说“AI 只是员工个人提效工具，所以应该由员工自己付费”，就很难自洽了。

一件工具到底属于个人消费，还是企业生产资料，不应该只看它最初是谁购买的，而应该看它最终处于生产流程中的什么位置。

当员工偶尔使用 AI 辅助工作时，它可以仍然只是个人工具；当组织开始按照 AI 后的效率安排任务和交付周期时，它已经变成生产工具；而当 AI 进一步进入统一账号、数据治理、知识系统、研发流程和组织标准时，它实际上已经开始成为组织基础设施。

工具性质的变化，不取决于最初是谁购买，而取决于组织是否已经开始依赖它完成生产。

从这个角度看，AI 和 IDE、云服务器、CI/CD、数据库、监控系统之间，并没有那么本质的区别。没有人会觉得公司的 GitHub 账号应该由员工个人购买，也很少有人会认为公司的云服务器费用应该由员工自己承担，因为这些显然属于企业为了完成生产活动而必须支付的成本。

当 AI 逐渐成为知识工作中的基础设施以后，高质量模型、Token、Coding Agent、企业知识库，本质上也越来越接近这一类生产资料。

所以我更认可一个简单的原则：谁主要获得生产率红利，谁就应该主要承担生产资料成本。

当生产工具变成组织基础设施，企业承担的就不只是费用

企业参与 AI，也不应该被理解成“给员工开几个会员”这么简单。

如果只是把原本由员工个人承担的订阅费改成统一报销，当然解决了一部分问题，但这只是最表层的一层。真正把 AI 纳入生产系统，意味着企业还需要对工具、治理、效果和风险承担责任。

首先是工具本身。不同岗位对 AI 的需求并不一样。研发更需要 Coding Agent、代码检索和高上下文能力；销售可能更需要资料整理、方案生成和客户信息辅助；运营更关注内容处理和数据分析。企业真正应该做的，不是简单规定所有人都必须使用同一种模型，而是根据真实工作流，为不同岗位提供足够好、真正可用的工具、企业账号和 API 能力。

如果员工为了完成公司要求的工作，不得不自己寻找更好的模型、自己充值 Token、自己维护各种账号，那么本质上只是把企业 IT 和生产工具建设的一部分成本外部化给了个人。

更重要的是治理。当 AI 只是个人学习工具时，很多问题可以由个人决定；一旦 AI 进入正式生产流程，事情就完全不同了。哪些代码可以发送给外部模型，哪些客户数据不能离开企业边界，哪些模型可以处理商业秘密，账号在员工离职后如何回收，AI 生成的内容进入生产以后又该如何追溯，这些都不应该由每个员工自行判断。

如果企业一方面默认所有人使用 AI，另一方面又没有统一的数据边界、安全策略、账号体系和责任机制，那么实际上是在享受 AI 带来的效率，却把相当一部分风险留给个人承担。

企业真正的参与，不只是替员工付款，而是把原本分散、隐性的个人 AI 使用，转化成一个正式、可治理、可追踪的生产系统。

当效率提升被立即固化，组织就开始对效率创新征税

企业参与 AI 还有一个更容易被忽略的问题：生产率提升以后，应该如何调整工作基线。

AI 带来的效率提升当然可以转化成更多产出。企业购买生产工具，本来就是为了创造更多价值。但如果每一次效率提升，都被完整、即时地折算成更短的交付周期和更高的劳动定额，就会产生一个很糟糕的激励。

假设员工第一次使用 AI，把三天的任务压缩到两天，下一次任务就按两天安排。后来他又学习了更好的工作流，把两天压缩到一天半，下一次又按一天半安排。

如果这个过程持续下去，员工最终会学会一件事情：不要让组织看到自己的真实效率上限。

因为只要效率提升会被立即全部吸收到新的绩效基线里，员工就几乎无法保留任何生产率红利。历史上的高效率不断被用来抬高未来目标，最后形成一种典型的棘轮效应。

从员工视角看，这实际上相当于组织在对效率创新征税：你找到的工作方法越高效，下一周期需要承担的工作就越多，而自己能够保留的收益趋近于零。

一旦这种机制被稳定地建立起来，最理性的行为就不再是主动寻找最优工作方式，而是控制自己暴露出来的生产率。组织原本希望通过 AI 鼓励创新，最终却设计出了一套奖励效率隐藏的机制。

这和企业希望员工主动拥抱 AI 的目标其实是相反的。

如果组织真的希望员工持续寻找更好的 AI 工作方式，就不能把所有节省出来的时间都理解成“还能再塞多少任务”。AI 节省出来的时间，还可以被用于更多验证、更高质量的设计、更少的技术债、更充分的探索，甚至只是减少长期过载。

一个团队原本两周交付一个功能，AI 让实现阶段快了三天，这三天当然可以全部拿去做更多 Feature，但也可以部分用于补测试、性能验证、重构历史问题、完善文档或者探索新的方案。

所以企业真正应该问的，不是：

AI 帮我们省出了多少时间，可以再塞多少工作？

而是：

这部分新增生产率，放在哪里最能创造长期价值？

这两个问题看起来很接近，但背后的管理逻辑完全不同。

当速度不再是唯一指标，AI的价值才真正进入组织

如果企业只用“任务完成时间缩短了多少”来衡量 AI，很容易把整个组织带向一个非常狭窄的方向。

AI 最有价值的地方，不一定只是让人更快完成同样的工作。它还可以扩大一个人的探索空间。

过去，一个工程师可能只来得及验证一种方案，现在可以快速尝试三种；过去因为时间不够而放弃的重构，现在可以让 Agent 先做实验性实现；过去大量机械性的排查工作，也可以交给 AI 辅助完成，把人的注意力留给真正需要判断的地方。

这些价值最终不一定表现为“这个 Feature 少了几天”。它可能表现为更少的故障、更好的架构、更少的返工、更高的知识复用，甚至是更早发现一条原本根本不会被尝试的技术路径。

所以 AI 的 ROI 不应该只看任务吞吐量，还应该看质量、返工、缺陷率、交付稳定性、探索效率和知识沉淀。

否则很容易出现一个表面上非常高效的组织：每个人都写得更快，任务排得更满，但技术债、线上故障和返工也在同步积累。

速度本身不是生产率。

只有真正创造了更多有效价值，才算生产率提升。

而从经济账上看，企业通常也比个人更适合承担高质量 AI 的成本。对个人而言，每月几百甚至上千元的 AI 订阅，是很真实的可支配收入；对企业而言，这笔费用相对于一个知识工作者的综合用人成本通常只是很小的一部分。如果它能够稳定提升有效产出、减少返工或者降低故障成本，那么企业侧的投入产出比往往远高于个人侧。

这也是为什么，我认为凡是主要用于企业生产、并且效率红利主要由企业获得的 AI 工具，长期都会倾向于走向企业付费。

当AI真正成为基础设施，组织也必须承担对应的责任

真正的 AI 原生组织，不应该只是要求每一个员工都“会用 AI”，更不应该是员工自己购买工具，企业按照 AI 后的速度安排工作，然后把这种状态称为 AI 原生。

如果 AI 已经成为生产系统的一部分，那么企业就应该承担生产系统应有的责任：提供工具、明确边界、治理数据、评估效果、承担成本，也承担相应风险。员工的角色应该是使用这些工具创造价值，而不是自己搭建一套私人生产系统去服务企业。

AI 最终会逐渐从一种“个人外挂”，变成企业基础设施的一部分。真正值得企业思考的问题，也不再只是“要不要给员工报销几个 AI 账号”，而应该是：AI 已经进入生产流程以后，我们应该如何正式地接住它？

如何让员工安全地使用足够好的工具，如何让 AI 带来的生产率真正转化成组织能力，如何让新增效率不只是变成更满的排期，如何让风险、成本和收益之间保持合理关系，这些才是企业真正需要回答的问题。

成熟的 AI 原生组织，不只是要求员工使用 AI，而是能够合理分配 AI 带来的成本、风险、收益和新增生产率。

企业当然可以获得 AI 带来的生产率红利，但如果一个组织希望长期从 AI 中获益，就不能只拿走结果，而把成本和风险都留给个人。

AI 不是免费的午餐。它只是把成本从一个地方转移到了另一个地方。

而一个成熟的组织真正应该做的，是看清这些成本和收益最终流向哪里，然后设计一套能够长期运行的制度。