来源：HRflag

　　几个月前，企业讨论AI时最常见的问题还是：“员工到底用没用？”采购了多少账号、覆盖了多少岗位、调用了多少次大模型，往往被视为AI转型进度的直接证明。到了2026年下半年，讨论正在迅速转向另一个更现实的问题：员工确实开始使用AI了，但每一次调用是否值得，企业能不能承担持续增长的推理成本，这些投入究竟改善了什么业务结果？

　　Uber最新披露的一组信息，为这场转向提供了一个颇具代表性的样本。公司并没有因为AI使用量增加而不断扩大预算，而是通过为不同场景设置更合适的默认模型，将部分任务迁移到成本更低或开放权重的模型，并让员工更清楚地看到和管理自己的AI支出，使单位Token成本在过去几个月持续下降。尽管内部AI采用率仍在上升，整体AI支出却保持了大体稳定。

　　这件事值得企业高管和HR负责人关注，并不只是因为一家科技公司找到了降低Token成本的方法。它所呈现的，是企业AI竞争进入深水区后的一个重要变化：AI管理正在从“工具普及”转向“资源配置”，从鼓励使用转向追问价值，从采购软件转向重新设计组织。当AI成为日常生产要素，真正拉开企业差距的，不再是有没有接入最强模型，而是能否让不同模型、不同岗位和不同业务任务形成稳定而经济的组合。

　　AI管理正在从“工具普及”转向“资源配置”，从鼓励使用转向追问价值，从采购软件转向重新设计组织。

　　AI投入正在经历一次“从流量到利润”的转向

　　生成式AI刚进入企业时，组织通常会经历一个相对宽松的探索期。管理层鼓励员工尽可能多地尝试，技术部门快速接入大模型，业务团队通过各种试点寻找场景，员工则把AI用于写作、搜索、代码生成、会议纪要和数据整理。这个阶段的目标不是计算回报，而是降低使用门槛，让组织尽快建立感知和经验。

　　这种策略在早期是必要的，因为一个组织如果连真实使用都没有发生，就很难判断哪些场景值得投入。然而，随着调用量增加、模型订阅扩张、工作流逐渐嵌入业务，原本不显眼的成本开始进入管理视野。除了模型费用，企业还需要承担系统集成、数据治理、安全审查、知识库维护、流程改造、员工培训和结果复核等成本，AI项目很快便从一张软件采购单变成了一套新的运营体系。

　　问题也由此变得复杂。员工使用次数增加，并不自动等于劳动生产率提高；生成内容更多，也不一定意味着交付质量更高；部门节省了几小时工时，如果这些时间没有被重新投入客户、创新或关键决策，企业也很难确认价值究竟出现在哪里。 AI采用率只能证明工具进入了组织，不能证明工具已经进入价值链。

　　Uber此次释放出的信号，正是企业从探索期走向运营期的典型表现。公司没有简单限制AI使用，也没有把降低成本理解为减少调用，而是开始按照任务难度、风险等级和预期收益配置模型。这样的“轻量化”并非退回传统流程，而是把过去相对粗放的AI使用，转变为可以测量、比较和优化的生产系统。

　　“轻量化”不是少用AI，而是不让所有任务都坐头等舱

　　企业早期部署AI时，容易形成一种直觉：既然更先进的模型能力最强，就应该让所有员工优先使用最强模型。这个逻辑看似稳妥，却忽略了企业内部任务之间的巨大差异。修改一封通知、提取一份表格、分类一批工单，与分析并购风险、设计产品架构、判断劳动争议并不属于同一复杂度，也不需要同样昂贵的推理能力。

　　如果所有任务都调用高成本前沿模型，就像让一家公司的所有员工，无论出差距离和任务重要性，一律乘坐头等舱。体验或许更好，但大量低复杂度工作并不会因此产生相称的价值提升。更严重的是，当使用规模从几十人扩大到几万人，微小的单次成本差异会被调用频率迅速放大，最后变成难以忽略的经营成本。

　　Uber采用的思路，是为不同使用场景设置更合理的默认选项，把部分任务迁移到低成本模型或开放权重模型，同时向员工提供更清晰的费用信息。默认选项尤其重要，因为多数员工不会在每次使用前主动比较模型参数和价格，他们往往直接接受系统预设。 企业真正的AI成本控制，不应依靠员工每次作出完美判断，而要依靠系统把大多数任务自动送往更合适的模型。

　　这意味着企业需要建立一套“模型路由”逻辑。常规摘要、内容分类、格式转换和基础问答，可以交给更轻、更快的模型；涉及复杂推理、关键决策、代码架构或高价值客户方案的任务，再调用能力更强的模型；高风险场景还需要增加人工复核、数据权限和结果留痕。资源配置不再只有“用AI”和“不用AI”两个选项，而是形成模型、流程与人的多层组合。

　　从管理角度看，这种变化也打破了“能力越强越值得采购”的单一评价方式。企业选择模型时，除了准确率，还需要评估响应速度、单位成本、上下文容量、数据安全、部署方式、维护难度以及错误可能带来的业务损失。更好的模型并不一定是排行榜上能力更高的模型，而是能够在特定任务中，以可接受的成本稳定交付结果的模型。

　　真正可持续的AI，往往藏在“几千个小改进”里

　　企业谈AI转型时，往往偏爱宏大的故事。管理层期待一个智能体重构整个部门，业务团队希望一个产品迅速创造新的收入曲线，员工则担心某个系统在短时间内彻底改变岗位。现实中的组织转型却很少以单点爆发完成，它更可能来自大量不起眼但持续发生的流程改进。

　　Uber首席执行官Dara Khosrowshahi在财报电话会上表达了类似观点。他认为，人们容易期待革命性技术带来一个巨大的“爆款”，但Uber更现实的路径，是通过成千上万个小规模改进持续优化平台。AI带来的增长，不一定来自一项轰动市场的新功能，也可能来自目的地推荐更准确、缺货替代更及时、订单匹配更合理、客服交互更顺畅等细节。

　　例如，Uber披露，其个性化目的地推荐大约有四分之三的时间能够正确判断用户要去哪里，从而减少输入步骤。公司推出的Cart Assistant则可以根据菜谱或购物清单自动生成购物车，并根据用户反馈继续调整；使用这一功能的消费者，其购物车规模达到未使用者的两倍。它们都不是脱离原有业务另起炉灶的AI产品，而是把AI嵌入已经存在的交易链条，减少摩擦并提高转化。

　　这种方法对中国企业同样具有启发。很多AI项目迟迟无法进入规模化阶段，并不是模型能力不足，而是项目从一开始就承担了过高期待：既要重构流程，又要显著降本，还要创造新收入，并且更好在一个季度内得到证明。目标越宏大，涉及的系统、数据和利益相关方越多，项目越容易陷入漫长的论证与协调。

　　相比之下，把AI拆解为多个可验证的小改进，更容易形成组织学习。一个销售团队可以先缩短客户资料准备时间，一个HR团队可以先提高职位描述与人才画像的一致性，一个财务团队可以先减少凭证分类中的重复操作，一个客服团队可以先提升知识检索速度。单个变化可能并不轰动，但当这些变化进入稳定流程并在全组织持续累积时，才会转化为真正的运营杠杆。

　　企业AI转型的关键单位，不一定是“一个大项目”，而可能是一个个被重新设计的任务。 项目容易在验收后结束，任务却每天重复发生；只有当AI改变高频任务的完成方式，生产率才可能从演示效果变成经营结果。这也是为什么“轻量化”并不代表战略收缩，而是把技术野心落到更小、更真实、更可持续的价值单元中。

　　AI账单背后，其实是一张新的组织成本表

　　传统软件的成本相对容易理解。企业购买固定数量的账号，支付年度订阅费用，再按照员工数量和模块范围编制预算。生成式AI的成本结构却更接近云计算和劳动力的混合体：使用越频繁、上下文越长、任务越复杂、模型越强，推理成本越高，而工作质量是否同步改善却未必清晰。

　　这给企业带来了一个新的管理挑战。过去，员工多写几封邮件、多查询几次系统，通常不会产生可见的边际成本；现在，每一次模型调用都可能进入费用账单。某些员工为了追求更好结果反复生成，某些工作流把完整文档多次送入模型，某些部门重复建设相似智能体，这些行为单次看起来微不足道，累计起来却可能形成新的成本黑洞。

　　但如果管理层只盯着Token数量，同样会走向另一个极端。Token更少不一定更高效，使用便宜模型也不一定更经济，因为低质量输出可能增加复核、返工和客户沟通成本。一个模型调用节省了几元钱，却让员工多花半小时修正结果，企业实际承担的总成本反而更高。

　　因此，AI成本不能只看模型供应商的账单，而要看一项任务从输入到交付的“完整成本”。这里面包括模型调用费用、员工操作时间、人工校验时间、系统维护成本、错误修复成本以及风险暴露。一项AI方案是否轻量，不取决于模型价格本身，而取决于它能否以更少的综合资源完成同等或更高质量的业务结果。

　　这也解释了为什么Uber要让员工更清楚地看到和管理AI支出。成本可视化不是为了让员工因为每次调用而犹豫，而是帮助团队理解不同任务的资源消耗，发现异常使用和重复流程。只有当费用、质量、速度与业务结果可以放在同一张表里，企业才能判断哪种模型组合真正有效。

　　对于高管而言，AI预算也不应继续孤立地放在技术部门。财务需要关注投入结构和边际成本，业务部门需要对使用场景与产出负责，信息安全团队需要界定数据边界，HR则需要处理岗位、能力和绩效变化。 AI成本管理表面上是技术问题，实质上是一项跨部门的经营机制设计。

　　岗位不会因为接入AI自动升级，任务组合必须被重新设计

　　当AI开始带来效率提升，企业最容易采取的动作，是把原有工作原封不动地交给AI，再要求员工完成更多任务。这种做法短期可能提高产出数量，却很难形成持续价值。员工的时间被释放之后，如果仍然被更多同类任务填满，组织只是加快了旧流程，并没有真正改变岗位。

　　岗位设计的核心问题不再是“这个岗位是否会被AI替代”，而是岗位中哪些任务应该自动化，哪些任务需要人机协作，哪些任务必须由人承担最终责任。一个岗位通常包含信息搜集、内容生成、判断、沟通、协调、决策和责任承担等多个部分，AI对这些部分的影响并不相同。只有把岗位拆解到任务层，企业才能识别真正的效率空间。

　　以招聘岗位为例，职位描述初稿、候选人资料整理、面试日程安排和常见问题回复，可以更多交给自动化工具完成。人才画像校准、关键候选人判断、用人经理影响、录用风险评估和雇主价值传递，则仍然高度依赖业务理解与人际判断。如果招聘团队只是用AI生成更多职位描述，却没有提高关键岗位到岗质量，所谓生产率提升便只是输出量上涨。

　　财务、法务、市场和客服岗位也是如此。AI可以快速汇总材料、生成初步分析、提出备选方案，但复杂例外处理、利益相关方协调、品牌语境判断和风险责任并不会因此消失。相反，当基础信息处理速度提高后，组织会对人的判断质量提出更高要求。

　　Uber在财报电话会上提到，工程师对AI编码工具的采用率已接近，公司当前观察到的人均代码输出约为过去的两倍。但管理层同时强调，这一指标存在更多细节，不能据此过早下结论。代码数量并不等于产品价值，真正决定结果的还包括质量、稳定性、安全性、维护成本以及功能是否解决用户问题。

　　这正是企业在岗位重构时需要保持的克制。AI可以显著提升某类可计数的输出，但岗位价值往往来自不可简单计数的判断、协作和结果责任。 人机协作后的岗位，不应只是“原岗位加一个AI工具”，而应重新定义任务结构、交付标准和人的独献。

　　绩效管理必须从“做了多少”转向“改善了什么”

　　当AI提高内容、代码、分析和方案的生成速度，传统绩效指标会首先受到冲击。过去需要一周完成的工作现在两天即可交付，如果企业仍按照文档数量、代码行数、工单处理量和项目参与次数评价员工，绩效体系就会奖励那些最容易被AI放大的表面产出。员工也会迅速学会通过大量生成来证明自己“很忙”。

　　这会形成一种新的组织幻觉：仪表盘上的数字不断增长，业务结果却没有同步改善。更多营销内容不一定带来更高转化，更多候选人推荐不一定提高录用质量，更多代码不一定缩短产品上线周期，更多客服回复也不一定提升问题一次解决率。AI让生产过程更容易被量化，却可能让真正价值更加难以识别。

　　绩效指标因此需要向结果端移动。工程团队除了关注生成速度，还应观察缺陷率、返工率、上线周期、系统稳定性和用户采用；招聘团队除了关注简历处理量，还应关注关键岗位招聘周期、用人经理满意度、新员工表现和留任质量；客服团队除了关注处理量，还应关注一次解决率、复杂问题升级率与客户体验。

　　企业还需要加入“单位价值成本”指标。同样完成一项任务，有的团队需要多次调用高成本模型，有的团队通过流程优化、知识库建设和模型路由降低资源消耗。如果两者质量相当，后者体现出的不仅是工具熟练度，更是流程设计能力和经营意识。

　　不过，成本指标不应机械分摊到个人。员工无法控制模型定价、系统架构和默认配置，如果管理层直接用个人Token消耗排名评价绩效，很容易诱导员工减少必要使用、隐藏实验或选择质量不足的模型。更合理的做法，是把成本透明用于团队改进，把配置责任放在产品负责人、流程负责人和管理者身上。

　　绩效机制还应承认“验证AI结果”本身是一项工作。员工发现模型错误、补充业务规则、优化知识库、建立评估数据集，这些活动短期不一定增加业务产出，却能降低长期风险并提高系统可靠性。如果绩效体系只奖励最终交付，不认可这些基础建设，组织就会不断使用AI，却没有人愿意承担让AI变得更好的责任。

　　AI时代的高绩效，不是生成速度最快，而是能够以更合理的资源完成更高质量的业务结果。 这要求企业把数量、质量、成本、风险和客户价值放进同一套评价框架。否则，AI越普及，绩效数据与真实贡献之间的距离反而可能越大。

　　员工需要的不只是“会提问”，而是会配置、会验证、会负责

　　过去两年，企业AI培训大量集中在提示词技巧。员工学习如何描述角色、补充背景、分解步骤和规定输出格式，这些能力确实能够改善使用体验。但当AI进入日常流程，仅仅会写提示词已经不足以支撑企业级应用。

　　员工首先要学会判断任务。面对一项工作，他需要识别任务复杂度、数据敏感性、错误代价和交付标准，并决定是否适合使用AI。不是所有信息都应该送入外部模型，也不是所有结果都需要调用最强能力；能够为任务选择合适工具，本身就是新的职业判断。

　　员工还要理解模型之间的差异。不同模型在推理、写作、代码、速度、成本和稳定性上各有优势，企业内部也可能同时存在公有模型、私有模型、开放权重模型和专业小模型。未来的AI熟练度，不只是“会不会用某个产品”，而是能否根据任务选择合适的能力层级。

　　更重要的是验证能力。模型可以生成看似完整的答案，但引用错误、数据过时、逻辑跳跃、语境不符等问题并不会自动消失。员工必须能够检查事实、追溯来源、识别不确定性，并知道在何种情况下需要升级给专业人员或管理者处理。

　　这会改变企业对“数字能力”的理解。过去，熟练掌握办公软件和业务系统就可以被视为数字化人才；现在，员工还需要理解AI的能力边界、成本结构和风险机制。AI素养不再是少数技术岗位的专业技能，而会成为多数知识岗位的基础工作能力。

　　对于管理者，能力要求更进一步。管理者不能只是要求下属“多用AI”，而要能够重构工作、设定质量标准、安排人机分工、审查成本收益，并处理AI导致的角色变化。一个不会设计AI工作流的管理者，可能拥有大量AI工具，却仍然以传统方式配置团队。

　　因此，企业培训需要从工具教学走向场景训练。与其统一安排一场“AI基础课”，不如围绕真实任务设计练习，让员工比较不同模型的结果、成本和风险，并完成从输入、生成、验证到交付的完整闭环。 真正的AI能力不是把答案叫出来，而是知道为什么使用、该用多少、如何验证以及谁来负责。

　　广告

　　管理责任不能被“AI提升效率”一笔带过

　　当管理层判断某个团队可以通过AI提高效率时，接下来的问题往往是减少招聘需求或提高目标。这在经营层面并非不可理解，但如果缺少工作分析，很容易把技术预期直接转化为人力压力。AI节省的时间可能并不均匀，简单任务缩短之后，员工可能需要处理更多复杂例外，而这些工作往往更耗费认知和情绪。

　　例如，客服系统可以自动解决大量标准问题，留下来的却可能是投诉、争议和跨部门协调等高难度工单。表面上看，每位员工处理的工单数量下降了，但平均复杂度和心理负担可能显著上升。如果管理者仍然按照原有处理时长要求团队，就会低估岗位已经发生的变化。

　　类似情况也会出现在HR、财务和法务团队。AI可以完成基础材料准备，但员工需要花更多时间判断边界、处理例外并向业务解释结果。组织不能只计算被自动化的分钟数，还要衡量被保留下来的任务是否变得更加复杂。

　　管理者还需要对AI输出承担清晰责任。模型可以提供建议，却不能成为错误决策的责任主体；系统可以筛选候选人，却不能替代企业解释用人标准；智能体可以执行流程，但权限范围和异常处置仍然必须由人设定。把工作交给AI，不等于把管理责任也交给AI。

　　这意味着企业需要重新明确“人在哪里签字”。高风险决策应当保留人工审批，涉及员工权益、客户利益和合规要求的流程需要可追溯记录，模型异常必须有明确的升级路径。效率来自减少不必要的人为操作，而不是取消必要的责任承担。

　　AI越轻量、越普及，管理责任反而越需要被明确。 当员工可以随时调用多个模型，决策影响会分散在大量微小操作中，如果没有统一规则，风险不会以一个巨大事故出现，而可能以无数难以追踪的小偏差不断累积。管理者的任务，是让便利性与责任机制同时进入流程。

　　HR需要成为AI时代的“工作系统设计者”

　　过去，企业AI项目往往由技术部门主导，HR主要负责采购培训、组织宣讲和推动采用。这种分工在工具普及阶段尚可运行，但当AI开始影响岗位数量、工作内容、绩效指标和人才标准，HR如果仍然停留在“帮助大家学会使用”，就无法参与真正重要的组织决策。

　　HR首先需要建立任务层面的工作数据。传统岗位说明书通常描述职责范围，却很少记录不同任务的频率、耗时、复杂度、错误代价和协作关系。没有这些信息，企业就只能凭感觉判断哪些岗位适合AI，容易把“看起来重复”误认为“可以完全自动化”。

　　更有效的方法，是选择业务量大、流程清晰、数据相对完整的岗位开展任务盘点。团队可以观察哪些任务占用时间最多，哪些任务规则稳定，哪些任务需要复杂判断，哪些环节经常返工，再决定采用自动化、AI辅助还是保留人工。这样的分析比简单统计“多少岗位受到AI影响”更有行动价值。

　　HR还应推动形成岗位重构后的新能力模型。基础内容生成的重要性下降后，业务判断、问题定义、结果验证、跨部门沟通和流程设计的重要性会提高。招聘标准、晋升要求和领导力模型需要同步调整，否则企业仍会用旧标准选人，再要求员工完成新工作。

　　在人力规划方面，AI带来的效率提升不应只被转换为统一的编制压缩。不同部门的价值空间并不相同，有些岗位可以减少增量招聘，有些岗位则应把节省的资源投入数据治理、客户体验、创新和关键人才。Uber管理层强调，其目标是把节省下来的资源重新投入能够提升市场和客户价值的领域，这比单纯降低费用更接近AI带来的经营杠杆。

　　HR还需要参与AI投资的收益评估。如果一个部门声称AI节省了30%的时间，HR应继续追问：这些时间去了哪里，岗位目标是否改变，客户结果是否改善，员工能力是否升级，团队是否因此减少了不必要招聘。只有把节省时间转化为新的工作配置，AI收益才会真正出现在组织层面。

　　更深一层看，HR需要协助企业建立内部AI劳动市场。某些任务由员工完成，某些任务由智能体执行，某些任务由人机共同交付，不同团队还可能共享模型、知识库和自动化组件。未来的人力资源规划，管理的不只是员工数量，也包括数字化产能及其与人的组合方式。

　　AI时代的人力资源，不只是管理“有多少人”，而是管理组织拥有多少可调用的能力，以及这些能力如何形成结果。 这要求HR同时理解业务流程、人才结构、技术成本和组织行为，也使HR从支持职能更深入地进入经营决策。

　　企业需要一套比“AI采用率”更成熟的仪表盘

　　很多企业的AI仪表盘目前仍然以账号开通率、月活跃人数、调用次数和培训覆盖率为主。这些指标可以帮助判断推广进度，却不能回答经营层最关心的问题。一个部门调用次数很高，可能是工作量大，也可能是提示词设计不佳、重复生成严重或系统默认模型过重。

　　更成熟的仪表盘需要同时呈现采用、效率、质量、成本和业务结果。采用层可以观察哪些岗位和任务真正使用AI；效率层可以观察完成时间、等待时间和人工步骤是否减少；质量层需要记录准确率、返工率、异常率和客户反馈；成本层则应计算模型费用、人工复核和系统维护的综合投入。

　　业务结果必须成为最终落点。营销场景要看转化和客户获取成本，研发场景要看上线周期、缺陷和产品采用，客服场景要看一次解决率与满意度，HR场景要看招聘质量、员工体验与管理效率。只有当技术指标能够连接业务指标，管理层才知道AI是否形成了真实回报。

　　企业还需要观察单位经济性。例如，每完成一份合格报告消耗多少模型成本，每解决一个客服问题需要多少综合费用，每生成一个被业务采用的方案经历多少次调用。单位经济性能够帮助团队比较不同模型、提示模板和工作流，识别那些“调用很多但价值很少”的场景。

　　不过，指标数量不宜无限扩张。每个重点场景选择少量能够反映速度、质量、成本和价值的指标即可，避免为了衡量AI又制造一套新的填表负担。真正有效的仪表盘，应当帮助管理者作出继续投入、调整模型、重构流程或停止项目的决定。

　　Uber的案例说明，成本可视化本身就能够影响组织行为。当员工知道不同模型和工作流的资源消耗，团队便有机会主动优化，而不必等到财务部门发现预算异常后统一收紧。 透明不是为了制造成本焦虑，而是让AI从免费幻觉回到经营现实。

　　“最强模型崇拜”之后，企业会重新重视流程与小模型

　　生成式AI快速发展，让企业容易把注意力集中在模型能力竞赛上。每当新模型发布，组织就担心现有系统落后，希望尽快切换到更强版本。但在企业环境中，模型只是结果链条中的一部分，数据质量、流程设计、知识结构和员工判断往往对最终效果具有同样重要的影响。

　　对于规则稳定、边界清晰、高频重复的任务，专业小模型或较低成本模型可能比通用前沿模型更合适。它们响应更快、成本更低，也更容易控制输出结构。如果再配合企业知识库、标准模板和清晰的异常升级机制，实际表现可能足以满足业务要求。

　　开放权重模型也因此受到更多关注。企业可以根据数据安全、延迟和成本需求进行私有化或定制部署，并避免把所有任务绑定在同一种商业模型上。当然，开放权重并不等于零成本，算力、运维、安全和模型评估仍然需要专业投入，企业不能把供应商账单下降误认为综合成本消失。

　　真正成熟的技术架构，往往不是选择一个模型解决所有问题，而是建立多模型组合。高价值复杂任务使用强模型，高频标准任务使用轻模型，确定性流程使用传统自动化，关键节点由人进行判断。不同能力各自承担最适合的部分，才可能形成稳定的成本结构。

　　这也让传统流程自动化重新获得价值。很多企业在生成式AI热潮中忽略了规则引擎、RPA和标准API，但如果任务规则明确，使用确定性技术通常更便宜、更稳定。生成式AI应该处理真正需要语言理解、非结构化信息和复杂推理的环节，而不是把所有旧系统都包装成对话界面。

　　AI轻量化的本质，不是把模型做小，而是让技术选择服从业务问题。 当企业不再把“用了更先进模型”视为成果，技术团队和业务团队才能回到共同目标：用最合适的方法，可靠地完成任务。

　　轻量化落地，不能从统一削减预算开始

　　看到Uber保持AI总支出稳定，一些企业可能会立即提出控制账号、限制调用或统一改用低成本模型。这样的动作虽然简单，却容易破坏仍处于探索期的场景。轻量化需要建立在使用数据和任务分析之上，而不是先确定一个削减比例，再要求所有部门执行。

　　企业可以先识别调用量大、任务重复、结果容易评价的场景。这些场景最适合进行模型对比和流程优化，因为团队能够较快判断更换模型后，速度、质量和成本发生了什么变化。对于低频但高风险的任务，则应优先保证准确性、审计和人工判断，不必为了节省少量Token牺牲可靠性。

　　默认模型的设置应当由真实测试决定。企业可以使用相同任务集比较多个模型，记录完成质量、响应时间、调用成本和人工修正时间，再决定哪些模型进入默认路径。模型价格只是其中一个变量，员工为了修正低质量输出付出的时间同样需要纳入计算。

　　成本信息需要向团队开放，但呈现方式应当足够友好。员工不需要理解复杂的Token计价细节，却应该知道一次普通摘要、一次长文分析和一次智能体多轮执行的大致成本差异。配合场景建议和系统提示，成本透明才能转化为合理行为，而不是让员工因为担心超支而放弃使用。

　　企业还应给试验保留空间。AI能力和价格持续变化，一套今天更优的模型组合，几个月后可能就需要调整。预算中应当区分稳定生产费用和探索费用，让成熟场景接受单位经济性管理，让新场景拥有有限但明确的试错额度。

　　更重要的是，节省下来的资源需要有去向。它可以被投入更高价值的客户场景、数据治理、员工能力建设或关键产品创新，而不应在财务报表中消失后就被视为任务完成。只有当成本优化释放出的资源进入新的增长环节，“轻量化”才不是单纯收缩，而是提高组织资本配置效率。

　　中国企业更需要警惕“账号很多，流程没变”

　　对不少中国企业而言，AI应用最明显的进展是采购工具更快、内部分享更多、员工尝试更积极。真正进入核心业务流程的项目却仍然有限，很多使用停留在个人辅助层面。员工可以用AI写邮件、做摘要和生成PPT，但部门的审批链条、协作方式、目标设定和责任机制基本没有变化。

　　这会造成一种“局部高效、整体不变”的局面。某位员工把写报告的时间从缩短到两小时，但报告仍需经过多轮重复审批；招聘团队更快筛选简历，却因为职位画像不清而持续返工；销售团队生成大量客户分析，却没有进入CRM和拜访流程。工具节省的是个人时间，组织流程却把节省重新消耗掉了。

　　因此，中国企业推进AI轻量化时，不能只从模型费用入手。更大的浪费往往来自重复审批、职责模糊、数据割裂和无效交付，这些问题即使换成更便宜的模型也不会消失。AI可能暂时掩盖流程低效，因为员工能够更快生产材料，却不能自动消除组织摩擦。

　　高管需要选择少数关键流程进行端到端改造。这里的重点不是增加一个AI入口，而是重新审视流程为何存在、哪些步骤可以取消、哪些信息可以复用、哪些判断必须保留。只有流程变短，AI带来的速度优势才不会被原有组织结构抵消。

　　HR负责人则需要关注效率收益是否在不同层级之间公平分配。如果管理层获得了更快的信息和分析，而一线员工承担了更多数据标注、结果修正和异常处理，组织可能出现新的隐性负担。AI项目的收益评估不仅要看财务数字，也要看工作体验、角色清晰度和团队可持续性。

　　对中国企业来说，真正可复制的经验不是照搬Uber的模型组合，而是学习其背后的经营逻辑：根据使用数据调整默认配置，让成本进入员工和管理者视野，把效率收益与业务增长连接起来，并持续用小改进优化系统。技术方案可以不同，但资源配置和组织学习的原则具有普遍意义。

　　CHRO需要回答的，已经不是“要不要用AI”

　　当AI从创新项目变成常规生产工具，CHRO面对的问题发生了根本变化。是否采购某个产品仍然重要，但更重要的是哪些岗位将改变、哪些能力会升值、绩效如何调整、管理者承担什么责任，以及效率收益如何进入人力规划。AI战略如果没有这些答案，最终仍会停留在技术部门的项目清单里。

　　CHRO需要与CFO共同建立AI生产率的价值口径。节省工时、减少外包、放缓增量招聘、提高收入、降低错误和改善员工体验，属于不同类型的收益，不能简单相加。只有明确收益如何确认，企业才不会在不同部门之间重复计算同一份价值。

　　与CIO或CTO的合作也需要深化。技术部门负责模型、数据和系统架构，HR则需要提供岗位任务、员工行为、技能差距和组织风险的信息。双方共同决定默认工具和工作流，才能避免技术设计与真实工作脱节。

　　业务负责人同样不能置身事外。哪个场景值得投入、输出质量如何判断、节省的时间如何重新配置，最终都需要业务部门负责。HR可以提供方法和治理框架，却不能替代业务管理者定义价值。

　　管理者的AI领导力也应进入选拔和评价体系。未来优秀管理者不仅要能够带人、定目标和协调资源，还要能够设计人机协作、识别技术边界、管理AI成本并对结果承担责任。没有这种能力，团队可能拥有先进工具，却仍然无法形成新的生产方式。

　　CHRO真正需要推动的，不是一场覆盖全员的AI运动，而是一套能够持续更新的工作系统。 这套系统要让企业知道什么任务交给什么能力、结果由谁验证、成本由谁管理、收益如何回流，以及员工如何在变化中获得新的发展空间。

　　从“AI用得多”到“AI用得值”

　　Uber此次披露的意义，并不在于它找到了一个适用于所有企业的成本公式。更重要的是，它展示了AI规模化之后必然出现的管理转折：当采用率不再是主要障碍，成本、质量、流程和责任就会成为新的瓶颈。企业必须从推广工具，进入设计生产系统的阶段。

　　这一阶段不会因为采购更强模型而自动完成。它要求企业把任务拆开，把模型分层，把成本看清，把绩效移向结果，把员工能力从操作工具升级为判断与验证，并让管理者对人机协作承担责任。每一项看起来都不如发布一个大型AI项目引人注目，却更接近企业真正需要完成的工作。

　　AI轻量化也不意味着企业降低技术雄心。恰恰相反，它意味着企业开始把AI当作需要长期经营的基础能力，而不是一轮预算宽松的创新热潮。只有单位成本下降、使用规模扩大、质量保持稳定并持续改善业务结果，AI才能真正进入组织的日常运营。

　　对于高管而言，最重要的判断标准正在改变。企业不必追求所有员工都使用最强模型，也不必把每一次调用压到更低成本，而应让高价值任务获得足够能力，让常规任务使用合适资源，让风险始终有人负责。资源配置越精细，AI越可能从费用项目变成经营杠杆。

　　对于HR而言，这场变化则意味着角色升级。岗位设计、绩效管理、能力建设和领导力发展，都需要围绕AI重新连接。HR不能只统计员工学会了多少工具，而要帮助企业回答：人的时间被释放之后，组织准备用它创造什么新的价值？

　　企业真正的AI能力，不是让每个人都使用更多Token，而是让每一份算力、每一小时人力和每一个管理判断，都进入更有价值的位置。

　　当AI账单不再随着使用量同步膨胀，当成千上万个小改进开始积累，当员工从内容生产者转向问题判断者，企业才算真正走出AI试用期，进入可持续的智能化经营阶段。

　　参考资料

　　1. Business Insider：Uber keeps AI spending stable using cheaper models and employees tracking cost， CFO says

　　2. Uber Technologies：Q2 2026 Prepared Remarks

　　3. Uber 2026年第二季度财报电话会记录：Earnings Call Transcript

　　4. Uber Technologies：2026年第一季度业绩公告

　　— END —

　　原文链接：https://mp.weixin.qq.com/s/4LN1iGjENQSm4Fd6w_qC0Q