欢迎您来到辽宁人才派遣网,在这里为您提供最一流的人力资源服务!

裁员之后,AI到底省了多少钱?

来源:HRflag

  财报季里,一个熟悉的词又回到了聚光灯下:裁员。但这一次,值得企业管理者关注的,并不只是岗位调整的规模,而是同样一类消息背后,投资者正在提出更细的问题。人员减少之后,业务究竟有没有变得更好,AI到底承担了哪些工作,节省下来的资源又去了哪里,这些问题正在改变人们理解组织效率的方式。

  11月3日,彭博发布的一篇财报季综述提到,新闻报道中涉及裁员、解雇等内容的次数,在10月升至5月以来的更高水平。报道同时观察到,市场对企业人员调整的反应存在明显差异,投资者会结合企业的经营基础、调整动机和未来增长空间作出判断。换句话说,岗位数字本身提供的信息有限,它必须放回完整的经营故事里,才有解释力。 [1]

  对于企业高管和HR负责人,这个变化比一份裁员名单更值得研究。过去,一项降本计划可以用减少了多少编制、压缩了多少费用来概括;当AI成为组织转型的重要投入,管理者还需要解释技术投入、流程变化和经营结果之间的关系。AI有没有创造价值,开始需要一份能够复查的账本。

  从这一轮报道中,可以读出一个越来越值得重视的管理信号:效率改善需要有证据,人员变化只是其中一个观察项。 这并不意味着所有市场参与者已经形成同一种判断,而是说,企业如果希望让自己的转型获得持续信任,就需要把“采取了什么行动”进一步讲成“产生了什么结果”。而这份证明,最终必须由业务、财务、技术和HR共同完成。

  热闹的裁员数字背后,真正值得读的是统计口径

  先把新闻里的几个数字放回原来的位置,才能看清这轮财报季的含义。根据报道,在约70%的标普500成分股已经公布业绩时,147家公司宣布计提重组费用;作为参照,2025年整个第三季度财报季的对应数字是178家。一个是尚未结束的财报季,一个是完整财报季,因此不能简单据此得出重组公司数量同比下降的结论。 [1]

  报道还指出,本财报季宣布更广泛重组措施的标普500公司数量,预计较上年同期增加约20%。这里的“更广泛重组”与“计提重组费用”是不同的统计口径,不能直接混用,更不能把它们等同于裁员人数。对于管理者,认真区分这些概念的价值,在于避免让一个看起来直观的数字,替代对真实经营变化的判断。 [1]

  同样的道理也适用于企业内部。组织调整可能同时涉及管理职责、业务组合、供应商采购、办公布局和技术系统,不同动作产生收益的机制并不一样。人员数量变化可以很快被看见,而职责重新划分是否顺畅、客户问题是否解决得更好、核心业务是否获得更多资源,需要更长时间才能观察。只有把这些变化拆开,才能知道效率来自哪里。

  假设两支团队都把同类业务的人力投入减少了10%,其中一支依靠知识检索和流程自动化处理了更多标准任务,另一支恰好遇到业务量下降。它们在人员报表上的变化可能相似,但前者反映的是交付能力的变化,后者首先反映需求变化。企业要讨论AI提效,就必须继续观察业务量、工作难度、服务质量和新增技术成本,而不能停在人员报表这一页。

  这也是为什么,单独展示“人均收入提高”仍然不够。收入可能受到价格、产品组合、汇率或者并购范围变化的影响,分母也可能因业务外包发生变化。一个指标可以帮助发现线索,但无法独自解释全部原因,尤其无法自动证明AI创造了多少收益。

  财报季的价值,因而不只是提供了一组组织变化的数据,也提醒企业重新审视自己的表达方式。当企业宣布组织变得更加精简时,真正有说服力的后续信息,是客户交付是否稳定、决策是否加快、资源是否进入更有价值的业务。把这些信息连起来,组织调整才从一项动作,变成一条可以理解的经营路径。

  PayPal提供的线索,是把组织、运营与AI放在同一张图上

  在这轮报道中,PayPal是一个适合进一步观察的案例。公司10月27日发布的第三季度业绩材料披露,员工人数已减少超过2000人,管理岗位减少超过25%;这里的准确表述是“管理岗位”,并不等于管理层级减少25%。同公布的业绩指引显示,公司将2026年全年非GAAP每股收益预期上调至约5.60美元,彭博也将其列为公布相关调整后股价小幅上涨的案例之一。 [1] [2] [3]

  比单独的人员数字更有信息量的,是PayPal展示降本计划的方式。其业绩演示材料把结构简化、运营与业务组合优化、加速AI应用列为不同路径,并给出到2026年底超过7亿美元、未来两到三年至少15亿美元的年化毛节约目标。这些是覆盖多项措施的目标,不能全部归因于AI,也不能直接视为已经进入当期利润的净收益。 [2]

  这种呈现方式,为企业理解转型提供了一个有用的视角。管理结构改变,可能减少信息传递和重复协调;运营优化,可能改善外部采购与资源配置;AI应用,则可能改变具体任务的完成方式。它们能够相互支持,但每一条路径仍然需要自己的验证方法,才能说明贡献来自哪里。

  尤其需要注意的是,“全年每股收益指引上调”与“AI创造了多少利润”,不是同一个问题。每股收益受到经营表现、流通股数、税费等多项因素影响,不能直接把它的变化全部装进AI的收益账户。对企业管理者而言,能够区分综合结果与单项贡献,反而更容易建立长期可信的转型叙事。

  PayPal在其季度申报文件中还表示,计划把相当一部分节约资源重新投入优先增长项目。这个信息让人员、技术和增长之间出现了更完整的连接:效率释放资源,资源支持重点业务,重点业务再接受经营结果的检验。至于最终能形成多少新增回报,仍然要由后续执行和实际业绩来回答。 [4]

  从这里可以进一步推导,企业讨论AI价值时,不能只保留成本减少的一侧。技术也可能帮助公司在同样的资源条件下服务更多客户、进入更多市场,或者把专业人员从重复事务中释放出来。只要这些变化能够被识别、被验证,它们都属于效率的经营价值,未必都以当期编制减少的形式出现。

  一项有说服力的AI转型,需要讲清楚工作如何改变、资源如何释放,以及释放出来的资源如何继续创造价值。 这三件事缺少任何一环,管理者都很难判断转型究竟走到了哪里。要把这个问题讲透,更好的起点不是宏大的组织图,而是一项足够具体、可以算清楚的业务结果。

  一宗客户问题,到底花了多少钱

  客服是理解AI效率的一扇好窗口,因为这里既有大量重复任务,也有容易观察的交付结果。企业可以记录响应时间、处理时长、转人工比例和客户反馈,并进一步追踪每个问题有没有真正结束。越是能够获得这些数据的场景,越适合检验AI投入是否带来了稳定改善。

  但“结束一次对话”和“解决一个问题”,始终需要分开。客户问了三次、换了两个渠道,最后才完成退款,这可能留下多段会话记录,却仍然只是一个问题。企业如果只用AI回复量或自动关闭的工单量来衡量效率,就很难判断客户是否还在为同一件事反复求助。

  因此,“每解决一宗客户问题的总成本”可以成为一个有价值的观察指标。分母应尽量对应口径一致、经过验证的有效解决结果,分子则覆盖交付这些结果所需的相关成本。模型调用、系统运行、人工升级处理、复核、返工、知识维护和必要的建设投入分摊,都应在明确边界后纳入,而不是只比较一条回复的生成价格。

  这里的Token,是模型处理输入和输出的计量单位,通常会影响模型调用费用。人工复核和错误返工还会产生人员时间、工具调用以及其他支出,不能统称为Token成本。把这些费用分别记清楚,企业才能判断应该优化模型选择、知识质量、人工流程,还是系统衔接。

  不妨用一个完全假设的例子来说明,这些数字不对应任何真实企业。某客服团队每月按统一质量标准解决10万宗问题,相关总成本为120万元,单宗成本就是12元。引入AI并完成流程调整后,假设仍然解决10万宗同样难度的问题,一线处理、升级和返工人力合计60万元,模型及系统运行与建设投入月度分摊10万元,独立质检和知识维护等成本10万元,总成本降至80万元。

  在这个设定中,单宗成本从12元降至8元,下降约三分之一,月度同口径成本减少40万元。这个结果之所以有意义,是因为比较保留了相同的业务规模、问题难度和质量要求,也计入了新增技术与配套投入。只要其中某一项发生明显变化,原来的结论就需要重新计算,而不能继续沿用同一个提效比例。

  例如,如果系统记录了10万次结单,但按照统一标准追踪后,只有8万宗问题真正解决,那么80万元对应的单宗成本就变成10元。这个结果仍然可能比原来更好,但改善幅度已从约33%变成约17%。一次口径修正,就会改变管理者对项目收益的判断,也会影响下一步应该投入多少资源。

  质量标准同样需要业务含义。对于物流查询,可能需要确认客户获得了准确状态;对于退款申请,可能需要确认资金处理完成;对于复杂服务,则可能需要追踪一段时间内是否再次求助。不同业务可以选择不同的观察窗口,但上线前后要尽量保持一致,否则所谓效率提升可能只是验收方式变了。

  这也是既有研究能够提供的一点启发。2025年发表于《经济学季刊》的一项研究,使用5172名客服人员的数据,发现AI辅助使每小时成功解决问题的数量平均提高约15%,不同经验和技能的员工获益存在差异。这里衡量的是特定客服场景下的劳动生产率,并不意味着企业总成本同步下降15%,更不能直接换算成同样比例的岗位减少。 [5]

  研究给出的价值,在于让“效率”有了明确的业务单位。企业可以从中获得测量思路,再结合自己的客户、系统和服务要求进行检验。真正值得带回会议室的,是怎样把问题定义清楚、怎样观察有效产出,以及怎样判断改善能否持续,而不是把一个平均比例复制到所有部门。

  省下时间,距离省下现金还有几步

  当企业开始按业务结果核算成本,另一个容易混淆的问题就会出现:员工节省了时间,为什么财务报表没有立刻出现同等规模的费用下降。原因并不复杂,时间、产能、费用和现金是相互关联但并不相同的概念。AI可以先改变工作过程,再逐步影响资源配置,这条传导链需要具体的经营安排。

  假设100名员工每天各节省一小时,按每月22个工作日计算,账面上就出现了2200小时。这是一个有意义的潜在空间,但这些时间可能分散在不同岗位、不同日期和不同工作环节,并不能自动拼成一支可以立即调度的新团队。企业只有明确这些时间用于什么,才能进一步判断它们会带来怎样的经营结果。

  如果销售人员把时间用于更多有效拜访,企业需要继续看商机质量、转化和收入贡献。如果研发人员把时间用于验证更多方案,需要看开发周期和交付质量;如果HR把时间用于更深入的业务支持,则要看关键岗位补充、人才流动和组织问题的解决情况。时间的价值,要经过新的任务和新的结果才能显现。

  另一种情况是,企业业务量持续增长,AI帮助现有团队承担了更多工作。此时编制可能没有下降,但在同样质量要求下,公司减少了未来新增招聘、外包或加班的需要。只要能够用合理的业务预测和实际结果验证,这种避免新增成本的价值同样真实,只是它与已经减少的支出需要分别记录。

  这里也不能把产能提升比例直接当作可减少的人力比例。即使在工作完全可分割、需求固定等理想条件下,人均产能提高20%,完成同样工作所需的人力也只是理论上减少约16.7%。现实中还存在排班、峰值需求、专业分工和服务保障,因此人员配置需要比一道比例计算更完整的判断。

  同样,新增交付量也需要有承接条件。一个团队能更快生成方案,如果客户需求不足、销售渠道尚未打开,或者后续实施能力没有跟上,更多方案并不会自动形成收入。AI创造了一个可以利用的机会,企业还需要通过产品、客户和组织安排,把这个机会变成经营成果。

  这就要求管理者把不同阶段的价值说清楚。员工减少了重复操作,是过程改善;团队在同等资源下承担更多有效工作,是产能改善;企业减少实际支出或者创造新增贡献,才进一步形成对应的财务结果。每一步都有价值,也都有自己的证据,越是把它们分开讲,越容易找到下一步应该解决的障碍。

  AI项目的收益,需要沿着“时间释放、产能利用、经营结果”逐步兑现。 如果释放的时间尚未获得新的任务,接下来要解决的是工作重分配;如果新增产能已经形成但需求没有跟上,要解决的是业务承接。把问题找到具体环节,企业就能把提效从一个抽象目标,变成可以继续推进的经营动作。

  “已经完成”和“准备完成”,需要两份成绩单

  把收益的传导过程讲清楚之后,还要继续回答一个时间问题:这些收益什么时候发生。企业宣布了一项计划,完成了一项调整,或者已经在报表中体现出结果,分别代表不同阶段。如果把它们放在同一张成绩单里,管理者就容易高估当前进展,也难以判断后续还有多少兑现空间。

  “年化节约”尤其需要解释清楚。假设某项措施到12月已经稳定达到每月节约60万元的水平,把这一水平乘以12个月,可以得到720万元的年化节约规模。但如果该措施只在年底才开始生效,当年实际形成的节约就远少于720万元,两者分别回答未来运行水平与本期已经实现多少的问题。

  “毛节约”和“净收益”也需要分开。企业减少某项旧支出的同时,可能增加软件、数据、培训和流程建设投入,其中部分属于持续费用,部分属于一次性投入。管理者需要按一致口径说明收益和成本,并结合现金发生时间观察回收过程,才能判断项目对利润与现金分别产生了什么影响。

  PayPal的季度申报文件,对时间差提供了一个具体参照。公司预计,第三季度相关人员调整计划将减少约3.4亿美元的年化员工相关成本,其中一部分节约已在9月体现,其余预计从第四季度开始体现。这个披露把行动、年化规模和收益开始出现的时点区分开来,也提醒读者不能把计划的完整年度效果直接当作第三季度结果。 [4]

  对于AI项目,这种区分还应深入到业务现场。一项自动化功能已经上线,是否意味着员工已经能够稳定使用;员工开始使用,是否意味着旧流程已经退出;旧流程退出,是否意味着相关支出已经减少,这些都需要分别确认。技术部署进度、组织采用进度和经营收益进度,通常需要在同一个项目里持续衔接。

  在试点阶段保留人工复核,可以帮助团队发现问题、修订知识和完善流程。这一阶段的成本结构,与成熟运行时可能不同,因此企业既要记录试点的真实投入,也要解释未来预计如何变化。一个可信的方案,应该说明从当前状态走向目标状态的条件,而不只是展示目标状态下最理想的成本。

  经营环境也会影响判断。业务量变化、产品结构调整、季节性需求和服务政策变化,都可能让前后两个月的数据出现差异。企业如果能在可比业务中设置试点与参照,或者采用分批上线的方式观察,就更容易识别AI究竟贡献了什么,也更容易让财务与业务接受同一个结论。

  持续记录还会让转型更容易获得支持。一个项目即使暂时没有达到预期,只要能够解释差距来自采用速度、数据条件还是业务承接,管理者仍然可以作出有依据的调整。企业真正需要的是提高决策质量,让下一笔投入建立在更充分的事实之上,而不是让每一张进度表都提前呈现最终成功。

  管理岗位改变之后,决策为什么能够更快

  当项目走出试点,AI带来的变化就会从工作方式延伸到组织方式。信息检索、材料汇总、进度跟踪等任务如果发生改变,管理者的时间分配也需要重新安排。这个时候,企业对管理岗位和管理层级的讨论,应当回到具体职责以及决策是怎样发生的。

  一个管理岗位可能同时承担目标解释、资源协调、人才培养和例外处理等职责。AI能够帮助其中一部分信息工作,但不同职责被支持的程度并不一样。企业如果希望调整组织结构,需要先弄清楚哪些工作已经减少、哪些责任需要重新分配,以及谁来承接那些仍然重要的判断。

  例如,一项客户定制需求需要经过销售、产品、交付和财务确认。AI可以提前整理客户背景、合同条件、资源安排和可选方案,让参与者更快获得同一份事实基础。接下来,如果企业也明确了价格、交期和资源使用的授权边界,原来需要反复往返的协调,才可能真正缩短。

  在这条流程中,技术带来的价值既包括材料准备时间减少,也包括信息更完整、讨论更聚焦。管理机制带来的价值,则体现在合适的人可以在清楚的边界内作出决定。两者结合之后,企业才有条件减少不必要的等待,把管理注意力放到更重要的选择上。

  因此,评价结构变化时,可以观察从需求提出到决定形成用了多久,经历了多少次补充说明,是否需要反复升级,以及最终执行是否顺畅。企业也可以追踪管理者每周用于人才辅导、业务协调和关键判断的时间是否增加。这样的观察,比单独讨论一个经理应该管理多少人,更接近组织调整的真实目的。

  不同团队适合的管理跨度也可能不同。标准化程度高、任务相对稳定、员工经验充分的团队,与任务高度不确定、需要频繁跨部门协作的团队,所需的管理支持并不一样。AI能够改变其中一些条件,但很难替企业直接给出一个适用于所有业务的统一比例。

  2026年6月发表在《组织科学》上的一项研究,为协作方式的变化提供了补充线索。研究在宝洁开展实验,涉及791名专业人员,发现使用AI的个人在特定产品创新任务中,表现可以达到未使用AI团队的水平,AI也有助于整合不同职能的专业视角。这说明AI可能改变知识协作的组织方式,但这类任务实验仍需要与企业长期交付中的实际情况区分。 [6]

  对管理者而言,这项研究更有启发的地方,是专业知识能够以新的方式进入工作过程。当商业人员更容易理解技术约束,技术人员更容易理解客户与市场,团队就有机会把更多讨论用于权衡方案和作出选择。与此同时,项目推进、关系协调、责任承担和人才发展,仍然需要在真实组织中得到安排。

  AI参与的组织设计,需要让信息流、决策权和责任分配一起变化。 当管理岗位的工作内容清晰、授权边界清晰、复杂问题的处理路径清晰,企业才有条件让结构变化转化为稳定的运行能力。这个过程也把HR推向了更靠近业务的一侧,因为岗位、能力和人才流动都需要随之调整。

  HR需要解释的,是每一份产能从哪里来

  在这样的组织里,HR可以承担一个更有价值的角色:把岗位变化转化为清晰的工作安排。企业需要知道,当前哪些任务由人完成,哪些任务由AI辅助,哪些环节可以自动执行,以及出现例外时谁来处理。只有形成这张工作地图,才能进一步讨论需要怎样的人、怎样的能力和怎样的团队配置。

  岗位名称本身提供的信息往往有限。同样叫“客户运营”,有人主要处理信息查询,有人负责复杂投诉,有人维护重要客户关系,也有人承担服务知识的整理。AI对这些工作的支持方式不同,所需的专业判断和责任也不同,直接按岗位名称估算替代空间,很容易忽略真正影响交付的细节。

  HR可以和业务负责人一起,把高频任务拆到能够观察的层面。每项任务要有明确输入、完成标准、发生频率、典型工作量和例外处理方式,随后再判断AI适合参与哪个环节。这样的拆解不必覆盖全公司所有工作,可以从一个业务单元开始,重点弄清楚那些占用大量时间、又与经营结果直接相关的任务。

  当任务安排发生变化,岗位要求也应该相应更新。一个服务人员如果从标准问答转向复杂问题处理,企业就需要提供案例学习、专业支持和合理的升级权限;一个分析岗位如果减少了材料整理,增加了判断与沟通,就需要重新定义能力要求和评价标准。技术改变了任务结构,人才管理需要把这种变化接住。

  人员规划还需要与业务需求一起计算。企业可以围绕正常需求、增长需求和峰值需求,评估现有团队在AI辅助下能够承担的工作量,再结合技能结构、排班和服务标准判断资源缺口。这样形成的人员方案,更容易解释每一项配置的业务理由,也能让组织在业务变化时保留调整空间。

  内部流动则是把释放产能转化为增长能力的一条重要路径。某个团队减少了重复工作之后,企业可以评估其中哪些人员能够经过培训,进入客户成功、知识运营、业务拓展或者流程改进等有真实需求的岗位。这里需要同时确认接收岗位、能力差距、学习周期和过渡支持,才能让人才转移从一种意愿变成可执行的安排。

  资源重新配置也要接受同样的经营检验。员工进入新的任务之后,是否形成了更好的服务、更多有效产出,或者补充了关键能力,需要继续观察。培训、过渡和接收团队的投入应当如实记录,这些信息有助于企业判断组织调整是否获得了值得持续投入的回报。

  为了形成共同判断,业务、财务、技术和HR需要使用能够相互对应的数据。业务确认有效交付,技术说明系统使用与运行投入,财务核算支出和收益,HR解释人员、任务与技能如何变化。每个部门保留自己的专业责任,同时围绕同一条流程交换证据,组织效率才有机会从各说各话变成共同经营。

  这也会改变HR在经营会议中的表达方式。除了报告编制、人工成本和招聘进度,HR还可以说明关键任务的产能是否满足需求、哪些技能正在成为交付瓶颈,以及内部人员如何进入新的价值创造环节。这样的信息能够直接支持业务决策,也更容易让人才议题进入企业的核心资源讨论。

  员工愿意分享经验,AI收益才有持续积累的基础

  当岗位和任务逐渐清晰,企业还需要解决一个更细的问题:AI从哪里获得高质量的业务知识。标准制度和产品手册提供了基础,但大量工作经验存在于真实案例、客户沟通和专业人员的判断之中。企业想让AI持续提高交付质量,就需要让这些经验能够被整理、验证和更新。

  假设一名员工总结出一类复杂问题的判断方法。过去,这种能力可能通过带教慢慢传递;当它进入经过审核的知识体系,就有机会帮助更多同事更快找到合适的处理路径。经验由此从个人能力转化为组织能力,但这个过程需要时间,也需要专业人员持续参与。

  因此,企业在设计绩效机制时,应当识别知识贡献的价值。如果评价只记录员工自己完成了多少任务,却没有考虑其帮助团队减少返工、完善标准和培养同事的贡献,知识建设就很难获得足够投入。把这些工作纳入合理的任务分配与绩效评价,才能让组织持续获得高质量的经验供给。

  同样需要安排的,是维护责任。产品更新之后,谁来修订知识;业务规则变化之后,谁来确认新的处理方式;一线遇到系统无法解决的案例,如何反馈给相关负责人,这些都应进入日常运行机制。知识能够被持续维护,AI才更有条件跟上业务变化,而不是只在上线时表现良好。

  员工也需要理解,工作方式改变之后,企业对其能力有什么新的期待。管理者可以把培训、职责变化和可获得的支持讲具体,让员工知道如何完成新的任务,以及自己的专业经验还能在哪些地方产生价值。这种沟通有助于获得更真实的使用反馈,也便于企业尽早发现流程中需要补足的环节。

  评价管理者时,也可以观察其是否愿意支持跨团队的人才流动和知识共享。一个团队把成熟经验贡献给全公司,或者培养人员进入更需要的岗位,可能会给本团队带来短期安排压力。企业如果能够在目标和资源上给予相应支持,就更容易让整体效率改善获得持续配合。

  AI效率的持续性,与组织能否不断积累经验、培养能力和修订流程密切相关。 模型可以提供新的工具,企业仍需要把专业知识、协作方式和人才成长组织起来。当这些工作进入日常经营,AI收益才有机会从一次试点结果,发展为能够反复产生的组织能力。

  从一条流程开始,把效率做成可以复查的结果

  对于正准备扩大AI投入的企业,最有价值的下一步,是选择一条足够重要、边界相对清晰的流程,把前面这些问题连起来验证。业务量稳定、结果可以追踪、知识条件较成熟的场景,通常更容易建立可比基础。企业可以先在这里形成测量和协作方法,再逐步扩展到更复杂的业务。

  假设一家企业计划用90天验证某项客服流程,这只是一个可以按业务节奏调整的示例。开始阶段,需要弄清楚原有业务量、有效解决率、相关投入、重复求助和工作难度分布,并确认哪些变化属于项目希望实现的目标。如果历史数据还不能支持比较,就需要先补足记录,让后续结果有一个可靠的起点。

  在具备条件时,可以在相近业务中采用随机分配或分批上线的方式推进,并记录不同团队的经验、任务差异和运行条件。这样既能观察使用AI后的变化,也能尽量减少业务量波动或人员差异对判断的干扰。企业不必把试点做成复杂研究,但应当为一个基本问题保留答案:如果没有这项改变,结果大概会怎样。

  试点推进之后,管理者需要持续看成本和结果之间的关系。一次有效解决需要多少投入,复杂问题能否及时进入合适的处理路径,员工释放的时间用于了什么,都会影响最终收益。会议的重点也可以围绕具体案例展开,让业务问题、知识更新、系统调整和人员安排在同一处衔接。

  扩展到更大规模之前,还需要理解成本结构会怎样变化。某些建设投入可以由更多业务量分摊,而模型调用、人工复核和复杂问题处理,也可能随着业务量增加而增加。把固定投入、随量变化的投入以及峰值保障需求分别看清楚,企业才能判断试点效果在扩大之后能否保持。

  同样需要观察的,是任务结构可能发生变化。AI处理了更多标准问题之后,人工团队接到的问题可能更复杂,平均处理时间也可能变长。此时应结合整体交付和问题难度评价人工团队,避免把任务重新分配后的正常变化,误读为员工个人效率下降。

  项目也应当允许根据证据调整方向。如果单宗成本下降但复杂问题积压,可以改进升级流程和专业支持;如果质量稳定但采用速度不足,可以检查操作衔接与培训安排;如果产能增加但新增业务尚未形成,可以重新安排资源承接。每一次调整都对应明确原因,企业就能从试点中获得可持续使用的经营知识。

  当一条流程完成验证,企业得到的成果也会超过一个节约比例。它会拥有一套一致的业务口径、一种跨部门协作方式,以及一批知道怎样把AI用于真实任务的员工。下一条流程由此能够在更成熟的条件下开始,组织转型也就具备了逐步扩大的基础。

  下一轮财报之前,企业可以准备一份更完整的答案

  回到这轮财报季,值得带进经营会议的,是投资者对调整动机、经营基础和未来增长的综合判断。企业采取了什么行动固然重要,行动之后形成怎样的交付能力、财务结果和增长空间,同样需要持续说明。这种判断方式,也适用于企业内部的预算分配和组织评估。

  当企业开始安排下一年度经营计划,AI预算可以与具体业务目标建立更清楚的关系。客服项目对应有效解决与服务质量,销售支持对应有效商机与成交贡献,研发支持对应交付周期与产品质量,HR项目对应人才供给与组织运行。每个场景选择适合自己的结果单位,再追踪相关投入,技术预算就更容易进入真实经营。

  这也意味着,企业可以为不同阶段设置不同期待。探索期关注是否找到可行的任务和可靠的结果,扩展期关注流程能否稳定运行,成熟期关注收益能否持续以及资源能否进入新的价值创造。把阶段讲清楚,能够帮助管理者作出更合理的投入判断,也让项目团队知道下一步需要证明什么。

  对于CEO,重要的是让效率改善与企业战略形成连接,明确资源最终支持哪些客户、产品和市场。对于HR负责人,重要的是把任务、能力、岗位和人才流动连接起来,确保组织能够承接新的工作方式。财务与技术则需要提供各自的证据,让整个过程能够被理解、被追踪,也能够在需要时被修正。

  当这些工作逐渐成熟,企业就有条件回答更有分量的问题。同样的资源是否完成了更多有效交付,客户是否获得稳定体验,员工是否进入了更有价值的任务,释放的资源是否支持了未来增长,这些答案能够共同说明组织正在发生什么。人员数字仍然可以提供信息,但它的含义会被放进更完整的经营结果中解释。

  AI转型值得争取的结果,是让企业持续提高创造价值的能力,并能够说明这种能力怎样形成。 这份说明可以从一宗客户问题、一条工作流程、一个团队的变化开始,逐步延伸到整家企业的资源配置。当下一轮经营复盘或财报发布到来时,一份经得起追问的真实账本,会让企业的转型故事更有说服力。

  资料来源

  [1] 彭博新闻综述:Investors split on earnings season job cuts tied to AI, costs。2026-11-03。 https://businessmirror.com.ph/2026/11/03/investors-split-on-earnings-season-job-cuts-tied-to-ai-costs/

  [2] PayPal:2026年第三季度业绩演示材料,第6页。2026-10-27。 https://s205.q4cdn.com/875401827/files/content_files/PYPL-3Q-26-Earnings-Presentation.pdf

  [3] PayPal:2026年第三季度业绩公告,SEC存档。2026-10-27。 https://www.sec.gov/Archives/edgar/data/1633917/000163391726000086/pypl3q-26earningsrelease.htm

  [4] PayPal:2026年第三季度Form 10-Q,SEC存档。2026-10-27。 https://www.sec.gov/Archives/edgar/data/1633917/000163391726000088/pypl-20260930.htm

  [5] Generative AI at Work,《经济学季刊》正式发表版。2025-02-04在线发表;2025年5月刊。 https://doi.org/10.1093/qje/qjae044

  [6] The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork,《组织科学》正式发表版。2026-06-12在线发表。 https://doi.org/10.1287/orsc.2025.20702

  资料核查截至2026年11月5日。文中明确标注的假设测算用于解释管理方法,不对应真实企业。除具名来源的事实与研究发现外,经营判断与实施讨论为本文分析。

  原文链接:https://mp.weixin.qq.com/s/GVxi2JTwVz9tqI8ATI0H8A

[返回上一页]
在线咨询服务