每到季度末，大公司的财务部门都要过一段对账的日子：多个主体、多个系统之间的往来账目要逐笔核对，差异要逐项追因，过去靠人工比对，一轮下来动辄一两天。在一家超大型互联网公司，现在是一批各自带着明确任务的AI在做这件事：入口的一个先做分析，再把任务分给六七个同时开工；遇到自己缺数据的情况，它们不会凭空编，而是通过内部通讯工具向同事发消息要数据，拿到回复，再把信息接进协作流程。
一年下来，这条财务线上线了70多个AI角色，攒下200多个可复用的技能模块。但最值得留意的一点是：人并没有减少。
人没减，时间去了别处
用内部人的说法，过去是2个人做设计、8个人做执行，将来应该翻过来——8个人做设计，2个人做执行，甚至所有人都做设计，背后由上百个AI角色干活。人的精力从逐单执行，挪到了规则维护、异常判断和质量把关上。效率的提升没有变成裁员，变成了时间的重新分配。
卡住多数公司的，不是工具是组织
行业调研的数据能说明问题：仅21%的企业会对数据项目做投入产出测算，其余大多靠主观印象。常见的障碍有三类：有的第一天就想把回报算清楚，不敢轻易动手；有的数据还没结构化，审批还在用邮件走；有的选型流程太长——模型迭代一年好几代，流程还没走完，选出来的已不是最新的那一批。
这家公司财务负责人的判断更直接：瓶颈不在工具的可用性，而在组织的可行性。
五级成熟度里，多数公司停在第二级
这家公司把企业用AI的程度分成五级：从按规则记录流程，到大模型嵌入现有流程，再到个人助手提效、组织级AI常驻执行，最后是做出人力不可及的新能力。自评整体处在第二级向第三级过渡，部分场景已稳定运行在第三级。要跨过去有个前提：小修小补到不了第三级，必须按AI的能力把整条流程重新设计一遍——比如内控，过去只能挑最重要的控制点抽查，现在是全量扫描加巡检，覆盖面完全不是一个量级。
先赢一个月，再去算大账
关于投入产出，这家公司给出两层算法：一层是提效，时间压缩、成本下降；另一层是提质——几项核心业务的准确率从约70%提到90%以上，这是人力很难稳定达到的水平，而「做对」比「做快」更重要。已上线的场景里，一项核对工作的时效从50个工作日缩到30个；一条从采购到付款的流程，无人值守的比例从约三分之二提到92%，审核成本降了31%。推进的步子上也务实：先挑两类场景——高频重复的，和需要跨部门拉通的——用小预算试点，跑7到10天进入稳态，再算省下的人力与缩短的流程时间。组织内部则鼓励先做一个月内见效的小动作，把参与面铺开。
模型一直换代，内容不必跟着搬家
这套实践里有个判断，对企业对外内容同样成立：组织的流程与模型的节拍之间存在一整代错位——模型迭代一年好几代，内部流程一年动不了几次。
对外内容面对的是同一道题。各家模型就像插头形状不同的电器，企业要做的不是追着每一款插头改线路，而是把对外那套说法集中放在一处，前面配一层适配：新款来了加个转换头就行，企业自己确认过的那版说法不用重讲，要动的只是外面那层转换。模型怎么换代，客户问出来的答案都还是公司定下的那一版。
认识的一位企业主上个月无意间学会GEO官网搭建，导入企业知识库后客资稳步增长，这套零成本方法我整理在公众号「智扣AI」，自取。
结语
效率的故事讲了一年，这家公司给出的答案里最值钱的不是任何一个百分比，而是那个看似矛盾的事实：AI干得越来越多，人一个没少，只是做的事变了。对多数企业来说，真正的起点不在挑哪个模型，而在把自己的数据、流程和对外那套说法，先整理到AI能稳定读对的程度。