当 AI 重构价值判断，重新看待那些 “不直接赚钱” 的岗位
企业里有一类人，一直比较容易被低估。
企业里有一类人，一直比较容易被低估。
他们不直接签订单。
不直接给公司带来客户。
有时候甚至很难从一张报表里看出他们到底创造了多少钱。
比如行政、财务、采购、质量、仓库、技术支持，甚至一些管理岗位。
老板看销售的时候，很容易看到：
这个月签了多少单。
看生产的时候，也能看到：
做了多少货。
但看到财务，可能只是：
对了多少账。
看到行政，可能只是：
招了多少人、处理了多少杂事。
看到质量，可能只是：
又退了多少货。
这些事情都有成本，却很难直接对应到一个“利润数字”。
所以在企业经营里，有一种很自然的倾向：
能直接看到收入的人，更容易被认为是在创造价值。
而 AI 进入企业以后，我觉得这个问题反而会变得更加明显。
因为 AI 最容易替代的，往往正是那些可以被标准化、可以被记录、可以被流程化的工作。
于是企业很容易产生一种错觉：
既然这部分工作可以交给 AI，那原来做这些事情的人，是不是就没那么重要了？
但真正复杂的地方恰恰在这里。
企业里“直接赚钱”和“真正有价值”，从来不是一回事#
一个销售签下100万元订单，很容易理解他的价值。
但假设这个订单：
毛利只有5%。
客户还要120天账期。
售后成本很高。
交付过程非常麻烦。
表面上是100万元收入。
实际可能没有给企业留下多少利润。
再看采购。
采购没有给公司带来一笔收入。
但如果他让一批原材料：
采购价格降低3%。
质量没有下降。
交付没有受到影响。
这3%最后可能直接进入利润。
质量部门也是一样。
他们通常不会告诉老板：
“今天我给公司赚了20万元。”
但如果他们提前发现了一批有问题的材料，避免整批产品流出去，避免客户退货、返工、赔偿，那么他们实际减少的损失，很可能比一个普通订单产生的利润还大。
所以我越来越觉得：
企业真正应该计算的，不是“这个人有没有直接赚钱”，而是“如果没有这个人，公司会失去什么”。
这两个问题看起来很接近，实际完全不同。
很多岗位的价值，其实藏在“没有发生的事情”里
这是理解这类岗位最重要的一点。
销售的价值比较容易看到，因为：
有订单发生了。
但财务、质量、采购、行政、风控的很多价值，恰恰表现为：
某件坏事没有发生。
没有出现重大坏账。
没有出现批量返工。
没有出现采购失控。
没有出现用工混乱。
没有出现关键人员突然离职以后公司完全接不上。
没有因为一个合同细节造成重大损失。
这些事情如果都没有发生，企业甚至很难意识到：
原来有人一直在防止它们发生。
所以这种岗位天然比较容易被低估。
而 AI 的到来，会让这种低估变得更加微妙。
因为AI最容易先替代的，恰恰是这些岗位里最容易看见的部分
比如财务。
AI可以：
对账。
分类。
录入。
生成报表。
整理凭证。
于是老板看到：
原来三个财务每天做的这些事情，现在 AI 可以完成很多。
这个判断可能是对的。
但财务真正重要的部分可能恰恰不是这些。
例如：
这个客户为什么总拖款？
这个项目虽然有收入，为什么现金流越来越差？
这个供应商的付款条件表面上很好，实际是不是占用了太多资金？
这笔费用到底是正常经营支出，还是流程里出现了问题？
AI可以参与这些问题。
但最终需要的仍然是：
对企业经营的理解。
换句话说：
AI可能减少财务部门做表格的时间，但不一定减少财务人员做判断的价值。
采购也是一样
采购是一个很容易被“数字化”误判的部门。
因为它有大量数字：
价格。
数量。
供应商。
交期。
质量。
所以看起来非常适合 AI。
确实如此。
AI可以快速发现：
某家供应商价格比过去高了8%。
也可以发现：
某种材料最近采购价明显偏离历史区间。
这些都是非常有价值的。
但一家企业真正采购一个东西，往往并不是：
谁便宜就买谁。
还有：
质量稳定性。
交付能力。
急单能力。
账期。
售后。
配合程度。
企业之间的长期合作。
甚至一些很难写进系统的东西：
“去年那批货出了问题，对方最后帮我们承担了多少损失。”
这些事情很难完全结构化。
所以 AI 可能让采购决策：
更透明。
却不一定让它：
完全自动化。
甚至有时候，AI把价格问题看得太清楚以后，反而会逼着企业去重新理解：
为什么明明更贵的供应商，我过去还是愿意用？
这里其实就回到了关系和交易成本。
质量部门尤其容易被低估
质量工作是一个很典型的：
“出事的时候所有人都觉得它重要，没出事的时候所有人都觉得它不重要。”
企业没有发生质量事故的时候，老板可能觉得：
质量部门就是成本。
真发生事故以后，大家才知道：
原来这个岗位是在买保险。
AI进入以后也一样。
机器视觉可以查缺陷。
AI可以分析质量数据。
AI可以根据历史记录寻找异常。
这些事情都非常有价值。
但有一个问题：
谁来判断这个异常到底意味着什么？
一条数据看起来异常，不一定真的需要停产。
一次缺陷也不一定代表整个供应商有问题。
有些标准可以完全自动执行。
有些情况必须结合：
客户要求、产品用途、成本、交期和历史经验
综合判断。
所以质量岗位可能不会简单消失。
更可能发生的是：
低层次的检查越来越自动化，高层次的判断越来越重要。
至少我目前更倾向于这样理解，而不是直接把它归结为“AI替代质检员”。
行政也是一个特别容易被误解的岗位
行政的尴尬就在于：
很多工作谁都觉得自己会做。
通知。
表格。
会议。
报销。
资料。
考勤。
这些确实非常适合 AI。
所以一些企业可能会想：
行政是不是最容易被 AI 取代？
可能是。
但把行政这个岗位整个拿掉以后，才会发现还有很多事情没人接：
招聘。
员工沟通。
临时协调。
外部事务。
突发问题。
各种无法提前定义的杂事。
这些事情的问题就在于：
发生频率不稳定，但发生以后又必须有人处理。
这也是很多中小企业的典型情况。
不是说行政每天都创造很高的利润。
而是：
公司需要一个人持续吸收这些碎片化的不确定性。
AI可以减少其中大量工作。
但“谁负责接住剩下来的事情”，仍然是企业必须回答的问题。
这也是为什么“把一个部门砍掉”往往比“把部门里的工作自动化”复杂得多
假设一个企业有三个行政。
AI以后，老板觉得：
“一个人是不是就够了？”
这件事情不能只看：
AI能做多少事情。
应该继续问：
三个人原来到底分别承担什么？
其中一个可能80%的工作确实可以自动化。
另一个可能50%。
第三个也许真正重要的工作只有20%，但那20%刚好是：
公司出问题的时候必须有人处理。
如果只从百分比看：
第三个人最容易被认为“工作量少”。
但从风险看：
第三个人可能反而最重要。
这就是为什么：
岗位里的任务比例，不等于这个岗位的经济价值。
AI可能让这个问题更加尖锐
以前一个老板可能并不知道：
行政到底有多少事情可以自动化。
因为没有办法精确拆。
AI进来以后，反而能够把工作拆得很细：
哪些工作每天重复。
哪些工作每周发生。
哪些工作可以标准化。
哪些工作需要判断。
哪些工作只是过去系统不好，所以一直靠人完成。
这个过程当然可能帮助企业提高效率。
但它也会让一个问题第一次变得非常具体：
一个岗位剩下来的那一点工作，到底值不值得保留一个人？
有时候答案可能是：
值。
有时候：
不值。
有时候则是：
岗位虽然不需要原来那么多人，但剩下的人应该做完全不同的事情。
所以 AI 并不会自动告诉企业：
“谁该留下。”
它只会让这个问题更加清晰。
真正容易被低估的是“组织价值”
一个人如果不直接产生订单，却让别人更容易产生订单，其实是在创造价值。
比如一个很好的技术支持：
销售本来拿下一个客户需要两周。
有技术支持以后：
三天就能完成方案。
销售可能多拿很多订单。
那么技术支持到底赚不赚钱？
从他的职位名称来看：
不直接赚钱。
从整个企业价值链来看：
可能非常重要。
同样，一个好的财务可能让公司：
更快收款。
一个好的采购可能让：
原材料损耗下降。
一个好的行政可能让：
招人速度提高。
这些都是：
间接价值。
而 AI 很容易把企业的注意力集中到：
可以量化的直接产出。
但不是所有重要价值都能立刻在收入表里出现。
甚至可以说，AI会逼企业重新定义“成本部门”
传统企业经常把部门分成：
业务部门。
成本部门。
销售是业务。
财务是成本。
生产是业务。
行政是成本。
AI以后，这种划分可能越来越不够用了。
因为 AI 会把很多支持部门的工作拆开。
例如：
财务里：
机械处理 → AI。
经营分析 → 人。
采购里：
数据比价 → AI。
供应商关系和风险判断 → 人。
行政里：
表格和流程 → AI。
员工关系和突发事务 → 人。
于是原来的：
“一个部门”
变成：
AI任务 + 人的判断 + 人的责任。
这时候再说：
“这个部门只产生成本”
就会越来越难解释。
这里还有一个非常有意思的变化
AI可能首先替代的是“岗位里的低价值部分”，而不是整个岗位#
这一句话我觉得值得反复强调。
一个采购：
可能有60%的工作是资料和比价。
AI可以帮助处理。
剩下40%：
关系、风险、判断。
一个财务：
70%是整理和核对。
AI可以帮助处理。
剩下30%：
现金流、风险、决策支持。
一个行政：
80%是流程性工作。
AI可以承担。
剩下20%：
员工关系、协调、应急。
所以从企业角度看：
岗位数量可能变化不大。
但岗位本身已经变了。
这样，几条线索就在这里汇合了：
AI 先改变分工；
分工改变以后，价值交换开始变化；
而原来那些容易被当成“成本”的岗位，也需要重新理解。
但我们也不能反过来说“后台岗位都很重要，所以不要裁”
这同样会走向另一个极端。
如果 AI 真正把一个岗位绝大多数工作都自动化了，而业务又没有新增需求：
企业继续维持原编制，也未必合理。
所以问题不是：
“这个岗位重要不重要？”
而是：
“企业现在到底需要这个岗位承担什么？”
如果原来的工作已经消失：
岗位当然可能调整。
但如果剩下的工作变成：
更高责任、更高判断、更高风险，
那么继续用原来的工资和岗位定义，可能也不合理。
所以真正要改变的，不只是：
人数。
而是：
岗位定义。
这可能是 AI 对中小企业管理的一次机会
因为很多中小企业的岗位其实都不是经过精心设计出来的。
通常是：
公司发展到这里，缺一个人。
于是招一个。
后来事情越来越多：
再给他加一点。
慢慢形成：
一个什么都做的人。
十年以后，老板已经很难回答：
“这个岗位存在的真正原因是什么？”
AI反而会逼企业重新梳理：
哪些事情必须做。
谁来做。
为什么要做。
做到什么程度。
哪些可以交给 AI。
哪些需要人。
这其实是一种管理升级。
但管理升级的结果未必是：
人更多。
也未必是：
人更少。
更可能是：
企业终于开始知道自己为什么需要这些人。
这件事情最后还是会回到“价值交换”
假设一个岗位以前：
70%都是重复工作。
AI以后只剩：
30%。
但这30%恰恰包括：
判断。
责任。
协调。
风险。
复杂问题。
那么这个岗位虽然“工作量”看起来下降了，
但它的：
单位工作价值
可能反而上升。
这时候企业如果只是说：
“你现在轻松了很多，所以工资应该下降。”
其实未必合理。
因为工资从来不只是工作量的函数。
它还和：
能力稀缺性、责任、风险、结果、市场供需
有关。
反过来，如果一个岗位真正变成：
AI基本全部完成，人只需要偶尔看看。
那这个岗位的价值确实可能发生明显变化。
所以 AI 时代真正需要重新讨论的可能是：
岗位价值，而不是简单的人力成本。
我越来越觉得，未来企业可能会从“算人头”慢慢转向“算贡献”
当然，这不会一夜之间发生。
而且“贡献”本身也很难完全量化。
但至少可以慢慢从：
“这个部门有几个人？”
变成：
“这个部门承担了哪些结果？”
例如财务：
不是：
3个人。
而是：
回款管理、资金风险、成本分析、经营决策支持。
采购：
不是：
2个人。
而是：
供应稳定、成本控制、质量风险、现金占用。
质量：
不是：
2个人。
而是：
一次合格率、客诉、返工、质量风险。
行政：
不是：
3个人。
而是：
招聘、员工关系、基础运营、行政保障。
这样以后 AI 进来，变化才比较容易看清。
因为你可以逐项问：
哪些结果 AI 可以帮助实现？
哪些必须人来实现？
哪些岗位因此可以缩小？
哪些岗位反而应该升级？
这可能也是中小企业最需要避免的一种误区
就是：
把 AI 能处理的工作，当成一个岗位全部存在的理由。
或者反过来：
把 AI 能处理一个岗位里的部分工作，直接当成这个岗位没有价值。
两者其实都是把企业看得太简单。
一个岗位存在多年，往往是因为它同时承载了很多东西。
有些是：
生产。
有些是：
协调。
有些是：
信息。
有些是：
风险。
有些是：
关系。
有些甚至只是：
出了问题以后，有一个人负责把事情接起来。
AI 可以逐渐接管其中一部分。
但这不代表另外一部分就不存在了。
我个人现在越来越倾向于这样理解：
AI进入企业以后，最先发生的未必是“哪些人可以不要了”，而是企业终于开始有条件把一个岗位里面混在一起的事情拆开来看。
拆开以后，我们才会真正知道：
哪些劳动可以交给机器。
哪些劳动只能由人做。
哪些工作虽然不直接赚钱，却在支撑收入。
哪些岗位其实只是历史遗留。
哪些岗位原本不重要，但 AI 进来以后反而更重要。
这可能是 AI 对企业管理非常深的一层影响。
而当这些东西真正被拆开以后，下一步的问题自然就来了：
员工掌握的客户关系、技术经验、行业知识，到底应该继续属于这个人，还是应该逐渐沉淀成企业自己的资产？
这也是我觉得接下来比“AI会不会裁员”更值得研究的一件事情。