AI把效率问题，慢慢变成了分配问题
一家公司上了 AI，人效数据很好看，事情确实变快了。
一家公司上了 AI，人效数据很好看，事情确实变快了。
但过一段时间，往往会冒出一个上线之前没人讨论过的问题：
如果 AI 真的让企业变得更有效率了，那么这部分新增出来的价值，最后到底去了哪里？
这个问题比“AI提高了多少效率”更难。
因为效率本身不是结果。
它只是：
让企业多出了一块空间。
而这块空间最后怎么使用，就开始变成另外一件事情。
AI本身不会自动决定“多出来的东西归谁”#
假设一家企业过去一个员工一天可以完成100份工作。
现在借助 AI，可以完成130份。
那多出来的30份到底是什么？
它可能变成：
更多订单。
也可能变成：
更高利润。
也可能变成：
更低价格。
也可能变成：
更短工作时间。
也可能变成：
更高工资。
也可能变成：
更少员工。
还可能变成：
同样的人，做更多事情。
所以“人效提高了30%”这句话，其实什么都没有解释。
它只是在告诉我们：
企业的生产能力发生了变化。
至于这个变化最后怎么分配，不是 AI 自己决定的。
很多人会下意识地把“效率提高”理解成“利润增加”
实际上，中间还隔着一个市场。
比如一家做 B2B 业务的公司。
原来10个销售，一年只能维护几百个客户。
现在 AI 帮他们处理：
客户资料。
跟进提醒。
报价整理。
产品资料。
历史沟通记录。
于是10个人可以维护更多客户。
如果市场上真的还有大量需求，那么企业可能会得到：
更多订单。
这时候 AI 带来的生产率提升，很可能变成了：
业务增长。
但如果市场就那么大呢？
企业可能发现：
原来这个业务只需要这么多人。
于是新增的生产能力，就可能转化成：
人员减少。
或者：
每个人承担更多客户。
如果市场竞争特别激烈，还有第三种可能：
企业把效率提升转成更低的报价。
原来100块的成本，现在80块。
别人卖95。
它卖90。
最后客户拿走了一部分效率红利。
企业也没有获得特别高的利润。
员工也未必涨工资。
所以：
生产率提高以后，真正发生的是一场重新分配。
只是这个“分配”很多时候看起来不像分配。
这也是为什么不同企业使用同一种AI，结果可能完全不同
我们经常讨论：
“这个 AI 能把效率提高多少？”
但真正决定结果的，可能是：
这个企业有没有新增业务。
产品有没有竞争力。
行业竞争激不激烈。
企业愿不愿意扩大规模。
老板更看重现金流还是利润。
有没有新的市场可以进入。
员工有没有能力承担更高价值的工作。
这些事情和模型本身没有那么直接的关系。
所以我越来越觉得：
AI不是企业增长的发动机，更像是在给企业原来的发动机增加马力。
原来的业务如果本来就没有方向，马力增加以后，不一定跑得更远。
有可能只是：
更快地原地打转。
一个很简单的例子
还是假设一家企业。
以前需要：
5个人处理一套业务。
AI以后：
3个人可以完成。
那么老板实际上得到的是：
2个人的生产能力被释放出来了。
这时候企业可以怎么做？
可以减少2个人。
也可以让3个人去开发新的业务。
也可以让3个人做更复杂的客户。
也可以把一部分时间还给员工。
还可以把这部分价值拿去：
降价。
加奖金。
投研发。
买设备。
补现金流。
所以真正值得观察的其实不是：
“AI让几个人消失了。”
而是：
企业怎么处理被释放出来的生产能力。
这也是我觉得“AI裁员”这个问题经常被讨论得过于简单的原因
因为裁员其实只是其中一种分配方式。
假设一家企业 AI 上线以后，原来10个人的工作变成8个人就够了。
如果企业选择：
裁掉2个人。
那么这部分效率红利，很大程度上被企业通过降低人工成本拿走了。
但如果企业同时扩大业务：
8个人做原来10个人的工作，
另外两个人进入新的业务。
那么结果完全不同。
再比如：
8个人完成原来的工作，
每天工作时间从8小时变成7小时。
这时候效率红利就更多地表现为：
时间。
如果变成：
8个人完成原来的工作，
每个人工资提高。
那么效率红利就更多地表现为：
收入。
所以：
AI到底是在“替代劳动”，还是“增强劳动”，有时候不是技术本身决定的，而是企业怎样使用新增生产能力决定的。
而工资恰恰是这里最容易产生误解的地方
很多人会想：
如果一个员工因为 AI 提高了30%的人效，那工资是不是也应该提高30%？
我觉得不能这么直接算。
因为企业的收入并不等于员工个人的生产率。
销售卖出去一个订单，不只是销售自己的能力。
还有：
产品。
品牌。
客户资源。
供应链。
技术支持。
公司平台。
管理系统。
资金。
AI。
都是共同作用的。
所以员工的人效提高以后，不意味着新增价值全部都应该归这个员工。
但反过来也一样：
不能因为新增价值不是员工一个人创造的，就认为员工完全不应该分享到。
这里真正难的，是：
企业投入了什么。
员工投入了什么。
AI提供了什么。
新增价值从哪里产生。
风险由谁承担。
这些东西混在一起以后，就很难再用过去那种简单的：
“一个岗位多少钱”
来计算。
更现实的问题可能是：以前大家都不知道效率提升了多少
传统企业里，一个人一天到底创造了多少价值，很多时候其实算不清。
因为工作里面混了大量：
沟通。
等待。
查资料。
修改。
返工。
协调。
临时事情。
老板知道：
“这个人挺忙。”
员工也知道：
“我每天事情很多。”
但双方很少知道：
到底哪些时间是在创造价值，哪些时间只是系统不完善造成的浪费。
AI突然进来以后，这件事情有可能变得更透明。
因为一些工作确实可以被明显压缩。
例如：
查资料从30分钟变成5分钟。
写初稿从1小时变成10分钟。
整理客户信息从半小时变成几分钟。
这时候企业第一次比较清楚地看到：
原来过去花这么多钱买来的8小时里面，有相当一部分并没有必要。
但这又带来一个新的问题：
既然这些时间被释放出来了，企业打算怎么处理？
“释放时间”其实比“释放人数”更值得观察
因为很多企业第一反应是：
既然一个人能做更多，那就少一个人。
但从经营角度看：
少一个人只是减少成本。
如果一个人的时间被释放以后，能够去完成原来做不到的事情，它创造的可能是：
新收入。
这两者完全不是一回事。
例如一个销售。
以前每天有两个小时在：
做表格。
查资料。
整理报价。
AI以后，这两个小时释放出来。
如果企业让他：
多联系客户。
多拜访客户。
做更复杂的方案。
那么企业得到的是：
新增业务能力。
但如果企业只是觉得：
“既然现在这么轻松，那一个人原来负责30个客户，现在负责60个。”
那企业得到的其实不是：
更多业务能力。
而是：
更高的劳动密度。
从报表上看，两者可能都叫：
人效提升。
但从员工实际感受看，完全不是一回事。
这也是AI可能真正改变“工作质量”的地方
我们以前讲自动化，通常只看：
快不快。
便不便宜。
省不省人。
但还有一个经常被忽略的东西：
这个工作做起来到底舒服不舒服。
一个财务每天花几个小时整理表格。
一个工程师花大量时间查资料。
一个销售每天处理各种重复跟进。
一个客服不断回答同样的问题。
如果 AI 把这些东西拿走，剩下来的是：
判断。
沟通。
解决问题。
创造。
那么工作质量可能提高。
但也有另一种可能。
AI把所有机械工作拿走以后：
员工不再有喘息时间。
企业把释放出来的每一分钟都继续填入新的 KPI。
于是：
工作没有轻松。
只是劳动节奏变得更快。
这其实已经不是技术问题了。
而是：
企业如何使用效率的问题。
AI甚至可能把“休息时间”变成一种生产资料
这句话听起来有点奇怪，但我越来越觉得值得想一想。
以前一个人8小时里：
6小时做工作。
2小时被各种低效事情占掉。
AI以后：
6小时做工作。
1小时处理 AI结果。
1小时被释放。
理论上，那1小时可以休息。
也可以学习。
也可以思考。
也可以寻找新机会。
但如果企业认为：
“你现在效率更高了。”
那么这1小时也可能迅速被重新填满。
于是员工真正获得的：
不是更多时间，
而只是：
在同样时间里完成更多事情。
这也是为什么我觉得，讨论 AI 的时候，不能只看：
收入。
还要看：
工作时间。
工作强度。
工作自主权。
工作内容。
这些同样是 AI 效率红利的一部分。
从企业角度看，效率红利也不一定应该全部拿出来分掉
这一点其实也很容易被忽略。
一家企业用了 AI，确实提高了效率。
但它可能还有：
市场风险。
技术投入。
管理成本。
现金流压力。
新业务试错。
产品研发。
所以新增价值的一部分，很可能需要继续留在企业里。
用来：
投资。
扩张。
抵御风险。
继续开发新产品。
如果企业把所有效率红利立刻变成工资，也未必就是一个长期稳定的结果。
所以真正值得讨论的并不是：
“AI产生的钱应该全部给员工。”
这太简单了。
而是：
效率红利有没有形成一种比较稳定的分享机制。
企业得到一部分。
员工得到一部分。
客户通过价格、服务或者质量改善得到一部分。
剩余部分继续变成：
新投资。
新业务。
新岗位。
这个结构可能比简单讨论“加工资还是裁员”更接近现实。
但问题恰恰在于：现实里这种“分配机制”往往是不明确的
企业通常会有：
AI预算。
软件预算。
项目预算。
但很少提前规定：
AI提高效率以后，员工怎么分享？
更少有企业明确写下来：
如果 AI 把一个岗位的重复劳动减少30%，员工可以获得什么？
这就容易出现一个很熟悉的结果：
企业按照：
成本节约
来计算。
员工却按照：
工作增加
来感受。
最后双方看到的甚至是两个完全不同的“AI成果”。
这时候，知识沉淀也变成了分配问题的一部分
企业把员工的知识沉淀下来以后：
企业变强了。
企业把 AI 用起来以后：
人效提高了。
企业把流程重新组织以后：
对人的依赖下降了。
这些事情叠加起来，企业实际上获得了：
更大的组织能力。
那么问题就更明显了：
如果组织能力越来越强，
那么员工得到的到底是什么？
如果只是：
企业越来越强。
员工越来越容易替换。
工资变化不大。
KPI越来越高。
那么员工很可能会越来越倾向于：
少沉淀。
少分享。
多保留自己的关键能力。
这样企业又会失去：
下一轮知识。
所以企业不能只考虑：
如何把能力留下来。
还得考虑：
为什么员工愿意继续创造下一轮能力。
这就是分配问题最深的一层。
因为真正有价值的，不是今天这一次效率提升
而是：
效率提升之后，能不能产生下一次增长。
假设企业因为 AI 省下100万元。
第一种用法：
全部变成成本节约。
第二种：
一部分投入新产品。
第三种：
一部分用于业务拓展。
第四种：
一部分改善员工收入和工作条件。
第五种：
几种同时存在。
从短期数字看，第一种可能最容易计算。
但从长期来看，企业能不能继续产生新的业务，可能比一次性的成本节约更重要。
这也是为什么我觉得：
AI真正的价值，不应该只算“省了多少钱”，还要看“因为省下这些资源，公司后来又多做了什么”。
对中小企业来说，这件事情可能尤其明显
因为很多中小企业没有那么大的资源缓冲。
一个岗位省下一个人：
可能立刻就是几十万元的成本变化。
所以 AI 很容易首先被当成：
降本工具。
尤其当企业本身订单不足、利润下滑、现金流紧张的时候，这种选择其实非常现实。
但如果一家企业的业务仍然在增长：
AI释放出来的人力，
可能比单纯少一个人更有价值。
问题就在这里：
企业有没有业务接住 AI 释放出来的能力。
如果没有：
效率提升很容易走向缩编。
如果有：
效率提升才可能走向扩张。
所以 AI 最终会放大一个企业原来就存在的经营逻辑。
这可能也是为什么有些企业越用AI越想裁人，有些企业却开始招更少但更贵的人
两种现象其实都可以理解。
前一种企业关注：
成本。
后一种企业关注：
人均价值。
以前企业需要：
很多人完成大量事务。
以后可能变成：
少一些人，承担更多判断、关系和责任。
这样一来，企业真正关注的可能不再是：
“这个岗位多少钱？”
而是：
“这个人能够创造多少新的经营能力？”
这又回到了价值交换的问题。
只不过这一次，我们看的不是：
一个人。
而是：
整家公司。
AI时代，利润、工资和工作时间其实是在争同一块空间
这句话我觉得可以稍微说得直白一点。
企业效率提高以后，原来需要100块资源完成的事情，现在可能80块就可以完成。
那多出来的20块可以去哪？
可以变成：
企业利润。
也可以变成：
员工工资。
也可以变成：
客户更低的价格。
也可以变成：
更好的服务。
也可以变成：
更多投资。
也可以通过减少工作量，变成：
员工的时间。
所以：
利润、工资、价格、时间、投资，其实都在争夺同一部分生产率红利。
这也是为什么 AI 最终一定会进入：
企业经营。
员工关系。
市场竞争。
而不只是：
技术部门。
甚至“客户”也可能成为AI效率红利的获得者
这一点有时候容易被忘记。
假设一家企业因为 AI 降低了服务成本。
它完全可以选择：
提高利润。
也可以选择：
降低价格。
如果行业竞争激烈，可能最后变成：
企业赚得没有多多少。
客户却享受了更便宜的产品。
所以从整个市场来看：
AI创造的价值不一定全部停留在企业内部。
它可能通过：
更低价格。
更快交付。
更好服务。
重新回到客户那里。
这也意味着，单看一家企业内部：
“我们的利润有没有明显增加”
有时候并不能完整反映 AI 的价值。
但我觉得最值得关注的，还是企业内部
因为 AI 进入公司以后，一个非常现实的问题正在变得越来越清楚：
谁在创造效率，谁在拥有工具，谁在拥有客户，谁在承担风险，谁最后拿到了效率红利？
这几件事情过去经常混在一起。
老板可能会觉得：
AI是公司买的。
员工可能会觉得：
AI是我在用。
客户可能只觉得：
服务变了。
最后价值到底落在哪里，很难一眼看清。
所以 AI 其实把一个过去比较模糊的问题，变得越来越具体：
生产力是谁提高的？
生产资料是谁提供的？
新增价值是谁创造的？
新增价值最后又去了哪里？
我现在越来越觉得，“AI会不会抢工作”其实只是分配问题的一个表面
真正更深的问题可能是：
当同样的人、借助新的工具，可以创造更多价值以后，企业会怎样重新安排这部分价值？
它可能通过：
增长。
也可能通过：
裁员。
也可能通过：
加薪。
也可能通过：
加 KPI。
也可能通过：
降价。
也可能通过：
缩短工时。
也可能什么都不做，只是：
让利润率变好一点。
现实中的企业，可能同时选择其中几种。
所以我们以后看到：
“AI让企业效率提升了多少”
其实还不够。
应该继续追问：
这部分效率最后有没有变成更多业务？
有没有变成更高利润？
有没有变成更高工资？
有没有变成更少的工作时间？
有没有变成更好的产品和服务？
有没有变成新的投资和新的岗位？
这几个问题，才真正决定了：
AI到底给企业和员工带来了什么。
所以我越来越倾向于认为：
AI进入企业以后，真正难的从来不是把效率做上去。
把效率做上去，很多时候只是技术问题。
真正困难的是：
效率上去以后，企业怎么处理由此产生的那一块“新增空间”。
这块空间可以拿去增长。
可以拿去降价。
可以拿去加薪。
可以拿去减员。
可以拿去减负。
也可以拿去继续投资。
而不同的选择，最后会形成完全不同的企业。
这也是为什么：
AI进入企业以后，技术问题会慢慢变成管理问题，管理问题又会慢慢变成分配问题。
到了这一步，我们真正需要讨论的，就已经不是：
“AI能不能替代一个人。”
而是：
当企业越来越依赖 AI，却又越来越依赖少数真正能创造新价值的人时，这些人的价值到底应该怎么被重新定义。
这可能才是 AI进入企业以后，下一层更难的问题。