一家典型的大型美国公司，今天往往运行着数百乃至数千个软件：以 SAP、Workday 为代表的横向记录系统，数百个垂直 SaaS 应用，外加大量脚本、自动化流程和数据库。讽刺的是，很多公司并不清楚自己究竟为多少软件付了钱、实际使用了哪些，而组织内部依然充斥着大量无聊的重复性劳动。
人工智能可能终结这种状态。过去有个老笑话：工程师是那种花一小时去自动化一项只需 10 分钟任务的人。如今你不需要是工程师，也不需要写代码——模型可以替你制造工具，更重要的是，模型可以直接替你完成任务。软件由此可以是动态的、生成的、即时的：用更少的软件，自动化更多的事情。
硅谷的几乎每个人都是工具制造者，但如果把视角局限于此，就会误解软件真正的来源，也会错过企业组织正在发生的变化。
大多数人不是工具制造者
首先，大多数人并不会本能地思考如何换一种方式完成工作。身处硅谷的圈层中，这一点很容易被遗忘。一位出色的婚姻律师，整天思考的是案件和客户；一位优秀的企业销售，满脑子是自己的产品、客户和竞争对手，而不是"我该如何用好销售支持软件来提效"。
Excel 这类产品曾试图通过内置流程、助手和模板解决这个问题——你在"文件/新建"里看到的一切，本质上都是"你可以用它做什么"的建议。如今在 Claude for X 之类的项目中也能看到同样的思路：有帮助，但不是答案。
这意味着，值得自动化的任务往往并不显眼。由此衍生出一个角色设想：一位了解 AI 能力的"高级工程师"，在律师事务所或建筑事务所里走动，指出律师和建筑师自己看不到的机会。这其实也是许多 15 岁科技少年在实习或父母办公室里的常见体验——"爸爸，你意识到你可以这样做吗？"
最困难的不是写代码，而是发现问题
更深一层的问题在于：过去几十年里，大部分自动化所针对的需求，在一开始都并不显而易见。每个人都能举出日常工具的例子，第一反应是"我为什么要这个"。即便你察觉到了问题，正确的解法也往往不清晰——许多成功的软件公司背后，都有过五六次失败的尝试。
AI 简化了写代码，即简化了"制造工具"这一步，但最难的部分其实在前端：知道你需要一个工具，以及知道这个工具该做什么。
即便解决了这个问题，你还要让组织里的其他人用起来。许多值得自动化的流程涉及五个部门、50 到 500 名员工、三套不同的记录系统和四套监管框架。你不可能凭一己之力改变公司里每个人的做法——这需要一次采购、一个决策，以及一个可能长达 18 个月的销售周期。
从制度化到即兴化
所有这些都指向一个光谱：软件自上而下地被采购、选定或创建——公司购买 SAP，员工自己做电子表格。这个光谱同时也是从"制度化"到"即兴化"的过渡。
无论是 SAP、Carta 还是 Rippling，这类专门工具承载的是已被制度化的任务和工作流——有人花了大量时间论证"完成这项任务的正确方式"。但在这些工具里做偏离标准流程的事，往往很难，甚至不可能，于是用户自下而上地创造自己的解决方案，在一个模糊、即兴的空间里自由发挥。
可一旦某件事变成"你每天都以同样的方式做"，且很多人都在做，你就需要审计、安全、维护和问责。你把小路踩了出来，然后付钱请人把它铺成石板路。问题在于，你甚至可能没意识到这条小路的存在——没意识到每天有数百人各浪费一小时在这件事上，自然也难以找到正确的解法。
这与 SaaS 的转型如出一辙：软件数量剧增的同时，催生了新的运营模式和新的周期。这是一个持续、有机的捆绑与解绑循环。SaaS 应用所做的，正是 SAP、Excel 或电子邮件本来就能做的事——Carta 是一家 40 亿美元的公司，而它一半的工作是劝 Excel 用户改用数据库，另一半则是反方向的劝说。
以招聘为例：PwC 每年校招 3,000 到 4,000 名毕业生，自然使用专门的"制度化"软件来管理；一家只招五到十人的小公司，则用电子邮件、共享文件夹和 Google Sheets。当小公司成长到一定阶段，旧方式不够用了，也许会转向 Notion，或者面向中小企业的 SaaS HCM。而 PwC 内部某个小团队，也可能因为 Workday 不够灵活，转头用 Google Sheets 来跟踪某个职位的候选人——解绑再次开始。
AI 横跨了整个光谱：它会扩展所有现有应用，催生大量新的垂直应用，而聊天机器人本身则构成一个新的即兴空间。那家招 10 名毕业生的小公司，可能因此在 Google Sheets 上停留更久——AI 让它更具可扩展性，甚至可以直接作为 Gemini 的数据源。AI 没有改变问题本身，它创造的是新的选项，移动的是那道门槛。
给每人发一个工具，不等于转型
过去三年企业 AI 部署的经验完整呈现了这一点。每家大公司都给员工配发了 Copilot（或者是 ChatGPT、Claude），但只有一小部分人真正常用，其中能切实提高产出的更少。这有一部分是变革管理和培训的问题，但本质上，这和 1983 年给公司每个人一台 PC 加 Lotus 1-2-3 没有区别：这与每个人本周手头实际的任务有什么关系？你确实给了每人一台 PC，但这并不能改变发票处理的效率；你确实给了每人一个浏览器，但这并不是在互联网上重建供应链管理的正确姿势。
因此，企业想改变那些结构性流程，就得开始做试点——用 AI 的新能力去自动化此前无法自动化的流程。这类试点有多少？成功率多少？大约一半。这很正常，否则就不叫试点了。
但这样一来，对话又回落到老式的 CIO 语境：用例、灯塔项目、试点、标杆案例、速赢、可衡量的结果。与此同时，CEO 和董事会却在挠头：给公司每个人发一个 ChatGPT，理论上有规模效应，可大多数人并没有真正找到用法。
这就像一家银行在 1980 年代给每个人发电子表格，或一家零售商在 1990 年代给每个人发浏览器——这并不是围绕新一代技术重塑公司运作方式的正确路径。
每家公司都必须回答三个层次的问题。第一，如何采购、建设和部署：做试点还是全面铺开？从 Microsoft、Google 还是 Oracle 买现成的，还是自己打造？第二，这项技术是否改变了业务本身：电子邮件对我们意味着什么？电子表格对我们意味着什么？保险公司和律师事务所的答案可能截然不同。第三，它是否给企业的经济模型带来新的挑战、新的竞争压力，乃至某种生存威胁。
给每个人发一个 Claude，回答不了这些问题。而所有这些疑问，恰恰构成了专业服务行业的新商机——考虑到 AI 本身也在向这些服务商的商业模式发问，这一点颇具讽刺意味。想在呼叫中心部署支持 LLM 的语音分析工具？你可能会找埃森哲。供应商一向乐意提供这类帮助，如今大型实验室甚至有了自己的"deploycos"——正如当年人们调侃"机器学习科学家"就是住在旧金山的统计学家。反过来，你的初创公司开发了一款新工具，想快速推向市场？你可能会找四大。如果你对向律所或会计师事务所卖 AI 软件有多难感到沮丧，它们可以帮你验证这能否成为一门关键业务——就像 1980 年代开一家由 PC 武装的律所。而如果你是董事会成员，想弄清这究竟是生存威胁还是巨大的收入机会，你会想到贝恩、BCG 和麦肯锡——或者身边友好的并购银行家，这正是他们的工作。
真正重要的，是此前不可能的事
不过，看待这一切还有一个更简洁的框架。每一项新技术出现时，我们首先拿它去做已有的工作；但随着时间推移，人们会创造出全新的东西。眼下，AI 确实会在现有公司、现有工作流中自动化大量任务——尽管如上所述，这件事的执行方式比表面看起来复杂得多。但在历次平台变革中，真正产生深远影响的，始终是那些此前根本不可能、也无人预见的新事物。
