组织 OS 为什么跑不动 AI
本文是《人在回路中 Human in the Loop》系列第 2 篇。
不是 AI 跑不动，是公司跑不动
上一篇我说，AI 不是新工具，是新分工。
这一篇要往下问一句更难听的：
为什么新分工一进公司，很多组织就开始卡？
表面看，卡点都不一样。
有钱的公司，工具买了，账号开了，Token 给了，培训也做了。然后管理层坐下来，反而不知道下一步是裁员、转岗、增产，还是提质。
没钱的公司，买不起大系统，只能让员工自己学 AI。半年过去，每个人都试了不少工具，群里也很热闹，经营结果没怎么动。
一个卡在资源太多之后怎么用。
一个卡在资源太少时怎么起步。
看起来完全不同。
底层是同一个问题：
旧组织 OS 跑不动新分工。
所谓组织 OS，不是什么玄乎概念。
它就是公司每天默认运行的那套东西：岗位怎么定义，流程怎么流转，知识放在哪里，谁对判断负责，出了问题怎么复核和回滚。
AI 进来以后，任务会被拆开，判断会被拆开，知识会被重新调用。
可很多公司还在用原来的岗位、原来的流程、原来的绩效、原来的审批方式去接它。
不是模型不能跑。
是公司内部那套运行系统没改。
所以“组织 OS 跑不动”不是技术故障。
是组织兼容性故障。
有钱公司最怕的不是没工具，是钱把问题盖住了
有钱公司的问题，往往不是不上 AI。
它们可以批预算，可以买账号，可以给 Token，可以找供应商，可以让员工全员培训。
动作一铺开，组织很快会出现一种表面繁荣：
工具有了。
培训有了。
试点有了。
汇报材料也有了。
看起来很先进。
真正的真空出现在下一步。
我见过很多会议桌上的卡点，不是大家不知道 AI 有用，而是会上没有先把账说清楚：
如果一个团队每周省出 200 个小时，这 200 个小时到底算成本节约、客户响应、质量提升，还是新业务试错？
这个问题不回答，后面所有部门都会按自己的语言解释 AI 价值。
财务会看成本。
业务会看交付。
HR 会看岗位。
IT 会看系统稳定。
每个部门都没错。
但公司没有共同答案。
AI 让一部分工作变快以后，公司准备怎么处理释放出来的产能？裁员是一种选择，但它不是全部。转岗、增产、提质、缩短响应时间、开发新业务，也都是选择。
问题是，这些选择背后，是完全不同的组织逻辑。
裁员要求公司能判断哪些工作真的被替代，哪些只是被重新分配。转岗要求公司知道哪些人能迁移到更高价值的工作。增产要求流程能接住更高产出。提质要求组织有新的验收标准。创新要求管理层愿意把节省下来的时间投向不确定方向。
这些问题不提前讨论，AI 上线以后，管理层就只能在压力里拍脑袋。
这就是有钱公司的决策真空：
工具已经进来了。
产能分配机制还没进来。
公司知道 AI 让一些事情变快，却不知道快出来的部分应该归谁、算什么、怎么分配。
这时继续盯使用率意义不大。
真正要看的不是员工用了几次 AI。
是组织有没有把释放出来的时间、判断和知识，重新放进经营账里。
有钱公司最容易误判的一点，是把 AI 的价值直接换算成“少多少人”。
这个算法太粗。
少人只是其中一种结果，甚至不是最值得先问的结果。
更好的问法是：
这批被释放出来的产能，应该还给利润，还是还给客户体验，还是还给组织学习？
还给利润，动作会走向降本。
还给客户体验，动作会走向更快响应和更高质量。
还给组织学习，动作会走向产品试验、流程重写和人才转岗。
三条路都合理。
但每一条路背后的组织设计完全不同。
如果一号位不先决定这件事，AI 项目就会被各部门拉向自己的 KPI。
所以有钱公司真正缺的，不是 AI 投入。
是产能再分配的决策机制。
Klarna 不是笑话，是一张工程图纸
Klarna 这件事必须单独拆。
不拆，“组织 OS 跑不动”就容易听起来像方法论。
一拆，你会发现它不是一个 AI 翻车段子。
它是一张工程图纸。
2024 年 2 月 27 日，OpenAI 发布 Klarna 案例。那一刻，它几乎是 AI 客服替代叙事里最漂亮的样板：AI assistant 上线首个版本月处理 230 万次对话，占 Klarna 客服聊天量约三分之二；等效 700 名全职客服工作量；客户问题解决时间从原来的约 11 分钟降到 2 分钟以内；预计 2024 年给 Klarna 带来 4000 万美元利润改善。
这组数字太适合进董事会 PPT 了。
因为它同时满足三种冲动：财务负责人看见成本，业务负责人看见响应速度，CEO 看见一个可以对资本市场讲清楚的效率故事。更要命的是，用户满意度那一栏，当时也没有塌。OpenAI 案例页写的是，AI assistant 在客户满意度上与人类客服相当，并且问题解决准确性更高，重复咨询下降 25%。
如果只看到这里，你会得到一个非常顺的结论：
客服这种标准化场景，已经可以大规模替代。
但这个结论只看到了第一段路。
到 2025 年 5 月，Bloomberg 报道 Klarna 开始重新招募人类客服，CEO Sebastian Siemiatkowski 承认，成本因素在组织这件事时占得太重，最后得到的是更低质量。这个采访不是一个技术 bug 报告，而是一次组织回潮信号：公司发现 AI 能处理大量对话，不等于公司可以把服务质量、复杂情绪、例外判断和品牌信任一起交给同一套自动化逻辑。
这就是我说的十四个月完整周期。
从 2024 年 2 月“AI 等效 700 名客服、预计改善 4000 万美元利润”，到 2025 年 5 月“客户必须始终能找到真人、公司重新补人”，Klarna 走完的不是一个失败故事，而是一条完整的组织试验曲线：替代叙事成立，成本收益成立，速度指标成立，然后质量、责任和例外处理开始反咬。
这里最容易误读的一点，是把 Klarna 当成“AI 不行”的证据。
不是。Klarna 后来的申报文件反而继续说，AI assistant 在 2024 年带来约 3900 万美元成本节省，2025 年又带来约 5900 万美元成本节省；2025 年它处理了 80% 的客服聊天，等效超过 850 名全职客服工作量。也就是说，AI 这条线没有被否定，反而继续在跑。
真正被否定的，是“只按成本替代去组织 AI”的单线算法。
这件事对 CEO 的压力在这里：你不能只问 AI 替了多少人、省了多少钱、平均响应时间降了多少。你还要问，什么问题可以让 AI 直接过，什么问题必须升级给人，客户什么时候必须有真人出口，复杂问题的裁决权在谁手里，质量下降的信号由谁定义，回招人的阈值由谁拍板。
这些问题没有一个是模型参数问题。
它们都是责任链设计、质量边界、人机分工的问题。
Klarna 的十四个月，把“替代”这件事从漂亮数字打回了经营现场。第一阶段，AI 证明自己能跑量；第二阶段，组织发现跑量之后还要承接质量；第三阶段，公司开始把真人重新放回回路里。这个顺序一出来，HITL 就不是保守派的口号，而是替代路线跑到深水区后的组织必需品。
所以 Klarna 的价值，不在于它告诉你“别用 AI 客服”。
它真正告诉你的是：如果你的组织只会用成本口径评估 AI，AI 越成功，组织越可能在下一阶段暴露质量和责任的缺口。替代不是终点，替代只是把旧 OS 的裂缝照得更亮。
有钱公司最危险的地方，也正在这里。
它有预算，有供应商，有工具，有试点，有亮眼数字。于是大家很容易以为第一阶段的指标就是全周期的答案。Klarna 这十四个月提醒 CEO：第一阶段指标越漂亮，越要追问第二阶段谁兜底。
一年省 4000 万，十四个月后重新把人放回回路里。
这个转身不是笑话。
它是给一号位看的图纸。
没钱公司最怕的不是没预算，是把热闹当进展
没钱公司的问题更隐蔽。
它们没有大预算，没有专门团队，也很难一口气把系统铺开。
于是最常见的动作是：
老板号召大家拥抱 AI。
管理层组织学习。
员工各自试工具。
部门之间分享案例。
这些动作不是错。
问题是，它们很容易停在姿态层。
一个销售用 AI 写了几封邮件，一个 HR 用 AI 改了几段 JD，一个运营用 AI 做了几张图。这些都是个人效率改善，但公司层面未必发生了组织能力变化。
老板真正要问的，不是“大家有没有学 AI”。
而是：
哪一段经营过程因为 AI 变短了？
哪一段等待被消掉了？
哪一类知识从某个人脑子里，变成了组织可调用的资产？
如果问不出这些问题，AI 就进不了利润表。
没钱公司第一步不该急着做大系统，也不该把“全员学习”当成结果。
它更应该先把 AI 和经营账接起来。
哪些工作最耗时间，哪些流程最常等待，哪些知识最依赖老员工。
这些东西不盘清楚，AI 就只能停在个人工具层。
所以没钱公司的认知真空，不是老板不重视 AI。
是老板还没有把 AI 从态度问题翻译成经营问题。
这类公司最容易误判的地方，是把“学习”当成了进展。
员工确实学了。
管理层确实开会了。
群里也确实分享了很多工具链接。
但如果没有一个业务负责人说清楚：这个月哪一个流程少等了两天，哪一类资料不用反复问老员工，哪一段交付从三个人协作变成一个人加 AI 就能完成，那么 AI 仍然停在组织外面。
没钱公司更需要克制。
它不能一上来就模仿大公司建平台、买系统、组 AI 转型办公室。
它要先找最小的经营切口。
比如一个反复返工的交付流程，一个新人总是学不会的业务判断，一个老板每周都要亲自协调的跨部门等待点。
只要能把这些点压缩掉，AI 才开始从工具变成组织能力。
这也是为什么我更愿意把没钱公司的第一步叫“盘账”。
不是“转型”。
五层断点，不会排队坏
组织 OS 跑不动，拆开看就是五层断点。
第一层，岗位。
岗位说明书仍然写着一个完整的人要完成一整件事，但 AI 已经把这件事拆成了机器识别、机器生成、人类复核、例外处理和最终负责。岗位不重写，人就会被夹在旧职责和新工具之间。
第二层，流程。
流程图仍然假设每一步都由人完成，AI 却已经插进了生成、检索、判断和建议环节。流程不更新，AI 就只能在灰区里运行。出了问题，大家才发现流程里没写：哪一步可以自动过，哪一步要停下来复核。
第三层，知识。
公司以为自己有知识库，其实只是有文档。文档能存资料，但不能自动说明哪个岗位在什么场景下应该调用什么知识，也很难让调用之后形成的判断被复盘。
第四层，责任。
AI 建议被采纳以后，责任算谁的？工具使用者，流程负责人，业务负责人，还是供应商？
责任链不重写，AI 越深入流程，责任越容易变得模糊。
第五层，治理。
权限、留痕、审计、回滚如果没有进入日常运营，AI 就会靠个人自觉运行。个人自觉可以撑住小范围试用，撑不住组织级运行。
把这五层放回 Klarna，就能看得更清楚。
岗位层，客服不再只是“回答问题的人”。它被拆成基础问答、复杂判断、情绪安抚、退款裁决、品牌信任维护。AI 可以承担前半段，但后半段必须有人接住。
流程层，AI 回答不了、客户不满意、问题涉及钱和信用时，升级路径要提前写清楚。不是等到投诉出现以后再问“要不要给真人”。
知识层，AI assistant 能处理高频问题，不代表组织知道哪些知识已经结构化，哪些判断仍然依赖人。高频知识被自动化以后，剩下的往往更难、更模糊、更需要经验。
责任层最硬。
AI 给了建议，客户接受了结果，后来发现体验下降，责任算模型、客服团队、成本决策，还是 CEO？
当 Sebastian Siemiatkowski 在媒体采访里承认成本因素占得过重，其实就是责任链最后被推回了一号位。
治理层决定这件事能不能被提前发现。
质量下降的信号是什么？重复咨询、投诉、退款、品牌负面反馈、人工升级率，哪一个触发回滚？如果没有这些阈值，所谓 AI 客服就只能靠短期成本数字证明自己。
这五层不是咨询框架。
是上线后的运营问题。
任何一层长期空着，组织都会用旧办法去吸收新分工。结果就是看起来上了 AI，实际上只是把 AI 压回旧流程里。
更麻烦的是，这五层不会按顺序坏。
很多时候是知识先坏：模型找不到正确资料，于是人开始手工补。补着补着流程坏了，因为每个部门都有自己的补法。流程一乱，责任就坏了，因为说不清哪一步是谁判断的。责任一糊，治理就变成事后追责。最后岗位才暴露出来：原来这个岗位早就不是原来的岗位了。
所以管理层看到的，往往是末端症状。
员工抱怨工具不好用，业务抱怨 AI 不懂场景，IT 抱怨需求说不清，HR 抱怨岗位边界变模糊。
这些抱怨背后，其实是同一个系统问题。
March 1991 年讲过一个很狠的组织学习悖论：适应性过程会更快强化 exploitation，也就是已经会的、短期有效的动作，但长期可能变成自毁。Klarna 的问题就在这里。成本节省、响应变快、对话跑量，都是短期有效动作；但服务质量、例外判断、责任回路没有同步改，短期有效就会把组织推向长期脆弱。
所以本篇不把“组织 OS”当比喻用。
它不是一句漂亮话。
它是一张对账单：
岗位有没有重写？
流程有没有降级路径？
知识有没有变成资产？
责任有没有归属？
治理有没有阈值？
五个问题只要空一个，AI 上线越快，旧 OS 报错越响。
没预算，就先别喊转型，先建三张账
如果一家公司没钱做大系统，也没有成熟的 AI 转型团队，我会建议它先别急着喊战略。
先建三张账。
第一张，时间账。
不是泛泛问员工“哪里可以提效”，而是把最耗时间的工作拆出来：谁在做，做多久，重复多少次，为什么现在由这个人做。
时间账的作用，是让 AI 不再服务于抽象的效率，而是服务于具体的时间黑洞。
第二张，等待账。
很多组织真正浪费的不是动作时间。
是等待时间。
等审批，等确认，等资料，等跨部门回复，等老板拍板。AI 如果只加快个人动作，却没有减少等待，经营结果不会有太大变化。
第三张，知识账。
哪些经验只在老员工脑子里，哪些判断新人接不上，哪些资料每次都要重新问人，哪些 SOP 写了但很少被真正使用。
知识账的作用，是把个人经验变成组织可调用的东西。
这三张账不高级。
但很管用。
它们能把“学习 AI”从态度问题变成经营动作。老板不再只是问大家有没有用 AI，而是问：
哪一个时间黑洞被压缩了？
哪一段等待被消掉了？
哪一类知识被结构化了？
账一上桌，AI 才开始进公司。
三张账还有一个好处：
它能逼管理层停止空谈。
时间账一摆出来，大家就知道 AI 应该先打哪里。
等待账一摆出来，大家就知道真正拖慢公司的未必是一线员工，而可能是审批、复核、跨部门确认。
知识账一摆出来，大家就知道所谓“经验丰富”，到底是哪几类判断没有被沉淀。
这时候 AI 才有入口。
它不是一个泛泛的学习任务，而是被放进具体问题里：压缩哪一段时间，减少哪一种等待，结构化哪一类知识。
对没钱公司来说，这比“全员拥抱 AI”更重要。
因为账能让老板看到：
AI 到底有没有让公司更会经营。
B 老板最危险：他以为自己已经懂了
最容易掉进坑里的，不是完全不懂 AI 的老板。
完全不懂的人，反而知道自己不懂，还会找人问。
真正危险的是另一类老板：
他已经上过课，听过分享，收藏了一堆工具清单，群里天天转发 AI 案例，也会在会上说“我们要拥抱 AI”。
他不是排斥者。
他甚至是公司里最积极的人。
但半年过去，经营结果没有动。
销售还是等资料。
交付还是反复返工。
新人还是问老员工。
老板还是每周亲自协调跨部门卡点。
员工确实学了很多工具，管理层也确实开了很多会，可公司真正变短的流程、真正消掉的等待、真正沉淀下来的知识，摊到桌上没有几项。
这就是 B 老板认知陷阱：
他以为自己已经站进 AI 里。
其实还站在 AI 外面。
为什么？
因为他把 AI 当成学习议题，而不是经营议题。
学习议题的问法是：大家有没有用 AI？哪个工具好用？这个提示词怎么写？哪个部门分享一个案例？
这些问题能制造热闹，也能降低焦虑，但它们不会自动改变公司的经营结构。
经营议题的问法完全不同：
这个月哪一个流程少等了两天？
哪一类返工被压掉了？
哪一个过去只能靠老员工带的判断，现在可以靠知识账接住？
问题一换，AI 才从工具栏走进损益表。
所以没钱公司的第一步不是做 AI 战略。
是建立三张账。
时间账回答“时间到底漏在哪里”。
等待账回答“组织到底卡在哪里”。
知识账回答“经验到底锁在哪里”。
这三张账不性感，但它们能把“拥抱 AI”从态度问题变成经营问题。
B 老板最难受的一刻，是发现自己过去最努力的动作，可能正好绕开了核心问题。
他让员工学工具，是对的；但如果没有时间账，工具只会散落在个人效率里。
他让部门分享案例，是对的；但如果没有等待账，案例不会自动穿过审批、复核和跨部门确认。
他让老员工带新人，也是对的；但如果没有知识账，经验还是在人的脑子里迁移，不会变成组织资产。
这不是老板不努力。
这是老板把 AI 看成了“员工要学的新技能”，没有看成“公司要重写的新经营动作”。
我在自己下场的项目里也踩过这个坑。最开始总想找更强工具、更好 Agent、更完整自动化。但真正推进时，第一刀反而要回到很土的地方：哪一步反复返工，哪一步一直等人，哪一类判断永远要问少数几个老员工。
账一摆出来，工具才知道往哪打。
这件事我们还在拆，不敢说已经解决。
但至少有一点可以先说清楚：
老板最懂 AI，不等于公司最会用 AI。
老板能讲出 AI 趋势，也不等于组织已经站进 AI 里。
只有当时间账、等待账、知识账进入经营会议，AI 才不再是学习氛围，而变成一张可以追责、可以复盘、可以继续投入的经营账。
B 老板的出口，不是再多上一门课。
是把自己从“AI 学习的带头人”，改成“AI 经营账的第一负责人”。
下一刀，会打到 HR 三支柱
组织 OS 跑不动，压力很快会传到 HR。
不是因为 HR 应该“负责 AI”。
而是因为 AI 一旦进入新分工，岗位就要重写。
岗位一重写，招聘画像会变，培训内容会变，绩效口径会变，人才盘点也会变。
技术部门可以先说系统能不能跑。
业务部门可以先说结果好不好用。
但只要这件事进入日常经营，公司最后还是要问：
这个岗位现在到底要什么人？
怎么培养？
怎么评价？
怎么分配责任？
这些问题绕不开 HR。
过去 HR 可以把很多事情分在三支柱里：COE 做政策，HRBP 贴业务，SSC 做交付。这个结构在稳定业务环境里有价值。
但当 AI 把任务、判断和知识重新切开，三支柱会同时被拷问。
COE 写出来的政策，能不能解释人机协同的责任边界？
HRBP 贴业务时，能不能看懂哪些岗位内部已经被拆开？
SSC 如果只做标准交付，能不能承接被 AI 改写后的流程？
这不是 HR 要不要学 AI 的问题。
这是 HR 那套组织分工本身要不要重写的问题。
所以下一篇要谈的，不是 HR 怎么用 AI。
是 AI 进来以后，HR 三支柱为什么会先被打穿。
继续读
- 上一篇：AI 不是新工具，是新分工
- 系列入口：人在回路中：Human in the Loop
- 下一篇：HR 三支柱为什么失灵