返回文章

AI 重构工作流：我对这轮效率变化的一点理解

2 分钟阅读时间
AI职场转型SaaS工作流
Edit

引言：这轮变化比我一开始想得更深

我最近看了一些关于 AI 软件公司的资料，里面有个现象挺值得注意：很多 AI 原生公司的毛利率没有传统 SaaS 那么漂亮，但人均创收反而高得多。红点资本的报告里提到，传统 SaaS 的毛利率常见在 75%~85%，而 AI 原生公司可能降到 50%70%；但 ARR/FTE，也就是人均经常性收入，却可以从大约 0.5M 美元提升到 3M6M 美元。

这个地方一开始看会有点矛盾：毛利率下降，为什么还说效率更高？后来我觉得关键在于，成本结构变了。过去软件公司主要花钱在人身上，现在很多工作被模型推理、上下文缓存、Agent 执行和人工复核兜底替代了一部分。也就是说，不是商业模式变差了，而是从“用人力堆流程”，慢慢变成“用 AI 和算力放大少数人的产出”。

这件事对普通职场人的影响也很直接。公司不是突然不需要人了，而是越来越不需要只做低杠杆重复工作的那部分人。真正变重要的是：你能不能用 AI 把一个模糊问题拆开，设计流程，控制风险，并对结果负责。

AI 原生不是加个插件

“AI 原生”这个词现在被用得很多，但我个人更愿意把它理解得简单一点：它不是在原来的软件里加一个聊天框，也不是把某个功能接上大模型，而是产品、交互、交付方式和组织流程都围绕 AI 重新设计。

维度传统软件 / AI 附加AI 原生
架构设计确定性规则引擎为主，AI 作为独立模块嵌入概率性模型为核心，传统代码更多负责护栏、集成和合规
交互方式菜单、表单、点击驱动自然语言、意图驱动，部分任务由 Agent 自主执行
价值交付提供工具，用户自己完成工作流更接近提供结果，AI 直接完成一部分产出或闭环任务
商业模式按席位或时长订阅按用量、结果或业务价值计费
数据飞轮行为数据主要用于迭代 UI 和功能交互数据会反过来优化模型、策略和工作流

这里的差别不只是技术选型，而是护城河也在变。过去软件公司的壁垒可能来自功能完整度、销售关系、集成能力；以后更重要的可能是专有数据闭环、嵌入工作流的深度，以及系统能不能越用越聪明。

所以横向、通用、协调型的软件会更难受一点，因为它们的数据壁垒不一定强；而一些垂直领域、基础设施、深度业务流里的 AI 产品，反而可能更容易跑出来。

毛利率下降和人效提升要放在一起看

很多人看到 AI 公司的毛利率下降，会先产生焦虑。这很正常，因为过去我们评价 SaaS 公司，会很看重高毛利、低边际成本。但 AI 产品多了一个新变量：每次用户使用，背后都可能真的要消耗算力。

为什么毛利率会被拉低？

传统 SaaS 很舒服的一点是“一次开发，无限复制”，边际成本很低。但 AI 原生产品不是这样。它会多出几类可变成本：

  • 每次用户交互背后的模型推理或 API 调用费
  • 向量存储、上下文缓存、多步 Agent 执行带来的算力成本
  • AI 输出结果的监控、人工复核、合规校验成本

所以成本结构从“高固定研发 + 近零边际成本”，变成了“高固定研发 + 更明显的可变算力成本”。毛利率下降，并不一定说明业务差了，它只是说明软件的成本模型变了。

为什么人均产出又会提高？

ARR 是年度经常性收入，FTE 是全职员工当量，ARR/FTE 简单说就是人均创收。传统 SaaS 做大，往往需要不断增加研发、销售、实施、客服和客户成功团队。AI 原生公司则可能用模型和 Agent 吃掉一部分内部流程。

比如工程师不只是写代码，而是更多审架构、搭流程、设边界；销售不只是手动外呼，而是用 AI 培育线索、整理客户信号；客服不再逐条回复，而是让 Agent 路由常见问题，人只处理异常和高价值场景。

这也是我觉得最值得普通人注意的地方：公司不是不需要人，而是更需要能把 AI 变成产能的人。以前你证明自己有价值，可能靠“我做了多少任务”；以后更重要的是“我用更少的人力，带来了什么结果”。

工业革命给过类似提醒

技术替代劳动不是 AI 时代才出现的事情。18 世纪末到 19 世纪，珍妮纺纱机、水力纺纱机、动力织布机把纺织业从家庭手工业推向工厂制。很多原来在家纺纱织布的女性，失去了原本灵活的收入模式，被迫进入工厂，面对低薪、长工时和严格纪律。

这段历史有几个提醒，我觉得今天看仍然很有用。

卢德运动并不是简单反技术

卢德运动常被说成“工人反对机器”，但它更深层的原因其实是反对工资被压低、议价权被削弱、工厂纪律压迫。工人砸机器不是因为不知道技术会进步，而是因为技术红利没有落到他们身上。

这和今天的 AI 焦虑有一点相似。很多人不是反对 AI 本身，而是担心自己被迫承担转型成本，却拿不到效率提升后的收益。

长期会创造新机会，短期也真的会痛

古典经济学里有一种补偿理论，大意是技术短期会造成失业，但长期会带来新产业和新需求。这个判断并不是完全错，但它容易低估中间那段转型期的痛苦。技能错配、收入下降、行业迁移，这些都不是靠一句“长期会好”就能解决的。

工业革命后真正让转型成本下降的，不只是技术本身，还有劳动法、教育普及、产业扩张和新的职业机会。也就是说，转型不是自然平滑发生的，而是技术、制度、产业和个体一起调整出来的。

工业革命经验AI 时代对应对个人的提醒
技术替代的是任务，不一定立刻消灭职业AI 更容易替代标准化工作流，而不是整个岗位先拆自己的工作流，找出哪些任务能被自动化
短期阵痛真实存在，长期机会依赖新产业Agent 编排、AI 合规、数据策略、结果定价会成为新工作不要只等公司培训，最好主动做项目、做作品集
焦虑背后往往是分配问题AI 提效后，红利怎么分配会成为关键问题尽量把自己放到能分享效率红利的位置
制度响应会影响转型成本企业培训、内部转岗、再技能化会变重要个人也要建立自己的学习和验证机制

裁员风险更像结构调整

我不太认同“AI 会让所有人失业”这种说法，但也不觉得可以盲目乐观。更准确一点说，风险是结构性的：低杠杆、重复性、规则明确、可被标准化评估的工作，会越来越容易被压缩。

更容易被压缩的工作更容易变重要的能力
任务高度标准化、规则明确、产出可量化跨领域整合、处理模糊问题、有行业 Know-how
按工时和任务量考核按业务结果和 ROI 考核
基础代码、工单处理、数据清洗、标准化外呼AI 工作流编排、数据策略、结果设计、合规风控
依赖人海战术覆盖业务依赖人机协同放大产能

这有点像 ATM 机和银行柜员的关系。ATM 没有简单消灭银行柜员，而是改变了柜员工作的结构：低价值的取款存款被机器承担，人的工作更多转向客户服务、销售和复杂问题处理。AI 对很多岗位也会类似，不是直接把岗位抹掉，而是重新分配岗位里的任务。

所以普通人真正需要问的，不是“AI 会不会取代我”，而是“我的工作里，哪些部分会被 AI 吃掉？剩下那些更需要人的部分，我有没有主动加强？”

从执行者到杠杆设计者

面对这种变化，单纯焦虑没什么用。我觉得更实际的做法，是把自己的工作流拿出来拆一遍，看哪里可以用 AI 放大，哪里必须保留人的判断。

第一步：先知道时间花在哪里

可以连续记录 1-2 周工作轨迹，看看时间到底花在哪些地方。这个动作有点麻烦，但很有用。因为很多人以为自己在做高价值工作，实际上一半时间可能都被会议、重复整理、找资料、写低价值文档吃掉了。

可以用一些时间记录工具，比如 RescueTime、ActivityWatch、Rize、ManicTime 或 Timing。这里要注意隐私，银行、私人聊天、密码管理器这些最好提前排除。如果是公司电脑，也要先看 IT 合规要求。

第二步：先替换低杠杆任务

不用一开始就追求“全自动化”。我个人更建议先找一个高频、重复、规则明确的任务，把它重构掉。比如：

  • 数据整理和报表生成，可以尝试 AI + BI 工具辅助
  • 报告初稿和邮件分类，可以用 LLM 模板链和规则路由
  • 工单回复和知识库维护，可以用 Agent 做匹配，人只做复核
  • 代码编写、测试、部署，可以用 AI IDE 配合 CI/CD 流程

目标不是 100% 无人化，而是先释放 30% 左右的执行时间。只要这部分时间被省出来，你就有空间去做更高杠杆的事情。

第三步：把省下来的时间重新分配

省下来的时间不要又被碎片信息吃掉。更好的用法是投到这些地方：跨部门协调、资源对齐、客户策略、结果交付设计、架构优化、边界条件控制、行业洞察和小实验。

这些事短期看不一定像“完成一个任务”那么容易量化，但长期看，它们更接近一个人在 AI 时代的不可替代性。

第四步：用结果语言证明价值

以前汇报可能是：“我本月完成了 12 个需求，处理了 85 个工单，加班 40 小时。”

以后更好的表达可能是：“我发现团队 38% 的时间花在重复数据整理上，于是引入 AI 工作流，每周释放 14 小时，把时间转到客户成功策略迭代上，最后续费率提升 X%，客诉率下降 Y%。”

这两种表达差别很大。前者证明你很忙，后者证明你能放大团队产能。

30 天可以先做什么

不需要一上来就做很大的职业转型。可以先给自己一个 30 天的小周期：

周期动作产出
第 1 周记录 5 个工作日的时间分布，设置隐私排除列表找出 Top 3 低价值耗时任务
第 2 周选 1 个核心流程，用 AI 工具重构 SOP记录节省时间和质量变化，形成模板
第 3 周主动参与公司 AI 试点，或向主管提交提效方案争取成为团队里真正会用 AI 改流程的人
第 4 周学 1 个交叉技能，比如 Agent 编排、业务指标建模或 AI 合规更新自己的能力矩阵，做出一个可展示的小项目

我会把长期护城河简单理解成这个公式：

不可替代性 = 领域深度 × AI 杠杆率 × 结果担责意愿

这句话听起来有点抽象，但意思很简单：只会用工具还不够，只懂业务但不会放大产出也不够。更稀缺的是，既懂领域，又能用 AI 放大自己，还愿意对最终结果负责的人。

结语：别只盯着“保住岗位”

工业革命的历史提醒我们，技术冲击从来不温柔。它会改变收入结构、组织方式和个人技能的价值。但人也不是完全被动的，真正有用的是提前看见变化，然后一点点调整自己的工作方式。

AI 时代不需要“砸机器”，但需要保持清醒。要看懂技术红利怎么分配，也要把自己放到更有议价权的位置。对普通职场人来说，这个位置不一定是某个头衔，而是你能不能调动 AI、设计流程、处理复杂问题，并最终交付结果。

简单说，别只想着“我的岗位会不会被保住”。更值得问的是：如果 AI 把我 30% 的低价值工作拿走，我能不能把这 30% 变成新的能力、新的作品和新的结果。

References