基督教电影

文 | 穆胜关于 "AI 时代哪些工作会被替代 " 的讨论已经如火如荼。与以往数字化工具带来的冲击不同，那些 SaaS 类工具似乎只会在某些领域帮助从业者提升效率，但 AI 带来的却是对从业者的完全替代。当前的 AI 对于人类语言有更深刻的理解，这让其能够实现更有效的人机交互，从而跳出结构化的数据框架，获得海量信息，进行高级决策。当下，各个领域里都在发展大语言模型（Large Language Model，LLM），这些模型不仅是 " 通才 "，能够跨领域思考问题，还能输出类似人类语言文本。这些功能的跨越式迭代，很难不让人想象—— AI 会是更靠谱的员工吗？最近微软的一项研究里，研究人员分析了 20 万条用户与微软 Copilot 的真实匿名聊天记录，从这些用户与 AI 交互的对话，发现了 AI 对若干工种的覆盖范围、成功率和帮助程度。结果显示，重灾区里几乎都是那些依靠 " 动脑子 " 和 " 靠嘴说 " 的职业，而不容易被替代的工种反而是 " 靠体力 " 的。但与其宏观地去观察就业市场，我更大的兴趣在于观察 AI 对企业带来的影响。如果大量工种被 AI 替代，企业的组织结构会发生什么样的变化？01 AI 推动极致平台化如果考虑受 AI 冲击最大的是 " 动脑子 " 和 " 靠嘴说 " 的岗位，那么，企业中后台职能部门的大量工种几乎完全符合这个特征。当然，这仅仅是可能性，在 AI 完全成熟之前，人类和 AI 在这些岗位上似乎各有优势，企业未必会坚决地推动变革。但如果考虑商业环境的变迁，AI 冲击中后台职能部门的趋势就非常明显了。在当下的经济环境里，企业轻装上阵、屏息生存已经是大势所趋。庞大的中后台职能部门不仅形成了巨大的直接成本，还在很大程度上以官僚作风、一刀切的政策，束缚了前台业务部门灵活作战，已经成为了组织变革的改造重点。穆胜咨询咨询《2025 中国企业平台型组织建设报告》显示，当前企业进行组织变革的大方向是组织精简，而选择对后台、中台和前台进行精简的企业占比分别为 45.8%、40.0%、34.2%。换言之，中后台职能部门相当一部分的编制，本来就不在企业未来的计划里。企业本来就有缩编的需求，加上 AI 提供的便利，组织结构的变化似乎就呼之欲出了。未来，企业的兵力会极度前压，每个岗位都被要求产生直接的经营价值，而那些无法量化经营价值的中后台，则由 AI 来替代。考虑到这些工作原本的价值有限，甚至会产生官僚化的副作用，这样的变化似乎反而是企业欢迎的。地产巨头万科集团选出了一个 2021 年的优秀新人——崔筱盼，是万科首位数字化员工，而且已经在万科集团财务部悄悄工作了 10 个月，其主要工作内容是各种应收 / 逾期提醒及工作。她不仅比人类处理任务的效率高百倍，而且经她催办的单据核销率达到 91.44%。对于企业来说，她绝对是个完美员工，可以 24 小时不休息，还不用给发工资、交社保，不会有情绪，不会随随便便炒老板。试想，职能部门里有多少工作是这类 " 事务性工作 "，如果崔筱盼能上岗，其他的 AI 就不能上岗吗？崔筱盼还并不能算是建立在大语言模型基础上的 AI，只能算是处理大量重复工作的 RPA（Robotic process automation，机器人流程自动化）。除了 " 事务性工作 "，职能部门里那些需要深度决策的工作内容，又有多少是 AI 无法替代的呢？但凡是基于数据的决策，AI 肯定做得更好；但凡是不基于数据进行的决策，似乎又根本不应该存在于这个时代，正是职能部门里需要清理的 " 阴暗角落 "。其实，随着数字化变革的推进，企业的业务流基本在线，职能部门已经被极大程度倒逼走向各自领域的数字化。这几乎是不可逆的趋势，因为如果他们不改变，他们就很难为日益复杂的业务赋能。" 业务数字化 " 匹配 " 管理数字化 "，这是再简单不过的道理。未来，中后台职能部门基于智能算法进行决策，实现资源的敏捷调用，最大程度产生效率结果。AI 则代替庞大的传统职能机构，充当了勤勉的企业大脑。于是，整个职能体系看起来异常精简，兵力似乎都集中在了前台。整体来看，企业走向极致平台化的趋势几乎是肉眼可见了。02 职能部门的转型方向职能部门的精简是趋势，但这类部门却不会消失，在 AI 的加持下，他们会迅速转型。其实，无论是从外部市场的需求来看，还是从组织的效率来看，职能部门的转型趋势都很明确，无非是回答 " 如何举公司之力，赋能前台敏捷作战 " 的问题。根据我们的观察，职能部门在具体的工作内容上，会跳出传统的 " 事务性工作 "，走向四个转型方向：一是模型化，即基于业务的分类分级，形成一套相对稳定的决策模型（基座模型上的各类模型），以提升决策效率。二是风控化，即基于风险的分类分级，形成一套相对稳定的风控模型，以提升风控效率。说白了，不同的风险事件，应该匹配不同的风控手段，不能为了控制 10 元钱的风险，投入 100 元的风控成本，损失 200 元的机会成本。三是产品化，即将各职能领域的资源做成赋能前台的产品，并进行合理配置，为业务单元作战 " 提供弹药 "。四是 BP（Business Part，业务伙伴）化，即向前台业务单元派出 BP，为其提供基于本地化场景的政策（如激励政策）和资源（如实体资源、专业服务、方法赋能等）。上述四个方向里，前两个方向就是 AI 的拿手好戏，而后面两个方向也与 AI 有莫大的关系。考虑到经过数字化改造后的企业，大量的工作都是在数字化基础上决策，这正是 AI 发挥作用的舞台。当然，要探索职能部门的转型，我们还需要理解职能部门内部分工的变化。就我们的观察来看，从财务职能兴起的 " 三支柱模式 "，已经在被人力职能采纳后，迅速蔓延到其他领域。采纳三支柱模式的职能部门分为三个部分：后台的专家中心负责出政策；中台的共享中心负责走流程、管数据；前台的 BP 则负责做赋能。这样的结构，天然是做好了让 AI 渗透的准备，我们几乎可以看见未来职能部门的工作场景，也能够推测出组织结构的变化。这和我们前面提到的 " 阵型前压 " 的趋势完全一致。专家中心——由各个领域的精英 AI 工程师们负责设计算法，以各种方式训练 AI，让这个企业大脑不停进化，以这种方式来运筹帷幄。我们必须要理解的是，并不是一个 AI 替代一个职能部门。AI 更多的是将某些任务（task）自动化，而不是将整个动作（job）自动化。所以，AI 架构师们需要规划出这个职能体系，明确其中可以由 AI 接管的部分，并为这些部分搭建模型。这个部分无疑会是个 " 精英式小团队 "，对于这类工作来说，人数是没有意义的，所以，这个团队的规模会被压缩到极致。共享中心——共享服务中心由于负责运转基础的流程（如人力资源的入离调转），自然会负责管理相应的数据仓，他们有能力基于专家中心给出的模型，进行预训练、调优（强化训练）等工作，以确保模型的应用效果。这个部分也不以规模取胜，但人员数量上会比专家中心更多，因为毕竟有许多需要具体去 " 动手 " 的任务。业务伙伴——既是使用 AI 的高手，也是 AI 使用体验的反馈者。他们从中后台进入了前台，可以说，是业务部门和中后台职能部门的连接器。这个部分由于是多分支，团队规模在三支柱中最大，当然，某个职能部门的 AI 越是成熟，赋能效率越高，BP 团队的规模就越小。03 职能部门的转型进展如果说职能部门的转型已经是大势所趋，那么，哪些职能部门会率先转型呢？2025 年，穆胜咨询以 68 家中大型客户企业为样本，针对老板或 CEO（老板代理人）进行了一次问卷调研。在问卷中，我们针对一家企业的 XX 个职能领域，首先用三个问题量化了该项职能的复杂程度：数据复杂性——是否需要调动多种数据进行决策？决策独立性——是否需要考虑其他职能领域的反馈进行决策？决策封闭性——决策结果是否能够变成封闭选项，亦或是还需要补充大量开放性答案。简单来说，我们假设职能领域的核心工作都是基于数据的决策（而非感性决策），再衡量了这种决策的复杂程度。前两项是决策的输入维度，最后一项则是输出维度，直观来说，如果某个职能的决策需要大量数据，还要考虑其他职能领域的影响，决策形成的结果还无法直接应用，那么，这个职能领域就是相对更复杂的。综合来看，各类职能在复杂程度上可以分为三个档次：第一档是后台的战略、财务和人力，以及中台的研发、生产 / 业务 / 经营 / 运营；第二档是后台的办公室，以及中台的采购、金融，这些职能相对标准化；第三档则是高度依赖标准化的法务、质量标准和审计监察。图 1：职能复杂程度这个结果并不让人意外，根据我们的观察，现实中越是强调自己在为企业规避风险的职能部门，越喜欢讲 " 恐怖故事 "，越是会忽略自己的赋能属性，越可能是工作难度偏低的部门。另外，对这类工作来说，还有个悖论——如果要强调规避风险，那么必然就是标准导向的，而一旦有了标准，就可以累积数据，AI 自然就可以渗透进来。例如，在法务领域，智能合同早就大大降低了合同审核的工作难度，往后 AI 的介入，前景可期。再如，在审计领域，识别若干业务流程中可能的风险点，对各种风险点赋予权重，而后识别综合的风险，这正是 AI 擅长的。在 GPT-3 中，有 1750 亿个代表不同变量权重的参数，而在 GPT-4 中，这类参数的数量达到了 1.76 万亿个。如果需要这么多的数据才能得出结论，AI 显然比人类更适合来做风控或监察这类工作。而后，我们关注了关系 AI 替代该项职能效果的三个问题：AI 的应用范围——对于该职能，AI 能够在多大范围上进行应用？AI 的实施效果——对于该职能上应用 AI 的地方，是否能够让人满意？AI 的影响程度——在该职能上应用 AI 后，对于职能工作的影响程度如何？数据显示，AI 在职能领域的应用效果可以分为三个档次：第一档是生产 / 业务 / 经营 / 运营（可以概括为业务），以及财务、人力这类核心职能；第二档是研发、采购、金融、法务；第三档则是办公室、战略、质量标准、审计监察。图 2：AI 适用效果显然，部分核心业务和核心职能在导入 AI 上走在了前面，但另一方面，另一些核心业务和核心职能则因为种种原因，并没有积极导入 AI，准确地说不是因为不能，而是因为不愿。为了探究这个问题，我们计算了一个名为 " 导入 AI 积极度 " 的指标，即 " 导入 AI 积极度 =AI 适用效果 / 职能复杂程度 "。这个指标很明确地说明了职能部门在不同的 " 先天条件 " 下导入 AI 的进展，直观来看，这个指标越大，越说明该职能积极地导入了 AI，反之，则是对 AI 存在抵制态度。图 3：导入 AI 积极度结果显示，并非易用 AI 的部门才会导 入 AI，而是那些受到最大压力，且易于使用 AI 的部门会积极导入 AI。说白了，从趋利避害的角度来看，所有职能部门的从业者都希望非标化，希望这块职能必须要依赖自己，但推动标准化，甚至引入 AI 的，还是那些承受压力最大的部门。一方面，法务、质量标准、采购、金融等职能部门的效率早已饱受诟病，他们也有条件导入 AI，其积极似乎可以理解；另一方面，生产 / 业务 / 经营 / 运营、财务、人力资源这类职能则是因为难度太大，在导入 AI 上尚需努力；除此之外，办公室、战略、研发、审计监察因为种种原因，被从业者们导向了凭手感的操作，AI 自然是难以渗透。04 商业逻辑的再次迭代在企业的经营管理上，有一个规律，前台能不能跑得起来，关键看中后台。因为中后台决定了企业的游戏规则，也决定了资源的配置逻辑。显然，率先对中后台职能部门进行成功改造的部门，会有一个效率的爆发，从而形成远高于竞对的竞争优势。就目前的数据来看：积极程度最高的法务、质量标准、采购、金融，会自然走向 AI 化，其前景几乎是可以肯定的；而积极程度最低的办公室、战略、研发、审计监察，则在很长一段时间里都不会有明显的变化；所以，最关键的胜负手还是生产、业务、经营、运营、财务以及人力资源部门，它们分别代表企业的