错过一年 AI 提效，团队如今在承担哪些成本？

同样的人员和预算，有的团队交付速度持续提升，有的团队即使采购了 AI 工具，仍旧陷在加班、等待和反复协调中。差距往往不在工具数量，而在于调用成本能否归因、个人经验能否沉淀，以及自动化能力是否真正进入组织流程。要判断 AI 提效值不值得做，首先需要把这些账算清楚。

开篇

年底复盘，你看到隔壁团队晒出的数字：同样的预算、一样的人数、差不多的工作量，交付速度差出一截。你拨了笔专项预算，给团队买了一批 AI 工具席位，发下去三个月，团队照样那么多人加班，产出没变化，部分工具在角落里吃灰。

这个场景我见过很多次。早在做研发效能治理的时候，我就观察到一个规律：工具发下去不等于效率上来，效率上来不等于公司转前。 这两年我们带着团队自建了一套 AI 工作台，把上面这条链路一截一截打通，也在多家客户现场反复验证过。今天这篇只回答一个问题：

不做 AI 提效会怎样？做了能得到什么？

不吓唬人，也不画饼。下面是真实的数据和三件事。

如果你也在推 AI 提效，算完这笔账，文末有一份可以直接对照的自查清单。

AI 提效不是"发工具"

把"AI 提效"拆成两层，大多数团队卡在第一层就停了：

• 个人层：给每个工程师发 Copilot / Claude Code，让单兵干活变快。见效快，但天花板低——它只优化"干活"那一段。
• 组织层：把团队里的隐性经验固化成可复用的资产，再把这些资产串成自动化的流程，让 AI 从"辅助人干活"变成"替组织跑流程"。这一层才是公司账本上看得到钱的地方。

多数负责人以为"买了工具 = 启动了 AI 提效"。我的判断是：把工具发下去，只是开了张采购单，离提效隔着两层台阶。 下面要讲的三件事，就是这两层台阶上的真实状况。

先看清三件事：不做会怎样

我不编"三年后被淘汰"这种话。作为一个长期泡在现场的人，我看到的是三件已经在发生的事。

事实一：任务层提效 ≠ 组织提效

有个数据：白领有约 60% 的精力花在"协调"上——对齐、催活、救火、复盘——真正干活的只有约 40%。工资越高，协调占比越高。

这正是很多公司"处处冒烟，就是不着火"的原因：每个人都在用 AI，每个人都说省了时间，但你拉通一看，公司整体效率没变、账上没多钱。省下来的时间去哪了？被协调层吃掉了——你个人写代码从 3 天缩到 1 天，没用，因为需求对齐还在等两轮评审、跨部门的数据还在走邮件、上线还要排一周窗口。

用阿姆达尔定律看更清楚：只优化一个环节，对整体贡献有限。如果瓶颈不在干活那段，你优化干活那段，整体收益趋近于零。

所以第一笔真实账是：你省下的时间，正在被协调层静默吸收，你大概率感受不到。

事实二：团队速度长在人身上，不固化就断

你团队现在的真实速度，很大一部分长在几个资深员工的脑子里和嘴上——这个系统的坑在哪、该找谁拍板、哪条线的接口藏着什么约定。这些经验从来没被写下来过。

结果就是：这些人休假、转岗或离开，速度当场滑坡，新人进来重新踩一遍。这不是 AI 时代的病，是一直存在的组织脆弱点。区别在于——

过去，把经验固化下来很贵，要写文档、建 wiki、开评审会，大部分人坚持不了三周。现在，把一段经验做成一个可复用的 Skill（指令 + 上下文约定 + 质量检查点），成本低一个数量级。不做这件事，你付的是"人走了知识就断"的账，这跟 AI 无关，但 AI 给了你今天最便宜的解法。

事实三：不系统的"做"，基本等于烧钱

最扎心的一条。MIT 一份调研给出过很不讨喜的数：约 95% 的生成式 AI 试点对损益表零影响；更靠谱的口径里，转型成功的大约只有三成。

这意味着什么？只要把工具发下去、不接验证、不接归因、不接流程改造，指望个人自发用起来，"做了"和"没做"的账本几乎一个样，钱倒是实打实烧掉了——那些 token 消耗，最后连一个"花在哪、产出了什么"的答案都查不出来。

所以真正的问题从来不是"要不要做"，而是**"怎么做才有结果"**。不做会怎样？不会关门，但你会在前两笔账上继续付钱，付得无感。

做了能得到什么

收益一：一笔能算清的 ROI

很多负责人问我，提效怎么算账。给你一套我实际用过的口径，五节链条：

消耗 → 归因 → 产出 → 效能 → 价值

• 消耗：花多少 token、多少钱、缓存命中率多少（一座网关就数得出）
• 归因：每笔消耗对应哪个场景（写功能 / 修 bug / 审代码）、挂在哪个工单上——这是决定性的一环
• 产出：哪些消耗变成了提交、PR、修复的问题（需要接 Git 和工单的关联管道）
• 效能：单任务多少钱、任务周期比基线短了多少
• 价值：ROI = (节省工时 × 人力单价 − token 成本) ÷ token 成本，再折算年化净收益和回收期

这条链的坑在三级跳：消耗是工具自带的，归因要自己接，产出要自己接管道。大多数公司卡在"归因"——花了钱，但说不出钱花在哪个场景、产出落在哪个工单。 不好听地讲：你不是算不出 ROI，你是连算的资格都还没建立，因为你没有记录。

收益二：同样的人，产出翻倍（第一阶段）

这是我们按"先增量渗透、不颠覆现有工作方式"走的真实路径，三层次：

1. 个人工具：编码、文档、检索、测试、review，先让每个人跑起来；
2. Skill 固化：把高频、可复用的动作封装成标准化的技能资产，版本化、可回滚、内部共享；
3. Workflow 串联：把 Skill 串成流程，每个节点一个技能加一道可选的人工审批门，逐级提高自动化比例。

第一阶段能拿到什么，就一句话：同样的人，产出翻倍。 这不是玄学——"写代码大约只是整个问题的 20%"，剩下八成在影响判断、方案验证、上线协调，而这正是 Skill 和 Workflow 能接住的部分。

一线数据更具体。Factory 在客户环境里给过一个项目级估计：约 15%~20% 的工作已经可以端到端完全自主完成；另有约 30%~40% 属于"低垂果实"——文档、简单测试、模式明确的迁移维护，可以直接让 Agent 上手。换句话说，不用等什么自动驾驶级别的 Agent，先把这两档摘下来，团队已经领先一轮。

Skill 固化这一层在实践里长什么样？我们自建的 AI 工作台里，每个 Skill 从创建、评测到版本回滚有完整的管理流程——存数据库、带版本历史、评测有专项方案、支持干运行和人工修正分打分。这才是 Skill 从「一段 Prompt」变成「可治理、可回滚的团队资产」的真实形态。

收益三：突破认知带宽的账（第二阶段）

第一阶段是让人做得更快；第二阶段换一种组织方式——AI 是工作主力，人是治理者。规划、拆解、执行、验证交给 Agent 并行跑，人只做目标设定、审批、验收。

最直观的收益不在 IT 数据里：人的稀缺性从"执行能力"转移到"治理能力"。 过去想多接一条业务线要扩编一队人；现在要增加的是 Agent 的并发度和治理质量。这个账，才是非线性增长。

决策检查表（对照自查）

给还没启动的负责人，6 条，每条都能当场回答：

1. 你能否说出团队上季度花在 AI 上的钱，分别对应哪几个业务场景？
2. 如果明天把所有 AI 工具关掉，你能不能说出哪些具体流程会变慢——而不是"整体感觉有影响"？
3. 团队里最值钱的经验，有没有落在除了人脑和人嘴以外的地方？
4. 你手上有没有一套检查清单，能在上线前抓住 AI 的低级错误（而不是靠 reviewer 肉眼硬扛）？
5. 有没有任何一档工作，AI 能在无人参与下从头做到尾、且有验证兜底？
6. 你的负责人考核里，"让 AI 干活"是否占权重，还是只看手工代？

6 条全否 = 你还在为协调层的低效和知识的流失付费；答出 3 条以上 = 你其实已经启动了，只是还没把它变成账本上的一行。

结语

一句话收束：不做 AI 提效不会让你立刻关门，但你已经在为三件事付费——协调层的低效、进度里留不住的知识、一笔查不清去向的 token 。而做对的第一步，不在一夜之间上 Agent，在于先把第一段数据（消耗和归因）记录起来。

你现在就能做的三件小事：

1. 让团队把 AI 的每次调用挂上场景和工单（哪怕用本地启动器注入归因信息）；
2. 挑一个高频动作，固化成第一个 Skill，写清楚它的输入、输出、检查点；
3. 用上面的 6 条清单，给团队做一次 15 分钟自查。

想进一步的话，有三个入口：

• 上面的 6 条自查清单和 ROI 口径，我整理成了一份可以直接对着用的表格版——私信我，我发你；
• 一次 30 分钟交流，针对你团队的现状，看从哪条线启动最快；
• 如果你对我们自建的这套工作台感兴趣（Skill 管理 + 评测 + Workflow 编排），可以约一个 Demo 看看实际跑起来的形态。