推荐语

麦肯锡最新报告揭示：AI时代企业必须重构工作流程，否则90%的投入可能打水漂。

核心内容：
1. 传统"任务级"AI应用与"流程级"重塑的本质区别
2. 190个业务流程分析揭示的行业核心价值点
3. 金融、医疗等行业的AI工作流程改造实践案例

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

昨天分享了麦肯锡重磅报告《Agents, Robots, and Us》的第二章。

从第二章的内容可以看到，AI 并没有让技能消失，而是让技能重新分布和进化。

今天，我们继续进入这份报告的第三章，这可能是最重要也是最有实操价值的一章。它所探讨的是：

如果技能进化，那么组织的工作方式，改如何进化？

3.1 重新构建工作流程，才是释放 AI 生产力潜力的关键

根据麦肯锡的“中位采用情景”测算，AI 驱动的自动化有望在 2030 年为美国释放2.9 万亿美元的经济价值。

但要真正实现这些收益，仅靠自动化单个任务远远不够——

关键在于重新设计整个工作流程，让人、Agents 和机器人能够协同工作。

工作流程（workflows）——包含多步骤、跨角色协作、信息交换与决策——是组织运转的基础。然而，绝大多数流程都诞生于“前 AI 时代”。

因此，如果只是把 AI 嵌入到旧流程的某个点上，它所带来的生产力提升往往有限。

这也是为什么目前很多企业虽已投入 AI，却迟迟没有获得显著成效：

• 近 90% 的企业表示已投资 AI

• 但不到 40% 的企业看到可量化的收益

这背后的原因可能包括：

① 大量 AI 项目仍停留在试点阶段，或

② 企业只是在“任务级别”应用 AI，而非“流程级别”重塑。

以银行为例：

• 旧模式：给员工一个可以临时使用的 AI 聊天机器人。

• 新模式：在贷款审批流程中，将员工与专属 AI Agent 并行设计，让双方共同完成资料分析、风险判断、流程推进与客户服务。

  后者才能显著提升效率、减少错误、改善体验。

要释放更大规模的 AI 生产力，组织必须从“任务自动化”转向“流程再造”。

3.2 潜力在哪里？——190 个业务流程的系统分析

麦肯锡对美国经济中 190 个业务流程进行了分析，以识别最具 AI 提升空间的领域。

关键结论是：

约 60% 的生产力提升，来自行业核心流程（sector-specific workflows）

这些流程构成各行业的“业务心脏”：

• 制造业：供应链管理

• 医疗行业：临床诊断、患者照护

• 金融行业：合规管理、风险控制

  
  

此外，剩余的价值来自跨行业的共性职能（cross-cutting functions），例如：

• IT

• 财务

• 行政与运营支持

  
  

这些职能在每个行业中都广泛存在，因此也具有显著的 AI 赋能空间。（对应 Exhibit 14）

以金融与保险行业为例，仅在 IT 职能内部，就存在 七个关键工作流程（见 Exhibit 15）。

在所有行业 × 职能的组合中，每一种组合都有其独特的工作流程集合，而这些工作流程正是 人与 AI 协作创造价值的关键单元。

3.3 从公用事业到银行，先行者已经开始试验 AI 嵌入式工作流程

一些组织已经开始围绕 AI 重塑工作流程，并给出了早期示范，展示了 AI 时代的实践会长什么样。麦肯锡识别了横跨医药、银行、销售等行业的 80 个 AI 应用案例，并深入研究了其中若干个，以洞察其转型方式。

在这些示范中，管理者和专业人员正在从“执行者”，转变为“协调者与验证者”；而数据分析师、核保人员、工程师等领域专家，则开始与 AI 代理协作，由代理承担初步分析或内容生成。结果是：最具价值的人类能力正加速转向 AI 流畅度（AI fluency）、适应性、以及对 AI 输出的批判性判断，使人类能够把更多精力投入到高价值工作。

麦肯锡选取了四个案例，展示这一变化如何在不同业务场景中展开：

• 某科技公司使用 AI 代理来自动筛选销售线索和管理触达流程，让销售专家可以把更多时间放在谈判与关系建设上。

• 一家医药企业利用 AI 自动生成临床报告草稿，减少错误并加快递交监管材料。

• 在客户服务领域，AI 代理正在处理绝大部分标准询问。

• 一家区域银行则用 AI 加速软件现代化改造。

  
  

这些案例说明：随着 AI 代理越来越专业化，它们有潜力重塑整条业务流程。但同样重要的是，人仍然处于工作中心——AI 依然高度依赖人类的指导、解释与质量把控。

3.3.1 销售案例：AI 代理让专家从繁琐任务中解放，投入更多时间“真正做销售”

一家全球科技公司希望扩大市场覆盖、深化客户关系，但面对日益增加的客户数量和业务复杂度，传统销售模式已难以为继。

过去的销售团队：

• 使用不同、缺乏一致性的方法来判断客户优先级

• 难以为成千上万中小账户提供差异化触达

• 只有最重要的潜在客户能得到较个性化的跟进

  
  

为突破瓶颈，公司引入了一套 用于销售全流程的 AI 代理体系（Exhibit 16）：

1. 优先级排序代理：基于公开数据与内部数据，对客户进行评分和排序。

2. 外呼代理：自动触达客户。

3. 客户回复代理：分类管理客户回应，例如“有兴趣 / 无兴趣 / 不确定”。

4. 排程代理：为高潜力客户安排电话会议与提醒。

5. 交接代理：在需要人类判断的节点，将线索转交给销售专家。

   
   

借助这五类 AI 代理，公司实现了销售流程中大量“前期工作”的自动化，让销售专家能够真正投入到 谈判、策略、关系经营等高价值环节。

销售场景：流程重塑带来了 7%–12% 的新增收入增长

借助 AI 代理重构销售流程后，公司在触达范围和转化率上都有显著提升，预计年收入可增加 7%–12%（来自新增销售、交叉销售和客户续约）。

在各类销售岗位上，工作时间节省幅度从 30% 到 50%不等。

业务拓展人员因此能够投入更多时间在真正创造价值的活动上，例如：

• 撰写提案

• 谈判合作

• 客户关系深度经营

未来，这一模型还可以扩展：

• 辅导代理（Coaching Agent）可实时给销售团队反馈

• 行政代理（Admin Agent）能进一步承担日常行政事务，减少人工负担

3.3.2 客户运营案例：AI 代理提升客户体验并降低成本

一家大型公共事业公司每年接听超过 700 万通客户服务电话，即使其 App 和网站已提供多种自助服务。

在采用 AI 之前，交互式语音系统（IVR）只能解决 约 10%的咨询，其余全部依靠人工客服。

为了提高效率与客户体验，公司在全体客户中上线了 AI 代理式对话系统（见 Exhibit 17），包括：

• 入线验证代理：完成来电客户身份验证

• 意图识别代理：判断客户来电目的

• 排程代理：管理预约与上门服务

• 自助服务代理：直接与后端系统连接处理请求

这些代理如今可处理约 40% 的来电，并在其中 超过 80% 的案例实现全流程自动化，无需人工介入。

当需要人工升级处理时，客户可被无缝转接，客服将直接看到已验证的账号信息与上下文对话记录，大幅提升体验。

客户运营案例：AI 大幅降低成本、提升体验

新的流程将单次来电的平均成本降低了约 50%，客户满意度则因更短的等待时间、更一致的问题处理、更快的解决速度而提升了 6 个百分点。

在人机协同的新模式下，人工客服主要负责更复杂、更具情绪敏感性、以及更高价值的问题，这不仅提升了服务质量，也提高了客户运营的整体影响力。

未来，这一模式还有进一步演进空间：

• 客户问题识别代理可主动监测系统，提前发现服务中断并主动联系客户。

• 辅导代理（Coaching Agent）可在实时通话中，持续给客服人员提供解决思路与澄清建议。

• AI 将承担 80%–90% 的常见咨询，并自动记录每次交互、发起跟进动作，确保服务的连续性与一致性。

在人机协作模式成熟后，人类将专注于“复杂 × 关系型”的任务，AI 则处理高频 × 可预测的任务。

3.3.3 医学写作案例：生成式 AI 平台加速报告撰写、提升准确性

一家全球性的生物制药公司，希望改进临床研究报告（Clinical Study Reports, CSR）的撰写流程。这类报告记录新药的安全性与有效性数据，而传统流程中：

• 医学写作者需要手动汇总研究数据

• 从零开始撰写大量内容

• 并在多个团队之间来回协调修改

  
  

有限的人力与漫长的周期，使得公司越来越难满足不断增长的监管递交需求。

为此，公司构建了一套 AI 驱动的医学写作平台（见 Exhibit 18），通过重新配置工作流，大幅提升速度与质量：

• AI 能同时处理结构化与非结构化数据

• 在数分钟内生成一份完整草稿

• 自动套用公司模板、风格与合规要求

• 并对草稿进行初步自查，减少错误

在这一模式下，医学写作者从“手工写作者”转变为 AI 协作者：

• 可重新生成特定段落

• 对 AI 自动标记的潜在问题进行判断

• 将草稿与源数据进行核对，确保临床准确性与监管合规

AI 负责高耗时的“编写”，人类负责“判断、核实与最终把关”，让整个流程变得更快、更准、更稳。

早期数据显示：效率提升显著。在人类首次审阅前，初稿的人工接触时间（touch time）减少近 60%，整体错误率下降约 50%。

在与其他流程和技术变革结合后，临床研究提交周期可整体提前数周。

随着医学写作者的 AI 熟练度提升，以及更多 agent 引入，效率仍有进一步提升空间。

但公司也指出：要规模化推进仍面临挑战，这需要技术与组织能力双提升，包括：

• 数据工程能力的韧性建设（resilient data engineering）

• Prompt Engineering 技能提升

• 大胆而具方向性的组织领导力

生命科学公司可在整个临床研究链条中部署 Agents，贯穿从临床研究设计到最终递交，AI Agents 可形成全流程支持链：

• 临床研究规划 agent：辅助撰写研究方案与试验设计

• 数据映射 agent：整合并分析试验数据

• 报告生成 agent：自动产出完整研究报告草稿

• 验证 agent：执行合规审查、准确性校验

• 审阅 agent：优化叙述结构、标注异常

• 提交草稿 agent：生成符合监管要求的最终版本

  
  

如果贯穿整个研究周期使用这套系统，可将流程缩短数个月。

3.3.4 IT 现代化案例：AI agents 加速代码迁移，人类角色转向“指挥与校验”

一家区域性银行使用 AI agents 对旗下中小企业银行应用进行现代化改造。

目标是将大量旧代码迁移到现代框架，以提升内部开发效率。

在传统方式下，这类项目通常需要：

• 数月工作周期

• 大额预算

• 大量工程师投入

• 手工完成：文档整理、代码重构、测试 数百万行代码

为加速进程，该银行试点部署了多个 AI Agents（见 Exhibit 19）

AI Agents 在系统现代化中的角色包括：

• 评估 agent（assessment agent）：扫描旧代码库，识别依赖关系

• 功能生成 agent（functionality agent）：生成目标架构

• 编码 agent（coding agent）：迁移代码到新框架，并执行自动化测试

  
  

开发人员与 15–20 个 agents协同工作，负责：

• 校验 agent 产出

• 修正模型偏差

• 确保体系结构完整性、合规性与功能准确性

  
  

最终，整个系统完成：

• 桌面端 → 移动端转型

• 本地部署 → 云部署迁移

• 单体架构 → 微服务架构演进

  
  

随着 AI Agents 接管大部分重复性的执行工作，人类的关注点正从“动手做”转向“规划、编排和验证”。早期结果显示，AI 在代码迁移场景中的准确率已经达到 70%左右。

在完成首个模块的试点后，这家区域性银行计划将 Agent 应用扩展到整个现代化工程，并预计可将所需人力时长减少 最高 50%。未来，一个“现代化规划 Agent”可以统筹整体流程，而质量保障（QA）Agents 和测试 Agents 将形成支持链路。

3.4 AI正在重塑管理者的工作与技能结构

案例研究显示，随着 AI 逐渐承担更多分析、判断与决策支持任务，管理者的角色正在从“管理人”转向“统筹一个由人、AI Agents 和机器人构成的系统”。

这种转变让管理者能够把更多时间投入到高价值活动上，比如教练式辅导、影响关键决策、关系管理等，同时也要求更强的技术理解力（见 Exhibit 20）。

例如——

• 销售经理：未来会花更多时间指导团队使用 AI 洞察，提升客户关系与成交能力；

• 客服经理：会管理一支“人 + AI 混编团队”，同时训练 AI 系统并辅导员工，确保客户体验持续优化。

无论行业如何，企业普遍发现：

最大生产力提升来自“重塑整个流程”，而不是自动化单一任务。

这意味着组织必须建立全新的运营模式、数据基础设施，并为员工打造新的技能路径，以适应“人与智能体深度协作”的未来。

好了，第三章就先分享到这里。

这一章向我们揭示了一个极其关键的洞察：

AI 的真正价值，不来自自动化某个任务，而来自重塑整条工作流（workflow）。

无论是销售流程、客服体系，还是临床报告撰写、IT 现代化，所有案例都在证明同一件事：

人的工作在升级：

从“执行任务”

➡️ 升级为“判断 — 统筹 — 监督 — 创新”。

AI 的工作在分层：

从“单点能力工具”

➡️ 演化为“跨流程协同的智能体矩阵（Agentic System）”。

当组织开始以 workflow 为单位重构：

• 人力在流程中的价值被重新定义

• 流程变成可重写、可自动化、可协同的“动态系统”

• 系统之间的边界开始模糊，信息流速度指数级提升

组织的底层运行逻辑，也随之被推向一个全新的范式。

而在这样的大变革时代，一个问题也被迅速推到台前：

当组织的运行方式被 AI 重写，领导者该如何进化？

如何带领团队进入“人 × Agents × 机器人”的协同未来？

这正是下一章——也是报告最后一章——所试图回答的核心问题