随着科技的飞速发展，人工智能正逐步渗透到社会的方方面面，已经成为改变人们生活和工作的一种强大工具。那么，作为企业经营管理者，该如何抓住当下的人工智能技术红利？怎么借助 AI 技术，来帮助企业降低成本、增效提质，从而实现企业更好、更快的发展？
带着这些问题，本期 36 氪《CEO 锦囊》栏目，幂律智能 CEO 涂存超，Flowy 创始人兼 CEO 祁国良两位嘉宾，跟大家实际聊聊 AI 是如何帮助企业降本增效。
在这场直播中，两位嘉宾主要讨论了以下问题：
1、降本增效就是 " 砍砍砍 " 吗？如何正确地理解 " 降本增效 "？
2、两位都是 AI 公司，请问你们内部有哪些降本增效的措施？效果如何？
3、说到数字化，其主要目的就是实现降本增效，对于企业来说，数字化转型的最大挑战是什么？
4、相比于此前的数字化转型，这波 AI 浪潮对数字化转型产生了哪些影响？
5、AI 时代，我们个人怎么来应对 AI 带来的冲击？如何更好使用 AI 工具？
6、除了各自公司自身在做的产品之外，AI 还在哪些场景有比较大的空间？
7、就如何让 AI 真正帮助企业实现降本增效，分享 3 点锦囊妙计？
以下为两位嘉宾和 36 氪的对谈，部分内容经过整理编辑：
36 氪：降本增效就是 " 砍砍砍 " 吗？如何正确地理解 " 降本增效 "？
涂存超：降本是一方面，增效也很重要。通过降本增效，我觉得最终还是要达到公司目的，能够让公司发展更高效、更稳定。除了正常的一些降低成本的方法，通过数字化的方式能够把企业内部的业务流程梳理得更高效，也是一个比较主流的方式。什么是有效的降本增效？最主要还是看结果，就是到底有没有达到降本增效最终目的，让企业运行更顺畅、更高效了。结合国内外的降本增效案例，如果企业进行了很多的优化调整，整个产品迭代和正常运行没有受到特别大的影响，我认为是比较好的降本增效。但如果因为降本增效造成了非常严重的后果，影响了企业的高效运转和运营，那就是比较失败的降本增效操作。
祁国良：我个人其实不喜欢降本这个词，这是存量思维下的操作。我更喜欢增效，这是在增量思维情况下思考我们企业的效率和质量如何提升？我们梳理企业，甭管是什么行业，大概就围绕着三件事情做，第一是效率，第二是工作的质量，最后是成本。如果效率和质量同步提升了，成本自然而然下降。在增量思维下，如果我的效率、质量都提升了，业务增加 1% ，或者一倍甚至三倍以上的时候不增加人，是不是算降本了？这里面更重要的是如何通过大模型、AI 帮助企业更快地执行，在效率上提升。
在企业里面人有时候是相当不靠谱的，一个月就准备一场直播是绝对 OK，但我们每天忙不同的事情，花在每件事情上的时间精力就少，有太多的事情让你变得质量低。如果在这些低级错误之前，我们能用各种各样的 AI 审查好，我不一定有最好员工的工作质量，但是把所有员工的质量都提升到平均线往上，整个公司的质量流程都会提升。
36 氪：两位都是 AI 创业公司，请问你们内部有哪些降本增效的措施？效果如何？
涂存超：最简单的减少一些非必要的支出、减少人、降低福利、减少一些品牌上的投入，这个是初创公司操作比较多的方式，我们内部也会采取一些数字化的方式。我们服务的都是中型、大型客户，无论我们卖的是 AI 相关的产品，还是信息化相关的产品，都免不了要做一些交付实施，响应客户定制化的需求。之前在我们整个交付实施过程中，项目管控的某些环节没有细化。所以从 2022 年底到 2023 年全年，我们都在迭代内部的项目管理以及工时管理系统，能够细化到所有人员的成本支出，能够及时在中间发现一些支出是不是超了。这对我们项目成本的管控和效率提升起到了比较好的作用。
我们自己的业务主要也是在给客户解决降本增效这个问题。我们最核心的能力就是智能合同审查，帮助每年有大量合同需要审查的企业提高合同审查的效率。我们有个客户，每年有大量的线下店要新开，还有老店要续约，都需要审大量的商铺租赁合同。他们为了审商务租赁合同外聘了大量的律师，成本特别高。但不仅外聘律师，包括他们自己内部法务团队都会存在着审查标准差异非常大的问题。即使内部梳理了严格的审查标准，完全靠人来执行是很难的。上线了智能合同审查的系统之后，帮助他们解决了几个方面的问题。一个是标准统一，对很多客户来说这比效率更加重要，能够防控很多风险。第二个是能够让他们审核的效率大大提升，相对节约了很多人力成本。客户在算 ROI 的时候，看的是最后能够给他带来多少效率提升，能够让他节省多少外聘律师的成本，他会从这里面来付一定的比例给我们。这其实就是从降本增效的角度，给企业推数字化系统，如果这件事情客户的 ROI 算不清楚账，这个事很难落地效果好。
祁国良：我们叫数字员工也是从这个角度去做，中国的企业去采购 IT 软件没有人真的知道自己买了什么系统，大家都在低毛利率里面去竞争。今天一个很重要的商业模式改变，就是拟人化按效果去付费，我今天帮你省了多少时间，提升了多少质量？这个是很容易评估的。以前采购供 IT 系统，对于一把手来说，有时候真不知道买了什么 IT 系统，对整个公司有什么提效？大家只知道花了钱。在环境相对恶劣的情况下，就会说这是成本，明年可能不弄了。
就我们内部来说，所有人都在用 AI 做事情。比如说开发用 AI 去做一些代码的自动生成，售前可以借助大模型很快出一套跨行业出方案，来辅助售前工作；甚至招聘，有时候我们也不清楚这个岗需要什么样的人，大模型可以帮你写 JD、筛简历。以前我们是写代码，今天我们是在写流程，在给客户配场景，很多东西不再需要去死抠一个算法。这样这几种形式下来，企业效率都在提升，成本也在下降。
36 氪：说到数字化，其主要目的就是实现降本增效，对于企业来说，数字化转型的最大挑战是什么？
涂存超：我一直是觉得数字化最大的挑战肯定是来自于人和组织。数字化转型这件事情，无论是决策者还是最后实际使用的用户，一定是多个角色来参与的，大家的利益诉求是不一致的。比如说决策者采购一个系统，更多是从管理的视角要方便管理，但很多用户是被管的角色，大家做这件事情的诉求不太一样。从使用的效果看，采购一些信息化系统，最后的目的是要降本增效，到底是降的谁的本？降哪个部门的本？但另外一方面，无论是我们的系统，还是其他数字化系统，都普遍存在人对新系统的学习和使用的成本，而且会涉及到用新系统有可能对之前的业务模式、业务流程的更新和调整，这也会形成比较大的阻碍。
祁国良：刚才涂总讲的我基本上都认同。就是摩擦力，来源于人和人、部门之间的摩擦力。人是有惯性的，很多公司领导和员工是站在对立面的。高层的想法是管理，上任何一个系统，比如销售系统，需要的是销售漏斗，要去考核的是公司的资源如何优先给更加靠谱、优先级更高的客户？但是一线员工的视角是抵触的，因为这并不能帮助他做什么事情，而且每天都会给他带来非常繁琐的负担。一天几个小时都在做这些事情，比如填个 CRM、写个周报等。当你发现员工每天在公司花很多时间做这种数字债务的时候，他的质量就会下降。所以在落地的时候就是如何让管理层和员工都满意，这个数字化才能推得下去。我们的经验是让管理层看到更高质量的数据，那数据质量来源于什么？就是帮助一线员工通过更简单的方式从繁琐没有价值或者说价值很低的工作中解放出来。如果有一个 AI 在企业里面专门帮你做这些事情，比如写周报、日报、拜访记录等，那就满足了领导层数据的要求，同时员工不用每天花很多时间做这些事情。
数字员工帮你去执行检查工作，合同检查、文本检查、标书各种各样的检查、公文的检查等等，最后提出里面的风险点，或者说里面有哪些低级错误。人去做人应该做的事情，很多时候更多的摩擦力于来源于部门和部门之间、人和人之间、责任和责任之间，把这些事情都变成流程自动化。现在的流程好多都停留在人停流程就停，只要这个人在开会，很多事情就执行不下去。用 AI 执行，出错的时候告诉人用更高维的视角判断这件事情的走向，这样将效率提升。过去我们做了那么多软件，以前说这些软件是给人用的，但是现在想想，也许是给 AI 用的，是让 AI 帮你去执行。所以我们之间就变成了人和人之间对话，人和 AI 以对话框的形式推动流程往下。这样的效率会更高，质量也会高起来。
36 氪：相比于此前的数字化转型，这波 AI 浪潮产生了哪些影响？AI 扮演着什么角色？
涂存超：国内在大模型应用侧还是明显落后的，当然原因是多方面的，包括几种模型的效果、国内在应用层的投入、客户需求的多样性、本地化、安全性等。我们一直认为 2024 年应该算是应用层验证效果走完闭环的元年。我们之前面临最主要的问题就是在 AI 技术的基础之上，要怎么给客户做定制？这个问题我们一直非常头疼，举一个具体的例子。之前客户要定制一个审查点，我们要分析这个审查点涉及哪几个法律条款和法律概念，然后收集一堆合同数据，把这些条款和概念标注出来，再训练一些小模型，把这种模型调到非常高的效果，因为法律的场景容错是非常低的。整个过程成本非常高，周期非常长，流程也很长。
有了大模型之后，我们的产品给客户的感受还是智能审查的产品，但我们做这个审查点定制的方式完全变了，全都是基于大模型。大模型天然具备分析合同文本，从合同里分析信息，抽取信息的能力。我让大模型来从合同里面抽取某个条款，我可以给他一些私立条款，写一个比较好的 Prompt，让大模型基于我们抽取的条款直接做判断。假设这是一个首款条款，我直接让他来判断这个首付款到底有没有超过合同额的 30%，之前我们需要再训一些序列标注的小模型，把这个片段给识别出来，再通过规则来判断。现在就是一个 Prompt，让大模型直接来判断这个条款里面的约定跟客户的审查标准是否一致。所以现在的解决方案全都是基于大模型的，业务还是那块业务，但我们自己内部本身的效率和响应的方式完全改变了。但我们只是在完成了初期的闭环验证，真正往外推规模化我觉得 2024 年应该是元年。
祁国良：我们过去一年是在捏人的过程，主要围绕着企业的需求梳理流程，做一些行业 konw how 的整理。我们希望通过这些整理固化下来，变成可以用的横向长尾需求。比如在出差的办公场景里，可能要在 IM 上申请出差，在 OA 里面审批，甚至去不同的平台订票，这时间还是花的蛮长的。再乘以整个公司的人数，就是我们说的数字债务，公司的成本也高，我们的效率也不高。现在你可以在 IM 上通过简单的对话就能完成整个流程，大模型的好处就是我可以跨过这些流程，在跟数字员工对话的过程中，提取有效信息快速做完这些事情。大模型是通过自然语言去连接以前的流程。
36 氪：AI 时代，我们个人应该如何做来应对 AI 带来的冲击？怎么更好使用 AI 工具？
涂存超：我觉得人跟机器的配合是有非常大潜力的，AI 替代一个完整的人是不太可能，人有很多自己独到的能力，比如沟通交流的能力、全局信息的掌控能力。一些偏高频、偏严谨、低难度的任务大模型是完全可以做的。形成共识的就是，人应该学好怎么样使用工具，使用大模型来让自己的工作能做得更好。不太需要担心被替代，但如果你不学会使用工具，就会丧失竞争力。
现在还没到大模型最佳应用实践阶段，无论是国内还是国外都在尝试。但我觉得现在可以做的是，评估自己的工作，到底哪些 100% 没技术含量，长期来看对你没有价值；要判断出哪些工作即使有了大模型，对你来讲也是有价值的。
祁国良：有了大模型之后，一部分工作确实被大模型取代了。所以我觉得人应该更贴近业务，理解需求。你越理解业务越不容易被替代，你越理解需求，越理解场景，你的价值就越大，因为你解决的不仅仅是 0 和 1 的问题。不是只有这个程序要不要开发的情况，很多时候都存在着建议 A，但选 B 的情况，这是人要去解决的。建议是 A，为什么要选 B？你没办法让 AI 明白在仅仅看到一点点信息情况下，选择 B 作为我的最终结果，这是人要去做的事情。
至于怎么更好使用 AI，首先是先用起来，哪怕最简单先下一个大模型 APP，让他帮你做各种各样的文案生成。我现在都离不开 AI 了，不知道怎么写的时候就问他，比如给我申报文案，我再按照场景去修改，很多工作他已经帮我做生成。
36 氪：除了各自公司自身在做的产品之外，AI 还在哪些场景有比较大的空间？
祁国良：我们内部有个画布，分为几个层面。首先是个人层面，帮助个人提效，比如个人写周报、OA 审批、 CRM、发邮件等。第二，围绕公司前台和后台的业务层面。人力、法务、财务是企业里面偏后台，企业的前台业务是 ROI 很高的场景，只要提效了，就是挣钱的。第三，就是跨部门的使用。
2017 年、 2018 年特别火的是中台，为什么做中台？站在公司角度讲，公司要效率，但随着公司做大不得不拆成部门，把人拆到部门。我们希望把数据、业务共享，提供一个大前台去做。这两年可能中台已经没人再提了，因为投入产出比算不清楚。搞一个大数据平台本身的投入就很大，其次在软件 1.0 的情况下，特别依赖产品经理去对不同的部门、业务做需求梳理，最后生成一个大前台。但是很可怕的是，今年开发完中台，明年公司可能战略变了，中台要怎么服务于前台？我们说 ROI 比较高的场景，就是今天可以通过数字员工，在数据不离开每个部门的背景下，入口就是一个对话框，一个任务、一个需求进来，不同的 Agent 或者不同的 AI 去到部门里依据需求取数据给你。我不需要前台，也不需要点击，所有 APP 都是搜索框，下拉都是瀑布流，用这样的方式直接给你答案。你想问公司去年营业额，你要看跟谁家的合同，可以一问直接得到答案。这种场景下，你就发现 AI 首先改变了交互方式的入口，是对话框去驱动。我们跟客户讲的也是，在这几个画布里面去找你觉得最痛的场景。你说跨部门流转痛，我们就去解决跨部门流转的场景下，去梳理 AI 在这里的应用；你觉得前台业务痛，我们就在前台上去找场景。
涂存超：大模型是一个非常通用的能力，有非常强的泛化能力。无论是软件还是业务场景，只要是在跟信息打交道，是跟人在交互，大模型都有他自己的施展空间。我的意思是每个场景都有改造的价值，但可能最有价值的还是跟大模型本身比较匹配的行业，重文本的行业，比如说法律和医疗就天然跟文本打交道，很适合大模型。当然还有游戏、电商这些场景下，应用的前景也都是挺好。
36 氪：就如何让 AI 真正帮助企业实现降本增效，分享 3 点锦囊妙计？
涂存超：
第一，一定要看最佳实践，学习行业最佳实践。即使是大客户，在具体的业务场景中碰到的问题大概率也不是他自己独有的问题，行业里面比他业务更加复杂、规模更大的客户基本上都会存在一些最佳实践，不是自己凭空来想这个解决方案。
第二，要算清楚账，这事关最后数字化转型或者说降本增效目标能不能达成。算清楚我投入多少，最后能够获得什么样具体效果？
第三，就是 POC，这件事情一定是要做的。你听厂商、供应商再怎么讲，这个东西到底是不是如大家所说，在你自己的真实场景里面能不能用、能不能产生真正的价值，一定是要做 POC 的，自己感受到的永远是最真实的。
祁国良：
第一，用起来，先让自己的数据飞轮转一转。企业数据无非就几种，一种是文本型的知识，存在于 DOCX 、PPT、 PDF 里面，你先把这些知识跟大模型结合起来，最简单的，哪怕是有知识库问答，先用起来。一种是企业的 OA、ERP 这类软件，以流程化的方式执行起来。这个成本其实也不是特别高，企业可以先尝试起来。
第二，全面探索，梳理业务找到正向 ROI 的场景。
第三，把 AI 当员工看，不要想它是一个技术。比如说企业要扩招 100 人，哪个岗位或者哪个任务 AI 能执行什么样的操作？能解放多少人？站在一个更高层面去审视这个流程。
点击可观看完整直播回放：
