# 一、选车选出来的一个道理 最近频繁往返杭州为企业开展培训，沪杭高铁几乎成了我的日常通勤工具。 乘坐次数多了，选车便有了讲究。打开12306，杭州东至上海虹桥的页面，满屏G字头列车，清一色350公里时速的复兴号。 按理说，速度相同，随便选一趟即可。 但实际体验截然不同。 G7372次列车，早上8:09从杭州东站发车，9:23抵达虹桥，全程耗时74分钟——沿途停靠上海松江等数个站点。 G2190次列车，同一线路，同为350公里时速，仅需55分钟即可到达。 相差19分钟。 差异究竟在哪？并非车速问题。两趟列车在高速行驶的区段，速度表显示的数值完全一致。 关键在于**停靠站**。 每停靠一站：减速、开门、上下客、关门、再加速。列车本身并未变慢，只是频繁停靠。 站台上候车时，我悟出一个道理： **最快的列车，并非跑得最快的，而是停靠最少的。** 而且，这笔账还有后半段：当所有列车都已达到350公里的时速，再为发动机提速，收益将越来越低，成本却越来越高——**若无法减少停站，便无需再追求提速。** 这个故事，很适合正在规划人工智能战略的每一家企业。 # 二、新的瓶颈，是AI之间的时间 近两年，企业在推进人工智能应用时，都在做同一件事：为每个环节更换更快的引擎，引入各种AI工具。 写代码，AI代劳，效率提升10倍。撰写报告，AI生成，效率提升20倍。审阅报告与合同，AI判断，效率提升100倍。每一段“行驶区间”都提速至350。 然而，审视整条流程跑完一单的实际耗时——并未显著缩短。 原因何在？将流程图摊开，一目了然。 如今大多数企业的流程模式如下： **AI — 人 — AI — 人 — AI — 人。** 流程中，每段AI运行极快，但在交接处，由人接手。人一看就是半小时，再一判断就是一小时。整条线跑下来，快的只是其中几段，慢的却是整条路径。 **真正的瓶颈，并非AI的运行速度，而是AI之间的衔接时间。** # 三、H值：一个衡量AI组织效率的指标 由此，我们引入H值。 在一个业务流程中，设定总时间为T，其中人类判断与决策的时间称为H——即Human判断时间。剩余部分为机器或系统自动运行的时间，即1-H。 **H值 = 人类判断时间 ÷ 总时间** 这个数值意味着什么？ 假如H值为50%，则表明整条流程中，有一半的时间在等待人类决策。AI再快，实际效率提升幅度也被限制在2倍以内。 第三个数值最具价值。 每将H值降低一个档次，效率上限便跃升一个台阶： - 50% → 2倍 - 20% → 5倍 - 10% → 10倍 - 5% → 20倍 理解这张表，就能明白为何许多企业使用AI三年后，感觉“确实有点用，但没那么显著”——如果流程中一半时间在等人决策，H=50%，那么即使购买再多AI工具、更换再新模型，整体效率的天花板也仅为2倍。这是被锁定的上限。 因此：**企业打造人工智能原生组织的核心，并非更广泛地使用AI，而是将H值压得更低。** 那么，H值如何测量？ 若将一个岗位的工作拆解为最小作业单元，对每个单元只问一个问题： **“这件事背后的判断，今天由谁执行？”** 答案只有四种： **A·在人脑中**——“这个需要问张工”。计入H。 **B·已写成规则或SOP**——已书面化。计入1-H。 **C·已做成判断卡或Skill**——已结构化。计入1-H。 **D·由Agent自动运行**——已自动化。计入1-H。 # 四、从加法题到减法题 ## 4.1 两种截然不同的组织形态 在压H值之前，先看你在解哪道题。 传统组织通常解的是**加法题**：从0%开始，逐步叠加AI应用。 问的是“哪些环节能引入AI”，先试点一个场景，再推广至一个部门。AI是嵌入原有流程体系与人的流程中的，每嵌入一块都需要修改、验证一次——直到重复性任务被消化殆尽，便遇到瓶颈。 这就是为何许多企业的AI渗透率卡在百分之二三十无法提升：并非工具不行，而是加法题存在天然的壁垒。 人工智能原生组织解的是**减法题**：从100%开始，逐步减少人类参与。 问的是反向问题——“哪些环节**必须**由人完成？”默认所有工作先由机器运行，人类仅出现在显式指定的位置。 一个从0向上叠加AI，一个从100%向下削减H。 默认值相反，组织形态便截然不同。 用高铁的话说：加法题是为每个区段更换发动机，减法题则是拿着时刻表，一站一站地追问——**这一站，为何必须停靠？** ## 4.2 三类任务：一站一站地追问 要解减法题，首先需将“停靠站”分类。 企业流程中的工作，拆解到底可分为三类：**重复性任务、判断性任务、创造性任务。** 三类任务在企业流程中的落地方式截然不同，AI的落地策略也完全不同。 **第一类：重复性任务——伪H，直接拆站。** 包括录单、对账、报表汇总、信息共享等。 规则明确、输入输出可验证、做一千遍与做一遍无区别。 这类任务至今仍由人处理，只有一个原因：流程未重构。 它是“伪停站”——看似在人类手中排队，实则许多环节无需人工干预。 处理方式只有一种：不改造、不优化，直接从流程中移除，清零。将其转化为RPA（机器人流程自动化）、AI、Skill可直接处理的作业单元。 **第二类：判断性任务——这是认知外化的核心。** 一种是**有标准的判断**：例如哪批来料需严格检验、某个报警是否需停线。标准是存在的，只是存在于老师傅的脑中。 这些判断如今由人处理，并非只能由人完成，而是因为标准未被书面化。 处理方式是**判断外化**，分为三个层级： **判断写成判断卡 → 判断卡沉淀为Skill → Skill交给Agent。** 每沉淀一个，H值便降低一格。这是压H值的主战场，因为——**H值下降的速度，等于判断外化的速度。** 购买工具只能消化重复性任务；H值的每一个百分点下降，都源于将人脑中的判断、隐性知识显性化。 这件事其实并不新鲜。老车工的手感，外化成了CNC程序；老调机员的经验，外化成了工艺参数表。当年将手艺迁移至设备，如今将判断迁移至Agent——**本质上是同一件事。** 另一种是**担责的判断**：包括批次放行、停线决定、特采签字、对结果拍板。这类判断的本质并非“算出正确答案”，而是“有人为答案负责”。 它是**真H**，不可迁移。 处理方式是将其写入**不可让渡清单**，明确责任归属，并向全员公示。 **第三类：创造性任务——劈成两半，各归其位。** 发散的那一半——如生成五十个方案、绘制一百版设计、设计三套工艺路线——天然可并行执行，全部交给AI，纳入1-H。 收敛的那一半——如从五十个方案中挑选出最终方案、确定方向、做出取舍、定夺审美——留在人类手中，属于真H。 人工智能时代创造性工作的真相，并非“人类独占创造”，而是**人类从生产方案的人，转变为对方案拥有判断力与品味的人。** 完成这三步后，H值便被压至地板：仅剩担责的拍板与定方向的收敛。 请注意，**H值存在地板，不能压至零**——将责任与方向也交出去的组织，即使跑得再快，也不知去向何方，出了问题无人负责。 一个健康组织的目标是：将H值压至仅剩不可让渡的那一小部分，并且**让全组织都清楚那一小部分是什么。** # 五、H系列四位一体 最后，将这套体系的完整面貌呈现出来。H并非孤立指标，而是一套完整体系： **H值·组织效率指标**：衡量还有多少工作必须由人类判断？目标：持续降低。 **判断外化·建立AI能力中心**：用什么工具将H值压下来？路径为：判断卡→Skill→Agent。 **HBrain·组织大脑**：外化后的判断在哪里运行？即组织的大脑。 **H型人才·阵地**：H值压至地板后，剩余的H由谁承担？ 指标揭示差距，AI能力中心负责沉淀与共享——近两个月，我们看到许多企业正在建设SkillHub中心。组织大脑负责调度智慧、建立规则。 H值越低，每个单位H的杠杆作用越大——组织将H值压至5%，守住这5%的人，便是20倍效率的支点。 因此，H型人才并非“未被AI替代的幸存者”，而是**被整个1-H放大的指挥官。** **压H值与人培养，是同一件事的两面。** 回到沪杭高铁。 当所有列车都达到350公里时速的时代，比拼的不再是谁的发动机更好，而是谁的时刻表更干净、更高效。 企业亦然——模型大家都能购买，Agent大家都能部署，真正拉开差距的，是流程图上那一排停靠站。 因此，下次召开人工智能转型会议时，别再问“我们用了多少AI”。 问一个问题： **流程图上这些停靠站，哪些是必须由人来完成的？** **那张不可让渡清单，是否已写清楚——全员是否都知晓？**