AI时代的「下限红利」——41人没症状被AI查出早期肠癌,你的组织还在等英雄救场吗
今天微博有条热搜,热度排到二十几位,但我建议所有做管理的都看一眼:「41人没症状被AI查出早期肠癌」。
这条新闻的关键不在"AI好厉害",在"没症状"这三个字。
这41个人,不是自己觉得不舒服去看病的。他们是被一轮筛查捞出来的。也就是说,如果没有这轮AI筛查,他们会继续正常工作、正常加班、正常开周会,然后在两三年后的某一天,以一个完全不同的方式出现在医院里。
我看这条新闻的时候,脑子里蹦出来一个很刺人的类比:你们公司在体检,还是在等急诊?
一、组织管理最大的浪费,不是没英雄,是只能靠英雄
我在培训和咨询里见过太多这样的公司:
- 一个大客户要崩,老板亲自飞过去,两天摆平。全公司鼓掌。
- 生产线出了质量问题,某个老师傅凭手感一眼看出来,救回一批货。年底给他发奖。
- 项目要交付,某个骨干连续熬了三个通宵,硬是扛下来了。成了公司传奇。
这些故事每一个都很动人。但它们背后有一个共同的结构:这件事,只有那个人能救。
换句话说,这家公司的经营水平,取决于那几个人当天心情好不好、在不在岗、有没有生病。
而AI带来的第一个巨大变化,恰恰不是"让顶级的人变得更强"——那是上限。AI真正改变的是下限:它让一个普通员工,在大部分常规场景里,能做到接近专家水平。
老邓的判断:AI最先吃掉的不是精英的活,是"本来只有精英才能救的火"。它把组织的下限抬起来,比它把上限推高,值钱十倍。
我把这件事叫「下限红利」。
二、为什么下限红利比上限红利更值钱
算一笔很简单的账,很多公司从来不这么算。
假设一家公司有100个人,其中5个是专家,95个是普通员工。专家的产出可能是普通员工的3倍。
上限路线:想办法让那5个专家再强一点,产出从3倍变4倍。总产出提升了5个人×1倍的增量,还非常难,因为专家已经很努力了。
下限路线:让95个人从1倍变成1.5倍。总产出提升了95×0.5,也就是将近48个人份的增量。
差了将近10倍。而且后面的这条路,成本低得多——因为普通员工有巨大的提升空间,专家没有。
但诡异的是,绝大多数公司的资源分配是反过来的:把钱和注意力几乎全投在那5个人身上。给他们配助理、给他们开小灶、给他们发股权。剩下95个人,发一本手册,上个两小时的培训,完事。
这不是道德问题,是视野问题。因为下限的提升是不可见的——它表现为"今年没出什么大事",而这种结果,永远不会上庆功会的PPT。
三、下限红利在组织里的三个落点
具体一点,AI能把组织的下限抬在哪些地方?我这几年看到三个最明显的。
落点一:新人的爬坡期
一个销售新人,正常要六个月才能独立谈单。这六个月里,他消耗的是老人的时间(带教)、公司的机会(谈崩的客户)、自己的信心。
现在做得好的公司,会把老人的谈单录音、话术逻辑、异议处理,喂给AI做成"随时可问的陪练"。新人不是学知识,是在模拟场景里被反复打。我见过一家公司把新人独立成单的时间从六个月压到两个半月。
注意,这不是让新人变专家,是让新人不再是个坑。
落点二:非常规场景的第一反应
专家之所以是专家,很大程度是因为他见过足够多的"少见情况"。普通人遇到少见情况,第一反应是慌,第二反应是问人,第三反应是拖。
把历史案例、处理记录、判断标准结构化之后,AI能在十秒内给出"类似情况我们以前怎么处理的、当时的判断依据是什么、这次哪里不一样"。它不替你做决定,它让你不至于从零开始。
落点三:执行的一致性
这件事最不起眼,但最贵。同一家公司,五个门店、十个项目经理、二十个客服,做同一件事的方式可能完全不同。客户感受到的是"这家公司水平忽高忽低"。
AI最擅长的恰恰是"把最好的那一版固定下来,让所有人照着做"。这不是限制人,是把下限从随机变成稳定。
三个信号,判断你的组织是不是还在"等英雄":
1. 过去一年,有多少次危机是靠某个人临时顶上解决的?超过三次,说明下限有问题。
2. 一个新人独立干活的周期是多久?超过行业平均,说明你的组织还在靠"熬"。
3. 你们的培训,是给Top 20%上的,还是给所有人上的?
四、我见过的一家:不做冠军,做地基
有一家做连锁餐饮的公司,两百多家店。老板跟我聊的时候说了一句话,我印象很深:"我们不追米其林,我们追'随便哪家店都不难吃'。"
他们做的事很土:把每家店卖得最好的三个单品的制作过程,拆成标准动作,用摄像头采集真实操作,再让AI对比"做得好的店员"和"做得一般的店员"的差异,然后把这个差异变成培训内容。
结果很有意思:头部门店的出品几乎没有提升,但尾部30%的门店,客诉率降了一半多。
老板说:"以前我盯的是最差的那几家店,天天救火,救不过来。现在我不救了,我把标准铺下去,让它们不至于太差。"
这就是下限红利。不是让最好的更好,是让最差的没那么差。
而这件事在商业上的意义被严重低估了——因为客户对你的评价,从来不看你最好的那家店,看你最常去的那家店。
五、AI在抬下限时,最容易被做错的三件事
抬下限这件事,方向是对的,但执行起来特别容易变形。我列三个最常见的坑。
坑一:把"下限"做成了"上限的平均值"。很多人一想到标准化,就把所有专家的做法平均一下,做成一套"通用最佳实践"。这是灾难——因为平均出来的东西没有一个是真正好的。正确做法是选最好的那一版,然后为不同情况准备分支,不是折中。
坑二:只做工具,不做容错。你给一线配了AI助手,但一线不敢用,因为一旦AI给错了、他照着做了出事,责任是他的。这时候你要改的是一句话:"按AI建议做,出问题不追责;不按建议做,要说明理由。"这句话不改,工具就是摆设。
坑三:把下限红利变成了裁人的理由。这是最糟的。如果一线发现"公司抬下限是为了少雇人",他们会本能地抗拒一切标准化。你得到的不是一个更高的地板,是一片抵抗。
我见过一家公司,抬完下限之后做的第一件事是不裁人,而是把省出来的人力转去做以前没人做的客户深耕。结果收入结构变了,团队也信了。
六、最后说回那条热搜
41个人被AI查出早期肠癌,这件事最值得学的不是技术,是思路:不等症状出现,就先把筛查做成常规。
你的公司现在是什么状态?
是等客户投诉了再整改,等骨干累倒了再关心,等出了质量问题再追责,等新人熬不住了再挽留?
如果是,那你就是在等急诊。而急诊永远比筛查贵一百倍。
AI给了你第一次真正"做常规筛查"的机会——不是靠增加人手,是靠把专家的判断变成普通人随时可以调用的东西。
给三个动作,这周就能做:
- 列出过去一年"靠英雄救场"的三件事,看它们的共同点是什么,那就是你的下限缺口。
- 挑其中一个,把那个专家的处理过程录下来,拆成五步,做成可以问的AI助手。
- 改一句话:按建议做出问题不追责。不改这句话,前面两步白做。
高手是用来突破的,不是用来堵漏的。
等你把地板抬起来,你才会发现,原来你的高手一直在做本不该他做的事。