AI买了一堆，业绩没涨：中小企业可能从一开始就搞错了｜Cisco给9万人配了AI ，我反而觉得小公司不用急

最近，人工智能告诉我一条新闻：Cisco正在把自己的AI Agent——MyAgent推向全球员工。

很多人看到这种新闻，第一反应大概都是：大企业已经进入“全员Agent时代”了，每个人都有一个数字助理，我们是不是又落后了？

但我看完以后，第一个判断反而是：这件事对于一家成熟的大企业来说，并没有想象中那么新鲜。

Cisco当然有新的技术变化，但统一入口、身份认证、数据权限、系统审计、安全边界、成本管理，这套逻辑从信息化、数字化时代就存在。

过去企业不会允许员工想装什么软件就装什么软件，也不会允许客户资料想传到哪里就传到哪里。

现在只是多了一层：AI不但能看资料，还开始替人查系统、调用工具、推动流程，甚至执行任务。

以前企业主要管“人怎么用软件”，现在还得管“AI可以替人做到哪一步”。

Cisco在2026年8月公布的MyAgent，本质上也是沿着这样的企业治理逻辑继续往前走。

所以，这条新闻真正让我感兴趣的，不是Cisco给多少员工配了AI，也不是MyAgent这个入口本身，而是另外一件事：

人工智能可以很快把一条新闻、一堆数据、一份报告递到我们面前，但信息不是判断。真正决定企业怎么做的，仍然是人对自己生意的理解。

这也是今天很多中小企业面对AI最容易出问题的地方——信息太多了，判断反而越来越少了。

今天ChatGPT更新，明天Claude又强了，后天Gemini来了一个新功能；Microsoft 365里有Copilot，CRM、ERP、客服、会议、设计、营销软件也纷纷加上AI。

老板打开手机，每天都有一种“昨天刚学会，今天又落后”的感觉。

于是一个很现实的问题出现了：

这些东西我是不是都要买？员工是不是都得学？不学是不是意味着公司没有跟上AI？

我的答案可能恰恰相反。

一、AI买得越来越多，可能只是多了一笔“工具债务”

现在很多中小企业已经不缺AI工具了，甚至开始有点“AI过剩”。

市场部用一个，销售自己买一个，程序员又有另外两个，老板手机里装了五六个。

开会的时候人人都说自己在用AI，看起来科技含量很高，但真问一句：“过去三个月，我们公司到底哪一件事情因此发生了根本变化？”会议室往往会突然安静下来。

这就是我觉得AI时代正在出现的一种新成本：工具债务。

过去企业有技术债务，软件越买越多、系统越来越复杂、数据互相不通。

现在正在出现AI版本：员工的知识散落在不同AI里，Prompt在个人电脑里，客户分析留在聊天记录里，每个人形成一套自己的用法。

结果公司拥有十个AI账号，却没有形成一项真正属于公司的AI能力。

而且，AI真正昂贵的地方往往不是那几十美元、几百块钱的会员费。企业使用AI至少有三层成本：

最表面的是软件和Token成本，再往下是数据、系统和流程的集成成本，最容易被忽略的其实是第三层——组织注意力成本。

老板每天研究哪个模型更强，销售今天学这个工具、下个月又切换另一个，大家花了大量时间“学习提高效率的工具”，最后业务本身反而没有推进多少。

这件事有一点像为了提高健身效率，连续买了八套健身器材，最后最大的运动量是拆快递。

所以对中小企业来说，现在第一件需要建立的认知不是“最新的AI我有没有”，而是：我的哪一件工作，因为有了AI以后，应该明显不一样？

如果一个工具不能让报价明显变快、客户响应明显变快、新人明显更快上手、老板明显少处理一批重复问题，或者让公司第一次能够服务过去服务不起的客户，那么它暂时可能没有那么重要。

企业不是AI工具展览馆。你不需要把每一个新模型都供起来。

而且现在的数据已经越来越能说明这个问题。

埃森哲2026年发布的《中国企业数字化转型指数》显示，跨过先进AI应用试点阶段的受访中国企业，比例已经从2025年的46%上升到88%；但真正通过AI实现生产效率、收入和利润等显著成果的企业，只从9%增加到了14%。

这组数字真正值得看的地方是：企业今天越来越不缺AI，缺的是把AI转化成经营结果的能力。

二、员工会用AI，不等于公司变聪明

这可能是今天最容易混淆的一件事情。

一个销售会用AI查客户、写邮件、做方案；一个市场人员会用AI写文章；设计师可以生成图片；程序员可以用AI写代码。

这些都很好，也确实提高了效率。但是这些首先属于个人生产力，并不自动等于企业智能化。

有一个很简单的测试方法：公司里最会用AI的销售，明天突然离职了，会发生什么？

如果他的提示词、客户判断、产品理解、报价经验、成交复盘全部跟着他一起离开，那么这两年发生的事情，其实只是“这个销售变聪明了”。公司本身还是原来的公司。

甚至以后企业可能会遇到一种很有时代感的人才流失：以前怕员工把脑子里的经验带走，现在还要怕他把AI聊天记录一起带走。

人走了以后，公司在他的工位上连一本“使用说明书”都找不到。

所以我认为，判断企业有没有真正形成AI能力，一个比“多少员工使用AI”更重要的标准是：

今天一个员工学会的东西，明天另一个员工能不能继续使用？一个优秀员工离开以后，这项能力还能不能留在组织里？

如果可以，能力才开始从“个人能力”变成“组织能力”。

这也是为什么我越来越觉得：

企业未来最值钱的AI资产，可能不只是知识库，而是一个很容易被忽略的东西：人工纠错记录。

例如：AI根据历史报价，给一个客户建议120万元。老板看完以后说，不行，应该报135万元。

很多企业今天的做法是：老板改成135万，邮件发出去了，事情结束了。

但真正值钱的根本不是那15万元，而是老板为什么改。可能因为这是代理商，可能这个国家过去发生过串货，可能这个客户虽然量大，但付款条件差，可能公司的产能现在比较紧张。

这些“为什么”，才是公司真正的经营经验。

再比如：AI推荐某一个型号，技术负责人说不能用，因为这个客户工厂是高湿环境。

真正值得留下来的不是最终型号，而是“什么环境下，为什么不能这么选”。

如果AI每次犯错，人只是把结果改掉，却没有把“为什么改”留下来，那么公司用AI两年，第1001次仍然可能重复第1次的错误。

相反，如果每一次人的修改都逐渐变成规则、案例和反馈，那么系统下一次就会多知道一点这家公司的真实判断。

所以我会把企业AI再往前推一个层次：

真正的组织智能，不是AI终于能把你公司那几千份PDF搜出来，而是今天新发生的一次错误、一次例外、一次老板判断，能够变成明天整个公司的能力。

三、数字化都没做好，我还有资格谈AI吗？

这是我听到中小企业老板问得最多的问题之一。

“我的CRM都没用好。”

“公司资料还在Excel里。”

“报价散在销售电脑里。”

“ERP里面的数据也不完整。”

“别人都开始做Agent了，我是不是已经落后了一大截？”

这个焦虑很好理解。因为过去做数字化，机器对数据非常挑剔。字段要统一，流程要梳理，历史数据要录入，员工要培训，权限要重建。

很多中小企业第一次做数字化的感受不是“终于效率提高了”，而是“怎么又多填了一张表”。

36氪研究院与联想发布的《中国中小企业数字化转型报告2024》就显示，32.4%的受访中小企业还处在“单点尝试阶段”，30.2%处在“局部建设阶段”，六成以上仍然处在数字化转型早期。

所以很多中小企业过去不是不懂数字化，而是那条路确实很重。

但是大模型出现以后，有一个非常值得中小企业重新理解的变化：机器第一次能够比较“低成本”地直接处理大量“不整齐”的信息。

Word、PDF、邮件、会议纪要、产品说明书、历史报价、客户聊天，这些东西过去对传统系统来说很麻烦，现在AI已经能够先读、先理解，再帮助分类、提取和结构化。

假设一家制造企业过去十年留下了几千份Excel和PDF报价单。

以前做数字化，很可能先设计字段，再安排人把客户、产品、数量、价格、折扣、国家、交期一点点录进去。

今天可以先让AI帮助识别和抽取，再由人核对关键数据。

也就是说，过去的路线往往是“先把屋子彻底收拾干净，机器才能进来”，现在第一次变成“机器可以先帮你收拾一部分屋子”。

这非常重要。

所以我不赞成一种说法：中小企业可以跳过数字化，直接进入智能化。库存到底有多少、客户有没有付款、合同最终版本是哪一份、财务数字是多少，这些事实仍然需要可靠的数据源。

AI再聪明，也不能在三个不同库存数字里面靠气质选一个。

但是另外一种传统理解也需要改变：

过去经常认为先数字化三年，再数据治理两年，最后才有资格做AI。

今天中小企业完全可以一边让AI参与真实业务，一边通过AI重新整理历史知识和数据。

AI本身，第一次也可以成为数字化的工具。

这不是跳过数字化，而是修路和开车开始可以同时发生。

四、企业智能化的最小单位，不是一个员工，而是一个业务闭环

很多企业现在衡量AI的方法是：“全公司多少人在用？”我觉得这个指标以后会越来越没有意义。

100个人每天都用AI写邮件，不一定比5个人真正把一个核心业务流程改掉更有价值。

企业智能化真正值得衡量的最小单位，应该是一个完整的业务闭环。

比如客户突然给销售发来四个问题：“这套设备能不能装到我们越南工厂？价格多少？多久能交？有没有类似案例？”

从客户角度看，只有四句话。

但是在很多公司内部，这四句话足以发动一场小型接力赛。

销售先找技术问适配，技术问产品；销售再去问生产交期，生产说还要问采购；案例找不到，于是去微信群问老销售；最后准备报价，又跑去问财务毛利底线。

客户只发了一封邮件，公司内部可能产生十几次消息、三次电话和五个人的等待。

我们总觉得销售一天八小时都在销售。其实很多销售真正花掉的时间，是找资料、等回复、传话、确认、催人。

这就是企业里一类非常巨大的隐形成本：

AI最先可能减少的，并不是岗位，而是这些摩擦。

如果企业把产品资料、客户历史、案例、库存、历史报价和审批规则逐渐连起来，客户的问题一进来，AI先把七八成准备工作整理好：

这个客户是谁、过去买过什么、哪些产品可能匹配、类似案例有哪些、正常价格区间是多少、库存和交付有什么风险、哪些地方超过权限需要人确认。

销售拿到的不再是一张白纸，而是一份已经准备好的“决策包”。

这时候技术还在，财务还在，生产也还在。但技术不需要每天回答二十次基础参数；财务不用反复回答标准价格；生产只需要处理真正异常的交期。

所以数字化和智能化最简单的区别，我还是愿意用这句话来讲：

过去是人不断跑进不同系统找信息；未来越来越多时候，是任务来了以后，相关信息主动围绕任务组织起来，而人主要负责判断和例外。

五、所谓“工作带宽变宽”，不是让员工跑得更快

很多AI文章喜欢讲“一个人干过去三个人的活”，但如果不解释清楚，很容易听起来像另一种老板画饼。

我更愿意用“工作带宽”来理解这件事。

一个销售每天还是只有八到十个小时。AI没有把一天变成36小时，他也不可能一边见三个客户一边同时谈判。

但如果过去推进一个客户，其中大量时间消耗在找案例、确认库存、整理报价、总结会议、写跟进邮件。

那么AI把这些准备工作压缩以后，同样的一天，他确实可能从深度推进一个客户，变成推进两个甚至三个。

对中小企业来说，我觉得还有一个比员工带宽更重要的概念：老板带宽。

很多中小企业发展到几十个人以后，真正的瓶颈已经不是员工不够努力，而是公司只有一个CPU——老板。

报价要问老板，折扣要老板批，特殊客户老板判断，新人不确定找老板，大客户老板亲自看，供应商出问题还是老板。

下面几十个人每天看起来都在工作，但一碰到异常就集体出现一个动作：等老板回复。

如果老板一天面对20个报价问题，其中15个其实过去已经发生过，只是规则一直存在老板脑子里，那么最好的AI不是帮老板把20个问题批得更快，而是把其中15个根本不应该再找老板的问题挡掉。

AI可以根据历史价格、客户级别、毛利边界、付款条件和过去处理方式，先把标准情况解决，再把真正异常的5个问题整理成：

发生了什么、历史怎么处理、风险在哪里、建议是什么。

老板还是一天八小时。

但是原来这八小时用来回答大量重复问题，现在更多用来处理真正需要判断的异常。

这才叫管理带宽变宽。

所以AI对很多中小企业最有价值的地方，可能根本不是“少招两个员工”，而是：

不是给老板这个CPU疯狂超频，而是终于让下面的机器自己处理一部分正常任务。

六、AI真正可能改变的，不只是人数，而是“一个小公司能拥有什么能力”

这又是一个容易被“AI裁员”话题遮住的问题。

销售会不会消失？财务会不会大量裁员？客服还剩多少人？当然值得讨论。

但对于中小企业来说，可能还有一个更值得关注的变化：过去必须靠招人才才能获得的能力，现在越来越多可以按需购买。

以前一家20人的外贸企业，不太可能专门养一个德国市场研究员、一名专业翻译、一个数据分析师、一套销售培训团队，再配完整的客户成功和知识管理体系。

不是老板不知道这些能力有用，而是养不起。

AI开始改变这个经济账。

OECD对七个国家5000多家中小企业的调查显示：

31%的企业已经使用生成式AI；在使用AI的企业中，65%认为它提高了员工表现，35%认为它帮助扩大业务规模，29%认为它帮助企业与更大的公司竞争，但认为AI已经帮助增加收入的比例只有26%。

这组数字其实特别有意思。

它一方面告诉我们，不要神化AI：提高效率的人很多，真正看到收入增长的人明显更少。

另一方面它也提醒我们，AI对中小企业长期更大的意义，可能不是把原来20个人裁到15个人，而是：

市场研究、多语言内容、客户背景调查、数据分析、培训支持、知识问答、基础合同阅读、售后资料整理——这些能力过去意味着“再招一个人”，以后越来越多会变成“先调用一次”。

这会进一步带来一个比“省人工”更重要的变化：

比如过去有一个德国小客户，每年只买20万元产品。

你可能根本不想做，因为德语资料要翻译、邮件沟通成本高、当地市场不了解、售后资料还要重新准备。服务这个客户的成本太高，算完账不值得。

可是当翻译、本地化资料、客户研究、邮件初稿、基础售后都可以低成本完成以后，这个原来“不值得服务”的客户，可能突然值得服务了。

AI并没有凭空创造这个客户。

但它降低了服务这个客户的成本。

这意味着AI可能扩大一家公司的可服务市场。

同样的逻辑放在出海上尤其明显。

过去一家中小企业可能只能集中资源做一两个国家；未来相同规模的团队，有可能测试更多市场、更多语言和更多细分客户。

所以AI和增长之间，并不只有“提高效率以后再去找客户”这一层关系。更深的一层是：

这对中小企业而言，可能比“省两个人工资”重要得多。

七、但有一件事比不用AI更危险：把烂流程自动化

AI这么好用以后，还有一个很大的诱惑：什么东西都想加一个Agent。

可问题是，如果一个流程原本就很烂呢？

假设一张报价单本来要五个人审批，其中三个人根本不知道自己为什么要审批；同一组数据需要重复录入三遍；两个部门各做一张内容差不多的表格。

今天把AI放进去，把五层审批跑得更快，把三次重复录入自动化，当然也叫效率提高。

但从经营角度看，你只是得到了一条运行得特别快的烂流程。

这就像一辆刹车本来就有问题的卡车，你没有先修刹车，反而给它换上F1发动机。速度当然上去了，至于是不是好消息，那就不一定了。

所以企业做AI以前，最好先多问一句：

为什么这件事本来需要五个人？

为什么一定要老板批？

为什么客户每问一次同样的问题，销售都重新找一次技术？

为什么这个价格只有老王知道？

为什么同一种合同法务一个月还要改二十遍？

很多时候，AI最大的管理价值并不是马上替你执行，而是逼企业第一次认真解释自己为什么这样工作。

那些过去大家都习以为常、但没人说得清为什么存在的流程，恰恰是AI时代最值得先清理的地方。

八、中小企业到底应该怎么开始？答案可能比想象中简单

所以我不建议中小企业照抄Cisco。

Cisco有数万员工、全球业务和复杂系统，它需要统一治理、权限体系和企业级AI平台。

一个30人、100人、300人的公司如果看完Cisco以后，第一反应也是“我们建一个AI中台”，很可能又走回过去数字化最昂贵的那条路。

中小企业真正需要的是最小可行治理，加一个真正值得改造的业务闭环。

治理可以先非常简单：

• 公开资料、普通翻译、头脑风暴可以比较自由地使用；

• 客户信息、内部报价、经营数据只能进入公司认可的AI环境；

• 付款、最终报价、合同承诺、重大折扣、删除数据和正式对外发布，无论AI多聪明，都必须有人负责最后确认。

不需要第一天先写100页制度。

先让员工知道三件事就够了：什么能给AI看，什么不能给；AI可以做到哪一步；最后谁负责。

然后不要先问“我们公司需要什么AI平台”，而是先找一个业务问题：哪个环节最贵、最慢、最重复、最依赖某一个人的脑子？

可能是报价。

可能是售后。

可能是销售跟进。

可能是新人培训。

可能是合同初筛。

围绕这一个闭环，需要什么知识，就整理什么知识；需要什么数据，就接什么数据；哪些地方AI可以做，就让AI先做；哪些地方人必须判断，就明确留下来。

然后把每一次人的修改继续沉淀。

业务发生，AI先做，人来判断，人纠错，组织把这次纠错留下来，下一次系统再聪明一点。

这样跑起来以后，再做第二个流程。

这才是我理解的中小企业“轻量智能化”。

而衡量它有没有价值，也不要再看有多少人登录AI、写了多少Prompt、用了多少Token。

真正应该看的是结果：

报价从两个小时有没有变成20分钟，新人从六个月能不能三个月上手，一个销售能不能服务更多客户，老板每天原来30个问题是不是只剩下10个，最后收入、毛利和客户满意度有没有发生变化。

最后：别再问“我还缺哪个AI”，先问“我的公司到底哪里不够聪明”

现在整个市场最容易制造的一种焦虑，就是让企业觉得AI永远买不完、学不完。

其实模型一定会越来越多，能力也一定会越来越便宜。今天让人惊艳的某一个功能，很可能两年以后每个平台都有。

所以对于中小企业来说，真正值得长期积累的并不是“我们比别人早买了哪个模型”。

而是另外一些更朴素的东西。

一个客户为什么成交，一个报价为什么被老板改掉，一个产品为什么在某个国家总出问题，一个新人为什么过去要半年才能上手，公司为什么原来所有事情都找老板，而后来只有真正异常的事情才需要老板判断。

这些东西不会随着下一次模型更新自动出现。

它们只能来自企业自己的业务。

所以我现在越来越觉得，中小企业判断自己有没有真正进入AI时代，可以用一个特别简单的问题：

如果不能，那么员工可能已经很会用AI了，但公司还没有真正变聪明。

如果可以，那么哪怕这家公司只用了两三个AI工具，它也可能已经走在很多“全员AI”的企业前面。

数字化让企业把过去发生的事情记录下来。

智能化让数据开始参与下一步工作。

而真正的组织智能，是一家企业终于形成一种过去很难形成的能力：

到那个时候，AI才不只是一个很好用的新工具。

它开始变成这家公司学习的方式。

而长期来看，中小企业真正能够和大企业竞争的，未必是钱更多、人更多、系统更多。

很可能恰恰是另外一件事：

真正重要的不是知道更多信息，而是形成自己的判断。

《35+，别在国内卷，“出海”赚全球的钱》

把过去的经验，重新放进一个正在增长的市场。