返回概览
Executive Growth & AI Operating Systems

企业如何实现增长,而不让内部复杂性同步膨胀

订单增加,可能带来更大幅度的工作量增长。CEO 如何区分客户需要的差异与内部额外工作,算清各种特殊方案的经济账,并在限定范围内测试运营调整。

高管摘要

一分钟看懂关键问题

管理问题

企业卖得更多了,但特殊承诺也带来了额外审批、数据维护和返工。所需处理能力的增长,快于订单量的增长。问题未必出在团队,而在于运营模式究竟需要承接哪些差异化需求。

管理影响

一组明确标注为说明性模型的测算揭示了这一机制:当订单量从 1,000 笔增至 1,500 笔,例外订单占比从 10% 升至 20%,在文章列明的假设下,处理工时从 300 小时增至 600 小时。订单增加了 50%,工作量却增加了 100%。这不是行业比例,也不是营收预测。在降低内部复杂性的同时,仍须保留有价值的客户差异化。

高管行动

选定一个对增长重要的业务环节。核查各种特殊方案带来的额外投入与经济贡献,决定哪些保留,哪些整合为通用模块,哪些调整提供条件,哪些有序停止。先在限定范围内测试改变,90 天后比较总工作量、质量和客户价值。AI 只支持已经明确的规则。腾出的时间首先是可用的处理能力,并不自动等于成本节省。

营收在增长,但每多接一笔订单,就需要更多协调。销售承诺了一种新的产品或服务方案,运营部门安排特殊处理,财务部门核查不同于常规的结算方式。客户最终得到了交付,却没有人知道,这笔订单的收益是否足以覆盖额外投入。

此时,如果只是增聘员工,或者把反复沟通的环节自动化,就可能把一个成本高昂的运营模式进一步放大。真正需要回答的是: 哪些差异为客户创造了价值,哪些只是在增加企业内部的工作量?

在下一次决定扩大业务规模之前,我会先选定一个具体的业务环节,把这个问题弄清楚。不是先下达一刀切的降本指标。有些特殊服务正是客户选择购买的原因;另一些却一直保留下来,从未有人认真核查过它们的价值与成本。

增长需要满足不同需求,但不必为每项需求另建一套流程

企业进入新的客户群体或新的国家市场,不可能完全用同一种方式开展业务。各地的法律要求有所不同,大客户可能需要专门的系统接口,要求更高的产品或服务也可能值得更高的价格。把这些差异简单取消,并不是明智的经营决策。

问题出在每一项新要求都被配上一套独立流程。销售的一句小承诺,可能同时改变数据字段、审批步骤、交付规则和开票逻辑。一种特殊方案并不是开发一次就结束了。员工需要学习如何处理,企业需要持续维护和检查;以后每次调整,还得重新考虑它。

在这个过程中,某个团队看起来可能很高效。它处理自己的工作更快了,端到端流程却需要更多交接。成本分散在销售、项目管理和行政事务中,成本核算里可能只计入了直接交付的部分。

1996 年发表于《管理科学》(Management Science)的一项研究,有助于理解这种区别。在涵盖 57 家汽车总装厂的回归分析中,零部件复杂性越高,经调整后的单车工时也越多;但车型组合复杂性与劳动生产率之间没有发现统计上显著的关联。数据采集于 1989 年及 1990 年初。这是一项历史性的观察比较研究,不能据此推断今天的中小企业能够因某项改变而节省多少成本。研究中的零部件指数涵盖了多种由内部安排和客户需求带来的多样性。1

因此,对 CEO 而言,值得关注的不只是产品或服务方案有多少种,更重要的是每增加一种,会在运营中引发什么。是否需要另一条交付路径?是否要引入额外的数据来源?是否要多设一道审批?还是说,利用企业已经熟练掌握的模块就能完成交付?

为什么工作量可能比订单量增长得更快

下面用一组 仅用于说明机制的模型测算 展示这个问题。它不是客户案例,不是行业统计,也不是对您企业的预测。

假设一家企业每月处理 1,000 笔订单。每笔订单都需要 12 分钟的基础处理。其中 10% 的订单还需要额外 60 分钟处理例外情况,例如澄清需求、安排特殊方案以及核查。这些例外订单同样需要那 12 分钟的基础处理,额外 60 分钟是在此基础上另行计算的。

基础处理需要 200 小时。100 笔例外订单另外需要 100 小时。因此,在这个流程中,总工时为 300 小时。

现在,订单量增加到 1,500 笔,同时例外订单占比升至 20%。基础处理需要 300 小时,300 笔例外订单另外需要 300 小时。总处理工时达到 600 小时。

在这组模型测算中,订单量增加了 50%,处理工时却增加了 100%。 原因不是基础处理变慢了,而是需要额外工作的订单占比提高了。测算假定各类处理所需的时间不变,而且只考察这一个流程。它既不能说明营收增长情况,也不能说明企业实际拥有多少可用的人力处理能力。

如果在 1,500 笔订单的情况下,例外订单占比回到 10%,总工时就会是 450 小时。两种情形相差的 150 小时,只是在计算上可以释放的处理能力。能否实现,要通过测试验证;能否因此减少支出或增加营收,则是另一个问题。

这个区别很重要。腾出一个下午,并不意味着人工成本随之下降。这段时间可以用来清理积压,也可以处理更多订单,但必须证明它确实被用于这些工作。开发、培训和维护的投入,也需要纳入评估。

根源往往是单独看都合理的决定

销售可能认为,提供一项特殊服务有助于成交。项目团队自建一套模板,可以在短期内节省时间。分支机构维护一张本地数据表,能及时处理一项紧急任务。单独来看,这些做法都可以理解。

但可能没有人负责判断,把它们加在一起会怎样。一次性的例外,逐渐变成长期的服务承诺;临时辅助表,逐渐变成第二套数据来源。最初的理由消失了,维护工作却留了下来。

激励机制也会影响判断。以营收作为考核指标的人,对特殊需求的看法,自然可能不同于后续负责兑现承诺的团队。这并不自动意味着谁做错了。如果销售决策没有考虑后续工作量,真正的问题是决策依据不完整。

走向另一个极端,同样可能出错。如果所有偏离标准的事项都要由一个中央部门审批,企业只是多了一条等待队列。日常决定需要明确规则,真正的例外需要一条范围受控的处理路径,而不是每笔订单都开一次会。

先弄清一个业务环节的经济账

我会从一个既希望实现增长、又经常被反复沟通占用处理能力的环节入手。例如,从接单到交付的流程、客户接入流程,或者持续性服务的结算。这些只是可选的分析范围,并不是对任何具体客户情况的描述。

选取已经完成的业务事项,从最初的承诺一直看到后续补做或返工。记录客户订购了什么,哪些地方偏离了常规,谁因此增加了工作,以及为什么。要区分实际处理时间和等待时间。一次延误持续两天,其中真正投入的工作可能只有十分钟;但从经营角度看,这两个指标都可能重要。

建立初始基线,也就是后续比较的起点时,先用少量定义清楚的指标即可:例外事项占比、每个例外的额外处理时间、全流程耗时,以及每笔订单的经济贡献。额外工作量应采用实际观察到的时间,或明确标注为估算的数值。财务部门必须能够说明,哪些成本已经计入,哪些还需要追加,避免重复扣减。

不要只统计数量,还要判断每类事项的重要性。一项不常发生的客户专属系统集成,可能比一百笔简单的小订单更有价值。同样,一项看起来有利润的服务,也可能占用了稀缺的专业人员,而这些人员用于其他业务时,本可以创造更高的经济贡献。

数据缺失意味着需要补做工作,而不是可以给出一个看似精确的利润率。第一步更有用的问题是:对于哪些已经作出的承诺,我们还没有充分掌握其工作量,因而无法据此规划下一阶段增长?

对一种特殊方案,可以作出四类决定

如果客户确实需要某种方案,而且企业能够可靠交付,就应当保留。法规要求必须存在的差异,也属于这一类。把交付条件明确下来,不必每次都临时想办法。

反复出现的需求,可以考虑整合成通用模块。客户仍然能看到额外服务,但企业内部使用相同的数据字段、检查步骤和交接方式。例如,在服务业务中,可以采用标准客户接入流程,再加上经过批准的附加模块。模块化只有在模块确实能够重复使用,而且维护它们的成本不高于原有工作成本时,才值得做。

一项有价值、但投入较大的特殊服务,可能需要单独定价、延长交付周期,或者限定可承接的数量。这是商业决策。客户是否接受这些条件,需要由销售验证。证明内部成本较高,并不等于证明客户愿意为此付费。

如果某种方案既看不出客户价值,也没有经济上的合理依据,就可以考虑有序停止提供。先核查现有合同和已经承诺的服务。妥善完成过渡,比让下一份报告里的数字更漂亮更重要。

这四类决定,都不应只依据该方案带来的营收。需要看的是:合理核算额外成本后,它还能提供多少经济贡献;占用了多少瓶颈环节的处理能力;以及它在战略上有多重要。这样,讨论就不再只是减少差异,而是在决定企业究竟要做什么样的业务。

建立可执行的标准,以及有人负责的例外路径

选定业务环节后,需要把标准讲清楚:必须提供哪些信息?在什么条件下提供哪些产品或服务?团队可以自行作出哪些决定?到了哪一步才需要按例外处理?

例外处理路径应当在对客户作出有约束力的承诺之前启动,而不是等到交付时才开始。对于一项新的特殊服务,要记录预期客户价值、额外投入、定价假设和责任人,并设定复核日期,避免临时方案无限期延续。

同类例外反复出现时,必须有人决定,是否将其转为新的标准模块。判断应以完整流程为准。如果报价虽然变快了,后续交付却带来更多沟通或返工,就不能算成功。

因此,管理团队应明确一名流程负责人,让其与相关部门共同评估这些影响。这不意味着每个例外都必须由他亲自审批,而是确保流程发生变化时,企业不会忽视后续成本。

AI 能帮什么忙,又会带来哪些新复杂性

人工智能(AI)可以分析已完成的业务事项,识别反复出现的例外原因;也可以帮助员工找到已批准的服务规则,或在交接之前标出缺失信息。前提是信息来源、访问权限和业务专业审核已经明确。

但 AI 也可能更快地生成新的特殊服务承诺,或把各部门自己的工作方式转成更多自动化流程。这样,一个步骤的工作量减少了,需要维护的规则和接口却增加了。每个部门各配一个 AI 智能体,并不等于企业已经拥有可扩展的运营架构。

在测试之前,我会先明确:AI 要支持哪一项决策,以哪个信息来源为准,以及遇到未知条件或相互矛盾的条件时,系统应当如何处理。美国国家标准与技术研究院(NIST)的《AI 风险管理框架》提出的要求包括记录使用情境、明确责任,以及持续评估风险。这是美国的一套自愿采用的框架,既不能证明节省成本,也不提供法律保障或认证保证。2

Fassbender 的 AI 运营体系(AI Operating System)通过六个层面把这些工作联系起来。战略与价值(Strategy & Value)明确哪些差异化需求真正支撑业务。流程与决策(Processes & Decisions)规定标准流程及例外处理权限。数据与知识(Data & Knowledge)确保服务规则及其制定理由可供查阅。技术与集成(Technology & Integration)避免不必要的专用连接。治理与评估(Governance & Evaluation)检查实际效果与错误。人员与运营模式(People & Operating Model)确保团队能够掌握新的工作方式。

这是一套组织和管理运营的方法,不是某一个软件产品。只有当 AI 能够更好地支持选定的工作方式时,才在其中使用 AI。取消一项不必要的工作,可能比把它自动化更有价值。

以 30、60、90 天为节奏,务实地开始

前 30 天 由管理层和流程负责人选定一个业务环节。销售、运营和财务共同建立基线,记录反复出现的例外,并核查哪些承诺受现有合同约束。到这一阶段结束时,决定实施一项范围有限的调整,例如采用统一的客户接入模块,并明确附加选项。如果成本数据不足,首先作出的决定就应当是把这部分数据补齐。

到第 60 天 团队在限定的一组业务事项中测试新规则。要确保哪些案例可比、客户要求是什么、业务量有多少,都有据可查。只有测试确实需要时,才引入新表单或 AI 辅助。原有流程应保留,作为可控的回退路径。同时检查,工作是否只是转移到了另一个团队,以及客户是否仍然获得了应有的服务。

到第 90 天 管理层决定扩大应用、调整方案,还是撤回改变。仅仅降低例外占比还不够,处理时间、错误情况、客户价值和经济贡献必须放在一起判断。释放出来的处理能力要有明确用途。如果决定扩大应用,计划中还应包括培训、规则维护和下一次复核。

这 90 天只是针对一个明确界定的流程,提供一种可行的起步节奏,并不是承诺在此期间完成整个企业的简化。合同变更、复杂的系统集成或数据缺失,都可能需要更长时间处理。

什么时候适合进行独立诊断

如果多个部门都在反映额外工作增加,却没有人能够解释这些工作从何而来、带来了多少经济贡献,就适合开展高管 AI 诊断(Executive AI Diagnostic)。它提供独立的管理诊断,包括高管摘要、覆盖 AI 运营体系各层面的现状基线、机会与风险图,以及易于理解的管理可视化图示。在公开信息足以支持可靠判断时,还会通过竞争对比帮助管理层理解企业所处的位置。最终形成的是未来 90 天的行动方向,而不是笼统的成本节省承诺。

最初那个关键问题依然没有改变:我们现有的运营模式,能否在经济上支撑下一阶段增长?在投入资金增加处理能力之前,您需要先弄清楚,哪些工作确实必须随业务一起增长。

常见问题

企业必须缩减产品或服务范围,才能降低复杂性吗?

不必。企业可以保留面向客户的差异化,同时在内部使用通用模块。如果某项特殊服务能够提供有依据的经济贡献,或具有必要的战略意义,它带来的复杂性就不应自动被视为浪费。

例外事项占比上升,一定是警讯吗?

它意味着需要检查,而不是已经得出了结论。进入新市场,或者客户结构变化,都可能解释这一现象。关键在于例外的原因、占用的处理能力,以及它们带来的经济价值。

减少的处理工时,可以直接计为成本下降吗?

不能自动这样计算。它首先代表可能释放的处理能力。要降低成本,必须确实有支出可以避免;要增加业务,则需要有市场需求,并能带来正的经济贡献。实施改变的成本也必须计入。

应该先简化业务,再启动 AI 项目吗?

首先应当明确,哪些工作是企业确实要做的,以及应遵循哪些规则。然后再让 AI 支持这些工作。范围受控的 AI 分析,也可以在诊断阶段提供帮助,但它不能替代管理层决定企业今后要提供哪些产品或服务。

资料来源

延伸洞察

战略咨询

从洞察走向可靠决策。

我们将AI潜力转化为清晰架构、可衡量的优先事项和可执行的企业路线图。