Eliyahu M. Goldratt 在《The Goal》里讲过一个故事。
一群童子军排成一列徒步。有人走得快，有人走得慢。队伍很快被拉长——走得快的人已经跑到前面，走得慢的人落在后面。看起来很多人在努力前进，但整支队伍的速度，始终被最慢的那个孩子限制。
这个孩子叫 Herbie。
后来他们发现，Herbie 慢，不只是因为腿脚，还因为他背上背着太多不必要的东西。其他人帮他分担了负重，并让他走在队伍最前面。整支队伍反而走得更快、更稳。
这个故事后来成为约束理论的核心隐喻：一个系统的整体产出，受限于它的瓶颈。你把非瓶颈环节从十分钟优化到五分钟，系统几乎不动；你把真正的瓶颈从十分钟优化到五分钟，整体产出才会变化。
这件事放到企业 AI 落地里，特别容易被忽略。
很多人默认：只要让更多人用上 AI，公司就会更快。但现实往往不是这样。
如果销售每天能拿到一百个线索，负责审核复杂客户的销售主管一天只能处理十个，你用 AI 把获客效率提高十倍，成交量未必增加。你只是让更多线索在池子里排队，有时甚至让系统更糟。
所以，企业 AI 落地真正该先问的，不是“AI 能帮我们做什么”，而是：
我们的工作是怎么流动的？什么东西正在限制这种流动？
小企业，从瓶颈开始
小企业没有大企业的资源。预算有限，没有专门的 AI 团队、数据团队、安全团队，老板往往亲自下场，几个核心员工身兼数职。试错成本高，经不起几个月的验证周期。
但小企业有一个真实的优势：链路短。
老板可以直接改一个流程，一个小团队几天内就能试一种新的工作方式。有效的做法，也能很快推开。
因此，小企业更适合的路径不是“全面上 AI”，而是：选一条最重要的工作流，找到真正限制业务产出的瓶颈，然后用 AI 去动它。
与其把 AI 理解成工具采购，不如把它理解成工作流改造。
画出核心工作流
不要第一天就召集所有人讨论“哪里可以用 AI”。
那样通常会得到一堆零散答案：写邮件、写文章、写代码、回消息、做表格。每个人都找到了自己的场景，但你仍然不知道公司整体有没有变快。
更好的起点是选一条核心工作流。
教育公司可能是：获客 → 咨询 → 需求判断 → 推荐课程 → 跟进 → 成交 → 排课 → 服务 → 续费。
软件公司可能是：客户需求 → 需求确认 → 产品设计 → 开发 → 测试 → 发布 → 用户反馈。
内容公司可能是：选题 → 调研 → 写作 → 编辑 → 审核 → 发布 → 分发 → 数据反馈。
电商公司可能是：获客 → 咨询 → 下单 → 履约 → 售后 → 复购。
原则很简单：不要从部门看企业，要从价值如何流动来看。一个客户从进来，到最终变成收入，中间到底发生了什么？
把这条链路完整画出来。泳道图是个实用工具——横向是流程，纵向是参与者（客户、销售、产品、技术、财务、AI、外部系统）。你会看到的不再只是部门，而是谁在什么时候接收了什么信息、做了什么、把结果交给了谁。
除此之外，你还需要给关键节点补上最基本的数据：一次处理要多久？等待要多久？每天有多少工作进来？积压多少？返工多少？哪些事必须由某一个人完成？
一张没有数据的流程图，只告诉你事情怎么发生。你真正想知道的是，卡点在哪里。
找到真正的 Herbie
这一步最容易出错。
很多人把“最忙的人”当成瓶颈，或者把“耗时最长的步骤”当成瓶颈。更可靠的问法是：如果把这个环节的能力提高一倍，整个业务的产出会不会提高？如果答案是否定的，它可能就不是当前真正的瓶颈。
比如销售团队每天能拿到一百个有效线索，但只有一个人负责最终报价，每天最多做十五份。限制成交量的就不是获客，而是报价。
这时候用 AI 把线索做到三百个，看起来很成功，对系统来说却可能只是制造了更多等待。反过来，如果 AI 能帮这个人自动整理客户资料、生成报价初稿、查询历史方案，把准备时间从三十分钟压到十分钟，同一个人就能处理更多真正有价值的客户。这才是对瓶颈的优化。
寻找 Herbie 时，可以留意这些信号：哪里长期积压？哪里经常有人在等？哪里频繁返工？哪里必须依赖某一个人？哪里一旦停下来，后面的工作都会停？哪里增加上游产能，只会制造更多积压？
这些信号通常比“谁最忙”更有用。
约束理论的核心步骤也是这样：先识别约束，再最大化利用约束，让其他环节服从于它，必要时再增加约束能力；约束被解除后，重新寻找新的约束。
企业 AI 落地不是到处找效率，而是优先找杠杆最大的地方。
先给瓶颈减负
找到 Herbie 之后，第一反应常常是“用AI改造它吧”。这仍然太快。
回到童子军的故事。Herbie 走得慢，他们并没有立刻教他怎么跑得更快，而是先发现他背了太多东西，把负重分给其他人。
对企业也一样：提高瓶颈效率之前，先看看它是不是被大量非核心工作占用了。
假设销售主管一天的工作大致是：三成时间判断复杂客户，两成准备方案，一成半整理 CRM，一成半查历史资料，一成写日报，一成回内部消息。真正需要他经验的，可能只有前面两项。
这时直接训练一个更强的 AI 来“替代销售主管”，未必最优。更简单的做法可能是：让 AI 整理客户信息、提取历史沟通、查询产品资料、生成 CRM 初稿、生成日报。把这些从他身上拿走，他就能把时间用在真正决定成交的事情上。
这叫给瓶颈减负。而且减负不一定发生在瓶颈本身。
上游可以用 AI 做筛选、分类、信息收集、格式统一、初步判断，减少进入瓶颈的无效工作。
瓶颈可以用 AI 做信息检索、分析、生成、计算、辅助判断，提高单位时间的有效产出。
下游可以用 AI 做检查、整理、格式化、通知、记录，减少因为输出不完整带来的返工。
AI 在重新分配整条工作流里的工作。
AI 为瓶颈提效
当你已经知道瓶颈是什么，也知道它为什么慢，才到设计 AI 方案的时候。
最直接的方法是把瓶颈承担的工作拆开。比如销售主管处理复杂客户：收集信息 → 整理信息 → 理解需求 → 查询资料 → 分析 → 判断 → 制定方案 → 沟通 → 记录。
然后逐个问：哪些必须由人完成？哪些只是信息处理？哪些高度重复？哪些可以让 AI 先做？哪些 AI 可以做，但必须由人审核？
通常你会发现，AI 并不需要承担整个工作，它只需要承担其中几步。例如：
客户进入 → AI 提取需求 → AI 整理历史沟通 → AI 查询知识库 → AI 生成方案初稿 → 销售主管判断和修改 → AI 整理最终方案 → AI 更新 CRM。
最终真正需要销售主管做的，可能只剩下理解复杂情况、做判断、承担责任。
这是比较现实的人机协作：AI 负责大量信息处理和重复工作，人负责经验、判断和责任。随着流程逐渐稳定，再慢慢提高自动化程度。不要刚开始就试图造一个“全自动 AI 员工”。
先让一条工作流稳定
小企业尤其要避免一上来就做大项目。
没有必要先建企业级 AI 平台，也没有必要一次性给所有人培训多个工具。只需要一条核心工作流、一个明确瓶颈、一个 AI 方案、一个小团队，然后跑起来。
原来客户咨询可能是：客户消息 → 销售阅读 → 查资料 → 思考 → 写回复 → 更新 CRM。
第一阶段可以改成：客户消息 → AI 整理需求和资料 → 销售审核回复 → AI 更新 CRM。
先不要追求完全自动。先让这个流程连续跑几十次，看它有没有稳定地减少工作量。如果有效，再扩大。
企业 AI 的真正价值，往往在于同一种工作能不能持续稳定地产生相对可靠的结果。如果今天很好、明天完全不同，企业很难真正依赖它。
最终要形成的是：明确的输入 → 稳定的处理 → 可检查的输出 → 清晰的人机边界，并把它固化成团队可以重复执行的工作方式。
最后要测的是整个系统有没有变快
很多 AI 落地项目容易忽略这一步。
员工说“这个工具很好用”，或者统计“每天用了五十次 AI”，都不能证明企业效率提高了。更好的方式是去回顾最初那条工作流：
瓶颈的处理能力有没有提高？等待时间有没有减少？积压有没有减少？返工有没有减少？整条工作流的吞吐量有没有增加？
比如，原来销售主管每天处理十个复杂客户，AI 介入后能处理二十五个。瓶颈能力确实提高了。如果他处理得更快以后，交付团队开始积压，整体吞吐量可能仍然没有提高。
这时会出现一个有意思的现象：Herbie 消失了。但这并不意味着工作完成了。新的 Herbie 出现了。
原来可能是获客 → 销售 → 方案审核 → 交付，现在可能变成交付或售后成为新的限制。这不是失败。瓶颈移动了，说明之前的改造确实改变了系统。于是重新回到流程图，重新观察，重新测量，寻找下一个限制因素。
这就是持续改进。
持续寻找下一个 Herbie
到这里可以重新理解小企业 AI 落地。
它不是买一个 ChatGPT，不是给员工培训 Prompt，不是建一个知识库，也不是做一个 Agent。这些都只是手段。
真正的问题是：一家企业如何让工作更顺畅地流动？AI 只是我们今天手里越来越强的一种工具。
方法可以浓缩成一个循环：
选一条核心工作流 → 把它完整画出来 → 找到限制整体吞吐量的 Herbie → 先给它减负 → 让上下游围绕它重新组织 → 用 AI 提高它的有效产能 → 测量整条工作流，而不是只测 AI → 固化有效的方法 → 寻找下一个 Herbie。
小企业资源有限，更不能把 AI 当成昂贵的试验。正因为资源有限，每一次尝试都更应该放在真正有价值的地方。
不要让 AI 去优化一个本来就不重要的工作。
不要让 AI 把一个瓶颈制造得更严重。
也不要因为 AI 很强，就试图让所有人同时改变工作方式。
从一条核心工作流开始。找到那个真正限制业务前进的 Herbie。先把他背上的东西拿掉，再想办法让他走得更快。当他不再是瓶颈，再去寻找下一个。
企业 AI 落地的终点，从来不是“所有人都会使用 AI”。真正的终点，是企业能够持续发现限制自身产出的地方，并用新的技术和工作方式不断解除这些限制。
AI 只是这场持续改进中，目前最强的一件工具。
