AI 最大的赢家，不一定是工程师最多、数据团队最大、软件预算最高的公司。
它们可能是利润率最低的公司。制造商、货运承运商、分销商、人力派遣机构、现场服务运营商——这些企业几十年来一直靠很薄的个位数利润率运转，没人会把它们称为 AI 公司。
AI 转型通过三个杠杆创造价值：收入、成本和风险。大多数注意力都放在收入上，比如更好的产品、更快的销售、更高效的员工。但对低利润率企业来说，最该拉动的杠杆是成本——当利润率本来就很薄时，即便运营费用只降一点点，也能让利润出现不成比例的增长。
一家利润率 30% 的软件公司可以用 AI 提高效率，但这种效率提升通常不会改变公司的发展轨迹。一家利润率 3% 的企业则不同。哪怕成本降低不到 1%，也可能带来超过 25% 的利润增长。
低利润率行业长期被困在结构性的低利润环境里。正确落地的 AI 会改变这道算式。它让低利润率企业有办法削减那些过去被视为固定不变的成本；率先行动的公司，能在竞争对手把这部分收益重新压回更低价格之前，先把它转化为利润率。效率最终会扩散到整个商品化市场，但最早行动的人，会先把利润提升落袋，并在同行之前重置自己的成本位置。
读完这篇文章，你应该能理解：利润率最低的企业，终于可以开始攻击那些让它们几十年来长期处在低利润率状态的协调成本；也会理解为什么率先行动的公司会把同行甩在身后。
解决这个问题的服务商，会打造出十亿美元级公司；而被它们改造的企业，会率先逃出利润率陷阱。
低利润率公司面对的结构性障碍
对大多数低利润率企业来说，一些结构性障碍一直把它们锁在这个位置。它们通常在高度商品化的市场中竞争，定价权有限，同时背着庞大的运营成本，而这些成本过去很难在不损害服务质量的前提下降下来。因为它们无法推动市场价格——价格由市场决定，不由单家公司决定——成本实际上就是它们唯一能控制的杠杆。
这部分成本中，相当大一块是劳动力；而在体力劳动本身之外，这些公司还承担着协调这些工作的成本。
会不断侵蚀这些公司利润率的协调工作，清单很长。比如排班、调度、审批、异常处理，以及无数行政循环，都会发生在劳动密集型公司里，进而吃掉公司的净利润。对劳动密集、低利润率企业来说，这类协调工作正是 AI 最有机会真正撬动结果的地方。
在这类公司里，劳动力成本通常接近收入的 25%。其中大约四分之一用于管理、协调和行政事务，相当于收入的约 6%。对一家利润率 3% 的公司来说，如果能把协调负担减轻 10%，利润就能提高约 20%，整个盈利画像都会被改写。
因此，AI 不只是让它们稍微更高效一点。它给了那些早期采用 AI 的公司一个机会：相对于竞争对手建立结构性的成本优势，并且也许是第一次，真正作为一家更高利润率的企业来运转。
问题在于，最能从 AI 中受益的公司，往往最没有能力采用 AI
今天卖给企业的多数 AI 方案，都默认员工会采用一个新工具、正确使用它，并慢慢把使用转化为最终体现在损益表里的价值。考虑到这个假设即便在技术领先的公司内部也不总成立，放到制造企业、物流公司，或者其他任何劳动密集型公司里只会更糟；这些公司的员工并不习惯采用新的软件产品。它们往往也是最难做变革管理的企业。
真正的问题是：如何在不依赖员工采用新工具的情况下实现由 AI 驱动的利润率扩张——或者至少不强迫员工面对新的交互界面。这就是挑战，而它的解决方案，可能正是当下 AI 领域最可切入的万亿美元级机会。
解决低利润率万亿美元难题的三步
1）找到隐藏的协调成本
大多数人理解 AI 节省成本时，想得太窄了。他们想象的是替代一项任务、减少员工人数，或者让某个员工动作更快。这当然可能重要，而且未来很可能会发生；但以今天 AI 能力所处的位置看，机会中相当重要的一部分在于工作背后的工作：维持混乱的人类运营持续向前所需的管理开销。
一线员工负责完成任务，但在任务执行背后，还有一套由经理、主管、分析师、财务团队、运营团队和后台员工组成的系统，确保工作被完成，并被路由到公司里正确的部门。
这一协调层之所以存在，是因为人类工作天然比 AI 更混乱。人会用不同方式做判断，每个人也都带着自己对公司和当前任务的上下文。时间一长，组织内部为了协调这些差异，就会形成巨大的运营成本，于是协调层出现了。
以我们最近合作过的一家物流公司为例。看得见的劳动力成本是司机，但公司还在为司机周围的协调基础设施付费：调度团队、路线变更、客户更新、索赔、发票、异常情况和后台对账。额外的协调费用加起来接近收入的 10%，也就成了我们在转型中能够攻击的那部分支出。
在为多家低利润率企业做过其他转型之后，我们意识到这不是个例。同样的模式出现在物流、制造、设施管理、现场服务、人力派遣、医疗诊所，以及其他劳动密集型企业中：它们提供的服务很难差异化，定价权有限，运营又依赖持续的人力协调。这些公司不能简单地通过涨价逃离问题。它们的利润率之所以一直被压缩，是因为它们需要一个庞大的协调层，才能可靠地交付相对商品化的服务。
2）把员工采用从瓶颈中拿掉
如果连技术领先的公司都很难实现大规模 AI 采用，那么指望非技术劳动力得到不同结果就不现实。多数企业 AI 产品仍然依赖这种行为改变。它们要求员工打开一个新界面，记得什么时候该用，判断哪些任务适用，然后再把输出翻译回自己原本就在做的工作流里。实际效果是，AI 变成了另一个需要完成工作的地方，而不是一个真正把工作拿掉的系统。
这就是采用失败的原因。员工并不想要另一个帮助他们做工作的工具。他们想要的是工作被完成。理想方案不是给员工一个更好用的界面，而是一个运行在既有工作流内部的系统，从一开始就拿掉大部分交互需求。
3）把 AI 嵌进公司的基础设施层
我们在这些部署中发现，最好的 AI 落地方式，是让 agent 成为公司运营层的一部分。它叠在既有系统、收件箱、文件、审批和工作流之上，也就是今天工作本来就发生的地方。
如果应付账款流程运行在 NetSuite、电子邮件、PDF 和电子表格之间，agent 就应该横跨 NetSuite、电子邮件、PDF 和电子表格运行。它应该提取发票，将其与采购订单匹配，标记异常，准备审批，并且只有在需要判断时才把问题路由给合适的人。之后，它还应该进一步从审批反馈中学习，随着时间推移不断改进 agent。价值应该在员工不采用、不使用新系统的情况下被实现——它应该被工程化地写进 AI 部署里。
我们学到的百万美元级经验是：要把 AI 的价值工程化地写进一家企业，你就需要把 AI 当作基础设施来卖。软件要求员工采用一个工具；基础设施则改变员工脚下的运营层。员工仍然应该知道发生了什么，流程负责人也仍然应该能够暂停工作流、修改规则、批准异常，或者在需要时把人拉回流程。但价值不应该依赖某个人每天记得使用 AI。
最大的 AI 机会，藏在最不显眼的地方
这就是为什么低利润率企业是 AI 领域最大的利润率扩张机会。
它们有最强的经济激励，因为很小的利润率改善就能带来巨大的利润增长。它们拥有庞大、劳动密集且协调成本很重的成本结构，而 AI 恰好非常适合削减这类成本。它们所在的行业里，哪怕只是稍微更高效一点，也足以改变一家公司的竞争位置。
市场一直关注软件公司、技术领先的企业和知识工作者，因为这些公司采用工具更快，也有预算做实验。但最大的利润影响，可能来自那些最不可能把自己描述成 AI 公司的企业。
它们看起来不像显而易见的 AI 赢家，因为从外部看，它们完全不像 AI 公司。但这正是机会如此巨大的原因。
它们利润率薄，是因为运营很重。运营很重，往往是因为劳动力需要被协调。而 AI 是第一种能够在不要求整个劳动力改变工作方式的前提下，拿掉相当一部分协调工作的技术。
下一波 AI 赢家，会来自把 agent 放到低利润率企业的工作流背后，让节省下来的成本悄悄体现在运营模型里。
如果你的企业也想获得类似结果——就像我们其他制造和物流客户已经实现过的 八位数利润率提升 一样——可以在 varickagents.com 找到我们。