会议纪要自动生成了，资料检索更快了，写方案也有了助手。但这些变化能否缩短交付周期、减少返工，或者改善经营结果，往往还需要另一套解释。
这也是 WIRED 与麦肯锡这篇访谈最值得读的地方。受访者 Dan Swan 围绕 Rewired 方法讨论了一个问题：企业怎样才能把对 AI 的尝试，变成可衡量的业务变化？
他的主张可以归纳为：选定少数重要业务流程，让业务负责人和实际使用者共同参与改造，再持续追踪结果。技术只是其中一部分，工作如何衔接、谁负责推进、人是否愿意使用，同样决定最终收益。
沿着这条线索，访谈中的丰田、星展银行和智能体案例，才真正连在一起。
1. 个人省下的时间，怎样才能变成业务收益？
Swan 在访谈中概括了四个层次：1、向大语言模型提问；2、在现有软件中使用 AI，例如生成会议摘要；3、进一步改造业务流程；4、建立新业务。他认为，许多企业停留在第二层，因为这类应用容易推广，也不需要做太多艰难的组织决策。〔1〕
这并不意味着会议摘要没有价值。问题在于，人感到方便，与整个流程变得有效，是两件需要分别验证的事。
以会议为例，下面是我对原文的延伸。 如果一场会的主要问题是材料没有提前共享、争议没有明确、最后无人拍板，那么会后更快拿到纪要，并不能直接解决这些问题。
更进一步的尝试，是在会前汇总材料、标出分歧，让参会者先完成阅读；会上只讨论需要共同判断的问题；会后明确负责人和完成时间。AI 可以参与其中，但收益还取决于大家是否遵守新的协作方式，以及决策者是否承担责任。
判断这个尝试有没有用，应看会议是否缩短、决定是否更快落实、后续返工是否减少。纪要生成了多少份，只能说明工具被使用过。
2. 把完整流程作为改造单位
访谈反复提到一个词：domain。这里可以理解为一个业务领域，或一段相对完整的端到端流程，例如客户服务。Swan 建议聚焦两三个这样的领域，让多个应用共同作用于业务结果。〔2〕
一个零散用例可能只解决某个动作：整理邮件、填写表格、生成回复。完整流程则包含动作之间的衔接：信息从哪里来，谁判断，交给谁执行，异常如何处理，最后如何确认问题已解决。
我的理解是，改造范围需要覆盖真正的瓶颈。 假设客服写回复快了，但复杂问题仍要在多个部门间反复转交，客户的等待时间就未必明显减少。此时需要检查的是交接和处理权限，继续优化回复速度可能收益有限。
这也解释了为什么“聚焦两三个领域”不能机械套用。对资源有限的团队，先选一条有明确负责人、结果可测量的流程，可能更合适。关键是范围足以影响结果，又小到能够执行和验证。
3. 丰田案例：先让业务问题足够具体
访谈用丰田的一道问题说明这个思路：既然一本便宜的书可以追踪配送，为什么一辆价值数万美元的汽车却难以追踪？问题直接指向汽车供应链和交付过程的可见性。〔3〕
据 Swan 介绍，丰田构建了覆盖供应链的数字孪生，把原先涉及约 100 人和 75 份电子表格的工作整合起来。他称，这项工作创造了约 8 亿美元的价值，主要来自吞吐量提升，以及让汽车在合适的时间抵达合适的地点。〔3〕
这些数字来自访谈陈述。所提供的正文没有解释价值的统计周期和计算口径，也不能据此推断相关人员被替代。对读者而言，更有借鉴意义的是项目如何组织。
销售、制造和规划人员从一开始就参与建设。他们既贡献业务知识，也帮助其他员工理解和采用最终方案。Swan 将此与一种常见失败方式作对比：工具先做好，再交给预定使用者。〔3〕
我的判断是，使用者参与至少影响两个环节：需求是否准确，以及方案能否被采用。 真实工作里的例外、临时协调和经验判断，未必写在需求文档中。让这些知识提前进入设计，可以减少交付后才发现工具不适用的情况。
但参与本身也不是成功保证。遇到意见冲突时，仍需有人取舍；新旧流程并行时，仍需明确何时切换。共创有价值，前提是它最终能推进决策。
4. 智能体接手执行后，人要负责什么？
Swan 对智能体的期待，是让多个环节形成连续运行的流程。相应地，他提出，人可以更多承担提供上下文、协调和监督的职责，而不必始终逐步陪同执行。〔1〕
这个方向有吸引力，但访谈并未给出适用于所有业务的执行边界。
我的补充是，减少人工逐步参与，需要先回答几个具体问题：什么算完成，哪些信息可以使用，异常由谁接手，哪些操作需要批准，以及发生错误后如何恢复。
例如，智能体整理会议材料和自动对外作出承诺，后果并不相同。两者需要的检查方式也应不同。是否可以让流程自行运转，应取决于任务风险、结果是否容易核验，以及团队实际验证过的可靠性。
因此，人从执行中腾出精力后，管理责任反而要更清楚。否则，流程跑得更快，也可能只是让错误更快传到下一环节。
5. 星展案例：下一次改造为什么能更快？
访谈中的星展银行案例，强调的是持续积累。Swan 介绍，星展先推进少数优先领域，再逐步扩展；随着组织熟悉转型方式，后续领域的推进速度加快。他也强调了星展此前的技术转型基础，以及从员工角度考虑变化的重要性。〔4〕
这篇访谈没有详细拆解星展复用了哪些具体资产。我的理解是，值得追踪的“积累”至少应能在下一次项目中体现出来：业务团队更会界定问题，技术团队更了解现场约束，使用者更清楚如何反馈，双方也更容易判断什么结果值得继续投入。
如果每次换一个场景，都要重新确认责任、重新解释目标、重新争取配合，那么即使工具越来越多，组织推进变化的能力也未必增强。
这个角度也适合评估第一次试点：除了它本身创造多少收益，还可以看它留下了什么，能帮助下一次工作更顺利。
6. 把这篇访谈用到自己的项目上
这篇材料来自 WIRED 与麦肯锡的品牌合作内容，围绕麦肯锡的方法和案例展开。它适合提供思考线索；访谈中的成功经验，还需要结合自身条件验证。
尤其是，文中缺少失败案例、完整投入和收益口径，也没有展开丰田与星展的全部实施条件。仅凭这些叙述，无法判断同样做法在另一家公司会产生多大回报。
如果用它检查一个正在推进的 AI 项目，我会先问五个问题。以下是我的整理，并非原文清单：
- 到底要改善什么结果？ 是响应时间、交付周期、差错率，还是别的指标？目前基线是多少？
- 主要障碍在哪里？ 是某个动作太慢，还是信息缺失、交接反复、无人决策？
- 谁对结果负责？ 业务负责人是否参与取舍，实际使用者是否参与设计？
- 工作方式会怎样变化？ 哪些步骤可以调整，哪些人工检查仍需要保留？
- 怎样决定继续或停止？ 把部署、维护、检查和返工成本计算在内，收益是否仍然成立？
下一次准备增加一个 AI 工具之前，可以先选一条真实流程，把这些问题写下来。若瓶颈主要是职责和交接，先调整协作规则也许就能验证方向；若确实需要技术，再让它承担明确的一段工作，并观察整体结果有没有改善。
来源与编写说明
本文依据麦肯锡官网发布的英文访谈整理，围绕主题重组内容，删去与主线关系较弱的访谈闲聊，并将编辑分析与受访者观点分开。它是一篇精读与评论，不是完整译文。文中的“我”代表本篇分析视角。
原材料为 WIRED 与麦肯锡品牌合作访谈，采访者 Katie Drummond，受访者 Dan Swan。麦肯锡官网标注发布日期为 2026 年 9 月 21 日；本文仍未独立核验访谈中的案例数据。
〔1〕原文 PDF 第 7–8 页：智能体阶梯、人的角色及质量管理。
〔2〕原文 PDF 第 3–5 页：业务领域、聚焦和业务负责人。
〔3〕原文 PDF 第 5–6 页：丰田供应链案例与员工参与。
〔4〕原文 PDF 第 8–10 页：星展案例、能力积累与人员转型。