判断一家企业能从 AI 中获得多少回报，很多人会先看工程师人数、数据团队规模和软件预算。
还有两个变量更接近利润表：企业的利润率有多薄，协调劳动占收入的比例有多高。
制造商、卡车承运商、分销商、人才中介、现场服务商，长期靠个位数利润率经营，也很少被称为 AI 公司。它们的成本只要下降一点，利润就可能出现大幅变化。AI 带来的高回报，可能先落在这些行业里。
低利润率会放大每一点降本
假设两家公司收入都是 100 元。一家利润率为 30%，赚 30 元；另一家利润率为 3%，只赚 3 元。
如果 AI 帮两家公司各省下 0.75 元成本，前者利润增长 2.5%，后者利润增长 25%。同样一笔效率，对业务轨迹的影响完全不同。
低利润率行业的提价空间通常有限，服务也难以形成明显差异。收入端不容易改变，成本就成了最有力的杠杆。过去被视为结构性薄利的企业，第一次有机会用软件系统持续削减一层运营成本。
协调层是利润表里容易被忽略的一层
一线员工负责生产、运输、交付和服务。为了让工作能够准时、准确地完成，公司还需要排班、调度、审批、异常处理、对账、客诉、发票匹配和信息同步。
这层工作很少直接创造产品，却决定了产品能否可靠交付。每个人掌握的上下文不同，判断标准也不一致，公司只能投入经理、分析师、财务、运营和后台人员维持协作。
可以用一组量级估算来理解它的影响。劳动力成本如果接近收入的 25%，其中四分之一用于管理、协调和行政，协调层就相当于收入的 6% 左右。利润率只有 3% 的公司，减少十分之一的协调负担，利润就可能增长约 20%。
这组数字不能直接填进每个行业的尽调模型，但它揭示了一个值得单独计算的指标：协调劳动 / 收入。
获益最多的企业，往往最难推动工具采用
多数企业 AI 产品默认员工会主动打开新界面，记得何时使用，判断任务是否合适，再把输出复制回原来的工作流。
这条路径在科技公司里都经常失效。到了制造、物流和现场服务等行业，员工更难为一个新工具持续改变工作习惯。员工需要的是发票核对完成、异常得到处理、排班没有冲突，很少有人期待每天再打开一个聊天窗口。
个人产出增加，也不会自动变成公司生产力。每个人使用不同的提示词，生成不同格式的结果，组织反而要增加一轮检查、整理和同步。公司只换工具，没有重做运营流程，利润表上的变化通常很有限。
AI 应该运行在现有工作流里
稳定的做法是把 agent 放进员工已经使用的系统。
应付账款原本经过 ERP、邮件、PDF 和电子表格，agent 就在这些系统之间提取发票、核对采购订单、标记异常、准备审批。遇到需要判断的情况，再把问题交给合适的人，并把人工修改记录下来。
流程负责人仍然需要控制系统。他可以暂停工作流、修改规则、审批异常、查看审计记录，也能随时切回人工。日常价值来自后台持续完成工作，不依赖员工今天有没有想起使用 AI。
当 AI 进入操作层，采购的软件不再只是一个 seat。企业购买的是完成的对账、处理过的订单、更新好的客户状态，以及按规则升级给人的异常。
卖完成的工作，市场会比软件预算更大
企业花在外部服务和内部运营上的预算，通常远高于单一软件工具。只争夺软件席位，能触及的预算有限；直接交付完成的工作，面对的是会计、运营、客服、调度和研究等整段服务支出。
Services-as-Software 因此有一条清晰的产品路径。团队先手动交付，跑过足够多的边缘案例，再把稳定步骤编码成自动化。对外按结果收费，对内持续降低交付成本。
模型升级会让通用工具越来越便宜，也会降低成果型服务的交付成本。后者还能在交付过程中积累行业规则、异常案例和人工反馈。只要售价没有以同样速度下降，利润空间就会扩大。
需求侧想减少协调成本，供给侧出售完成的工作。两边处理的是同一笔运营账。
先行者获得的是一段利润窗口
效率会在商品化市场里逐渐扩散，竞争也会把价格重新压低。率先削减协调成本的公司，可以在对手跟进、客户要求降价之前，先提高利润率，改变自己的成本位置。
提供商面对的窗口同样有限。越早进入物流、制造、现场服务、人员配置和医疗诊所等具体业务，就能越早积累审批反馈和异常处理数据。缺少这批运营记录，演示里的顺畅流程很难承受真实业务中的例外。
长期能留下来的优势包括系统嵌入深度、流程数据、异常案例库，以及流程负责人对暂停、改规则、审计和回退的控制权。接入哪个模型只是其中一个可替换环节。
自动化协调，不等于取消人的判断
协调层里既有核对发票、排班、标记异常等规则明确的工作，也有订单是否破例、客户关系如何维护、风险是否值得承担等依赖经验的判断。
前一部分可以交给 agent，后一部分应路由给合适的人。人工修改还要带着原因回到系统，让下一次执行知道哪里需要升级、哪条规则已经过时。
不同领域也不能直接套用同一套自动化率。知识工作的 copilot 成功，不能证明现场服务调度可以照搬；物流对账可以自动化，也不能推出战略判断可以被替代。每个流程都要单独验证约束、例外和失败代价。
用协调劳动 / 收入衡量 AI 回报
高毛利软件公司使用 AI，往往是在较高的生产力基础上继续提高效率。低利润率运营公司削减协调成本，可能第一次有机会以显著更高的利润率运转。
兑现这份弹性有一个苛刻条件。AI 必须进入既有系统和审批流，完成一段具体工作，并把例外留给人处理。员工多开一个工具、公司多买一批 seat，都不能单独证明利润率会改善。
下一批从 AI 中获得高回报的公司，外表可能仍是卡车、产线、仓配、诊所和劳务中介。AI 运行在它们的邮件、ERP、PDF 和异常工单后面，最终结果体现在协调成本下降了多少，利润率增加了几个点。
