先算人力分钟数:选第一个 AI 场景的唯一靠谱方法
一张纸两列,月发生次数乘单次分钟数。230 万次乘 11 分钟等于 42 万小时——同一把尺子量下来,多数人排第一的那件事根本排不进前五

文章目录
共 4 节一张纸,两列。左边写这件事一个月发生多少次,右边写它一次占掉一个人多少分钟。两列相乘,得到一个数:这个场景每个月吃掉的人力分钟数。
选第一个 AI 场景,方法就这一个。它不聪明,它甚至有点笨,但它是唯一一个不靠判断力、不靠谁在会上嗓门大,就能把十几个候选场景排出先后的方法。
下面这篇讲三件事:这条乘法怎么用一个公开案例走通、一张可以直接抄走的五列表、以及三个看起来很痛、按这条乘法算完却排不进前五的常见误选。
一、先用一个公开的数走一遍这条乘法
据 Klarna 官方新闻稿(2024 年 2 月 27 日),这家瑞典的先买后付公司在 AI 客服助手上线的第一个月里,处理了 230 万次对话,占其客服会话总量的三分之二;覆盖 23 个市场、35 种以上语言;客户解决一件事的耗时从原来的 11 分钟降到 2 分钟以内,重复咨询下降 25%;新闻稿写的是它在做相当于 700 名全职客服的工作,预计为该公司 2024 年带来 4000 万美元的利润改善。
把那条乘法套上去。月发生次数 230 万,单次分钟数 11:
230 万 × 11 = 2530 万分钟/月,折合 约 42.17 万小时/月。
这一步是我自己算的,Klarna 没有公布这个数,口径是它公布的两个数直接相乘。这个乘积说的是:在 AI 接手之前,这批会话按 11 分钟的口径要占掉四十多万个人力小时。四十多万小时这个量级,就是这家公司的客服场景为什么排第一的全部理由。 不是因为客服"最痛",是因为它的乘积最大。
接下来是这一节真正重要的部分。
把 42.17 万小时摊到新闻稿说的那 700 个全职当量上:421700 ÷ 700 ≈ 602 小时/人/月。而一个全职按每周五天、每天八小时算,一个月大约是 176 小时(这个 176 是本文用的常规口径,不是 Klarna 的数)。602 是 176 的三倍多。
两个数对不上。
对不上不代表谁在撒谎,它说明这两个数不是同一次测量出来的:11 分钟很可能只是"客户从提问到拿到答复"的等待时长,而不是"一个客服在这件事上真正投入的操作分钟数";700 这个当量也可能是按人力编制而不是按分钟折算的。两个来路不同的数,相乘或相除的结果没有含义。
我把这件事单独摆出来,是因为它就是你自己算这张表时最容易踩的坑:次数从系统导出,分钟数从某个同事嘴里问来,两个数根本不在一个口径上,乘完得到一个很大的数,然后你就信了它。
顺带说一句:这家公司后来又把一部分人工请了回来,那是另一个话题,本站有一篇专门讲它。这一节只借它的两个公开数字演示乘法本身。
二、五列表:可以直接抄走的那一张
拿一张 A4 横过来,画五列。列名如下,顺序不要改。
第 1 列:场景名。 写成"谁在什么时候做什么",不许写成"客服"、"文档"这种名词。反例是"报价",正例是"业务员收到询价后查一次库存、算一次料工费、套一次模板"。写不成这种句子的,说明你还没看清它是什么,先别往下填。
第 2 列:月发生次数。 去系统里导,不要估。ERP、进销存、工单系统、客服后台、甚至微信群的聊天记录,总有一处留了痕。真的一处都没有的,就在收银台/前台/业务员桌上放一张纸,画正字,画满二十个工作日。
第 3 列:单次分钟数。 拿一只秒表,同一个人连测五次,取中位数不取平均——平均会被那次特别长的拖偏。测的必须是从开始到交付出去为止的整段,包含中间去问别人、去翻文件、去等回复的时间。这一列是全表最容易填错的一列,因为所有人都会低估自己等待的时间。
第 4 列:月度分钟数 = 第 2 列 × 第 3 列。 填完这一列先排一次序,你会立刻看到前三名和后面几名差着一个数量级。
第 5 列:三个折减记号。 这一列不填数字,只画记号,每项命中就画一道杠:
- →标准化记号: 这件事的做法,两个人做出来是不是一样的?如果同一份询价交给两个业务员,报出来的价能差 5% 以上,那它还不是一个可以交出去的流程,先画一道杠。
- →代价记号: 错一次的后果有多大?报错一次价要赔钱、答错一次药品用法要出事的,画一道杠。错了顶多重做一遍的,不画。
- →接手记号: 上线之后,谁每天早上看一眼它昨天干得对不对?说得出名字的不画,说不出名字的画一道杠。
排序规则只有一条:按第 4 列从大到小排,然后从上往下找第一个"三个记号都没画"的场景,那就是你要做的第一个。 第二个同理。只做前两名,第三名以后一律先不碰。
这条规则的意思是:月度分钟数决定谁值得做,三个记号决定谁能马上做。 分钟数排第一但画了三道杠的那个场景,不是不做,是排到明年做——它要先被改造成一个有标准、错得起、有人接的流程,那是另一件事。
这张表填完,你手上就有了一个别人吵不赢你的排序。它最大的用处不是告诉你做什么,是让你有底气对另外十个提案说"它排第七"。
三、三个看着很痛,但排不上号的常见误选
按上面这张表算下来,下面这三个几乎每次都会被人放在第一位,也几乎每次都排不进前五。
误选一:老板本人最烦的那件事。
写周报、做汇报 PPT、整理会议纪要、翻月度经营数据——这些确实烦,而且是老板每天都在忍的那种烦。但把它填进表里就露馅了:周报一周一次,一个月四次;月度汇报一个月一次。一次哪怕占掉 120 分钟,月度分钟数也就是几百分钟。而车间里那件每天发生四十次、一次三分钟的小事,月度分钟数是它的十倍以上。
痛感和分钟数是两个东西。 痛感是"我每次做这件事都很烦",分钟数是"这件事一共吃掉了多少人力"。第一个 AI 场景要按后者选,因为你需要的是一个三个月后拿得出手的数,而不是一次舒服的体验。老板那件事可以做,但它应该排在证明完成本账之后。
误选二:数字人直播、短视频批量生产这类"看起来产能翻倍"的事。
它排不上号的原因不是它不好,是它根本不在这张表上。这张表算的是"省下多少人力分钟",而这类事情是"增加多少产出"——两者不能填进同一列,一起排序就等于拿苹果跟秒表比大小。
而且这一类还有一个更硬的问题:它的效果数字在公开范围内找不到可信的第三方实测。 这不是一句抽象的谨慎话,是一个可以复现的检索结论——去搜数字人直播的转化率,你能翻到的全部是服务商和营销号的自述,没有一份独立的实测。一个连效果数字都只能听卖方说的场景,不该被你排在第一个。它可以做,但要用另一张表、另一套判断标准,不是这一张。
误选三:客服首答。
这一条最微妙,因为它在第 4 列上是真的高——只要你有客服,它的月发生次数一定名列前茅。第一节那个 42 万小时就是这么来的。
但请注意那个案例的量级:230 万次/月。 你的呢?如果你一个月的客户咨询是 300 次,同样按 11 分钟算,月度分钟数是 3300 分钟,合 55 小时——不到一个人一周的工时。同一件事,在两个量级上是两笔完全不同的账。
再加上第 5 列的代价记号:客服首答是典型的"错一次代价大"的场景,答错一次报价、一次交期、一次退换政策,收回来的成本远高于它省下的那 55 小时。所以它在多数中小企业里的正确位置是:先做客服的"内部辅助"——让它把答案草稿给到客服,人按发送键,而不是让它直接对外说话。这两件事在表上是两行,别混成一行。
四、什么时候不该用这套排序
先说这套方法自己的代价。
第一笔代价是两周的测量时间。 第 2 列和第 3 列都要真去测,不能估。这两周里你什么都做不成,只是拿着秒表和一张纸在车间和工位之间走。很多人受不了这两周,于是用估的填完表——用估的填出来的表,比没有表更糟,因为它给了你一个假的排序,而你会照着它花钱。
第二笔代价是它会得罪人。 排序表一旦填出来,就等于公开宣布了某几个部门的提案排在后面。这件事必须由能拍板的人来公布,不能由被指派"去搞一下 AI"的那个人来公布——她没有这个权限,她一旦公布就会同时得罪三个部门,而这三个部门恰好是她后面要去要数据的地方。
第三笔代价是这张表只回答"先做哪个",不回答"能不能做成"。 据埃森哲中国数字化转型指数(2025 年 7 月发布),2025 年有 46% 的受访企业在规模化使用生成式 AI,但只有 9% 拿到了显著价值。另据 CX Today 2026 年 2 月 23 日对麦肯锡《The State of AI》调研的转载(麦肯锡原文在其官网连续超时未能取到,此处按来源清单要求标注为据转载):在把 5% 以上 EBIT 影响归因于 AI 的那一小组公司里,做过根本性工作流重构的占 55%,其余公司只有 20%。这两组数说的是同一件事:选对场景只是及格线,选完之后流程改不改,才是那 9% 和 91% 的分界。
三种情况下,这套排序对你不成立:
第一种:你想做的是增收,不是省人。 获客、内容、转化这几类的目标是把产出做大,不是把分钟数做小。它们该用另一套判断,硬套这张表会得出"全都排不上号"的荒唐结论。
第二种:你手上一个数据源都没有。 没有 ERP、没有工单系统、没有客服后台,连微信群记录都翻不出来——那你的第一件事不是选 AI 场景,是先记两个月的数。这两个月不算浪费,因为那两列数字本身就是你后面所有决策的地基。
第三种:排在第一的那个场景,你说不出谁来接。 第 5 列的第三个记号是三个记号里最容易被忽略、也最致命的一个。一个没有具名负责人的场景,上线三周之后一定会退回原来的做法,而且没有人会来告诉你它退回去了。这种情况下正确的动作不是换一个场景,是先把那个人定下来——定不下来,说明这件事在你公司的优先级还没有到该动手的时候。
最后回到那张纸。两列相乘这件事,任何人花两周都能做完,不需要买任何东西,也不需要懂任何技术。它唯一的门槛是你愿不愿意接受一个可能和你直觉相反的排序。
这张表填完之后怎么把排前两名的场景真的落下去,《DeepSeek企业实战》第 1 课讲的就是这一段。
本文事实来源
可自行复核- 1
Klarna AI 客服助手首月处理 230 万次对话、占客服会话三分之二;相当于 700 名全职客服的工作量;解决耗时从 11 分钟降到 2 分钟以内;重复咨询下降 25%;覆盖 23 个市场、35 种以上语言;预计为 2024 年带来 4000 万美元利润改善
- 2
埃森哲中国数字化转型指数:2025 年 46% 的受访企业在规模化使用生成式 AI,仅 9% 拿到显著价值
- 3
麦肯锡《The State of AI》:被定义为「AI 高绩效组」的约 6% 受访组织(将 5% 以上 EBIT 影响归因于 AI)中,报告做过根本性工作流重构的占 55%,其余公司为 20%(据转载;麦肯锡原文在其官网连续超时未取到,仅有转载件)
- 4
数字人直播的转化率数字在公开范围内检索不到任何可信第三方实测(检索过程本身即结论,正文已写明这是检索结论而非引用某一方数据)
(本文未引用任何一方给出的该类数字)
