二萬字干貨！這家萬億級企業(yè)，是如何馴服AI的？

• 文 / 潘曉蕾 華夏基石人工智能咨詢專家，甄財科技創(chuàng)始人，前字節(jié)跳動財務(wù)產(chǎn)品一號位

• 來源：華夏基石e洞察（ID：chnstonewx）

01

萬億新能源企業(yè)的AI轉(zhuǎn)型與實操

一、AI轉(zhuǎn)型和應(yīng)用的緣起

我們服務(wù)這家企業(yè)是2020年。那一年，他們的銷售額是3300億，但利潤只有300億。整個企業(yè)每年三倍增長，但利潤率不高。我們當(dāng)時思考的是怎么幫企業(yè)最快地解決問題——從財務(wù)視角出發(fā)，幫企業(yè)提升整體經(jīng)營績效。通過財務(wù)管理的數(shù)字化，賦能財務(wù)組織的管理水平，去支撐增長，核心是提升利潤率。這是我們相識的基礎(chǔ)。

我們在合作過程中，他們從來沒想過我能幫他們做AI。轉(zhuǎn)折點發(fā)生在去年三四月份，我跟他們一個分公司總經(jīng)理喝茶，他說他們在AI轉(zhuǎn)型上花了半年多，碰到很多問題。我跟他聊了我的想法，他覺得有道理。后來他讓我去給他們做了一場針對AI變革小組的培訓(xùn)，一方面是考核我，一方面是考核他們內(nèi)部的能力。之后他說“你們過來試一試”——當(dāng)時并沒有簽約，只是試一試，看能不能幫他們做AI轉(zhuǎn)型。這就是合作的緣起。

我們幫他們做AI轉(zhuǎn)型和應(yīng)用的全歷程，主要包括三大部分——

第一，企業(yè)AI訓(xùn)戰(zhàn)營。即從企業(yè)愿景出發(fā)，拉起共識——通過培訓(xùn)的形式，高層、中層、基層一起達(dá)成共識，再通過AI大賽、場景識別和整體路徑規(guī)劃，推進(jìn)服務(wù)機(jī)制轉(zhuǎn)型和人才選拔。

第二，轉(zhuǎn)型項目、組織機(jī)制、人才選拔。通過管理咨詢影響到很多落地環(huán)節(jié)——不只是AI的問題，還涉及管理的轉(zhuǎn)型。其中包括業(yè)務(wù)建模，專家能力蒸餾、知識庫的搭建、系統(tǒng)整體落地、內(nèi)部甲方人才團(tuán)隊的培養(yǎng)。

第三，運營、運維。理論落地之后，實現(xiàn)人機(jī)協(xié)同，讓人不斷滋養(yǎng)AI，最后實現(xiàn)智能體的持續(xù)迭代和運維。

整個過程中，每個階段都有階段性的目標(biāo)。

二、變革小組和一號位是AI變革成功的基礎(chǔ)組織保障

（一）認(rèn)知對齊。

主要達(dá)成四大目標(biāo)：第一，理解AI能力的邊界；第二，消除對AI轉(zhuǎn)型的焦慮；第三，打破固有認(rèn)知，從第一性原理去理解AI時代的道、法、術(shù)、器；第四，如何全員AI動員。

為什么認(rèn)知對齊這么重要？

改變一個人的認(rèn)知很難，除非這個人自己想改變。很多人只相信自己相信的事情。所以有時候“相信相信的力量”很重要。AI轉(zhuǎn)型失敗的原因，往往不是沒買對系統(tǒng)，而是組織內(nèi)部認(rèn)知沒有對齊。如果我們沒有定義清楚“為什么轉(zhuǎn)型？目標(biāo)是什么？轉(zhuǎn)型成功的定義是什么？”，項目推進(jìn)過程就會被卡住。最核心的是，在整體推進(jìn)之前，先要做認(rèn)知對齊。這一步不達(dá)成，很難達(dá)到目標(biāo)。

（二）企業(yè)AI轉(zhuǎn)型的起點：成立AI變革小組。

我們從萬億新能源企業(yè)的實踐中看到，轉(zhuǎn)型不是IT一個部門的事。我經(jīng)常看到企業(yè)把AI轉(zhuǎn)型交給IT組織，或者交給某個業(yè)務(wù)部門，或者交給HR。但AI轉(zhuǎn)型本身離不開各個部門的配合，離不開IT的技術(shù)平臺和設(shè)施支持，離不開用戶的支持，甚至離不開HR的運營支持，也涉及考核機(jī)制、組織架構(gòu)的調(diào)整。因此，我們建議每一個項目在做AI轉(zhuǎn)型之初，先成立一個AI變革小組。這個小組不是單一部門主導(dǎo)，而是多部門配合。因為AI是一個介于人和系統(tǒng)之間的物種，它離不開管理變革，離不開數(shù)字化落地，離不開原有的數(shù)字化基礎(chǔ)，離不開組織考核機(jī)制的變化，離不開各個部門的真實需求和重點。沒有一個變革小組，靠單一部門的力量很難推進(jìn)。所以，一定要成立一個AI變革小組，統(tǒng)一方向和優(yōu)先級，打通業(yè)務(wù)和技術(shù)，推動組織變革。這是成功的關(guān)鍵保障。

（三）AI必須是一號位工程。

AI必須是一把手工程——這句話一定要記住。

1.AI變革涉及組織和權(quán)力重構(gòu)。我碰到很多企業(yè)AI轉(zhuǎn)型推進(jìn)不下去，就是因為不是一把手工程——董事長或總經(jīng)理有整個企業(yè)的全局觀，如果把它交給了其他人，讓他自己去處理，結(jié)果在調(diào)動內(nèi)部資源、推動業(yè)務(wù)部門積極性、推動組織變革的過程中，碰到各種阻力，最后不了了之。只有一把手才能通過總部協(xié)調(diào)各個部門、各個體系，才能推得動。因此，一把手工程是項目快速推進(jìn)的基礎(chǔ)保障。

2.AI直接影響戰(zhàn)略方向。一把手能直接奠定戰(zhàn)略方向，涉及戰(zhàn)略決策時能第一時間拍板，決定節(jié)奏和空間。同時，高管在推進(jìn)轉(zhuǎn)型時最怕什么？最怕失敗。但創(chuàng)新的事情，在初期很難有百分百確定的答案，不能像數(shù)字化項目那樣追求“落地必有成果”。如果抱著這種心態(tài)，就會變成什么場景都不敢落地，半年下來什么都沒推進(jìn)。我經(jīng)常碰到高管說：我想推進(jìn)，但業(yè)務(wù)部門不配合，需求給不出來，拿不到效果，投資回報率也不明確，沒有一把手在前面坐鎮(zhèn)，難以成功。

3.AI轉(zhuǎn)型需要最高層的長期關(guān)注和承諾。AI轉(zhuǎn)型在企業(yè)里面通常有三層分化。第一層：高層像禿鷲，精準(zhǔn)目標(biāo)，馬上實現(xiàn)；第二層：中層像鴕鳥，因為很多AI革的就是一些中層的命，他們的心態(tài)都會像鴕鳥一樣；第三層：基層像青蛙，領(lǐng)導(dǎo)推的時候動一動，領(lǐng)導(dǎo)推一次，動一下，不推就不動了。所以，這個過程當(dāng)中，中層、基層和高層需要一號位從始至終的關(guān)注，不是一把火推一推就能成功，而是中間就可能泄了力。

我們認(rèn)為，變革小組和一號位是AI變革成功的基礎(chǔ)組織保障。

三、通過AI大會識別場景

（一）AI大賽征集場景，調(diào)動積極性。

我們當(dāng)時決定舉辦一場AI大賽。花了五天時間，連衛(wèi)生間的大屏幕、每個辦公室的屏幕、每個衛(wèi)生間里都貼滿了海報，主題就是“你我皆是主角”的個人業(yè)務(wù)創(chuàng)新。我們鼓勵業(yè)務(wù)部門把自己的實際業(yè)務(wù)場景拿出來，先不考慮能不能落地，只考慮它對生產(chǎn)增長、對管理是不是足夠重要。這是全員認(rèn)知、全員普及的過程。當(dāng)時全分公司200多億的規(guī)模，3萬多人，征集上來三四百個場景。AI大賽確實調(diào)動了大家的積極性。

（二）評審篩選

在征集大賽場景的基礎(chǔ)上，設(shè)立重要的評審過程進(jìn)行篩選。三四百個場景不可能全部落地，我們要看哪些是第一批值得投資的場景。經(jīng)過篩選，從三四百個中選出了153個。淘汰掉的主要是跟生產(chǎn)經(jīng)營無關(guān)的場景。剩下的153個，我們又分成了三類——

• 第一類：非AI場景，用數(shù)字化、RPA就能解決，不需要AI，這類大概占40%。因為很多基層員工即使經(jīng)過培訓(xùn)，也分不清AI和數(shù)字化的區(qū)別。非AI場景則轉(zhuǎn)入數(shù)字化去承接。
  

• 第二類：AI場景，但更適合個人通過學(xué)習(xí)和搭建來解決。這類場景可以通過HR組織培訓(xùn)，請內(nèi)外部講師講AI工具的使用方法，讓員工在現(xiàn)有平臺上搭建個人助手來落地。
  

• 第三類：需要公司投資、聚焦生產(chǎn)經(jīng)營層面的重點場景，是我們未來要落地的方向。

（三）專家輔導(dǎo)與糾偏。

在推進(jìn)過程中，我們發(fā)現(xiàn)很多問題。最基本的是，當(dāng)我們問業(yè)務(wù)部門有沒有準(zhǔn)備好語料和知識庫時，他們反問什么叫語料。我們只能反復(fù)溝通，告訴他們需要整理場景相關(guān)的技術(shù)知識、文檔，看看是否達(dá)標(biāo)。每個場景我們都會幫他們評估可行性、技術(shù)影響和業(yè)務(wù)影響。這些都是AI大賽評選之前就要做好的準(zhǔn)備工作。

有數(shù)字化的場景，也有AI落地的場景。首先要對這兩者進(jìn)行區(qū)分，避免把本該由數(shù)字化解決的事情交給AI去做。

1.數(shù)字化解決什么問題？

數(shù)字化是把線下的業(yè)務(wù)搬到線上，實現(xiàn)流程的標(biāo)準(zhǔn)化和協(xié)同化，讓管理層的數(shù)據(jù)可穿透，輔助決策。比如把采購訂單、銷售訂單、生產(chǎn)管理搬到線上，實現(xiàn)流程作業(yè)的集中化、業(yè)態(tài)協(xié)同，幫助經(jīng)營管理層做決策。這是數(shù)字化的目標(biāo)——解決規(guī)范化、標(biāo)準(zhǔn)化問題，提升線下效率，實現(xiàn)數(shù)據(jù)賦能。

做數(shù)字化培訓(xùn)時，經(jīng)常有業(yè)務(wù)小伙伴問我：數(shù)字化并沒有提升我的能力，反倒讓工作更繁瑣了，這些表格都是給公司填的，對我個人有什么用？這是個很有意思的問題。企業(yè)早期的數(shù)字化建設(shè)，更多是在經(jīng)營規(guī)模擴(kuò)大到一定程度后，讓管理層在多元化、多地域、多業(yè)務(wù)、多價值鏈協(xié)同的情況下，能看清經(jīng)營生產(chǎn)的本質(zhì)、看清人效、看清流程的斷點和卡點，從而快速決策。

怎么衡量一個企業(yè)的數(shù)字化能力高低？有個小竅門：看財務(wù)結(jié)賬時間。我用服務(wù)過的兩家企業(yè)，一家是我待過的公司，當(dāng)時有200多個業(yè)務(wù)單元——從抖音、廣告、醫(yī)院、智能手機(jī)到房地產(chǎn)等等，跨度非常大。這么多業(yè)務(wù)單元，我們?nèi)サ臅r候結(jié)賬要7天，后來做到了T+3，每個月3號就能把資金決策報告放到負(fù)責(zé)人案頭，讓他決策這200多個業(yè)務(wù)單元是繼續(xù)投資、加大投資還是收縮資源、解決資金卡點。每月的經(jīng)營決策會就靠這份報告。二是這家萬億新能源企業(yè)有10萬人規(guī)模，我們做到了T+1出集團(tuán)經(jīng)營單體報表和合并報表。這樣的管理水平，決定了公司能不能比經(jīng)營快一步、能不能看清經(jīng)營現(xiàn)狀、能不能快速決策。這些都離不開業(yè)財協(xié)同、管理標(biāo)準(zhǔn)化、經(jīng)營決策提速。所以，這些數(shù)據(jù)不是給審批看的，而是服務(wù)于經(jīng)營決策的精準(zhǔn)性、可穿透、快速計算。

2.AI能做什么？

AI實現(xiàn)的是自運營服務(wù)，通過大量知識信息的利用，去總結(jié)、歸納、識別、推薦、溝通。它解決的是企業(yè)對多年積累的專業(yè)知識、人才經(jīng)驗的可替代性問題，把經(jīng)營知識融入系統(tǒng)，從基層和一線提升技能均值，在數(shù)字化沒有涉獵的環(huán)節(jié)發(fā)揮作用。

去年很多人討論AI場景到底適合什么？我們認(rèn)為，AI落地效果最好的，往往不是那些數(shù)字化已經(jīng)構(gòu)建好的場景，而是數(shù)字化夠不著的地方——需要高度智力、對人的經(jīng)驗和專業(yè)依賴度比較高的領(lǐng)域。如果數(shù)字化基礎(chǔ)打得好，像這家企業(yè)T+1出財報那樣，就已經(jīng)不需要AI上手。如果管理標(biāo)準(zhǔn)化確實有問題，更應(yīng)該用數(shù)字化和管理咨詢?nèi)ソ鉀Q，而不是硬套AI。目前落地效果好的AI場景，大多在數(shù)字化尚未涉獵的領(lǐng)域。

3.數(shù)據(jù)的干凈、整潔，是減少AI幻覺的前提。

在這個過程中會發(fā)現(xiàn)一個問題：垃圾進(jìn)，垃圾出。很多時候我們?nèi)プ鯝I，我都會問對方：“你有語料嗎？”他說有，然后給我一個幾十頁的文檔。我一看，這個文檔說是多年積累的知識體系，但不夠結(jié)構(gòu)化，內(nèi)容混亂程度比較高。這不是大企業(yè)或小企業(yè)的特有問題，超大規(guī)模企業(yè)同樣存在這個問題。

數(shù)據(jù)的干凈、整潔，是減少AI幻覺的前提。如果數(shù)據(jù)本身就自相矛盾，同樣的定義在多處有不同的解釋和說明，那AI學(xué)出來肯定有問題。那是不是說，我現(xiàn)在數(shù)字化基礎(chǔ)不高，就不能做AI了？當(dāng)然不是。我們后來嘗試用AI反過來做數(shù)據(jù)治理，效果也不錯。比如有一個7個月的學(xué)習(xí)項目，我們用AI把它壓縮成21天，讓AI來學(xué)習(xí)、梳理、優(yōu)化管理制度，比傳統(tǒng)方式快得多。

從我個人角度來說，我一直做報表、做全域數(shù)字化，后來聚焦到業(yè)財協(xié)同，再到管理咨詢和戰(zhàn)略咨詢，現(xiàn)在又聚焦到AI，為什么？因為現(xiàn)在AI變革的速度、解決企業(yè)經(jīng)營問題的速度，遠(yuǎn)遠(yuǎn)快于原來數(shù)字化和管理咨詢的任何手段。

所以，沒有數(shù)據(jù)，能不能做AI？AI能反過來幫我們做數(shù)據(jù)整理，做制度優(yōu)化和體系優(yōu)化。這是我們項目中的一個心得。

4.一些場景適合通過培訓(xùn)工具助力效能提升

其中一些場景不適合公司去投資，更適合公司找外部的培訓(xùn)老師，通過培訓(xùn)賦能基層員工自己掌握能力，甚至不需要IT同事，只要讓業(yè)務(wù)部門自己去培訓(xùn)就能上手，就能用自然語言就能解決日常工作當(dāng)中的問題。這些不建議讓公司投資的問題，主要包含哪些場景？

• 職能工作，如“表哥表妹”們的表格整理處理。我經(jīng)常看到很多人的工作就是統(tǒng)計各種各樣的表格。為什么需要統(tǒng)計？是因為即使上了數(shù)字化，經(jīng)營分析的統(tǒng)計維度和顆粒度會隨著業(yè)務(wù)變化不斷出現(xiàn)新的視角，這些新視角還是依賴于職能同事手工處理。現(xiàn)在AI可以通過自然語言去做整理、總結(jié)、歸納，能力相當(dāng)不錯。但這類工作只需要個人提效，不具備廣泛的通用性，建議讓員工自己學(xué)習(xí)AI工具來解決，不需要IT部門介入。

• AI輔助的數(shù)據(jù)分析，包括PPT生成、宣傳物料制作、技術(shù)管理宣傳等。這些工作也不建議公司投資，員工自己找工具就能完成。如果技術(shù)門檻低，并不需要一號位工程。

但即使反復(fù)推進(jìn)，每個部門對AI的接受程度和配合度也完全不一樣：有些部門完全擁抱AI，第一次講完就一直熱烈討論怎么落地；有些部門是觀望的、抗拒的——深層次原因是員工對AI的不信任，甚至擔(dān)心工作被替代。這些場景怎么落地？我們更建議AI選擇那些“沒人干”的場景——不是替換現(xiàn)有員工，而是解決那些沒人做的工作。比如有些部門同事選擇場景時，會說“我不怕工作被替代，我想把最基礎(chǔ)的工作替換下來，去做更高價值的事”。在這種心態(tài)下，他們會更積極地改善現(xiàn)有場景。而對于接受程度不高的部門，我們會建議選擇那些現(xiàn)在沒人干、但大家都知道該干的工作，比如全量審核，以前只能抽檢，現(xiàn)在可以讓AI去做。因此，AI落地的時候，要幫大家選核心的關(guān)鍵場景。

四、AI場景價值評估的四大維度

那么，到底如何評估AI落地場景？大部分企業(yè)比較認(rèn)同的AI場景選擇方法論有四個維度。

• 維度一：戰(zhàn)略綁定。這個場景是不是跟戰(zhàn)略落地相關(guān)？是從職能后臺開始，還是從經(jīng)營生產(chǎn)管理銷售的一線開始？從效果來看，更值得公司買單的、能帶來全員感受的，一定是在戰(zhàn)略錨定、生產(chǎn)經(jīng)營上提效的場景，而不是簡單的降本場景。能解決經(jīng)營核心問題、與戰(zhàn)略一致性的場景，才值得投資。什么是跟戰(zhàn)略相關(guān)？比如企業(yè)戰(zhàn)略從低端轉(zhuǎn)向高端定制，這些跟戰(zhàn)略相關(guān)的問題最值得公司投資，也是AI能拿到30%甚至50%效益的場景。這些場景能讓公司的一號位看到價值，從而繼續(xù)推進(jìn)AI，而不是在后臺職能領(lǐng)域做孤立的減員增效。

• 維度二：價值評估。如果找不到戰(zhàn)略相關(guān)場景怎么辦？那就從項目環(huán)節(jié)去找——這個環(huán)節(jié)如果能節(jié)省20個人的工作，每個月核算一下投入產(chǎn)出比，能算得過來，那就是賬本上的好場景。

• 維度三：可行指數(shù)。這指的是公司現(xiàn)有的制度、標(biāo)準(zhǔn)、管理程度是否具備AI落地的條件。如果人都做不清楚流程規(guī)則，壓根沒數(shù)據(jù)，這個場景再重要也不建議現(xiàn)在落地。需要先把內(nèi)部的制度、流程、數(shù)據(jù)準(zhǔn)備好，再做后續(xù)。

• 維度：組織適配。這是我們培訓(xùn)輔導(dǎo)過程中發(fā)現(xiàn)的：真正愿意變革的部門，在企業(yè)內(nèi)部能到20%就不錯了。即使一號位反復(fù)強(qiáng)調(diào)，甚至說“干不了就換人”，真正心里愿意做AI的人沒那么多，20%算很樂觀的數(shù)字。我們要選擇那些“雙向奔赴”的場景——對方和我們都有意愿投入，遇到困難能一起克服，否則甲方配合的小伙伴先打退堂鼓，事就推不動了。很多項目里，僅靠乙方的努力是不夠的，甲方自己的努力更重要。

所以，公司愿意投資的第一批戰(zhàn)略項目，應(yīng)該滿足這四個條件：要么戰(zhàn)略創(chuàng)新，要么能降本增效，要么數(shù)字化技術(shù)基礎(chǔ)已經(jīng)比較高（比如生產(chǎn)環(huán)節(jié)的故障排查，前后端都準(zhǔn)備好了，就差中間一段），最后是對方配合度高、愿意擁抱變化。這四點構(gòu)建了AI場景選擇的基本框架。

示例：價值鏈視角的場景定義

我們在操作過程中，從100多個場景里精選到幾十個。每個部門都會涉及業(yè)務(wù)價值的前期規(guī)劃、研發(fā)、場景創(chuàng)造、資源配置到組織規(guī)范。我們當(dāng)時聚焦的是生產(chǎn)基地，不是研發(fā)體系，所以更關(guān)注生產(chǎn)側(cè)。

（上圖）營銷相關(guān)的場景標(biāo)了綠色，綠色是我們幫他們落地的；灰色和黃色是第二期他們自己用團(tuán)隊做，我們提供支持。我們落地了三個場景——

場景一：“故障大師”

這個場景為什么對企業(yè)那么重要？影響“故障大師”從三秒突破認(rèn)知到一秒突破認(rèn)知的核心原因，在于非計劃停機(jī)。很多制造業(yè)都有一個挑戰(zhàn)：每天都有系統(tǒng)維修時間，即使三班倒也無法解決。AI故障大師的戰(zhàn)略定位是解決產(chǎn)線設(shè)備運維與故障診斷的核心痛點。傳統(tǒng)模式高度依賴專家經(jīng)驗，響應(yīng)速度慢，知識難以復(fù)制。其應(yīng)用由企業(yè)生產(chǎn)的關(guān)鍵鏈路（設(shè)計—生產(chǎn)—交付），能夠有效減少停機(jī)時間，降低維修成本，并形成可復(fù)制的知識資產(chǎn)。若落地成功，將構(gòu)建穩(wěn)定的競爭護(hù)城河，使企業(yè)在設(shè)備可靠性與運維效率上取得長期優(yōu)勢。

AI故障大師通過學(xué)習(xí)專家經(jīng)驗，實現(xiàn)24小時在線賦能，普通工程師也能快速定位問題，大幅降低因停機(jī)帶來的產(chǎn)能損失。在業(yè)務(wù)收益上，既能降低維修人工成本，又能提升交付速度與產(chǎn)線利用率，同時減少重復(fù)性培訓(xùn)開支。對于生產(chǎn)型企業(yè)而言，其價值可量化為停機(jī)損失減少、維修周期縮短和客戶滿意度提升，具備顯著的ROI。

AI故障大師基于歷史故障數(shù)據(jù)、專家知識庫、設(shè)備運行參數(shù)等數(shù)據(jù)資源，目前多數(shù)企業(yè)已有MES、ERP、PLC系統(tǒng)，具備數(shù)據(jù)沉淀與流程管理基礎(chǔ)。AI故障大師可通過與這些系統(tǒng)集成，實現(xiàn)知識抽取與實時推理，其實施復(fù)雜度在于數(shù)據(jù)標(biāo)準(zhǔn)化、知識轉(zhuǎn)化和場景SOP配置。若數(shù)據(jù)質(zhì)量與流程規(guī)范能保證，短期內(nèi)具備快速落地的可行性。

AI故障大師的落地需要明確的責(zé)任人和跨部門協(xié)同。人才層面需有AI訓(xùn)練師與產(chǎn)線工程師共同維護(hù)知識庫；流程層面需建立標(biāo)準(zhǔn)化SOP，確保AI診斷與人類操作的銜接；機(jī)制層面通過績效考核與激勵機(jī)制推動使用。團(tuán)隊對變革的支持度決定了場景成敗，若高層提供資源保障、基層認(rèn)可AI賦能，組織適配性將顯著提升。

基于當(dāng)前6條產(chǎn)線的實施效果，單條產(chǎn)線年收益增長在1600萬至2000萬元之間。全部產(chǎn)線上線后，預(yù)期年收益增長將達(dá)到約24億元，展現(xiàn)出巨大的經(jīng)濟(jì)效益。

場景二：AI銷售教練

第二個場景是“AI銷售教練”。這個場景是干什么的呢？當(dāng)時我們在服務(wù)這家萬億新能源企業(yè)的時候，辦公室旁邊就是零碳部門——其實就是負(fù)責(zé)零碳方案轉(zhuǎn)型的部門。它的電池產(chǎn)線已經(jīng)很成熟了，但還有第二條業(yè)務(wù)線，就是把它的能力打包成零碳解決方案，賣給港口、園區(qū)、機(jī)場等客戶。他們要從一個賣產(chǎn)品的公司轉(zhuǎn)型成賣解決方案的公司，結(jié)果發(fā)現(xiàn)不會賣。我們?nèi)サ臅r候，零碳部門已經(jīng)被裁得只剩一個人了。總經(jīng)理跟我說，這個新業(yè)務(wù)是公司毛利最高的新增長點，能不能用AI幫他們做銷售？

AI銷售比我們傳統(tǒng)意義上To C的銷售難度高太多了。為什么？因為要給客戶提供定制化的解決方案，還得了解客戶心理，分析決策者的心態(tài)，甚至要說服高管立項。而且這個方案不是通用的碳排放方案，而是結(jié)合他們產(chǎn)品能力的一體化解決方案。而這種解決方案的能力，沒有三到五年的積累是做不到的。因為這個領(lǐng)域太新了，他們找不到這樣的復(fù)合型人才——既要懂零碳解決方案，又要具備和客戶高層對話的能力，還要能搞定發(fā)改委、政府等投資方的銷售能力。那能不能讓AI幫我們做銷售？

這家萬億新能源企業(yè)原來給全世界60%的新能源車供電池，現(xiàn)在要把動力電池的能力變成儲能方案，幫企業(yè)解決儲能問題——從賣產(chǎn)品變成賣一整套方案，就一下增加了難度。賣產(chǎn)品很簡單，參數(shù)不同但邏輯一樣，做好性價比就行，而賣解決方案呢？就得面對企業(yè)的多個決策者——CFO、采購總監(jiān)、業(yè)務(wù)部門、老板，還得跟競爭對手PK，前期溝通可能十幾輪，從了解客戶到出方案，有時候客戶還沒立項，還得說服他立項。而且每個客戶都不一樣，頭部的、中部的、腰部的，增長期的、平緩期的，方法都不一樣。我們要判斷商機(jī)靠不靠譜，資源有限，只能快速了解一個完全陌生的客戶。零碳方案的客戶基本都是董事長級別，有時候還涉及政府關(guān)系，對人性的把握要求極高。所以他們找不到合適的人才，不是這個行業(yè)的問題，是所有大型服務(wù)業(yè)都面臨的問題。

因此，這是一個超級依賴人的領(lǐng)域，對人的要求極度復(fù)合：既要情商高，能跟客戶溝通，又要快速學(xué)習(xí)行業(yè)知識，還要能整合產(chǎn)品方案，給客戶雙贏的解決方案。大部分人做不到。如果AI能形成這種能力，我們對頂級銷售的依賴就會降低，普通銷售的均線水平也能提上來。銷售轉(zhuǎn)化率提升了，公司的戰(zhàn)略毛利目標(biāo)就能達(dá)成。

所以，這個場景是把最復(fù)雜、最碎片化、最依賴人的銷售工作結(jié)構(gòu)化、賦能化，讓AI幫助銷售團(tuán)隊。

最終效果怎么樣？當(dāng)時那個部門被裁到只剩一個人，但后來用“碳博士”去給省長匯報，方案非常成功。現(xiàn)在每次見大客戶，他們都靠“碳博士”出方案，能真正做行業(yè)洞察、客戶轉(zhuǎn)型計劃、銷售方法判斷，甚至幫客戶分析卡點，最后拿出解決方案。

場景三：數(shù)據(jù)治理——非標(biāo)準(zhǔn)件

第三個場景是數(shù)據(jù)治理。今天我們走到任何一家企業(yè)，都不會回避一個問題——企業(yè)里有上百套不同的數(shù)字化系統(tǒng)，不同系統(tǒng)之間對同一個數(shù)據(jù)的定義標(biāo)準(zhǔn)不一致，導(dǎo)致很多企業(yè)連最基礎(chǔ)的單體毛利率都算不清楚。因為在多元化業(yè)務(wù)下，沒有拉通數(shù)據(jù)口徑，沒有數(shù)據(jù)中臺，數(shù)據(jù)治理做不起來。數(shù)據(jù)治理不是大公司才有，小公司也存在，集團(tuán)化公司尤其突出。

我們當(dāng)時挑了一個特別小的切入點來突破，叫“非標(biāo)準(zhǔn)件治理”。

什么叫非標(biāo)準(zhǔn)件治理？拿氣缸舉例，不同廠商對氣缸的要求都不一樣，幾十個品牌，每個品牌都有自己的規(guī)則，沒有統(tǒng)一的標(biāo)準(zhǔn)。每次錄入的時候，只能按自己的維度填信息，經(jīng)常出現(xiàn)重復(fù)數(shù)據(jù)。帶來的損失是什么？17萬條數(shù)據(jù)里，很多型號其實不存在，但系統(tǒng)里顯示有，就會導(dǎo)致重復(fù)采購，或者產(chǎn)生大量呆滯庫存。有些零件本來可以匹配使用——比如A品牌和B品牌雖然型號不同，但其實是能通用的——但系統(tǒng)識別不到，就以為沒有，再去買。還有些情況是同一個品牌同一個型號，錄錯了，也以為沒有，又去買。如此反復(fù)，每個基地都有千萬級的呆滯庫存。他們說，數(shù)據(jù)標(biāo)準(zhǔn)化這件事不是沒做，做了好多年，但每次理完，新數(shù)據(jù)進(jìn)來又亂了，永遠(yuǎn)除不干凈。所以問我們：AI能不能解決數(shù)據(jù)治理的問題？能不能幫我們降本增效？

這不光是數(shù)據(jù)治理，還有采購增效的問題。比如每年都有降本指標(biāo)，今年氣缸的品牌SMC，明年想降價，人家不給降，我就想從市場上找更低價的替代品牌。但前提是，我得把不同品牌、同一規(guī)格的產(chǎn)品識別出來，才能去做比價。這就靠數(shù)據(jù)標(biāo)準(zhǔn)化——把不同品牌的數(shù)據(jù)拉到同一個標(biāo)準(zhǔn)上，降本才有基礎(chǔ)。標(biāo)準(zhǔn)不統(tǒng)一，降本就沒辦法推進(jìn)，采購效率也提不上來。

所以，AI能不能幫我們做數(shù)據(jù)標(biāo)準(zhǔn)化？能不能把采購審批效率提上來？能不能減少呆滯庫存、釋放存量價值？這是我們在這個場景里要解決的問題。

02

烏卡時代，傳統(tǒng)管理學(xué)思想亟需升級

一、圍繞“核心競爭力”構(gòu)建經(jīng)營架構(gòu)

剛才講的三個場景——故障大師、碳博士、非標(biāo)準(zhǔn)件治理——看上去是三個不同的領(lǐng)域，但其實底層有一套共同的方法論，解決了所有問題。這套方法論是什么？

我們再回頭去看，為什么要做這些場景？表面上是解決戰(zhàn)略層面的問題，但實際上每個企業(yè)的競爭態(tài)勢都跟核心競爭力相關(guān)。我們現(xiàn)在做AI，回歸到最基本的原理，即把公司的核心能力無限制地放大。每個能做到百億、千億、萬億規(guī)模的公司，依賴的就是核心競爭力。而AI真正能讓企業(yè)達(dá)成目標(biāo)，讓企業(yè)覺得有用，前提是AI放大了核心能力。這是我們認(rèn)為AI應(yīng)該聚焦的方向。什么是核心競爭力？第一，人無我有，難以被競爭對手復(fù)制；第二，可以幫助企業(yè)進(jìn)行新業(yè)務(wù)延伸。

二、企業(yè)的中等規(guī)模陷阱

AI還能解決另一個問題——企業(yè)的中等規(guī)模陷阱。為什么會有中等規(guī)模陷阱？宏觀壓力之下，頭部企業(yè)有相應(yīng)的國家平臺地位，央企有國家?guī)头觯膊科髽I(yè)有政策支持往上走，但中等規(guī)模的企業(yè)在當(dāng)今時代反而最困難——缺乏頭部企業(yè)所需要的定價權(quán)，產(chǎn)業(yè)鏈位置偏弱，只能招到中等水平的人才。中等規(guī)模企業(yè)不是不敢創(chuàng)新，而是創(chuàng)新失敗的成本更高；融資成本更高，政策福利拿得不夠，而且技術(shù)迭代和競爭的把控不夠及時，逐漸陷入“高成本、弱議價、低彈性”的結(jié)構(gòu)性困境。

那么，造成“中等規(guī)模陷阱”的根因是什么？

• 首先，方向迷失——戰(zhàn)略搖擺、戰(zhàn)略難以推動，發(fā)展歷程中每次想做新業(yè)務(wù)，裝不上、推不動，又擔(dān)心風(fēng)險。

• 第二，戰(zhàn)術(shù)勤奮掩蓋戰(zhàn)略空洞——指標(biāo)越來越多，落地越來越難，把工具當(dāng)解決方案，今天拿一個精益方法，明天上一個阿里云，后天又上一個APP，以為就能解決企業(yè)問題。但照抄作業(yè)永遠(yuǎn)解決不了問題。真正的取舍，需要一號位想明白，但如何想明白、如何執(zhí)行到位，同樣重要。

• 第三，組織撕裂。每個企業(yè)到了一定規(guī)模，都會出現(xiàn)大公司病——董事長往下，層層衰減，執(zhí)行過程中走樣，管理層級放大創(chuàng)始人的問題，領(lǐng)導(dǎo)力的天花板就成了組織能力的天花板。

我們認(rèn)為，這些問題AI都能解決。為什么？AI在創(chuàng)新領(lǐng)域能夠?qū)崿F(xiàn)“少人化”“無人化”的實驗。這是AI真正的價值所在。

比如今天我們幫一個傳統(tǒng)的建筑裝飾行業(yè)做轉(zhuǎn)型。其難點在于，我們已經(jīng)拿不出大批的人才和成本去投入創(chuàng)新了——沒有專家，創(chuàng)新就無從談起。能不能把專家“克隆”出來，用更低的成本、更大的覆蓋面去解決創(chuàng)新問題？而AI的好處在于——

第一，AI可以進(jìn)行無人化、少人化實驗。今天我們在AI銷售教練分析的結(jié)果看到，這種裝飾行業(yè)的創(chuàng)新背后，其實都指向同一個方向：把專家的能力復(fù)制出來。

第二，降低試錯成本。即使錯了，對組織的傷害強(qiáng)度會小得多。AI試錯，和真人去試錯，代價完全不是一個量級。

第三，降低人為判斷的誤差。我們在分析一個小業(yè)務(wù)單元的時候，怎么客觀地看待很重要。有時候一個決策，到底是把一件事“喪事喜辦”，還是把它扼殺掉？這里面有太多人性的因素。我們怎么把一個新業(yè)務(wù)孵化出來？AI是一個超級好的工具。每個公司在嘗試新業(yè)務(wù)的時候，都會有這樣的困境。AI應(yīng)該是一個很好的新業(yè)務(wù)破局的方法。

03

AI破局之路

我們在萬億新能源企業(yè)項目，可以說是從夢幻開局到地獄模式，難度之大難以想象。做這個項目的時候，他們的AI水平已經(jīng)不低——52個燈塔工廠，有1300人的算法團(tuán)隊，6個研究院，每1.7天出一個專利，提前半年多就已經(jīng)部署了N個大模型，上了N個平臺。它解決不了的，就是我們要定義的那部分——小數(shù)據(jù)、高精度、打通專家經(jīng)驗。

一、難題一：小樣本數(shù)據(jù)、AI概率學(xué)——如何用少量數(shù)據(jù)達(dá)到專家級水平？

在破局思路里，我們發(fā)現(xiàn)，專家本身就是一個模型。為什么專家的肌肉記憶一上來就能比普通人解決得好？為什么一個好的故障大師一分鐘就能查出原因？因為他已經(jīng)通過大量實踐，用專家思維鏈數(shù)據(jù)形成了專家級的能力。那我們換一個思路：與其拿數(shù)據(jù)去訓(xùn)練一個通用模型，不如把專家本身變成一個模型。專家能力已經(jīng)有80分，我們能不能把專家做成一個行業(yè)級的小模型？這樣我們就能用專家級的知識去做訓(xùn)練。

這個解題思路的方法論，我給它起了個名字叫“專家思維蒸餾”。

• 第一步，梳理專家的思維。很多專家決策時，靠的是多年形成的經(jīng)驗、行業(yè)認(rèn)知、典型案例，以及他的決策邏輯。他為什么一看這個地方就知道有問題？他有自己的一套判斷體系。我們要把他的知識完全梳理出來。但專家往往講不全、想不清，所以要把他的思維鏈抽象出來——他的直覺是怎么來的？他為什么能判斷？他選擇底層的邏輯是什么？這就是人的SOP。他不能保證100%，但他知道這個問題的出錯概率一定比別人高，所以他優(yōu)先從這里嘗試。遇到某些風(fēng)險，他就規(guī)避。這是他的思維邏輯，我們要把它提煉出來。

• 第二步，把思維邏輯變成平臺處理。讓專家思維邏輯落地之后，選擇大模型去適配。不是一次性回答整個故障開發(fā)問題，而是把思維鏈當(dāng)中的每一個環(huán)節(jié)都變成AI系統(tǒng)的邏輯去落地。

• 第三步，實現(xiàn)能力沉淀。增加知識的復(fù)雜度，讓AI自學(xué)習(xí)。即使專家這次沒遇到，或者新的問題出現(xiàn)，AI也能自動學(xué)習(xí)，不斷優(yōu)化思維鏈。

• 第四步，形成一套可復(fù)制的方法和體系。其實就是從0到1，從一個通用模型加上大數(shù)據(jù)訓(xùn)練，變成用“專家思維+小數(shù)據(jù)樣本、高精度數(shù)據(jù)”去訓(xùn)練。

總結(jié)起來，就是把專家當(dāng)模型來處理。這個做法比通用大模型的成本低得多，比自有的私有化大模型便宜得多，周期也短得多。一上來就不是平均線水平，而是直接提升到專家水平。這看似簡單，但又不是那么簡單。因為將頂尖人才的經(jīng)驗轉(zhuǎn)化為AI能力存在諸多障礙。在小樣本、強(qiáng)專業(yè)、長尾頻發(fā)的行業(yè)中，真正決定判斷質(zhì)量的并不是數(shù)據(jù)規(guī)模，而是專家對行業(yè)規(guī)律的長期內(nèi)化。但在組織環(huán)境中，這種能力往往被系統(tǒng)性壓制。主要存在六大難點——

• 頂級專家稀缺，難以復(fù)制。能處理復(fù)雜異常與極端場景的專家通常集中在關(guān)鍵崗位或少數(shù)個人身上，難以被替代、難以規(guī)模化復(fù)用，行業(yè)判斷力天然呈現(xiàn)“稀缺性”。

• 專家對“輸出經(jīng)驗”存在本能抗拒。專家往往將經(jīng)驗視為個人護(hù)城河，擔(dān)心能力被替代或價值被稀釋，導(dǎo)致關(guān)鍵時刻邏輯停留在個人腦中，而非組織資產(chǎn)。

• KPI與激勵機(jī)制不支持知識沉淀。企業(yè)更獎勵“項目交付結(jié)果”，而非發(fā)現(xiàn)規(guī)律與總結(jié)方法，專家自然把時間投入在短期產(chǎn)出，而不是長期經(jīng)驗結(jié)構(gòu)化。

• 專家能力本身高度隱性。許多行業(yè)判斷源于直覺、模式感與經(jīng)驗聯(lián)想，專家自己也難以完整表達(dá)“為什么這么判斷”，能力難以被直接形式化。

• 知識碎片化，缺乏統(tǒng)一結(jié)構(gòu)。經(jīng)驗散落在郵件、會議、對話和個人記憶里，沒有形成統(tǒng)一的認(rèn)知框架，導(dǎo)致即使有大量經(jīng)驗，也無法被整體調(diào)用。

• 組織文化與信任基礎(chǔ)不足。如果組織默認(rèn)“AI會替代人”，而不是“輔助判斷”，專家自然不會主動參與能力沉淀。行業(yè)模型無法在企業(yè)內(nèi)部形成。

本質(zhì)原因在于：專家能力是“人性+經(jīng)驗+判斷邊界”的長期積累，而組織系統(tǒng)往往更擅長管理結(jié)果，卻不擅長承載這種復(fù)雜的人類智能結(jié)構(gòu)。

在企業(yè)中，專家并不天然愿意釋放核心經(jīng)驗。能否形成“行業(yè)模型”，關(guān)鍵不在技術(shù)，而在信任、資源與戰(zhàn)略定位。因此，專家能力與AI結(jié)合，必須成為公司級的戰(zhàn)略工程，必須由一號位推動。那如何促成專家經(jīng)驗沉淀為AI能力？

第一，信任是一切的前提。如果沒有明確背書，專家往往不會主動開放核心判斷邏輯，擔(dān)心價值被替代、能力被弱化，或貢獻(xiàn)不被組織承認(rèn)。

• 專家擔(dān)心“被 AI 取代”，而非“被 AI 放大”；

• 個人經(jīng)驗缺乏組織級認(rèn)可機(jī)制；

• 沒有安全感，就不會有深度輸出。

第二，資源與機(jī)制決定能否落地。沒有高層推動，知識沉淀往往被視為“額外工作”，KPI 不支持、時間不保障、跨部門難協(xié)同。

• KPI更偏向業(yè)務(wù)結(jié)果，而非知識資產(chǎn)；

• 專家時間被項目交付擠占；

• 部門之間缺乏配合動力；

• 最終流于形式化建設(shè)。

第三，必須上升為企業(yè)戰(zhàn)略工程。只有一把手介入，才能將專家能力沉淀從“技術(shù)實驗”升級為“核心競爭力工程”。

• 從工具試點轉(zhuǎn)為長期戰(zhàn)略投入；

• 把專家經(jīng)驗轉(zhuǎn)化為組織資產(chǎn)；

• 形成可復(fù)制、可傳承的行業(yè)判斷體系；

• 建立企業(yè)級護(hù)城河，而非個人能力依賴。

所以，AI 變革從來不是技術(shù)難題，真正決定 AI 能否在企業(yè)中落地、放大價值的， 從來不是模型參數(shù)、算法能力，而是組織是否愿意改變決策方式、信任結(jié)構(gòu)與權(quán)力分配。因此，AI絕對不是單一部門能搞定的，它涉及管理、涉及變革。

為什么很多企業(yè)單點落地AI很難出成果？我們經(jīng)常看到，新一代企業(yè)里，IT部門自己搞一個場景，在自己的職能領(lǐng)域自嗨一下，覺得挺不錯。但放到公司層面呢？能推廣嗎？能復(fù)制嗎？能解決核心問題嗎？因此，我們一定要建立一個跨部門的項目機(jī)制，這個項目離不開IT，但也不能只靠IT，而是需要業(yè)務(wù)、需要管理、需要組織協(xié)同。

那如何把專家那些客觀上說不出來的問題“蒸餾”出來？這不是單一咨詢、方法論或技術(shù)問題，而是一個跨人、組織、知識和模型的系統(tǒng)工程——

• 需要企業(yè)的咨詢理性、結(jié)構(gòu)化的抽象能力，把復(fù)雜的決策邏輯結(jié)構(gòu)化、制度化、工程化；

• 需要深入的訪談與溝通技巧，怎么通過三天的時間去判斷專家在每個場景下的思維習(xí)慣和思維結(jié)構(gòu)，不斷追問：你為什么這么想？你說“我看不出來”，那你看不出來的原因是什么？通過反復(fù)追問，把他的思維路徑拆解出來；

• 需要跨領(lǐng)域抽象與遷移能力，即創(chuàng)新地提煉專家思維，把專家的方法論和結(jié)構(gòu)化的能力沉淀下來。我們常說的“方法論”，其實就是把復(fù)雜問題變成可遵循的方法和公式，并把它結(jié)構(gòu)化。方法論本身也是一種沉淀的能力。

• 需要反復(fù)溝通，化解情緒。這里涉及底層的思維邏輯——哪些是專業(yè)原因，哪些是深層原因？在溝通中，要能區(qū)分出來。通過和專家的反復(fù)溝通，把他內(nèi)心深處的抵觸情緒化解掉，搞清楚專家真正想要的是什么、他的目的是什么。

在方法論上，我們用的是“逆向工程”的方法。怎么理解逆向工程？就是看專家怎么做題、怎么解決問題，觀察專家解決最復(fù)雜問題時的思路，這種思路才是真正的SOP。拆解專家現(xiàn)在處理的問題、他面對的困難，比如他解決故障原因時，直接從他解決問題的方法入手。從縱向的問題歸納很難總結(jié)出方法，但根據(jù)他完整的解題過程，從真實場景出發(fā)，反向推演他的思維邏輯，把他的思維能力沉淀下來。這是我們當(dāng)初做專家訪談的思路。

二、難題二：克服AI幻覺、不允許一本正經(jīng)胡說八道，必須100%準(zhǔn)確

怎么讓AI不胡說八道？ 85%的準(zhǔn)確率，對有經(jīng)驗的人來說是能用的，但在知識結(jié)構(gòu)、知識庫層面，已經(jīng)完全不適用。怎么解決這個問題？

（一）原子級任務(wù)拆解的落地實現(xiàn)：現(xiàn)實挑戰(zhàn)

AI幻覺的破題思路是：原子級任務(wù)拆解。

什么叫原子級任務(wù)拆解？就是把一個問答題任務(wù)拆到極小的顆粒度——原子的顆粒度，拆到細(xì)得不能再細(xì)。大任務(wù)必然導(dǎo)致幻覺，比如我們讓AI說“如何發(fā)財”，它肯定胡說八道；跟它說怎么“降本增效”，它的回答肯定不準(zhǔn)確，有無限擴(kuò)大的空間。但如果我們把它變成一個極小的顆粒度問題，它的準(zhǔn)確率就高了。任務(wù)越寬、越模糊。從模糊任務(wù)到任務(wù)分解，再到原子級任務(wù)，才是降低AI幻覺的正確之路。拆到什么程度？拆到它不會產(chǎn)生幻覺的顆粒度。

舉個例子。一個專家級的問答給到AI，正常情況下是怎么做的？給技術(shù)部一個prompt，它就能回答，但這樣隨機(jī)性太強(qiáng)，超級不可控。那怎么拆解成最小顆粒度？我們把一個知識集的問答拆解到AI根本沒有想象空間的顆粒度，即原來是一個大問題，把里面的顆粒拆到AI都沒有發(fā)揮空間。

這種原子級任務(wù)拆解的方法，可以分為六步——

• 第一步，從結(jié)果上驗證，我們到底要什么樣的標(biāo)準(zhǔn)。
  

• 第二步，對任務(wù)進(jìn)行分解。
  

• 第三步，每個原子級任務(wù)都去寫不同的模型結(jié)構(gòu)。因為每個AI的能力不一樣，要從原子級去判斷，當(dāng)前這個任務(wù)適合什么樣的邏輯結(jié)構(gòu)。針對當(dāng)前的任務(wù)去定義，把原來一個prompt解決的事，拆成極細(xì)的、一堆模型的調(diào)度、一堆提示詞，模型也不止一個，是N個。
  

• 第四步，加上外部知識庫、專家的兜底，把不準(zhǔn)確的任務(wù)都去掉。
  

• 第五步，建立一個雙角色的判斷機(jī)制，讓一個AI去判斷。
  

• 第六步，完成復(fù)盤機(jī)制。

每一步、每一個子任務(wù)實現(xiàn)的時候，都確保不會錯。哪個環(huán)節(jié)出問題，就去優(yōu)化哪個環(huán)節(jié)。如果當(dāng)前環(huán)節(jié)優(yōu)化不完善，就再拆小，直到它有足夠的顆粒度。每個環(huán)節(jié)都選擇可復(fù)盤、可溝通、可思考的方式，實現(xiàn)雙決策機(jī)制和復(fù)盤機(jī)制。

因此，不是 AI 不行，不是業(yè)務(wù)不清楚，不是低代碼沒學(xué)會，問題不在 AI，而在拆解深度。當(dāng)任務(wù)拆到“AI 沒有想象空間”的顆粒度時，對工程能力、業(yè)務(wù)理解與方法論的要求會陡然上升。

（二）逆向工程思維：從問題拆解

AI擅長的是執(zhí)行。我們提出問題，它去執(zhí)行。那我們在做什么？我們在做拆解，AI執(zhí)行，如果有幻覺，我們繼續(xù)拆解，拆到準(zhǔn)確為止。在那之上，還要思考：哪個讓AI做？哪個讓數(shù)字化做？哪個讓管理做？拆解之上需要一個人統(tǒng)籌。不是用AI解決所有問題，而是用更高的思維思考：當(dāng)前這個環(huán)節(jié)，誰做最合適？用這樣的思維來確保整個結(jié)果完全可控、準(zhǔn)確。簡單來說，就是把AI的執(zhí)行任務(wù)拆到原子級，再根據(jù)每個原子任務(wù)去分配不同的模型、分配RPA、分配數(shù)字化系統(tǒng)去執(zhí)行，最后通過復(fù)盤把它工程化。

三、難題三：原子級別任務(wù)分解的落地實現(xiàn)，低代碼平臺統(tǒng)統(tǒng)不頂用，面臨周期短、要求高、成本可控等問題。

（一）原子級任務(wù)不適合低代碼

原子級任務(wù)的落地，低代碼平臺根本搞不定，只能重新做一個AI原生系統(tǒng)，把整個思維鏈結(jié)構(gòu)化、工程化、架構(gòu)化，才能保證結(jié)果。

為什么市面上的低代碼平臺用不了？有六大原因。

• 可維護(hù)性要求高。系統(tǒng)里套子系統(tǒng)，未來每次迭代都要整體運維，客戶不接受“黑箱”，他們要可視化的運維系統(tǒng)。
  

• 必須跟企業(yè)的操作環(huán)節(jié)高度貼合。80%的作業(yè)要有案例可循，操作必須程序化，每個環(huán)節(jié)都要把安全提示放在核心位置。
  

• 每個環(huán)節(jié)任務(wù)可能需要不同的模型能力。因為不是我們平時用的通用模型，而是在具體環(huán)節(jié)里，都在用不同的版本的模型，有時候不同版本的小模型表現(xiàn)可能更好。低代碼平臺控制不了版本級的具體模型調(diào)用。
  

• 跨智能體的對話記憶。一個對話是日常提問，另一個是專家兜底。兩個對話之間要能記錄未回答的問題，跨對話的上下文也要能延續(xù)，低代碼平臺做不到。
  

• 每個步驟都要帶復(fù)盤機(jī)制。AI執(zhí)行完要能回溯、能優(yōu)化，低代碼平臺也不支持。
  

• 整個流程要能根據(jù)業(yè)務(wù)需求定制頁面，并且持續(xù)迭代交互能力，低代碼平臺也搞不定。

所以，我們既然滿足不了客戶需求，就把市面上的低代碼平臺全考察了一遍，發(fā)現(xiàn)只有一條路：自己搭一個平臺。

（二）每個企業(yè)的變革都離不開企業(yè)家的必然選擇

但開發(fā)一個平臺，需要大量的時間。而我們與客戶的合同都還沒簽，壓力巨大。

我自己試了試AI編程。雖然我北航計算機(jī)專業(yè)畢業(yè)，出身程序員，曾在IBM做架構(gòu)師，但畢竟做了多年管理咨詢，代碼早就生疏了。但我心想，也許可以試試。一個周末的晚上，我搞了17次嘗試，把一個最核心的功能調(diào)出來了。這樣我每天干到凌晨四點，連續(xù)三個月，讓AI寫出了幾百萬行代碼，把一個平臺從0到1搭起來了。

這件事讓我看到無限的可能性——用自然語言，我竟然能搭出一個平臺，滿足之前所有功能。這說明什么？說明今天AI的實力，已經(jīng)讓一個跨界思維的人，能把創(chuàng)意到實現(xiàn)的過程變得無限短。

這一路拆解下來，我總結(jié)了一下自己能做成這件事的原因，大概有六點——

第一，從問題出發(fā)，而不是從技術(shù)背景出發(fā)去解決問題。我是從企業(yè)經(jīng)營管理的問題出發(fā)，用反向思維去解決問題。我沒有糾結(jié)于這個問題必須用什么方案、必須用哪個模型，我的邏輯是：問題拆解，低成本、可控、風(fēng)險低，找出一個辦法去解決。

第二，架構(gòu)思維。我讓AI負(fù)責(zé)幫我編碼，但架構(gòu)設(shè)計、數(shù)據(jù)結(jié)構(gòu)設(shè)計是我來負(fù)責(zé)的。架構(gòu)是什么？是把業(yè)務(wù)場景、復(fù)雜問題拆解成可結(jié)構(gòu)化、可復(fù)制、可工程化的能力。我做了這么多年戰(zhàn)略和管理咨詢，對架構(gòu)的理解讓我更清楚怎么拆解。

第三，強(qiáng)結(jié)構(gòu)化思維，即把碎片化信息變成結(jié)構(gòu)化信息。我們企業(yè)里經(jīng)常說，要選拔人才、培養(yǎng)超級個體，靠的是把一個復(fù)雜問題、一種靈感、一種肌肉記憶，變成可表達(dá)、可傳承的東西。

第四，逆向評估，結(jié)果反饋過程。我不是正向推，而是從結(jié)果倒推，反向驗證過程的正確性。

第五，破釜沉舟，逼自己一把。但凡有第一條路、第二條路，我也不走這條路。客戶當(dāng)時找各種借口沒簽合同，但平臺一出來，第一個問題解決后，合同馬上就簽了。被逼到那份上，發(fā)現(xiàn)這是唯一可行的路。

第六，企業(yè)家精神。每個企業(yè)的變革都離不開企業(yè)家的必然選擇。去年既然選擇了AI這條路，我就不可能再退回到原來的咨詢和信息化的老路。

所以，所謂走出路來，就是“認(rèn)知+結(jié)構(gòu)化思維+勇氣”。我覺得，在AI時代，只要有一定的認(rèn)知，只要有一些勇氣，很多我們認(rèn)為不可能完成的事情，其實都值得去試一試。

四、難題四：如何讓AI持續(xù)進(jìn)化，具備學(xué)習(xí)機(jī)制

（一）AI自學(xué)習(xí)機(jī)制的關(guān)鍵意義

在真實業(yè)務(wù)中，AI面對的是持續(xù)變化的環(huán)境，沒有復(fù)盤與迭代機(jī)制的 AI，性能只會不斷退化。真正可持續(xù)的AI，不是“更聰明”，而是具備持續(xù)復(fù)盤、自我修正、不斷進(jìn)化的能力。

以我們的經(jīng)驗來看，AI剛上線時，能具備人類70%的知識水平就已經(jīng)很不錯了。因為很多時候，大家自己也記不清到底有多少知識需要去評估。所以，AI能否在日常過程中不斷學(xué)習(xí)、吸收人類沒有教給它的知識，就變得非常重要。關(guān)鍵是如何讓AI具備一套持續(xù)學(xué)習(xí)的機(jī)制。

這就需要一個復(fù)盤迭代的機(jī)制。AI解決不了的問題，讓人類幫它復(fù)盤，它再把這些新知識吸收到自己的體系里。同時，通過每一次學(xué)習(xí)，它能知道哪些問題是高頻發(fā)生的，哪些條件發(fā)生了變化，這些都會影響它后續(xù)的回答。

企業(yè)里的AI，切忌不能像傳統(tǒng)數(shù)字化系統(tǒng)那樣——上傳什么樣，結(jié)果什么樣。如果只是把企業(yè)知識扔給它，不加任何標(biāo)注和約束，它就會一本正經(jīng)地胡說八道；如果你加了制度和規(guī)范的約束，它就會像數(shù)字化一樣一板一眼地執(zhí)行。真正更好的方式是像我們講的原子級任務(wù)分解，通過方法歸納、分析和思考推理，讓AI上線后達(dá)到人類專家60%到80%的水平。

而要讓它達(dá)到120分的人才水平，就必須讓它學(xué)會自我復(fù)盤，越學(xué)越聰明，越干越聰明。這才是AI在企業(yè)落地的最佳方式。

（二）AI落地離不開管理變革

如果要讓一套原創(chuàng)的AI真正在企業(yè)落地，就一定得具備復(fù)盤迭代的能力。因為AI不是一次性的投資，也不是一次性的系統(tǒng)，而是需要長期價值持續(xù)釋放的東西。如果沒有PDCA（計劃、執(zhí)行、校驗、修正）的機(jī)制，我們認(rèn)為AI就不再是學(xué)習(xí)了，而是在消耗企業(yè)的耐心。

AI的學(xué)習(xí)能力一旦進(jìn)入業(yè)務(wù)核心，就必須從“技術(shù)問題”上升為治理與風(fēng)控問題。AI 的學(xué)習(xí)不是越多越好，而是必須在可控、可審、可回滾的前提下進(jìn)行。所以，AI學(xué)習(xí)過程有六個關(guān)鍵事項值得注意——

第一，學(xué)習(xí)必須可審批。AI不應(yīng)被允許“自動學(xué)習(xí)一切”。哪些數(shù)據(jù)、哪些反饋、哪些規(guī)則可以進(jìn)入學(xué)習(xí)閉環(huán)，必須有明確的審批與授權(quán)機(jī)制。

第二，嚴(yán)防“AI 投毒”。錯誤數(shù)據(jù)、異常樣本、惡意輸入一旦進(jìn)入學(xué)習(xí)流程，會被系統(tǒng)性放大，導(dǎo)致長期偏差與隱性風(fēng)險。學(xué)習(xí)數(shù)據(jù)必須可追溯、可回滾。

第三， 區(qū)分“學(xué)習(xí)”與“執(zhí)行”。不是所有行為都值得學(xué)習(xí)。執(zhí)行結(jié)果≠正確決策，只有經(jīng)過驗證與復(fù)盤的實驗才允許進(jìn)入學(xué)習(xí)層。

第四，明確“學(xué)什么”。AI更適合學(xué)習(xí)穩(wěn)定模式、判斷邏輯、規(guī)則邊界，而不是學(xué)習(xí)短期策略、偶然成功或個人偏好。

第五，明確“不學(xué)什么”。高風(fēng)險決策、一次性特例、尚未定型的業(yè)務(wù)策略，不應(yīng)直接進(jìn)入 AI 的長期記憶或規(guī)則體系。

第六，保留“人類否決權(quán)”。在關(guān)鍵節(jié)點，必須允許人類介入、修正甚至否定AI的學(xué)習(xí)結(jié)果，防止系統(tǒng)在錯誤方向上“越學(xué)越固化”。

（三）AI原生應(yīng)用的落地如同養(yǎng)育Baby

AI的成長就像養(yǎng)孩子一樣，一定是業(yè)務(wù)方、IT方、甲方、乙方共同把它養(yǎng)大,要深度參與，給它時間，幫它進(jìn)步，和它一起成長。不要在AI上線第一天、第一次回答錯了就否定它，而要持續(xù)幫它改進(jìn)。

我們大部分人類其實不太習(xí)慣跟AI對話，也不太愿意讓AI解決問題。剛開始我們把“故障大師”放到產(chǎn)線的時候，很多工程師還是習(xí)慣去找人類大師解決問題。后來我們定了一個指標(biāo)，叫“自主維修率”。這個指標(biāo)的意思是：無論是你通過人機(jī)協(xié)作，還是自己獨立解決，只要你沒有呼叫人類大師，都算進(jìn)自主維修率。指標(biāo)一上來，大家才真正開始用AI，慢慢養(yǎng)成了習(xí)慣。大概27天左右，習(xí)慣就養(yǎng)成了。現(xiàn)在所有人遇到問題，第一反應(yīng)都是去問AI故障大師。

所以，AI落地離不開管理變革。指標(biāo)的設(shè)計，往往比技術(shù)本身更能推動使用。

隨著使用過程推進(jìn)，AI學(xué)的東西越來越多，從剛上線時能回答70%的問題，現(xiàn)在已經(jīng)到了百分之八九十。原來散落在人類專家腦子里的知識，逐漸沉淀成了AI的知識積累；原來靠個人經(jīng)驗支撐的產(chǎn)線，也慢慢變成了綜合能力的積累。這才是AI落地最重要的價值。

五、難題五：如何創(chuàng)新，并保持每個創(chuàng)新的ROI為正

（一）在這個時代，AI轉(zhuǎn)型是“抄作業(yè)”還是“創(chuàng)新”

AI領(lǐng)域的創(chuàng)新在中國真正興起，也就是去年二三月份的事。所有案例都是新的，不能在舊地圖里找新大陸。關(guān)鍵不是找一個現(xiàn)成的案例來抄，而是學(xué)會一套解決問題的方法論和思路，跟著技術(shù)迭代往前走。

我很早開始接觸AI，那時候我們做的是深度學(xué)習(xí)，用的是神經(jīng)網(wǎng)絡(luò)算法。當(dāng)時的解題思路跟現(xiàn)在完全不一樣。即便是在去年MCD出來之前，解決問題的思路也跟現(xiàn)在不同。所以，想拿過去的案例來解決今天的問題，是不現(xiàn)實的。因此，我們并不是要找一個類似的案例去照搬，因為每個真實的案例本身就是一個創(chuàng)新，復(fù)制案例復(fù)制的只是表象。比如我在某個企業(yè)做的“故障大師”，換一家企業(yè)可能也叫“故障大師”，但背后的邏輯和程度都不一樣。真正可遷移、可復(fù)制的，是方法論。我們要學(xué)的不是有沒有類似案例，而是這套方法論在我們公司、我們行業(yè)、我們的領(lǐng)域是否具備可創(chuàng)新性、是否具備可復(fù)制性，是否可行。

（二）AI時代，企業(yè)家真正的選擇

AI時代企業(yè)家真正的選擇是什么？是放大差異，而不是模仿。如果我們每個企業(yè)都用AI去做同樣的事，還有什么競爭優(yōu)勢？真正能讓AI幫企業(yè)實現(xiàn)彎道超車的，前提是企業(yè)家精神。因為創(chuàng)新一定有風(fēng)險，有可能失敗。真正的企業(yè)家精神不是照抄別人，而是把自己的核心競爭力放大，必須有創(chuàng)新的文化、試錯的勇氣。不是找案例照著做，而是在沒有現(xiàn)成答案的情況下，仍然敢于判斷、敢于承擔(dān)風(fēng)險、敢于推動創(chuàng)新。照抄別人的路徑，往往意味著已經(jīng)落后了。

所以，當(dāng)技術(shù)迭代速度超過經(jīng)驗積累速度，企業(yè)的競爭優(yōu)勢，不再來自“做過什么”，而來自“敢不敢創(chuàng)新”。在AI時代，企業(yè)不需要“買一個產(chǎn)品”，而是要買一套通向成功的方法論。

04

AI轉(zhuǎn)型：聚焦核心價值

如果AI轉(zhuǎn)型不靠熱情推進(jìn)，而是靠機(jī)制推進(jìn)，下一步不用做大項目，只做一件事即可——把目標(biāo)、邊界、成功標(biāo)準(zhǔn)在管理層對齊，并把第一個可驗證場景鎖定。這一步做對了，后面投入才不會被稀釋、被誤判。

關(guān)于AI轉(zhuǎn)型，最后總結(jié)幾點核心經(jīng)驗。

第一，AI轉(zhuǎn)型需要聚焦核心價值。AI轉(zhuǎn)型不是為了大而全，而是要聚焦核心價值，把企業(yè)的戰(zhàn)略目標(biāo)和核心競爭力逐步放大。

第二，AI轉(zhuǎn)型要在“干中學(xué)”。舊地圖里找不到新大陸，這是我最重要的體會。

第三，AI轉(zhuǎn)型需要“通才+勇氣”。到底什么決定了AI轉(zhuǎn)型的成功？我的答案是：通才+勇氣。

什么樣的人在AI時代特別容易成功？需要具備五點數(shù)據(jù)基礎(chǔ)：（1）能快速理解不同模型的邏輯能力；（2）需要有深度的業(yè)務(wù)理解；（3）需要有咨詢和數(shù)字化的綜合能力——因為現(xiàn)在光靠單一方法解決不了問題，需要咨詢、數(shù)字化、AI等綜合方法；（4）需要有結(jié)構(gòu)化思維，AI不懂人情世故，需要我們把經(jīng)驗、感受、直覺變成公式，把復(fù)雜問題結(jié)構(gòu)化；（5）需要有一點點技術(shù)開發(fā)能力，至少能看懂AI的bug、能應(yīng)對一些基礎(chǔ)問題，但不用懂得太深，懂點代碼、懂點邏輯就夠了。

以前我們追求分工明確，但現(xiàn)在通才更重要。光有通才還不夠，還需要勇氣——敢于挑戰(zhàn)自己舒適區(qū)的勇氣，敢于把自己原有認(rèn)知打碎的勇氣。

第四，AI智能體像誰，取決于誰在主導(dǎo)落地。我常跟客戶開玩笑：你不要說AI不聰明，誰做的AI就像誰。業(yè)務(wù)主導(dǎo)的AI，就會往業(yè)務(wù)的方向進(jìn)化。

第五，協(xié)作效能，往往小于超級個體。去年我們團(tuán)隊有不少人，今年基本都裁掉了。不是我們殘酷，而是發(fā)現(xiàn)在轉(zhuǎn)型過程中，協(xié)作帶來的內(nèi)耗太大了。認(rèn)知差異、理解偏差、負(fù)面情緒，加上AI能力越來越強(qiáng)，對人類的職業(yè)傷害和情感傷害是真實存在的。與其內(nèi)部損耗，不如直接走“超級個體”的模式。

在AI時代，協(xié)作型項目會被大幅稀釋。超級個體能在短時間內(nèi)完成認(rèn)知閉環(huán)、判斷取舍、快速修正。在AI加持下，一個能力復(fù)合的人，效果往往大于多個人的協(xié)作效能。

這個時代更大的風(fēng)險是：企業(yè)的規(guī)模化優(yōu)勢可能不再匹配。在高度不確定的創(chuàng)新階段，那些靠流程保護(hù)平庸的組織，往往會被反轉(zhuǎn)和顛覆。我們這么小的團(tuán)隊為什么能在AI上走出來？就是因為大公司達(dá)成共識太難了，路線討論、技術(shù)選擇、內(nèi)部博弈，時間就這么耗掉了。流程保護(hù)了平庸，最該被聽到的聲音卻出不來。認(rèn)知拉齊，本身就是最難的事。今天大家都在討論“一人公司”的可能性，背后原因不只是AI能把一個人的能力無限放大，更關(guān)鍵的是，傳統(tǒng)組織帶來的內(nèi)耗，往往會把AI放大出來的效率給抹平。

AI時代真正被淘汰的，不是能力弱的人，而是不擁抱變化的人。我們恐懼的不是機(jī)器智能，而是人類自身的脆弱性。擁抱AI，就等于擁抱變化。

有了心力，我們就是AI的主人；沒有心力的壓制，我們就是AI的奴隸。