内容来源：本文转载自微信公众号华夏基石e洞察（ID：chnstonewx），笔记侠经授权转载。转载请联系原公众号授权。
责编 | 柒 排版 | 拾零
第 9566 篇深度好文：7949 字 | 16 分钟阅读
商业趋势
笔记君说：
AI时代，我们自己都觉得有无限可能甚至无所不能，只要有想法，我们就愿意试一下。但其实不是我们强得可怕，而是AI发展迅猛。
我们甚至认为，所有的事情都可能进行行业级的改变——AI已经不再像原来的数字化，只是把线上线下连接起来、提升效率、实现信息化协同——而且觉得AI是唯一的机会。
去年的时候，大部分企业还在观望。但今年不一样了，很多企业已经将AI工具引入合作。
AI在企业怎么落地？如何选择正确的路径和方法？这篇文章我们就来聊聊如何破局。
一、建立AI落地的正确认知
AI一天，人间一年。每个人心中都有一个哈姆雷特，我们对AI的认知，直接决定了我们的决策。
第一，AI不是无所不能的。
AI的底层逻辑是概率学——通过建立现实世界的数字模型，做概率分析和分布采样，给出一个它认为的最优解。
这就带来很多问题：如果单纯依赖模型，行业模型的影响就会被放大，它永远不可能做到100%正确。企业很多知识是不成文的，都在人脑子里。
大模型对AI技术的依赖，没办法直接变现到企业应用里。把企业数据给到AI，也不能完全解决问题，因为业务闭环没形成，AI无法对接。
第二，存在于人类的偏好对齐机制。
在一些"灰犀牛""黑天鹅"事件中，在那些我们自己都没法把控的事情里，AI会展现出高度讨好的人格。
目前阶段，AI在这些领域并不能完全做对。它追求的是逻辑自洽，但如果逻辑本身就有问题，它可能会一边编论点，一边找论据，证明自己是对的。
为什么会出现这种情况？因为AI更像是介于人和制度之间的一种新型物种。它不完全正确，也不完全具备智慧。企业更需要把它当成一个需要约束、引导、教学、协作的硅基人——它跟人类有区别，跟传统系统也不一样。
第三，AI不完美，但我们还要拥抱AI，是因为人类更不完美。
人类有更不稳定的情绪，处理问题的带宽有限，经验不可复制。所谓的领袖、工匠精神，正是因为少数人才有。
而且人类协作成本高，容易被短期偏好扭曲。既然人类的不完美我们能接受，那么用AI来弥补，就能帮企业带来更多收益。我们要利用人类和AI的协同，构建新型的协作模式。
第四，通用的智能体满足不了企业的真实需求。
企业不是选一个供应商，看他做了某个智能体，就觉得适合我们，关键要看他的智能体里，对企业的方法是否可复制、可迁移、可配置、可迭代。
市面上很多标准化的智能体，没办法满足真正的业务需求。因为AI依赖的是大量数据样本——你用80%的低效数据去训练，得到的是人类均线水平，而不是企业需要的20%顶尖人才的能力。
我们要有底线思维，需要能够迭代的AI。这种人格特征的AI和C端娱乐化的AI，完全是两回事。
第五，目前阶段不建议企业自己做模型。
除非所在行业有特殊性，否则我认为90%的企业不适合自己去投大模型。原因很简单：机会成本太高，从事实角度看，目前AI转型成功的企业不到5%。
它需要大量的资金、大量的优质数据、大量的顶级人才，而且结果还不确定。这些要求对企业来说都过高，所以目前看不是个好主意。
未来会不会变化？需要我们密切关注大模型的变化。大模型在自然运行的过程中，目前阶段还有差距。很多企业从2017年开始做AI，到今天还没收回成本。为什么？
因为AI迭代太快，还没等回本，技术已经被替代了。数据不够的企业就更别说了。所以，我们更应该关注怎么把通用大模型用好，而不是自己去训练一个。
第六，不要对AI形成刻板印象。
不同模型之间的差异极大，每个模型不同时期的版本差异也很大。我们选模型的时候，后面都有版本号，要看清新版本是否替代了旧版本的问题。
每个模型都有自己的优缺点，比如有些模型擅长表达、成本有优势，适合做辅助性工作；缺点是幻觉高、逻辑计算能力不强。
我们更应该在多个模型中选配、调优，做多模型协作——这才是企业落地的方法。AI一天，人间一年，不要对AI产生刻板印象，密切关心模型的进展和变化，是我们未来对AI使用的一个方式。
二、知识平权时代，拼的不是信息差，
而是认知能力和迭代速度
1.AI带来平权，也带来知识与认知革命
AI带来的技术平权，我们都已经看到了。以前说"一人公司"就是个概念，但今天已经变成可能。去年我们做咨询的时候有几十号人，现在就剩几个人，但人效翻了几十倍。
原因就在于AI带来的认知差。原来不可想象的事情，今天变成现实，就像我对建筑行业完全是个外行，但现在也能帮他们解决问题——这就是AI给我们的红利。
在知识平权时代，拼的不再是信息差，而是认知能力、判断力和迭代速度。传统的玩法已经过时，能够有认知的革命，思维迭代的革命，能不断进化的人，未来会走得更远。
2.AI幻觉的本质在于概率机制，必须由人来兜底
当然，AI不可避免有幻觉。其幻觉的本质是什么？就是概率生成机制导致的，加上训练过程中融入的脏数据，以及AI为了逻辑自洽会主动补全，结果就出现幻觉。
因此，AI幻觉不是偶发的，不是bug，也不是某个AI有而某个AI没有——它是AI底层机制决定的，每个模型都有幻觉。AI已经掌握了人类历史中所有的数据，在信息完整的条件下，幻觉仍然是必然存在的。
因为它只是饱读诗书但并不理解根因，所有看似有道理的回答禁不起复盘，所有看似逻辑自洽的结果禁不起推敲，这些结果都是基于人工做好的数据标注的理解。
但据我所知，人工数据标注大多使用低价人力进行，成为劳动密集型产业，准确性可想而知，所以必然产生AI幻觉。
落到应用层面，AI有幻觉，哪怕只有5%的失败率，我们也必须靠人兜底。需要有人兜底，就意味着不能完全放手。所以目前阶段，如果解决不了这个问题，AI就没法进入企业的核心运营。
这样的AI就像一个刚进入公司的实习生，不能说他没有知识，只能说他不会活学活用，或者乱用，最多只能在办公助手这类场景里先用起来。
怎么解决幻觉？要靠我们自己的管理和规范来约束，用标准化的制度去对冲它的不确定性。我们的标准化程度越高，越能降低AI出错的概率。在这个前提下，才能找到正确的落地路径。
3.企业AI落地步骤
关于AI落地，我们应该从企业愿景出发，逐步在企业里执行AI落地计划。
第一，认知拉齐。很多企业找过来，说"真想培训，但没时间"。我说不行，如果不先把认知对齐，项目根本推不动。所以，宁可花时间做培训，也要把认知这件事做实。
第二，做好AI落地的长期规划。在规划的过程中选拔人才、优化组织体系。我们发现一个很有意思的现象：很多公司内部其实藏着一些被压制的优秀人才——大概5%到10%的人，他们能快速跟上节奏，并且带来显著的效果。
这些人需要和团队一起协作，最后建立起人机协同的机制，让AI能够长期稳定地发挥作用，而不是浪费大家的精力。
第三，重视数据质量。垃圾进，垃圾出，大家都应该形成这样的共识，重视提升数据的质量。
第四，成立一个AI变革小组来启动AI落地。这一定是一个跨部门的工作，不是单一部门能搞定的。所以，不建议只交给IT，也不建议只交给业务。
我们要有一个变革小组，在培训过程中去识别那些能提出问题、能快速理解我们语言的人——这些人未来会是AI落地的核心力量。
第五，AI是一把手工程。如果AI落地在核心领域，它必须是一把手工程。AI落地并不是产品上线，本质是一场管理变革。
业务单元配合落地绝对不是义务，而是要赋予责任，上KPI有奖有罚，不换脑袋就换人，企业可以弯道超车，员工也能跳脱论资排辈，激发大家拥抱变化的勇气，董事长亲自推、总经理亲自推，效果才能出来，大家才会真正认可。
第六，举行AI大赛，激发全员创意。在公司内进行AI大赛，我们把它叫作"创意融资"。不是说你提的方案必须通过，而是鼓励大家把想法拿出来，创意比什么都重要。
在征集场景的过程中，会发现很多场景可以用数字化解决，那就交给内部的数字化团队去持续改进。
还有一部分是个人助手级的AI场景，我们不建议公司过多投入，通过低代码平台让员工自己学会搭建智能体——比如我们在一家新能源头部企业做AI转型，有一个HR培训专员，通过辅导，他自己就能搭一个HR智能问答智能体。
这样的员工在原来的部门里，可能只是普通员工，但在AI时代，他们比其他人更早地成为了超级个体。这些不需要直接公司投资，而是通过激励机制、内部培训给他们赋能，让他们自己长出来。
第七，数字化和AI不能完全割裂。公司级的场景需要更慎重，要区分什么是数字化场景、什么是AI场景。
AI能解决数字化过程中周期长、成本高、无法迭代的问题，更可以在数字化没有覆盖的地方为企业产生效益，因为那些地方往往是经验地带，也是组织最应该沉淀的能力之一。
但不管在哪个领域，在做AI之前，先把业务规则和数据之间的对应关联关系梳理清楚，毕竟很多专家都是肌肉记忆，讲不清楚为什么，这也是我们能帮助企业成功转型的核心，元认知搭建是AI的前提。
第八，如果在公司内有些部门实在推不动AI变革，不要硬推。从配合度高的部门开始，以小切口MVP完成可行性验证，既能让企业有短期ROI，还能让其他部门看到希望。
第九，从战略、价值、可行性、组织适配四个维度去评估，找到匹配的场景。如果四个维度都匹配，那就是满分场景，建议重点投入；如果某个维度有缺失，可以放在第二批。
三、AI助力企业的核心竞争力
1.AI产品的核心价值，在于帮助企业放大自身的核心竞争力
所有AI场景的核心价值，都是帮企业放大自身的核心竞争力。AI本身的平权属性，最终能跑出来的，还是那些能通过AI把核心竞争力无限放大的企业。
所以，我们要回归企业本身的核心竞争力，突破中等收入陷阱，让企业避开方向迷失和方法误区。
我们总说未来会有很多新产品带来改变和颠覆，曾经看似无法突破的建筑装饰行业，还有烟草行业，一个数字化水平偏低，一个业务极其抽象很难客观反馈，都会出现大规模的变革。
所以不管是什么行业，可以先做小范围MVP验证，如果小范围可以走通，再慢慢扩大范围，实现更广的覆盖。过去做场景试验，要投入大量的数字化研发资金，还要配齐各类人才，搭建新业务团队的难度也很高。
但现在这些难度都降下来了，未来AI也能帮我们在传统布局里实现更多系统创新。我们已经整理出了对应的方法论。
第一，小数据样本。即把行业专家本身当作一个行业级模型，提取他们的相关资料，提炼信息来源，再用沉淀迭代的方式，解决AI推荐不可控的问题，让AI用专家的思维方式去处理日常工作问题。
但它的难点在于，一方面专家主观上可能不愿意配合，另一方面客观上也存在不少壁垒。这就需要企业一把手在主观层面，为专家的未来发展做好保障。
客观层面，我们可以借助咨询专家的力量，用第一性原理把专家的思维链蒸馏出来，这需要很强的结构化思维和系统性思维，才能把专家分析问题、解决问题的方法真正挖掘到位。
第二，逆向工程。我们现在用到的各类方法，不管是学习AI的方法、解决实际问题的方法，还是工厂化运作的方法，本质上都是逆向工程。
简单说，这些方法长期来看可行，但现阶段落地起来还有难度。我们本想以结果为导向应用AI，却被固有的思维方式困住了。我们分析后发现一个现象：越懂模型的人，越难把企业级AI落到实处，核心原因就是他们太拘泥在模型本身里了。
第三，原子级任务拆解。我们实行AI的关键，就是把复杂的任务拆解开来，让拆解后的结果适配未来的发展计划，适配AI的学习和落地。
AI的科学应用方法其实很简单，就像原子结构分析一样，一层一层往下拆解、深挖，问题自然就能解决。
而我们应用AI的本质，就是不想让AI随意作答，要通过方法设计，将AI的解法引导到完全没有错误的可能性上。如果一开始的底层梳理不够准确，后续工作肯定做不好。
我们最早做项目时就发现，第一次的结果怎么都做不对，后来才发现，关键是要把相关元素之间的关系做结构化分解，这一步做扎实、做到位，才是后续所有工作的前提。
做好这一步后，我们还要做这些事：定义清晰的概念和标准，确定试点执行的人员，然后进行任务编写。
包括为每个任务匹配对应的模型、编写专属提示词，结合外在场景、角色定位和专家引擎来推进，接着搭建共享平台，在平台里加入动态反馈机制。
我们之前以故障大师的相关工作为例做过实践，参与这个项目的过程中发现，只要做好上述步骤，每一次出现的错误都能被规避，长期坚持就能彻底解决这类问题。但这过程中，专家和我们执行方都有压力，必须双方共同参与，才能把事情做好。
任务拆解之后，不能把拆解结果只放在平台上，不然会出现不可复制、不可维护、不可迭代的问题。我们必须对拆解结果做平台化和工程化处理。
以贸易采购平台的搭建为例，走平台化的路主要有两条，其中AI编码这条路虽然会遇到不少问题，但多尝试，之后总能找到解决办法。我们也摸索出了对应的思路，成功实现了从0到1的平台搭建。
现在能看到明显的效果，像复杂的调价系统、各类工程化系统，落地的效率都提升得非常快，也能让大家更高效地做决策。
为什么我能自己搭建一个平台？不是我有多出色，更多是靠自身的复合能力——思维模式、从业背景，以及企业家精神。
我们这套方法，能解决企业高度难标准化的问题，还有让大家头疼的销售问题。
要解决销售问题，不是让AI像销售一样喋喋不休的介绍，而核心是让AI能像顶级销售一样思考，提高销售人员的均线水平。
先把出方案的过程做原子级拆解和结构化梳理，同时借鉴行业里成熟的标准方法论，规范销售的过程和优化方案内容，有意识的识别成交关键节点的风险并和客户做更专业的沟通。
在平台搭建上，我们也做了大量的数据相关工作，比如动态搜索、内外部的AI分配机制，还有黑名单机制、溯源机制、时间范畴机制。
另外，会研究每份报告之间的关联逻辑，思考怎么优化局部章节、怎么做智能培训。我们想尽办法做方案的自动智能培训，提炼出核心要点。
2.AI的持续进化
AI持续进化的难点，在于把PDCA落到实处。很多客户希望AI可以解决他们所有问题，希望上线即巅峰，其实背后的根因是把AI当成了许愿池里的"王八"。
目前来看，这样想法的人付出了惨痛的代价，判断AI能不能上线，不是看它懂多少，而是它懂的都是对的，不懂的还可以继续教它，它可以持续学习进化。
在我们看来，没有PDCA的AI是没有长期价值的，AI的核心原理，是要做成类人、会自主学习的AI，而不是一次性的交互上线系统。
第一，一定要明确AI该学什么、不该学什么，保留人类否决权。如果让AI什么都学，很快数据就会混乱，上线之后必然会遭到大家的质疑。
第二，像培养Baby一样培养AI。要让我们的技术部门深度参与到甲乙方的所有业务部门中，给足时间，助力团队成长进步，就像培养自己的孩子一样，让AI能力越来越强。
第三，AI时代的核心是创新，而不是抄作业。如果只是照搬别人的东西，对方肯定不会把最好的方案、最大的价值交付给我们。所以，"制定规则+激发创意"才是更重要的事。
我们在各个业务中沉淀的经验和方法论，最终让我们学会的，是解决复杂问题的能力，是如何用最小的成本、走最优的路径把事做成，把这些任务真正落地，才是最精彩的事。
第四，放大差异。AI时代，企业家最该秉持的精神是放大自身差异，而不是盲目模仿，也不建议大家随便照搬其他公司的方法，因为这样绝对做不出最好的成绩。
企业要打造属于自己的、易获取的无创解决方案和AI智能平台，这才是真正能沉淀下来的核心竞争力。如果只靠人才，却不结合自身情况，那这些人才未必适配自己的企业。
同样的问题，解法不同，结果就天差地别，企业培养打造AI能力的过程，其实就是构建自己壁垒的过程，这个格外重要。我也碰到过很多企业家，都在选方法这件事上出了问题，所以，一定要学会根据自身情况调整方法论。
第五，小场景、小切口入手。做AI转型，要敢定高目标、愿意高投入，但一定要从小场景、小切口入手，保证每一次投资都能看到实际效果，再把这些成果放大到更大的业务舞台，而不是为一次性的创新买单。
当下这个时代，企业经不起反复犯错，要把目标、边界、成果的成功标准，在管理层层面一次性对齐，先落地一个可验证的场景，把基础打牢，后续的工作才能推进。在此之前，不建议公司大规模投入。
第六，组织驱动。做AI转型要从企业的核心价值出发，把各项文件资产化，靠组织内部形成驱动。归根结底，AI转型要聚焦企业的核心产业领域，就是帮助企业把自身的核心竞争力不断放大。
第七，AI转型千万切忌大而全。常有人说出来混最重要的是先"出来"，敢迈出第一步才是关键，目前我们AI转型成功的企业都有一个共性，就是小步快跑，干中学。
第八，AI时代，应该更看重人的创新特质。人才体系需要跟着演变，适配企业自身的发展需求。这和我们过去判断一个人的稳定性完全不一样了。上一个时代的英雄，很难在下一个时代继续成功。
哪怕这些英雄手握最好的人才、最强的品牌竞争力和最充足的资金，在新的项目上也难成，深层次的原因就在这里——考核标准很难为了创新体系做出改变。
所以，到了AI时代，我们的人才筛选标准必须改变，不能再用老一套。AI时代更看重的是人的创新特质，不是不允许犯错，传统行业的核心考核标准依然适用，但对于创新型人才，就要不拘一格选人才。
四、拥抱AI，就是拥抱变化
我们不用怕自己现在不懂AI，觉得跟不上节奏。很多人学AI，想着从0到1啃完一本书就行，但AI时代，等你把书读完，里面的知识早就过时了，甚至书还在创作的过程中，内容就已经不适用了。
所以，我不建议正向学习，不如反向学习：先别啃那么多书，等遇到问题，发现自己知识不够用了再去补，不然提前学只会陷入纠结，倒不如活得洒脱点。
学习本就该从需求出发，过去我们是先学物理知识，再去实践应用，现在我都是遇到解决不了的问题，才去针对性学习。
我这人其实也挺"懒"的，能不解决的问题就不解决，但真遇到解决不了的，就会想办法找创新的方式去替代。
这其实就是以终为始的思维，能让我们实现快速落地、系统迭代，也能把任务分解做得更结构化。
AI时代，我们最该做的就是打碎固有的认知。拥抱AI，就是拥抱变化。身边很多人喊着要做AI，甚至有人说要辞职专门做AI，最后却还是没跟上。
这不是他们没有做事的勇气，而是没有打破认知的勇气，连跳出舒适区的决心都没有，更别说为了做AI拼尽全力。
认知的改变本就是最难的，聪明人尤其容易陷入自我中心，固守过往的成功经验，说到底还是恐惧失败——毕竟在原来的领域已经成功了，万一在AI领域做不好，心理压力就会特别大。
但AI时代，我们更需要打磨底层能力，别怕失败，就算失败了大不了从头再来。打破头脑里的认知枷锁，才是AI转型成功的第一步。
从个人维度来说，越早使用AI越好；从企业维度来说，我们也该主动找AI的落地场景。AI时代已然来临，我们一定要记住，拥抱AI，就是拥抱变化。
我们正身处AI狂飙、全球格局重构的大变革时代，但绝大多数人的认知框架、组织形态、行动逻辑，还牢牢锁死在前全球化、前 AI 时代的旧范式里。
旧的创业法则撑不起新的时代，过时的认知系统换不来未来的增长。
笔记侠 PPE（哲学、政治学与经济学）课程，专为第五代企业家打造AI时代的完整认知操作系统，带你读懂AI科技经济与智能商业、AI哲学与文明演进，打通全球贸易、经济政策、国际政治与全球治理的底层逻辑。
驾驭技术、洞察世界、扎根中国、修炼心力，在时代变革中，找到属于你的决策底牌。
穿越变革的旧世界，找到时代的新大陆，从【PPE：未来3年和AI时代的决策底牌】开始。
笔记侠PPE课程26级招生即将截止，5月16日开课，现仅剩最后7个名额。
*文章为作者独立观点，不代表笔记侠立场。
好文阅读推荐：
比龙虾更强？它一夜冲上全球第一！
马斯克：未来3年很难熬，必须做对几件事
"子弹笔记"是笔记侠的矩阵公众号，聚焦职场效率追求、人际关系与高潜成长者，帮你3分钟吃透核心观点和方法论。欢迎关注～
分享、点赞、在看，3连3连！
