内容来源 | 本文摘编自机械工业出版社书籍
《CEO AI 挖矿指南》合思创始人兼 CEO 马春荃著
责编 | 二月
第 9924 篇深度好文：6040 字 | 10 分钟阅读
AI 很热，但企业真正用它赚到钱了吗？
不少企业尝试将 AI 嵌入产品做局部提效，却发现客户不愿为此付费，根源在于仍沿用旧软件思维看待 AI —— AI 作为全新生产力，其价值边界不在于模型能力，而在于人的认知。
企业用好 AI 的核心，是厘清 AI 的权责边界、重构人机协作模式，挖掘被低效与组织结构所掩盖的利润，这正是 AI 时代企业重构利润的转型之路。
本文把复杂的 AI 转型拆成找矿、采矿、炼矿、分矿四个看得懂、记得住的动作。企业在 AI 时代重构利润的完整路径，如图 1 所示。
1. 产品创新的两条路径
如果我们把企业 AI 落地比作一场价值 " 找矿 "，那么最先要辨别清楚的就是矿脉的分布类型。回望电气化革命的历史，两种截然不同的创新路径恰好为今天的企业 AI 转型提供了清晰的底层参照，如图 2 所示。
①延展式创新
一种路径是沿着电网架设电灯，可以叫作" 延展式创新 "。
电的普及带来了无数看似微小却体量巨大的商业机会：看到灯泡在发光的同时会发热的特性，人们发明了烤箱和电暖器；有了灯泡照明产生的光影，由传统的皮影戏衍生出了银幕上播放的电影；后来人们想把电影装在盒子里带回家，于是就有了电视；再后来又有了手机和平板电脑，直到今天的新能源汽车，整个社会的电气化已经无处不在。
这些五花八门的终端应用，才是真正创造巨大商业价值、改变人们生活的关键。
电灯这种延展式创新的逻辑是，沿着已经铺好的 " 数据网络 " 去找矿，寻找 AI 应用落地的产品创新点。哪里有电网，哪里就可以安灯泡；哪里有对灯泡的高密度需求，就在哪里率先铺设电网。
AI 的商业创新亦是如此，哪里数字化程度高，哪里就是 AI 创新的富矿。
②跨越式创新
另一种路径是点对点安装设备发电报，可以叫作" 跨越式创新 "。1858 年第一条跨大西洋电缆铺设成功之前，纽约交易所和伦敦交易所之间的行情传递完全依赖跨大西洋蒸汽船，单程就需要 10～ 14 天。一条从伦敦发出的棉花价格消息，等到达纽约时已经完全失去了时效性，无数商人因为信息差倾家荡产。
正是这种极端迫切的高时效性需求，催生了电报这种跨越式创新——它不需要等待全国性电网的建设，甚至不需要统一的电力标准，只要解决了点对点的通信链路问题，就能直接产生巨大的效率提升。
电报这种跨越式创新的逻辑是，无须等待数据完备成熟，只要价值足够大，就可以为企业提供跨越式破局的可能。在高价值场景中深耕研究，寻求点对点突破，也可以找到 AI 应用的富矿脉。
这两条路径不是二选一的关系，而是互补的。电灯式创新从已有优势出发，在成熟的基础设施上做确定性高的应用创新，适合稳扎稳打、步步为营。电报式创新从价值机会出发，在高价值场景中做跨越式的单点突破，适合开辟新战场、建立新壁垒。
前者是 " 顺着电网点灯 "，后者是 " 为了通信架线 "，但它们有一个共同点：都必须扎根在具体的业务场景里，解决真实的问题。
2. 延展式创新的必要条件
AI 的发展依赖三个要素：算力、算法和数据。
当前的 AI 产业格局中，赚得最多的是大模型厂商和英伟达（NVIDIA）这样的算力供应商。这就类似于电气化革命早期，最赚钱的是修发电厂和铺电缆的人，所有东西都在按电量计价，这是基础设施建设期的必然现象。
但长期来看，发电厂虽然重要，但如果没有灯泡这样的终端应用，发电厂根本不会普及，也没有真正的使用场景。
麦肯锡 2018 年发布的一份关于 AI 产业应用现状的报告显示：预计到 2030 年，AI 将为全球经济贡献高达 13 万亿美元的增量价值，其中垂直行业应用将占据最大份额。
制约 AI 发展的瓶颈已经转移到了第三个要素：数据。更准确地说，是数据的完备性、规则的清晰性和适配场景的规模这三个必要条件决定了 " 数据电网 " 的建设质量。
在 AI 时代 " 找矿 "，如果选择 " 沿着电网点亮灯泡 " 这条路径，企业自身的这张 " 数据电网 " 一定要建好，不然有灯泡也点不亮。
" 数据完备 " 是延展式创新的第一个必要条件。一项业务如果没有完成数字化，就无法通过 AI 激活价值。数据不存在，AI 就无从下手。数据完备不仅要求 " 有数据 "，还要求数据的质量、格式、连续性和可获取性都达到了 AI 可用的标准，业务全流程能够形成闭环的数据链路，并且数据沉淀充足、质量可靠。
第二个必要条件 " 规则清晰 " 是 AI 能在企业中稳定运行的保障。规则清晰就是，什么被允许、什么被禁止、操作的边界在哪里都有清晰成文的标准，不依赖个人经验，不依赖主观判断，不存在模糊地带。数据是 AI 的土壤，清晰的规则是 AI 生长的框架。没有明确的规则边界，即便数据再完备，AI 也容易出现逻辑混乱，带来效率和风控的双重漏洞。
第三个必要条件可以描述为 " 规模够大 "，这是确保 AI 落地具备经济可行性的前提。一个应用场景如果数据完备、规则清晰，但一年只发生十几次，AI 落地的投入产出比就过低。值得 AI 介入的场景必须是发生频率高、覆盖面广、涉及大量重复性劳动的业务实践。
采矿：从 SaaS 到 RaaS 的商业模式变革
1.AI 让软件的价值透明化
2026 年春节，几家 AI 大厂搞了一轮大规模补贴，发放了各种红包、优惠券，试图拉动用户使用自家的 AI 应用。效果怎么样呢？大量用户领了补贴之后，用 AI 干的最多的事情无非尝试一下 " 帮我点杯奶茶 "。
他们没有因为 AI 应用发了补贴就改变自己的消费习惯，平时该用哪个外卖软件还是用哪个，该在哪家店点奶茶还是在哪家。补贴一停，这些用户就消失了。
传统的用户增量已经见顶，流量也越来越贵。在一个存量市场里搞补贴大战，烧的每一分钱换来的都不是真正的用户增长，而是用户暂时的注意力，一种脆弱、容易消散的东西。
各行各业的价格战都是一样的。你把价格打到极限，抢来了一个客户，但这个客户不是因为认可你的价值才选择你，只是因为你的价格便宜。明天出现一个更便宜的，他就会走，你并没有建立起真正的市场优势。
说了这些行业顽疾，画面看起来挺灰暗的，低价竞争的局面真的无解吗？我想说：AI 时代的到来，让我们看到了这个死结被解开的希望。
原因很简单：AI 让软件的价值变得可量化、可验证了。
2.AI 重新定义市场格局
产品的 AI 能力升级和按结果付费的商业模式变革，组合到一起产生了化学反应，实现了一个我们追求的战略目标：把 AI 能力从合思的费控系统中解耦出来，如图 3 所示。
我们曾经尝试的路径是 " 费控 +AI"，客户要用合思的 AI 智能审核，就必须先买合思的费控系统，整个销售逻辑是捆绑的：我们的 AI 能力基于我们自己的平台，离开这个平台就无法使用。
这意味着每拓展一个新客户，都需要先说服他把现有的费控系统换成合思的，然后才能用上 AI。这个门槛很高，很多企业的财务系统是和 ERP 系统深度绑定的，牵一发而动全身。常见的结果是我们的AI 能力确实很好，但大量潜在客户因为系统切换的成本太高而被挡在门外。
解耦之后，逻辑完全变了。新客户不需要采购合思的费控系统，他可以根据自身的具体情况，选择最需要合思先帮他解决的那个问题所对应的产品。客户现在最头疼的是审核效率？那先上智能审核 Agent。客户的痛点是商旅管控？那先上商旅 Agent。
这极大地降低了新客户的进入门槛。过去是 " 全家桶 " 式的销售，现在是 " 单点切入、逐步扩展 "。我们可以先用一个最轻、最急需的产品同客户建立信任和合作关系，后续再根据客户需求逐步展开其他合作。
" 按结果付费 " 的逻辑降低了客户的决策门槛和试错成本，让合作得以从小处开始，从信任开始。
3. 要做 " 懂客户 " 的基础设施
未来 AI 编程构建产品的能力会越来越强，我估计再过不到 10 年，除了 AI 技术本身的提供者，可能没有人会再用传统意义上的 " 软件 " 了。大家用的应该是各种各样的 AI 智能体，AI 的底座能力来自大模型厂商，而中间那些做应用层软件的公司，如果不完成转型，就会被夹在中间，两头承压。
面对这种局面，软件厂商怎么活下去？我认为有两条路 : 一方面深耕客户需求，积累行业 know-how（技术诀窍），把 AI 审核的准确率和场景覆盖率做到极致；另一方面持续投入底层能力研发建设，确保我们的系统在底层是可靠的、精确的、经得起检验的。
上层用 AI 做灵活的智能处理，下层用确定性的代码做精确的逻辑保障，我相信这种 "AI+ 基建 " 的组合才是软件厂商最坚固的护城河。
我们谈的主要是商业模式转型，在转型的过程中，我越来越强烈地感受到一件事：产品和商业模式的变化一定会倒逼组织革新，如图 4 所示。
产品变了，商业模式变了，市场生态关系变了，组织不可能不变。如果组织的能力、结构和文化不匹配，再好的产品和商业模式都会在执行层面变形走样。
1. 组织重构：前线深耕与前沿探索
AI 时代的到来，数据的获取和处理方式在变，流程的形态在变，算法的调用逻辑在变。如果底座变了，而我们还站在原来的位置上，那么做出来的产品、搭建出来的组织都会与新的现实脱节。
要理解 AI 时代的组织变革该怎么做，就得理解一个更底层的问题：从 " 流程驱动 " 到 " 模型驱动 "，中间到底经历了什么？ 这个演进可以分成三个阶段，如图 5 所示。
第一个阶段是流程驱动。
在流程驱动模式下，员工要办什么事，就知道 " 这个单子该找谁审批签字 "；到了数字世界，我们的管理软件也是根据每个企业的管理流程来设置节点和程序，员工填完一个单子就转移到他的上级主管那里审批，层层递进。流程驱动的管理软件提升了企业各层级之间信息流转的效率，也减少了人为的疏漏，降低了随意性。
但它的局限也很明显：流程是固定的、线性的、单向的。一旦业务场景发生变化，比如新增了一个审批层级、调整了一个费用标准，就需要去修改软件平台上的流程配置，整个系统的灵活性受限于流程设计的精细程度。
第二个阶段是数据驱动。
数字化时代带来了一个根本性的变化，数据开始替代流程中的部分人工环节。数据驱动的核心逻辑是让数据自己说话，减少人在流程中的介入。但本质上，数据驱动还是在流程的框架内做优化。流程还在，只是其中一些人工节点被数据自动化替代了。
第三个阶段是模型驱动。
当 AI 不再是一个附加功能，而成为组织运转的核心枢纽时，就从数据驱动进入了模型驱动阶段。这是一个质的变化。过去的流程驱动是线性的、单向的，填好表格，沿着固定的流程线走一趟，每个节点的人看一眼、签个字。整个交互是一次性的，信息传递是结构化的。
但模型驱动完全不同，模型就像一个枢纽，它会识别、推理、分发、决策和控制。每次交互不需要填写复杂的结构化表单，三言两语让模型理解了意图，它就自动去做下一步动作，该调用什么数据就调用什么数据，该触发什么规则就触发什么规则，该转给谁就转给谁。
2. 组织管理：从岗位进化到管理升维
转型必然伴随阵痛：AI 的不确定性、人的路径依赖、尝试后的预期落差，都可能构成转型的负向循环。而穿越阻力的核心终究要回归人本：激活懂业务的核心人才，以深度连接替代流程管控——技术越向前，管理越要回到人本身。
理论是理论，落到实践中，我逐渐形成了三个具体的思考维度，如图 6 所示。
第一个维度：AI 优先。
这几个字说起来容易，做起来要考虑两个层面。
第一个层面是使用习惯，能用 AI 的时候就用 AI，让它成为日常工作的默认选项而不是可选项。这一点现在越来越多人开始接受了。
第二个层面更为重要，即从 AI 带来的新生产模式出发，去思考新的机会点。不去思考 " 我现有的业务哪里可以用 AI 优化 "，而去思考 " 如果我从一开始就假设 AI 的能力存在，我会怎么设计这个业务 "。
这两个问题看似相近，答案却可能截然不同。前者是改良，后者是重构。
第二个维度：不做端到端的规划。
过去上线一套系统之前必须把流程全部梳理清楚，因为传统软件的开发成本高、试错成本高，上线后如果发现流程设计有问题，改起来代价巨大，所以必须设计得严丝合缝，而端到端规划是基本功。
但 AI 时代完全不同。AI 的能力恰恰在于它可以 " 截断式 " 地完成。哪里有问题就在哪里治理，不需要等一套完整的规划做好才动手。过去靠周密的前期规划来保障的可靠性，现在可以由快速试错来保证。错了就改，改了再试，试的成本极低、速度极快。
这个逻辑放到组织变革上同样适用，组织变革也要在动态中快速添加 AI 的能力。
第三个维度：消灭比改善更有效。
这个观点受到资深财务专家付军华的启发，大意是：管理过程原来有很多环节，你在一个环节上提升 5%、10%，效率确实在提升，但其实最好的方法是把这个环节拿走。不是优化它，而是消灭它。
管理学界也有类似的洞见，省下 5% 很难，但省下 50% 反而容易，因为省 5% 靠的是在现有框架内抠细节，而省 50% 靠的是重新设计框架、把不必要的环节直接砍掉。
到了 AI 时代，" 消灭 " 的能力被进一步放大了。过去很多管理环节存在的原因是 " 防止舞弊作假 "，所以不同岗位之间要设置互相监督、层层审核的机制。但 AI 不需要这些，只要让 AI 去监控，它就会时时刻刻、不知疲倦地监控，不会漏掉，不会偷懒。
过去需要三个人互相牵制才能保障的合规性，现在一个 AI 就能覆盖，而且覆盖得更全面、实时性更好。这意味着大量原本为了监督而存在的管理环节可以被直接消灭。
分矿：人本价值激励与人机共生社会
1. 分解任务，为 AI 服务
光能看清问题还不够，你还得能把问题表达和拆解清楚，AI 才能真正为你工作。这就是 AI 时代人的另一个重要技能：任务分解。
把一个大任务分解成足够小、足够聚焦的子任务，每个子任务的目标明确、边界清晰、验收标准清楚，AI 的执行可靠性就会非常强。反过来，如果你甩给 AI 一个模糊的大目标，例如帮我把这个报表做了，它大概率会做出一个看上去像那么回事但经不起检验的东西。
我们通常说 AI 是为人类服务的，帮人干活、替人审核、给人做分析，但从另一个角度来看，也可以认为是人类在为 AI 服务，帮助 AI 进化得更完善。
AI 时代对人的能力要求可以归结为一个链条：分析问题的本质→规划和分发任务→把任务翻译成 AI 能理解的指令→不厌其烦地调试以找到驾驭 AI 的合理方式。
2. 人机共生时代的价值锚点
人和 AI 各自创造的价值该怎么衡量？这是一个看似抽象但极其实际的问题。
当 AI 成为人类普遍使用的生产工具，一个劳动者操控工具的能力本身就是一种价值创造。就像开车技术好的人可以当司机，用 AI 写代码的人就是程序员，用 AI 作曲的人就是音乐人。
当然，用 AI 写的代码能不能跑通、用 AI 谱的曲子是不是好听，这就是产品价值判断的问题了。
进入 AI 时代后，对 AI 工作成果的定价催生了新的商业模式。而对人与 AI 协同能力的定价则决定了我们如何找到自身存在的意义，这其实是个存在主义哲学范畴的命题。
我并没有完全想清楚这个命题的内涵和外延，但有一个可能的思路是，我们要敢于定义自己的任何一份工作，就像瓦特定义了 " 马力 " 一样，每个行业的每个工作者，都需要找到定义自己工作价值的 " 马力 "。
五、总结
AI 不会让人变得多余，它会让人变得更加全能。组织不会因为 AI 而瓦解，它会让组织变得更加高效。AI 时代的商业逻辑改变的是人类与工具的协同方式，而企业追逐效益的永恒目标以及以人为本的价值导向始终不变。
* 文章为作者独立观点，不代表笔记侠立场。
