出品｜虎嗅科技组

作者｜陈伊凡

编辑｜苗正卿

头图｜中欧商学院提供

2025 年 12 月 12 日，中欧国际工商学院的上海校园内，一场关于 AI 在企业内部使用情况的讨论正在进行。

" 大家对 AI 的期待有多高？实际落地的满意度又有多少？"

中欧国际工商学院 "AI 赋能企业盈利战略 " 课程的开场问卷揭示了一个普遍困境：大部分学员对 AI 落地效果不满意。

当天，这所商学院正式推出全球首个系统性融入 AI 智能体教学模式的课程，试图为企业 AI 转型的 " 理想与现实鸿沟 " 提供新解。在现场，教授让学员分组试验了这款 AI 智能体，通过智能体，帮助一家企业解决危机。

这门课程以 " 一家长期亏损的酒店实现可持续盈利 " 为教学案例，将案例背后的中国高端酒店行业的真实背景和数据作为应用场景嵌入 AI 智能体系统。在 AI 智能体引导下，学员 " 学即所用 "，可通过调用不同智能体与工具，将课堂所学知识结合最新 AI 范式开展决策分析，从而跳出单一职能视角。

笔者作为观察者，深度参与了这门课程与讨论，试图从第三方的视角看企业家对于 AI 的焦虑、对于在自身业务中运用 AI 的尝试。

企业 AI 改造的困境：边跑边积累数据

" 我们投入巨资做 AI 改造，结果发现需要招更多人来辅助 AI 系统。" 尽管听着就不对劲，但这是很多企业面临的困境。

有企业家直言：" 数据没打通、流程靠经验，成立 AI 部门后反而成了孤岛，跨部门协作时连定价体系改革都推不动。" 这也说明，如果 AI 改造不是一把手工程，很难推动下去。

笔者平时在与一些做 ToB 垂类智能体的初创公司交流时，创始人表示，很多时候他们会直接要求和老板谈。不过他们也表达了一个和 SaaS 时期的不同。在 SaaS 时期，因为数字化解决的是企业某一个单一的需求，效果很难呈现在结果上，往往很难说服老板投入，因此这些初创公司通常采取按结果付费的模式。而到了 AI 时代，部署这类 AI Agent 后，企业利润提升的部分可以被明确量化，初创公司可以从中按比例抽取提成。这其实也是当前 AI2.0 时期区别于 SaaS 的付费方式。

另一个感受是，现场的企业大多已是成熟企业，这和从 AI 原生环境中构建自己的业务和组织的初创公司不同。成熟企业的优势是，有场景、有数据积累，但同时也存在一些路径依赖，许多企业在 AI 时期表现出了焦虑。

这种焦虑和困境，在不同规模的企业中呈现分化。课程主设计师、中欧国际工商学院营销学助理教授鲁薏指出，基础模型大厂例如 Open AI、字节、谷歌、阿里等，通过构建基础模型，定义下一代技术范式。他们拥有超大算力、超大数据；特定行业龙头企业，例如金融、法律、医疗、制造、能源和 SaaS，通过构建垂类模型，提供行业领先的 AI+ 服务。这些企业数据高度专用并且可以持续积累，但是行业知识复杂、规则严格，这部分的数据，需要防范模型幻觉的问题。

对于一些其他企业，数据就绪，拥有干净、结构化并且打标的核心数据，可以通过现有的数据资产，构建决策职能和预测模型，但这类企业更注重安全合规。比如，有一些企业就表示，他们想要得到外部的数据，但又不想把自己的东西给别人看。现场有一家传统企业提出，他们更倾向于训练内部小模型，以保障数据安全和知识产权。

还有一家刚接触到 AI 的传统贸易企业，正处于 "AI 焦虑 " 状态，担心不投入会被淘汰。目前主要利用自身经验积累资源，AI 应用较弱，处于购买方案或工具的阶段。

这些分化当然也取决于不同企业的资源差距。大厂在 AI 领域的投入巨大，中小企业普遍缺乏财力和技术基础。

有学员提出，AI 可能会加强大厂和小厂的差距。尤其是一些企业，应该也是现在的大多数，他们没有结构化的数据，流程依赖个体经验，系统没有打通，这类企业在 AI 时期的焦虑非常明显。高质量的数据在 AI 时代至关重要，如果企业尚未完成数字化转型，缺乏结构化数据的积累，很难有效应用 AI。

但鲁薏提出，这类企业依然可以利用新范式，打造 AI 原生的项目，边跑边创造、整理数据。AI 2.0 时代，仍然会有一些之前没有经过 SaaS 阶段的企业，直接跳过 SaaS，进入 AI 原生时代。

课程现场，鲁薏给出了针对这些没有结构化数据或是数据缺失的企业解决方案，他们可以引入反馈学习的机制，根据实时数据，动态迭代地生成相应的内容。

在 AI Agent 的时代，大模型技术已经不是卡点，模型的成本在逐渐降低。笔者发现，已经有不少企业尝试通过复杂的提示词工程来构建产品，其实考验的已经不是技术，而是产品力，这对于预算少的公司来说，是一个选择。

AI 智能体到底是什么？企业该如何做 AI 改造？

说到 AI 改造，很多企业家的疑虑在于，这到底和 SaaS 有什么分别？笔者发现，这样的疑虑尤其在中国非常普遍，这与中国 SaaS 的土壤有关。

这涉及到智能体的定义，以及它解决什么问题。智能体的核心，是提供端到端的解决方案，它能整合知识库、调用 API、模拟老师傅经验，甚至根据业务目标自主迭代。简言之就是，智能体提供的，是一个垂直环节的端到端解决方案，而 SaaS，解决的是不同环节上面一层薄薄的需求。

构建智能体，相当于培养一个新的员工，而这个员工还可以持续迭代。智能体的构建，需要具备以下几个要素：

首先是通用能力，这是由基础大模型提供的；其次是业务培训，这是以知识库的形式提供，无需训练专属模型；第三是员工守则，这是通过系统提示，划定边界和角色约束；然后是经验传承，提供专家范例，供智能体学习。

在这个过程中，特定领域的专家经验是一个智能体能够取胜，并且区别于其他企业的一个关键护城河，因此对于企业来说，员工的经验非常重要。还有一个要素是技能增强和反馈学习，通过这种方式能让智能体自我迭代，基于数据表现持续优化策略，适用于历史数据缺乏的企业。

还有一个关键则是组织能力的建设，需要懂技术的业务人员，既能懂业务逻辑，又能准确地把需求传达给大模型；另外还需要建立大模型测评机制，由专人负责测试不同任务适配的最佳模型，避免用错。

根据麦肯锡的调研结论，智能体尚未在企业内大规模部署，目前智能体的应用仍然处在早期探索阶段。当然，在一些领域，AI 智能体的落地效果已经先行体现，比如在一些降低成本的领域，例如软件编程、制造业和 IT 运维上的效果明显；在增效领域，营销、战略、公司金融和产品服务设计等环节的应用较多；另外，医疗和电商，是当前智能体应用最广泛的领域。

对于成熟企业来说，究竟在什么场景构建智能体？究竟在什么业务上做全链路的 AI 智能体改造？首先是把 AI 先用起来，" 干中学 "。

选择一个合适的场景非常重要，鲁薏给出的方案是，高价值的业务场景、技术成熟度以及员工意识薄弱的环节，可以先进行 AI 改造。

AI 改造的落地路径是一个双螺旋驱动模型。首先是在战略层，高层决心明确，主导业务流程重构；其次在执行层，确保数据、模型、工具、学习四个环节有人负责落地。两层螺旋耦合，方能加速 AI 价值的实现。

商学院如何应对 AI 的挑战

AI 技术正颠覆性地重塑企业生产与组织模式，也对管理知识的创新、商科教育的人才培养模式提出了全新要求。

尤其是在 AI2.0 时代，没有人看得清商业的未来，当企业家来商学院找答案时，希望知道如何在自己的企业中将 AI 用起来。

中欧国际工商学院院长、管理学教授汪泓指出，面对技术浪潮，商学院必须积极探索和创新教学方法，培养融会贯通 AI 理论、技术、产品与应用的复合型人才。

鲁薏介绍了中欧智能体的 " 三重角色 "。首先，作为工具，AI 可自动完成数据分析和模型计算。她指出，定价决策是一门跨学科、跨专业的课程，涉及经济学、营销学、会计学等不同领域知识和量化分析内容，AI 工具有效解决了商学院量化课程的授课痛点，将复杂的数学计算和模型封装为交互工具，使学员能聚焦于决策逻辑而非数学过程，实现不同背景学习者的 " 认知平权 "。其次，作为合作伙伴，系统引入 " 虚拟人设（Persona）" 功能，模拟消费者、企业内部不同职能部门的角色参与互动，辅助同学思考、验证策略可行性。最后，作为导师，AI 可以通过课程中实时的交互行为与对话数据为学生提供个性化反馈，在未来将基于海量案例库提供深度决策建议。

课堂现场也根据具体的案例，使用 AI 智能体进行案例学习，尝试为企业寻找出合理的解决方案。

鲁薏说，AI 时代，课程评价体系也正在从单一结果导向，转向多元化、综合性的能力评价体系，更加注重培养学生应用知识解决问题的能力，以及批判性思考和创新的能力。设计这门课的初衷，也是希望让大家正视 AI 的能力边界。AI 不是万能的，它的价值在于拓展人类的决策视野 , 而不是替代人的判断。如何充分调动和激发学生的学习自主性，推动人机互学、更好地协调人与 AI 的配合方式，这是一个需要持续探索的课题。