IBM 首席执行官 Arvind Krishna 在采访中分享了关于人工智能（AI）在企业中发挥价值的独特见解，强调 AI 成功的关键不在于技术本身，而在于组织结构的彻底重构。他提出，企业不应将 AI 视为简单的工具，而应视作团队中的一位 " 员工 "，这意味着必须为其明确岗位职责、重新设计工作流程，才能真正实现价值落地。Krishna 指出，AI 的回报不应聚焦于节省人力成本，而在于提升生产力和创造更大的产出，并透露 IBM 计划通过 AI 和自动化在 2025 年底前实现年化 45 亿美元的生产力提升。

AI 能帮企业省下多少钱？

这是所有人都想知道的问题，但在大多数企业里，答案往往模糊。部署 AI 之后，却很少有人能明确说出：它真正带来了什么价值。

但 IBM CEO Arvind Krishna 在最近专访中给出的答案简单、明确：

IBM 预计，到 2025 年底可实现年化 45 亿美元的效率节省。

这是他在与《引爆点》作者 Malcolm Gladwell 对谈中透露的数据。

但相比这个数字，他更关注三个本质问题：

AI 是不是你的员工？你的组织结构跟得上 AI 吗？真正能落地的 AI 商业模式是什么？

省不省钱，创造多大的价值，不在模型有多强，而在你有没有用新的组织方式去迎接它。

第一节｜AI 不是工具，是员工

AI 是工具，这是很多企业负责人脑子里的定式思维。像当年引入 ERP、CRM 一样，采购一套系统、部署上线，然后等着提高效率、节省成本。

但 Krishna 表示，这样的思路，很容易让 AI 项目停留在表面，难以落地。

我们不是把 AI 当成工具，而是当成组织里的一位员工。

—— Arvind Krishna，IBM CEO

这句话，是整个对话的中心思想。

那既然是员工，就要给 AI 安排岗位，明确职责，就像对待一个新同事。

他说，IBM 在自己内部用了很多 AI 工具，但不是交给 IT 部门去装软件，而是让业务团队直接参与、把 AI 融入流程。

" 我们用 AI 帮开发者提高效率，现在已经提升了 30%-45%。但这不是因为模型强，而是我们自己先重构了工作方式。"

换句话说，不是用 AI 写代码，而是让 AI 变成开发团队的一部分。谁提需求、谁写 prompt、谁判断产出、谁整合结果，这些都提前明确下来就像为 AI 设定了一个岗位说明书。

他提醒大家别掉进一个坑：很多公司在 AI 上花了很多钱，但组织结构、职责流程、激励方式一点没变，然后发现 AI 不起作用。这并非模型本身存在问题，而是如同招聘了一名新员工，却未明确其工作职责，导致其工作产出无法融入现有工作流程，难以形成价值闭环。

Krishna 的建议是：

" 如果你只是把 AI 当成一个外部采购的工具，那它的效果也只能停留在工具层。但如果你把它放进组织中，把它看作团队成员，它才会真正释放出价值。"

对他来说，AI 项目的第一步不是写代码，而是改流程；不是挑模型，而是安排好谁负责什么。

归根结底，组织不变，AI 再强也白搭。

第二节｜做好一件事，全公司配合

在很多企业里，AI 项目一启动，第一反应是加人、投钱、堆资源。搞一个 AI 小组、成立创新部门、招几个数据科学家，然后等着看结果。

但在 Krishna 看来，这种做法常常走偏。他的做法，是全公司只推进少数几件事，其他人都为这几件事服务。

在这场访谈中，他提到：OpenAI 成功的一部分，是他们把所有人集中在一条主线上。这点我们也一样。

"IBM 不再做十个方向的 AI 项目，而是聚焦三四个最核心的。"

这背后，不是精简人手，而是重新安排每一个人该负责什么，围绕主目标组织资源。

这种聚焦战略，最典型的例子就是 Red Hat，一家企业级开源解决方案供应商。

2018 年，Krishna 拿出一个被普遍质疑的提案：IBM 要以 340 亿美元收购开源软件公司 Red Hat。当时连内部都难以接受，股价一度大跌 15%。但五年后，这成为 IBM 被普遍认可的最成功战略之一。

Red Hat 做到的，就是提供一种跨平台的通用能力，让客户能在任何云平台、任何系统上统一部署。而这，也成了 Watsonx （IBM 发布的企业级人工智能与数据平台）的设计基础。

他认为：

"Watsonx 不是为了展示 AI 的能力，而是为了助力客户实现规模化落地。我们先自己用，再交给客户。不是让客户试错，而是用我们自己的经验给出确定性。"

也就是说，IBM 在内部先用 AI 做项目管理、软件开发、文档总结，流程跑通之后，才作为服务给客户使用。

而这个 " 先自己用 " 的过程，就是让业务团队直接参与，确保每个人都清楚自己在 AI 流程中的角色。

Krishna 说：成功不是因为你有 AI 部门，而是因为你全公司都知道 AI 应该干什么。

Red Hat 让 IBM 从产品公司变成平台型企业；

而 Watsonx 让这个平台从能用变成可复制。

这中间，没有用更大团队压过对手，也没有依赖更强模型。他们只是让每个人都为核心目标服务，而不是各做各的 AI。

第三节｜AI 回报看产出，不是省人

当许多企业在讨论 AI 投资时，最常见的第一问是：能不能省掉一些人？

但 Krishna 给出的回答，完全相反：

AI 成功，不是看你节省了几个人，而是看你能不能产出更多。

他多次重申一个观点：AI 的作用，不是替代人，而是让原本做不完的事变得可完成。

举例来说，IBM 在内部部署 AI 最早的场景，并不是为了精简人员，而是为了释放开发者、运营团队、服务团队的时间，让他们能完成更多任务，完成以前做不到的事情。

具体来说：今天如果企业的客户服务还和 10 年前一样，那你已经落后了。如果你没有用 AI 帮开发者提升 30% 的效率，甚至 70%，那你就没跟上。

换句话说，不是裁人，而是让人干得更快、更好。

IBM 做到这一点的前提，是重新审视回报这两个字。

很多人以为回报等于节省成本，Krishna 则转换了视角：你有没有创造新价值？

他举了个例子：

" 今天我们每周都会用 AI 训练文档系统、更新知识库，不是出于盲目跟风，而是为了让每一个服务人员都能更快响应。"

AI 如果没有连接到具体业务结果，只是省了几个人工时，那不叫成功。

他还指出一个关键误区：很多企业追着最先进的大模型，但忽视了部署效率。我们可以用更小的模型完成任务，甚至效果更好，因为目标明确、场景清晰、训练数据贴合。

大不是价值，准才是。

真正重要的，是你有没有用这些效率，撬动更大的产出。

AI 的价值，不是让人变少，而是让人做得更多。

第四节｜CEO 的判断，不靠拍脑袋

说到这，一个问题自然浮现：Krishna 怎么判断哪些 AI 投资能带来产出？他的决策依据是什么？

主持人问他：你怎么判断 Red Hat 收购是对的？

Krishna 的回答非常务实。他说：我们不去追赶别人，而是问自己 " 有没有一条我们能站稳的差异化路线？我们追不上别人，那为什么还要在他们已经领先五年的方向上继续烧钱？"

他观察到，当时很多科技公司都在争抢云基础设施。但大多集中在同一条路线上。而 Red Hat 的价值，在于它的中立性和可复用性，这是别人没走但客户真的需要的一条路。

Krishna 的判断力，并不是来自某种灵光一现的预判，而是一种组织思考法：他会主动找到 CFO、人力负责人、客户、产品线的人，一起讨论，反复推演。

" 我不是财务背景出身，但我愿意反复问 CFO：这个账怎么看？这个项目如果失败，代价是什么？"

他说：

" 我学判断，不是看书，是在组织里问人。我会主动去找人说：这件事我不懂，你给我解释一下。"

他不在意自己的专业不对口，在意的是能不能把各种专业知识整合成一个更全面的判断。

所有大决策，他都会先找十几个人聊，先提风险，再看有没有人能破题。如果没有，他就压一压；如果有人能提供新角度，他就再往前走一步。

" 我不需要他们都认同我，只要他们能告诉我我没看到的地方。"

这就是他说的 " 判断网络 "：你要在企业内部，建立一百人的判断网络；在企业外部，也建立一百人的判断网络。

Red Hat、Watsonx、量子的成功，都源于这种集体判断力。

结语｜不是 AI 强不强，而是你准备得够不够

AI 是工具还是员工？是省成本还是放大能力？

Krishna 的回答都指向同一个判断：

AI 的成功，不在模型，而在架构；不靠功能，而靠协同。

IBM 能实现年化 45 亿美元的生产力提升目标，不是因为构建了多高的技术壁垒，而是因为它敢于从流程、岗位、平台到底层组织逻辑全部重构。

Krishna 没有讲产品路线图，讲的是怎么把人、流程与工具，关键在于为 AI 的产出明确责任主体，确保其真正落地。

今天的很多企业不缺模型、不缺预算，缺的是驾驭 AI 的全局意识。

答案不在技术有多强，而在组织准备得够不够。