AI 浪潮已经不是一个可以选择相信或不相信的命题。

年初，龙虾拉开智能体狂潮，人类已经不再满足聊天式 AI，转而寻找能自主工作的数字员工。OPC（一人公司）成为热词，Token 成为新的社交货币，黄仁勋的年度主题演讲成为投资者的必修课，程序员恐惧被 " 蒸馏 " 成 Skill。

今年，全球科技巨头财报上的 AI 相关资本开支预算，合计突破 6500 亿美元。6 月底，三星与 SK 海力士宣布了大规模投资计划，预计两者未来十年的投资金额有望超过 1000 万亿韩元。这些数字证明，热潮并不停留在表层，企业们正在用真金白银，押注一个尚未完全兑现的未来。

但更多企业家们私下承认，不投 AI 不行，但投了 AI 也不确定知道行不行。这种集体性的亢奋与焦虑，是 AI 时代的底色。

腾讯集团高级管理顾问、腾讯青腾教务长杨国安，在过去一段时间里，找出了在 AI 运用和落地上有代表性的行业，与其中的代表性企业交流，试图回答：AI 时代，企业家要如何拥抱 AI、抓住 AI 时代的红利，而不被淘汰。

在一轮又一轮地交流过后，杨国安决定把这些企业在 AI 时代的洞察与实践开源，给更多企业以参照。这构成了他的新书《智在未来》的核心。

杨国安新书《智在未来》

书里讨论了 8 个案例，比如 Manus 如何造出引爆市场的智能体，强脑科技如何建立起 " 底层技术平台 + 多元应用 " 的整体架构，和睦家医疗如何把 AI 贯穿医疗服务全链条，理想汽车如何 all in AI。他谈论，研究的这些企业，有些是没有 AI 便不会存在的 "AI 原住民 "，有些则是被 AI 推着从传统产业转型的 "AI 新移民 "。

无论是什么类型的企业，杨国安发问的核心问题都是相同的：它们是如何做到与 AI 共舞的？他把思考这个问题的框架，写进 " 杨五环 2.0" 理论，希望借由这 8 个起点、产业、使用 AI 路径都不同的企业，给予不同企业管理者以启发。

但这不是一个鼓励所有人 all in AI 的故事。杨国安给了南风窗一个问题清单，只有当企业想清楚了这些问题的答案，才可以判断自己要在多大程度拥抱 AI。

这是一场有关于 AI 如何重写企业发展逻辑的对话。

南风窗：AI 对整个企业的组织架构产生了什么破坏性创新？

杨国安：AI 带来了生产力的提升、效率的提高，因为能把人能力的下限提高。比如，医生这个职业需要经验积累，但是有了 AI 副手，可以针对病人的病情进行辅助分析，就提高了医生能力的下限。

正因 AI 能够做这样多的事情，它在企业组织架构上带来了两方面的改变。

一方面，传统的组织层级很多，AI 介入后，层级就变得扁平了。借助 AI，很多员工能力边界可以拓宽。产品经理有了构想之后，不需要先写产品需求文件再找研发人员，他直接借助 AI 写代码，而后直接进行挑选，选完再做大规模研发。当工作的边界被打破时，企业的组织架构就不用划分得那么细。

传统管理讲究管理幅度。五六个员工上头设置一个主管，主管手把手带年轻人，教年轻人怎么做，并且监督进度，给予反馈。AI 介入之后，员工不需要再找主管了解公司流程，寻求产品支持。相对应地，中层的需求就变少了，层级更加扁平。

另一方面，未来的员工人数会减少。比如书里提到的理想汽车，他们未来营收要增加 10 倍，但员工人数要控制在 1.5 倍。这是一种创新，但也是一种破坏性。现在很多工种，不再被需要，甚至很多行业未来可能消失。AI 的破坏性不是简单破坏单一岗位，而是更广义地破坏行业，比如自动驾驶成熟了，出行行业会有很多出租车、共享汽车平台，但是没有司机。

南风窗：你刚提到，AI 到来后，组织从原来的科层制向任务导向型转变。这个过程当中，最大的阻力会是什么？

杨国安：以前的科层制组织，所有的责、权力都是与层级相关的。你做到组长、做到总监，意味着你的权力更大、责任更大、利益更大，所以所有人都以往上爬为目标。这种模式的问题在于，创新是按照层级来的，老板看到了机会，发起创新要求，创新才会出现。

但在 AI 时代，情况并非 " 官大学问大 "。一些更年轻的人、 更在前线的人，在看到了业务、客户的某些需求后，跨部门找到志同道合的同事一起借助 AI 工作，很快就可以拿出成果。这打破了以前的工作方式。过去是领导向下派，找员工来做。现在是员工自己可以跨部门，组成任务小组来做。

这样的任务小组有三个特点。第一，小组对 " 要做什么 " 很清楚。第二，责任到人。第三，负有责任和权力。所以将来的组织，不是一层一层分得很细的形式，而是内部很多不同任务导向的、闭环的、高度授权的团队，快速迭代。中间的组织需要的，则是一个能力与资源共享的平台。

但从科层制到任务导向型转变，肯定是存在阻力的，因为大家已经习惯了科层制的模式。在我看来，一开始不一定要求企业 100% 的转变，但至少要兼容，在原有的组织架构里，让任务导向的闭环团队出现，而且要让成功案例很清晰地、慢慢地跑起来，让其他人看这个模式，明白不一定要靠 " 升官 " 才能 " 发财 "，只要我的专业能力够强，能把东西做出来，也可以 " 发财 "。这样，才能让大家慢慢进入新模式。

书中案例有提到企业美图。美图主要的业务就是靠 AI 来提高效率，但组织内部有很多基于项目组成的小团队，两天做出一个模板，老板觉得不错，六个月投给小团队 1000 万，后续仍然觉得小团队的成果不错，继续加大投入，再进行利润分成。通过这样的方式，美图跑出了很多新业务。主要业务还在，但是鼓励新的业务冒出来，就是我说的 " 兼容 "。

南风窗：在大家都害怕被 " 蒸馏 "、被 AI 替代的情况下，如何让员工相信 AI 是帮忙，而不是替代人的？

杨国安：问题不是你懂不懂 AI，拥不拥抱 AI，而是组织和人都会 AI 化，最后还是组织和组织、人和人的竞争，而不是 AI 和人的竞争。大时代已经是这样的情况下，要拥抱大时代，不能抗拒，因为抗拒也没用。最好的方法其实是，拥抱 AI，而后基于 AI 工具把成果做得更好。

我认为竞争其实还是动态的，无论是人的竞争，还是企业新的护城河的竞争。所以 " 蒸馏 " 这件事也没有太大所谓，每年我都要出书，这些理论 AI 蒸馏了也没问题，关键在于人要不断学习，不断拥抱新事物，人才有价值。如果整天只守着老本，当然会被 AI 蒸馏，因为 AI 就是很容易复制过去的结构性知识。

江苏无锡，奇迹自动化工程公司机器人数据训练中心内，机器人正在转运箱子 / 图源：视觉中国

南风窗：你提到要以 " 交付 " 作为评判。怎么评判 " 人机协同 " 产出的 " 交付 " 中，人的产出？

杨国安：如果整个团队能力互补、闭环的话，我的建议是，公司算的账就是团队总的产出。营收和利润，老板要事先规定多少给团队，其中可能规定团队内领军人物多少，其他的同事怎么分。这个分配规则，就按照排序，但排序不要管官位，要足够透明，互相投票。

尽量有更清楚的、预先设定的游戏规则，让大家知道努力之后会直接带来这个结果，而不是努力之后，还要看老板喜不喜欢我，老板觉得我优秀不优秀；让员工明白，收获不是看多努力，是看做出什么成果。评估可能要考虑员工的行为，但是激励要更多看产出。

南风窗：一个企业需要想清楚哪些问题，才适合 all in AI？

杨国安：不一定所有企业都要 all in AI。但是 AI 时代，要么主动去改变，要么被动改变，有时候你想以不变应万变，时代也会把你改变。所以企业要问四个问题。

第一，Why AI？AI 跟我的企业有什么关系？AI 能帮我做什么？这个问题的答案不外乎三种。一是 AI 可以提高能力下限，提高工作流的效率。二是产品创新，可以基于 AI 开发更好玩的新产品。三是重新定义商业模式，重新定位 " 我是谁 "，比如理想对自己的未来定位就不再是一个汽车公司，而是智能移动终端公司，基于此，它的整个商业模式都改变了。

第二，AI for what？如果企业是想做 " 面 "，不是单纯用 AI 做 " 点 " 或者 " 线 "，就得像理想一样，从未来设想今天，从上而下地推动整个企业的转型变革，需要更强的力度。

第三，How？这个问题下面又分为两个方面。一个是，如果是自己做技术底座，那么投资就更大；如果只是想小小地改善一些工作环节，那购买别人的技术就解决了。除了技术，另一个就是人的问题，如何让人愿意拥抱和应用 AI，如何在文化上鼓励大家有成长性的思维。

就像案例美的集团一样，基本上它的员工培训两个小时，就可以自己做智能体。因为美的的技术平台很强，数据齐全，只要有几个清晰的问题。用户门槛很低的话，员工们就容易做起来。

有些企业可以只是 AI 的探索者，需要的技术能力很低，对流程和人的改革要求也没有那么大，创新的动力也没那么大。也有企业是 AI 的创新者，要推出更多面向 AI 时代的产品，那么创新的动力也就比较大，数据要求也更高。

南风窗：理想汽车在 AI 的投入非常多，但它 2026 年 Q1 的财报显示，亏损了 23 亿，毛利率腰斩。这时候可能会遭受来自外界的压力。

杨国安：这就是勇气和信念的问题了。AI 是一个洞察，给企业一个方向。但最终企业要对于技术投入多少、要参与开发什么产品等，最终考验的是企业一号位的勇气——你敢不敢投入这么多钱，你敢不敢动这么多人的奶酪，让企业架构受到破坏性的创新？

这个勇气要基于一号位的信念，即有多相信 AI。理想是 all in AI 的，但我想很多企业应该不是 all in AI，而是拥抱 AI。每个企业的起点不一样，要按照自己的产业跟企业情况，思考 AI 跟自己有什么关系。

很多企业应该不是 all in AI，而是拥抱 AI

为什么花了钱用 AI 却没效果

南风窗：书中提到，企业案例和睦家首先做了数字化的基础工作，同时提到，过往很多案例表明，基础工作非常关键，却非常容易让人忽略。怎么理解？

杨国安：通用大模型也能够做产品，但就七八十分的水平，能用，但不能完全相信它。如果企业要做到 90 分，就需要自己行业的专用知识与经验。

比如和睦家，对他们来说，医药的中英文翻译应用很重要，就需要一套很专业的、属于自己的专业术语库。

另一个案例美图也是。外面有通用大模型可以用，但它还是要做一个自己的垂直大模型。它有大量的照片数据，还是要用人工来判断质量，以不断地训练模型，让模型在 " 美 " 的方面，比别人做得更好。

问题是企业要不要从 70 分做到 90 分？从 70 分到 90 分，需要创新，而创新要花钱，比如数据要治理，要强化训练，花很多精力。你是 AI 探索者，用通用模型就可以；但做产品创新，可能有更多数据要求，要更垂直的东西；你要做创新者，压力更大。

南风窗：你提到强脑科技构建起了 " 底层技术平台 + 多元应用 " 的整体架构，但最初也曾试图 " 做无数场景 "，总结了经验教训后才决定抓住痛点，" 从痛到大 "。一个企业在类似情况里怎么平衡资源与 " 多点开花 "？

杨国安：所有技术驱动的创新企业，总是看到技术很兴奋。这类企业最大的问题就是 " 有锤子找钉子 "，锤子打在哪个应用场景让技术落地。

这类企业最开始时，因为有技术能力，导致什么都想尝试，看哪个领域能跑出来。但假如企业自己没有一个判断标准，这样的操作是很危险的。因为初创企业、技术驱动的企业还是烧钱，靠一轮一轮融资。假如企业遍地开花，没有把一个业务打穿，没有能够形成收入的正向循环，现金流一断，游戏就结束了。

所以这类企业一定要找到一个应用场景。为什么要找最痛的刚性痛点？因为用户愿意为此付钱。

强脑科技找到了一个假肢场景，中国很多肢体残缺的人，肢体缺陷对生活影响很大，所以大家愿意付钱。但这个用户群有需求没钱，主要靠公益基金来买单。但至少是有人要的。后来他们又做了另外一个产品：工业用的机器手。现在工程自动化，特别是人形机器人的难点，就是手部动作灵巧。所以强脑科技就卖产品给人形机器人、工业用的商家。这个方向有需求，而且支付方能买单，解决了短期的现金流。

现在工程自动化，特别是人形机器人的难点，就是手部动作灵巧 / 图源：视觉中国

于是，这类企业需要找到一个场景：有需求，最好需求方能买单；不能买单，要有另外一个人买单。

技术驱动的企业家，大部分是年轻的技术人。他们对技术热爱，但应用场景不一定做得准，所以他们都败在这里。传统企业，则可能技术一开始不够强，但很熟悉产业的应用场景，痛点很明显，只是不知道技术能干什么。这两类企业的起点不一样。

南风窗：企业在运用 " 杨五环 2.0" 理论转型时，有可能会踩到的 " 伪创新 " 陷阱是什么？

杨国安：以为自己在做 AI，其实很零散。老板要求用 AI，各个岗位多多少少用一些 AI 工具，遍地开花，但不成一个 " 面 "，导致一号位最终发现：花了不少钱用 AI，却没有什么效果。这其实还是因为一号位自己也没有太多想法，不知道要怎么用 AI。

南风窗：一个企业在拥抱 AI 或者 all in AI 的过程当中，除了钱和人之外，可能面临的隐形成本会是什么？

杨国安：时间精力。一号位要自己想清楚做什么调整，想象到行业演变和产业重构。落地则要大家一起来落地，高管也要付出时间精力。" 想象 " 这件事说起来容易，做起来很难。

南风窗：一号位该如何 " 想象 " 未来呢？

杨国安：多看前沿的企业，可以到前沿的科技企业看一下，同一赛道的人是怎么做的，至少要参照，保持动态认知。很多事情自己想，是想不出来的。