传统企业不用自建大模型也能做好AI转型

我可以确信，AI 已经改变了人类所在行业的成本结构、生产率和竞争边界，但大部分人还没有任何可信的应对方式。比如一家传统企业没有自己的大模型，完全无所谓；它甚至不需要所谓的AI 部门。只要它能借助现成模型把客服成本降 40%、研发周期缩短 30%、销售转化提高、库存周转改善，它就是有效的 AI adoption。

反过来，一家公司到处喊AI-nativex接了一堆 API，员工全装 Copilot，但利润率、单位经济模型和生产效率纹丝不动，这种 AI 化大概率是负资产。估值开始奖励AI 能力转化为现金流的公司，但并不意味着奖励装了 AI的公司。因为，今天 AI 最大的问题已经���越了model capability所能解决的范畴。

从capability，workflow，organization 到economic value，中间这条转化链仍然很差。这里举一个例子。比如一个模型理论上能够阅读十万份合同、分析客户、写���码、预测需求，但企业落地使用时会遇到一整串问题：数据在哪里，谁有权限，模型输出怎么验证，出错谁负责，如何连接 ERP、CRM、内部数据库，什么时候应该调用模型、必须人工审核，怎么衡量它到底节省了多少钱，员工原来的工作流程要不要重构等等诸多问题。

所以我认为，现在很多公司所谓 AI transformation 实际上只是原工作流外加一个聊天框，这离AI-native organization 还差非常远，至少从产业革命看来。也就是说，AI 自己还没有足够降低某些领域的门槛，目前仍然是问答设施占极多比重。这实际上也是为什么今天看起来人人都能使用 ChatGPT、Claude，但人与人之间利用 AI 产生的价值差距反而可能越来越大。

其实我觉得问答设施占极多比重其实可能只是一个过渡阶段。现在大致可以看到 AI 产品经历这样的演化： Chatbot，你问，它回答 Copilot，在现有软件里辅助人类 Agent，给定目标，它自己调用工具完成任务 Workflow AI，嵌入业务流程，无需人主动询问 Ambient，Infrastructure AI：AI 最终像数据库、网络、电力一样退到后台 最后一个阶段，我认为人类几乎看不到 AI。举个例子。

未来医院的医生如果打开类似比ChatGPT强大数倍的超级AI问：请帮我分析这个病人的情况，这种变革就太失败了。我个人更希望患者数据进入系统以后EHR ，imaging，lab，history，然后risk model，literature retrieval，differential diagnosis最后到alert全部自动发生，医生看到的是整理后的 decision surface。这时候，AI这个按钮甚至消失了。

企业也是一样。今天Ask AI的工具箱模式属于仍然认知外包。未来变成AI automatically acted because an event occurred才是对的路线。

所以我们需要关注的adoption bottleneck应该更多得转向关于如何把通用智能重新编码进具体组织的工作流的问题上来。这肯定超越了单纯的 CS 问题了，它是HCI、information systems、organizational science、economics 和 management science 的组合问题。黄仁勋最近所说的实现AGI，我觉得从整体的企业意义上，还有很远的路。

对于公司来说，值得观察的是四个指标：1. AI 能不能减少单位任务的人类时间 2. 提高单位员工产出 3. 降低决策成本 4.让过去经济上不可行的任务第一次变得可行。这四个指标都很强，AI 才算落地完成。