对话孙天澍教授 | 十问“人工智能+”产业落地：最缺这类人

国务院日前印发《关于深入实施“人工智能+”行动的意见》，要求到2027年，率先实现人工智能与6大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超70%。

腾讯科技与长江商学院科技与运营杰出院长讲席教授、数字化转型中心主任孙天澍教授近期就这份重要政策指引和企业AI落地的关键问题与腾讯科技进行了长达四个小时的系统对话。希望在AI智能重构千行百业的开端，能给正在尝试AI中的企业带来实践启发。

口述 | 孙天澍

编辑 | 晓静

来源 | 腾讯科技

孙天澍教授核心观点

1.AI与人类历史上所有技术有一个最本质的差异：AI不再是辅助人类的“工具”，而是与人类类似的“智能”本身。AI下半场智能不再稀缺，稀缺的是如何在业务场景中架构智能、创造价值的能力。“人工智能+”产业落地最缺的是“AI架构师”：能融合业务场景和智能体能力，用AI架构下一代业务形态、组织设计和商业模式的人才。

2.当前产业存在巨大的“AI认知差”：AI的发展远远快于产业吸收AI的能力，智能体打开的可能性远远大于产业中目前通过架构智能获得的价值。这种AI认知差的根源，在于产业中企业家和决策者的"AI架构思维"缺失，无法把智能融合进场景。谁能率先做到这一点，谁就能真正在“人工智能+”的AI下半场中领先，定义下一代产业。

3.AI重构并非适合所有企业。快速判断一个企业和场景是否适合AI重构的“百万员工问题”：思考如果场景突然多出100万个“博士”智能员工，能否显著提升业务价值？能，则说明企业或场景适合AI重构。

4.企业AI转型和AI原生孵化要“两手抓”：部分企业的核心资产和核心利益很可能成为AI时代拖累企业的历史包袱。拥有“从零开始”、拥抱AI智能体的勇气和决心，比固守原先的城墙更重要。

5.AI转型成败取决于场景选择，“选对场景”和“做对架构”远远大于“埋头改造”：目前多数企业AI尝试没有取得业务价值的根本原因不在于技术缺陷，而是没能选择对可以突破创值的场景，没能在场景中做好智能体的架构。

6.如何找到最适合AI重构的场景：“三多一高一复杂”。员工多/客户多/费用多的场景，高频互动的场景，需要复杂知识与判断的场景，都是最适合AI发挥巨大价值的“原生场景”。选对场景比埋头改造更重要。

7.智能原生思维“先成就AI，再让AI成就你”：智能原生企业需要先“成就AI”，即为AI智能体提供知识、数据、工具、权限和协同工作流，让它在这个场景中成长起来；然后再让"AI成就你"，即让这个智能内核驱动场景的效率、反馈和价值不断迭代、越跑越快。这个选择场景和架构智能体的过程，比盲目地上马项目要重要得多。

8.智能体杠杆正在重塑创业企业和产业企业的机会版图：大厂短期将垄断C端，打造超级入口+超级AI。创业公司机会在B端产业重构：用AI原生思维与轻资产投入重构场景和组织，最大的机会是把领先企业上个时代获得的“核心资产”转为AI时代的“核心负债”。产业企业的护城河在于场景+数据的积累，若叠加“AI架构思维”，有机会成为“超级富二代”。

以下为孙天澍对谈实录：

01

“人工智能+” 政策的深层逻辑

问题一

在当前时间点，国家推出“人工智能+”战略的深层考量是什么？

孙天澍：我认为在2025年8月这个时间点推出“人工智能+”，是非常及时和准确的，我觉得与所有企业都相关，至少有三个层面的关系。

第一，AI本质是一次“智能革命”，我们正处在“AI下半场”的开端，智能开始重构千行百业。

这个阶段最显著的特征是，随着模型的开源、智能体的爆发以及成本的快速下降，智能本身已经不再是稀缺资源。

真正的卡点，从技术本身转向了产业场景，转向了如何利用无处不在的AI智能去重构场景，在千行百业创造真实的业务价值。

所以，政策的推出恰好匹配了人工智能技术发展的内在节奏，引导社会关注的重心从“数字产业化”， 包括基础模型、算力、芯片，向“产业数字化”，即千行百业的垂直场景应用转移。

第二，“人工智能+”是一个产业与AI“双向奔赴”的必然过程。

从产业端看，传统行业迫切需要新的增长引擎和新质生产力，而人工智能是目前看来最有机会担当此任的核心驱动力。从AI技术端看，技术的发展不能是无源之水，它需要有持续的价值源头和资源注入。

千行百业的丰富场景、复杂的商业问题，恰恰为AI的迭代和可持续发展提供了最肥沃的土壤。如果没有产业价值的创造，企业很难持续投入AI，AI技术本身也很难快速迭代和持续进步。

尤其在中国，我们无法像美国那样单纯依靠巨额资本投入来驱动AI发展，我们最大的比较优势就是庞大的产业基础。只有将千行百业的场景需求拉动起来，技术才能在应用中创造价值，形成AI投入产出的正向循环。

第三，自上而下的政策推动具有重要的“教育”和“牵引”作用。

我最近在产业中做了大量调研，一个很深的感受是，大多数企业家还没有深刻意识到这次AI革命的本质和“智能”对产业重构的深度和广度。

我观察到今天大多数企业的最大问题：只在低头解决今天的事儿，没有人在架构明天的场景，更没有人去想象后天的业务。

很多人仍在用产业惯性的思维或“互联网+”模式来理解“人工智能+”，或者还在追求规模小、短平快的功能应用，没有从AI原生的思维方式去设计业务场景、商业模式和组织架构。

因此，需要一个自上而下的政策推手，甚至像KPI一样，来“牵引”企业进行更深层次的思考和规划。这波变革与“互联网+”有本质不同，后者更多是渠道和链接的改变，相对直观、企业容易理解并建立独立团队发展；

而“人工智能+”是内核与架构的变革，更加抽象，企业需要重新用AI架构自身的发展模式，思考用智能体创造价值的根本方式。虽然企业的感知开始不一定像互联网渠道崛起时那么明显，但企业的业务场景、商业模式、组织流程、生态协同都可能从内核被彻底重构。

问题二

结合您的观察，目前中国的人工智能+大概走到了一个什么样的阶段？企业投入AI的瓶颈和机会在哪？

孙天澍：人工智能+才刚刚开始，所有企业都在AI下半场的同一起跑线上。

从产业视角看，我们正处在一个转折点。

过去大家更多关注的是“数字产业化”，比如基础模型、算力、芯片的发展。

而现在，随着“AI下半场”的开启，关注点正在向这个大基座之上的千行百业的垂直场景和业务应用转移。这是一个全新的开始，给了所有企业重新思考、谋划和布局的机会。

我的个人观点：AI的发展远远快于产业吸收AI的能力，智能体所打开的可能性远远大于产业中目前通过智能实现的场景价值。

即便今天所有AI科技停止进步，仅用现有的智能技术，也足以在未来很多年内对所有产业带来巨大的变革和重构。产业与技术中间存在一个巨大的“AI认知差”。

这个认知差的根源，在于产业中核心决策者的“AI架构思维”。智能不再稀缺，缺的是架构智能的能力。这种AI架构能力，不是指对具体技术的细节了解，比如懂不懂Transformer或RAG或RLHF，而是一种用智能去重构业务场景的思维方式。

一个顶尖的企业家，必须能超越单点技术，结合自己对产业的深刻认知和对需求本质的洞察，去想象未来，把AI技术“拉”进自己的企业场景和产业链路。如果这种认知不能突破，企业乃至整个行业都可能在AI下半场陷入停滞。

这次人工智能+浪潮，最核心的变量最终还是“人”。每个行业都需要新一代的“AI业务架构师”：能融合业务场景和智能体能力，用AI架构下一代业务形态、组织设计和商业模式的人。

他们可能是传统企业家实现了认知突破和自我革命，也可能是一个对产业有理解、对智能有原生认知和习惯的年轻人。他们将是改变行业本质的关键力量。

问题三

政策为“人工智能+”设定了2027年、2030年和2035年三个关键时间节点，并以“应用普及率”作为阶段性的量化目标。

企业应如何理解这些节点和指标的现实意义，如何制定目标来评估和指导自身的AI落地？

孙天澍：我对这次AI智能革命的衡量和评估方式有一些不同的看法。我认为，不能用过去衡量工具革命（如IT、云计算、互联网App）的方式来推演和测量这一波浪潮。

最大的不同在于，这次AI革命的核心是“智能”本身，而不仅仅是“工具”或“技术”。

在过去的IT体系中，无论系统多强大都是辅助，最终做决策的依然是人，人是体系中唯一的智能单元。

但AI革命的本质，是智能体本身就有“智能”，可以直接决策，形成执行和反馈闭环。这意味着，AI不再是一个可以简单计数的、离散的工具（比如企业是否上了某套系统、用了某个App），智能会像电一样渗透和融合到业务场景中决策的方方面面，催生类似“流水线”这样的创新和重构，带来巨大价值。

因此，我认为，AI智能的普及率还是要用“场景”和“价值”来衡量：AI在一个行业或企业的多少场景中多大程度赋能甚至替代了场景中的做“决策”所需的智能，从而真正改变了场景的业务模式和组织形态，创造了价值。像“应用普及率”这样的指标，如果还用传统方式去定义，比如统计有多少企业用了某个AI应用，我认为是不本质的。

未来的智能形态可能更加融合，比如一条智能生产线，你很难分清是人形机器人、机械臂还是某个软件系统在发挥作用，它是一个整体。一个企业、一个场景可能Token消耗量巨大，但表面上看不到一个具象的AI应用，但是场景已经重构、企业已经变革。

所以，如何创造性地定义和衡量“普及率”，本身就是一个对学术界和产业界都提出的新挑战。

我认为，在“数字产业化”相关的行业中可以用模型迭代和Token消耗来做衡量指标，代表“智能的供给”；但是，“人工智能+”所关注的千行百业应用普及必须用AI所变革的“场景”来衡量“智能的价值”。

当然，政策设定2027年普及率超70%这样的目标，核心意图在于“驱动”和“牵引”，加速所有企业向这个方向努力。但我们必须认识到，这只是一个过程性指标，服务于最终的经济增长目标。

真正的实质，是企业是否用AI架构了下一代的场景，创造了下一代的需求，创新了下一代的产品，重塑了下一代的组织，最终实现了产业模式的转型和业务价值的跃升。

所以，一个更好的衡量方式，是转向以"场景"为单位。一个企业内部有多少核心业务场景，实现了由AI智能作为内核驱动的、从需求洞察到组织供给的价值闭环。当越来越多的企业找到了自己的标杆场景，就会逐渐形成新的行业标准和更具体的衡量方式。

比如，我们每天刷的短视频，就是一个典型的智能原生场景，背后没有千万客服，但每个用户的个性化需求都得到了满足。企业转型的关键，就是要找到这样能够被智能原生方式重构的场景，而不是在所有地方"撒胡椒面"。

02

“先成就AI，再让AI成就你”

问题四

MIT NANDA 报告发现95%的企业还没有从AI投入中得到价值。企业落地的很多AI应用的尝试是失败的，难以真正服务于业务增长，根本原因是什么？

孙天澍：根源在于，大多数企业还没有真正思考清楚如何在自己的核心业务选择最适合AI重构的场景，如何在场景中深度融合AI，用AI去架构下一代的业务模式和组织形式。

我用一个教育的例子来说明。

无论是大学生还是企业家来上课，本质需求都是为了解决自己的个性化问题，实现成长。

但过去千百年的教育模式都受限于供给——优秀的老师是稀缺的。所以，我们习惯了“教室”这种组织形式。

但今天，当智能不再稀缺，我们完全可以重构这种服务模式。

一个AI智能体可以服务于每一个学生，深度理解他的需求画像和业务问题，再结合老师的知识库和行业实践，提供个性化、高频的交流和学习。

未来，可能所有人依然在同一个时间听同一个老师讲课，但每个人听到的内容可能是完全不同的，是针对他所在行业和具体问题的。在这个过程中，老师的时间价值被放大了成百上千倍，学生的需求也得到了更充分的满足。

从这个例子就可以看出，这个变革的重点，不是老师用了某个AI工具，而是整个行业和场景的供需模式被重构了。要实现这一点，就需要有人能够深刻理解需求的本质，大胆想象未来的场景，并用AI智能体去架构出新的工作流。

这正是吴恩达在他最近的访谈中所强调的，关键在于能否用AI闭环解决一个小场景的直接问题。

所以，对于一个企业而言，当务之急是在上千个业务环节中，找到一到两个最核心、最能体现价值的场景，将其打造成AI智能为内核驱动的业务闭环标杆。

最重要的是：“先成就AI，再让AI成就你”。

你需要先“成就AI”，即为AI智能体提供数据、工具、权限和工作流，让它在这个场景中成长起来；然后再让"AI成就你"，即让这个智能内核驱动场景的效率和价值不断迭代、越跑越快。这个选择场景和架构智能体的过程，比盲目地上马项目要重要得多。

问题五

既然并非所有企业的所有场景都适合，那么企业该如何判断自己是否适合"人工智能+"？如何才能找到那些真正适合被AI重构的“原生场景”？

孙天澍：判断一个企业是否适合，或者说，判断一个业务场景是否适合"AI重构"，我自己评估场景有一个很简单但很直接的“百万员工问题”（litmus test 石蕊测试）

如果你的企业或某个具体的场景中，突然多出100万个不知疲倦、记忆力超群、还能不断学习的智能员工，你在业务场景中是否可以更好、更快、更深地满足用户需求？

如果答案是肯定的，那么这个场景就有巨大的AI重构的机会。如果答案是否定的，说明这个场景对智能的"包容性"不够大，智能的投入并不能在场景中带来边际收益的显著提升。

所以，不是所有企业都适合AI重构，大多数场景也不一定适合AI投入。选择大于努力，找到适合智能重构的原生场景，是一个企业在人工智能+时代最重要的“能力”和“运气”。

技术革命从来不是公平的，你可以把它想象成从外星来的神秘力量，不是所有人都会被幸运的击中。类似于如果你今天所在的“捕鱼”的地方没有大鱼了，那么一个顶级的创业者，应该做的不是在原地继续撒网，而是把船开到新的、可能有鲸鱼出没的海域，重新开始。

“兵无常势，水无常形”，拥有适应和拥抱AI智能体的勇气和决心，比固守历史包袱和沉没成本更重要。

至于如何找到这些场景，除了一开始的那个核心问题，我总结了一个更具体的“AI场景重构”方法论，就是看一个场景是否满足“三多一高一复杂”的特征：

● 三多：员工多（或重复性人力劳动多）、用户/客户多、费用多（成本高）。

● 一高：高频互动。

● 一复杂：需要复杂的知识和判断。

满足这些特征的场景，通常是AI能够发挥巨大价值的地方。但最难的，还是对产业需求本质的理解，并且是超越今天的需求，去想象和创造下一代的需求。这需要懂未来、懂产业、懂智能的人来共同架构。

03

“智能”是这个时代最大的杠杆

问题六

“人工智能+”的机会到底是谁的机会，是少数大厂的机会，还是无数创业公司的机会，还是顶尖产业企业的机会？

孙天澍：多数的价值到今天为止都被大厂拿到。但是未来在人工智能+千行百业场景当中，我觉得创业者会有许多的机会，因为“人工智能+”不是一个C端平台入口的心智，也不是一个规模化的技术底座建设，而是对千行百业的场景重构。

在C端我觉得其实巨头平台的心智入口相对来说是创业公司不是那么容易能够去替代，短期内也很难改变现有的竞争格局。在面向用户C端的创业赛道上，依然是一个超级富二代之战，由在今天拥有场景、拥有数据、也拥有智能定义能力的科技大厂来扮演非常关键的角色。

但在人工智能+千行百业场景上，我觉得创业者有巨大的机会。因为他没有在消费端的规模效应、网络效应和成本效应，它会有很多的新的对于产业重构的逻辑。而在用户端，这样的规模效应、网络效应和成本效应是非常清晰和明显的。

从今天的闪购大战可以看出两个重要趋势：“超级入口 + 超级AI”。

所谓超级入口，是指用户的时间与钱包份额进一步向少数平台聚集；未来吃喝玩乐、衣食住行、社交与知识获取，都会在更少的端上呈现、满足并形成闭环。

以闪购为代表的超级入口聚合，会进一步赋能并放大“超级 AI”：因为场景与数据更丰富、更闭环，AI 能更好地嵌入、迭代与学习，形成智能体的进化。在消费者端，垂直与感性需求仍有创业机会，但在理性、综合需求维度，竞争仍将是“超级富二代之战”。

对AI 原生创业企业而言，未来有两大优势：

● 其一，思维的原生，没有既有规则或组织结构的限制，从第一天起就能围绕智能体能力来架构人机协同工作流与AI原生的商业模式，直接面向客户需求，“先成就AI，然后让AI成就你”，因而拥有全新的机会；

● 其二，资产的原生，没有沉重的历史核心资产，就不会因为 AI 智能体的到来把这些资产变成核心负债。许多龙头产业的挑战在于，过去引以为豪的核心资产正在渐渐变成包袱。以数码相机为例，它让柯达的胶卷、全球冲洗工厂、分销渠道与零售网点，迅速从优势转为负担。

今天，智能的广泛涌现与无处不在，正在改变各行业的工作方式——可以用更AI 原生的方式、围绕动态迭代的智能来重构组织。AI 原生创业的核心机会，正是把产业领先者的核心资产变为其核心负债，以全新的方式实现跨越。

纵观人类历史，今天一个人所拥有的杠杆比以往任何时候都大得多。因为我们拥有了新的杠杆——智能体杠杆。

过去规模化必须依赖 scale by people / product / capital（用人才杠杆、产品杠杆、资本杠杆来规模化），今天新增了智能体杠杆（scale by agents）：智能无处不在，一个人可以大规模地架构大量的智能体满足需求、重构业务、重塑场景。

AI智能体摩尔定律:Al agent能够完成的任务长度每7个月就增加一倍 资料来源：Al Digest, https://theaidigest.org/time-horizons

因此，未来一定会出现回报率极高的投资方式与增长速度极快的创业方式：不再只是 1 倍、2 倍、3 倍的回报，而是会出现百倍、千倍杠杆的创业与企业，只是多数人尚未适应这种新杠杆，更无法驾驭这种杠杆。

对现在领先的产业企业来说，最大的能力与优势在于长期经营所形成的场景资产和数据资产。正因为拥有这些场景，才能把智能无缝融合进去，无须从零创造场景；也因此沉淀了大量数据与支撑体系。

数据资产应作广义理解：既包括对客户需求、生产环境、零售渠道等结构化和非结构化的“具象的数据”，也包括企业员工与专家积累的经验与知识（脑中的知识和认知，“无形的数据”）。

这些都是产业企业抵御 AI 原生企业进攻的关键。要用好场景资产与数据资产这两个核心要素，真正用 AI 智能体释放场景和数据价值；若再叠加AI 原生思维，就有机会成为AI下半场真正的“超级富二代”，把既有优势转化为下一代产业的护城河，并将潜在的负债转化为差异化优势与增量价值。

04

企业衡量AI投入，有且只有一种方式

问题七

选择场景后，企业进行AI转型需要投入真金白银，在短期内可能看不到业务价值的情况下，该如何衡量投入产出比（ROI）？

孙天澍：关于这个问题，我有两句很直接的话：衡量AI投入最终也是唯一的方式，就是业务价值。在业务价值实现之前，靠信仰。这听起来可能很玄，但就像创业一样，它本质上是一种基于判断的投入。

不过，“信仰”不等于“盲目”。在最终的业务价值实现之前，AI架构师的核心能力之一，就是能够精确地设计“中间指标”和阶段性的业务里程碑。

在选对场景后，最关键的是要定义好在场景中AI要实现的“中间目标”，定义对AI转型的业务目标本身就成功了一半，因为它会牵引整个组织向特定的方向努力。

举个医药零售的例子，企业的最终目标是提升GMV和利润。但AI转型的切入点是什么？是提升单个会员的全生命周期价值，还是赋能药店开出更多的分店？

这背后是完全不同的战略选择。如果你选择前者，你的中间指标可能会拆解为：提升会员到店频次、提升进店转化率、提升关联销售和客单价等等。

一个好的中间指标，必须满足两个条件：第一，它是一个有明确价值的业务指标；第二，它可以成为智能体动态迭代的“奖励函数”。

就像抖音的用户时长，这个指标既是业务目标，也可以被拆解为单视频停留、观看完成率等，从而指导推荐算法的迭代。当算法发现给你推的内容你只看了一秒就划走，它就知道这个推荐是失败的，需要调整策略。

这种将业务目标转化为数据指标，并用其牵引智能体迭代形成飞轮的能力，正是"AI架构思维"的核心体现。

所以，企业要做的，就是找到那个能够快速数据反馈、形成闭环、并能持续产生业务价值的场景和“中间指标”。一旦你建立了这个机制，剩下的就可以交给AI，相信它迭代的速度和潜力。

问题八

如何理解“人工智能+”行动中说到的"智能原生"（AI原生），怎么培养智能原生的思维，它具体体现在哪些方面？

孙天澍：“智能原生” 是真正以智能为中心来建立业务和组织，智能原生企业可以通过巧妙的架构业务模式和组织协同，把智能体的能力在场景充分释放出来。

比如抖音和滴滴都是移动原生的产品，在PC时代很难想象刷抖音和用滴滴，没有手机的交互（触摸屏上划下划）和摄像头不可能消费和生产短视频内容，没有实时GPS位置的共享也不可能有用户和司机的高效匹配。

做到“智能原生”，最重要的是思考你怎么帮智能体成功，你要像一个“伯乐”一样，去思考如何培养“智能体”这匹千里马，真正帮助它在场景中成功。

我们可以想象，企业里来了一个“怪才”新员工——AI智能体。她有无限的记忆，可以快速吸收和融合海量知识，能调用各种工具和接口，24小时7天不断工作，也有动态的反馈迭代能力，可以持续学习甚至智能"涌现"，但是在另一些方面却没有普通人都有的一些常见能力比如识别意图和稳定对话。

AI原生的思考方式，就是要你发自内心地理解并信仰这个新同学的能力，并思考如何最大化帮助她——教她知识，给她数据，配备工具和权限，持续给她反馈和陪伴。你要真心希望她成功，希望她成为组织的中心，而不是把她看作一个威胁，担心她抢了你的风头，或者是希望她完全能够迁就你，帮助你在现有的工作习惯下和组织流程中完成任务。

还是上面强调的那句话，要学会“先成就AI，再让AI成就你”。想象你是迈阿密足球队的教练，当梅西转会来之后，要思考如何围绕他来重构阵型，帮助新同学（“智能体”）成功，而不是让他适应之前的传统打法。

具体来说，这种“AI原生架构”思维体现在几个方面：

●先把AI智能体玩起来，对AI智能体的能力边界有直觉，懂原理

AI下半场，优秀的企业家需要通过使用agent不断培养直觉，了解AI智能体能力的边界，而伟大的企业家还需要抓住AI智能的原理和本质，深刻地把握智能的运作方式和技术原理。只有这样才能不但理解今天智能体的能力和局限，也能够预测明天智能体的突破和创新，围绕智能体演化的路径和方向，不断去定义新的业务模式，发现新的业务场景，布局新的业务创新。

●设计人机协同流程

你要思考，如何为这个AI员工配备人类的合作伙伴，甚至是一些人类员工的上司，你需要知道如何为她配备知识、数据、工具、系统和权限。让她能够更好地融入组织，发挥作用。

●配套帮助AI智能体持续迭代的机制

你需要理解"奖励函数"的重要性，知道如何为AI员工设计清晰的考核目标和反馈迭代机制，让智能体能够不断成长。总而言之，今天的世界，懂商业的人很多，但“懂AI商业”的人很少。

所谓懂AI商业，就是能把AI的设计和商业的设计完美融合，用AI原生的方式去做商业。最终的目的不是为了做AI而做AI，而是用AI去创造性地架构下一代的业务。这才是AI架构思维的精髓。

05

产业呼唤“AI业务架构师”

问题九

您反复强调"AI架构师"的重要性，这是否意味着"人才"是当前推动人工智能+最大的卡点？我们又该如何培养这样的人才？

孙天澍：是的，我认为今天人工智能+最大的挑战和机遇都在于人才，特别是那种我所说的，真正懂产业、懂智能、懂未来的下一代"AI架构师"。一个“AI架构师”可抵千军万马。

今天我觉得人工智能+的一个很大的问题是拥有场景和数据的传统企业，与拥有AI架构能力的外部人才之间，存在一种“体系性的错配”：

拥有场景的人不拥有AI架构能力，拥有AI架构能力的人不拥有场景，而且互相找不到对方。

怎么样创造出一个合作、孵化、协同、共创的机制，是非常关键的。

关于如何培养，我的观点是，AI架构师一定是在重构千行百业的“战场”中打出来的，而不是在学校里学出来的。

他们一定是在千行百业的战场中，通过无数次的行业试错、重构和竞争中涌现出来的。当然，我们可以为这种涌现创造条件。

我认为AI架构师需要具备三个核心特质：

●懂智能，有“AI架构思维”。这不一定要求会编程，但必须对AI能做什么、不能做什么有直觉，以及它的工作原理有定性的理解、并且对AI智能体的演化有兴趣，当你的企业多出100万个AI员工时，能判断出业务场景会发生什么变化，可能如何去架构。

●懂产业，有深刻洞察。这需要真正深入到产业场景中去，理解能源、医疗、制造等行业的真实需求本质和组织方式。对于年轻人来说，这是最需要锻炼的，也是最需要机会的。

●懂未来，有原创勇气。要敢于打破常规和产业固有的逻辑，用第一性原理去思考，去想象和架构下一代的业务。同时，还要有能力驾驭转型节奏，构建人机协同的新工作方式。

前两者（懂智能、懂产业）都是可以通过创造机会来培养的。培养一个AI架构师，和培养一个AI模型很像，你必须给他提供场景、数据和反馈机制。我们要做的，就是创造出这样的环境，让有潜力的年轻人能够在真实的千行百业的场景战场中去训练，去完成他们大脑中神经网络参数的"预训练"和"微调"。

所以，关键在于机制的建立，让拥有场景和数据的企业，愿意把机会开放给拥有智能架构潜力的年轻人。

问题十

拥有场景的人不拥有AI架构能力，拥有AI架构能力的人不拥有场景，而且互相找不到对方。如何才能改善这种状况？

孙天澍：这是一个非常深刻且普遍的问题，也是“人工智能+”与“互联网+”一个很大的不同。要解决这种错配，不能只靠政策引导，最终还是要靠市场机制。

核心在于，企业，特别是CEO，需要成为一个好的"AI架构师"。

这个架构师不仅架构业务，也架构组织和人才。他需要有能力和"品味"去识别、发现、寻找和培养那些真正拥有智能架构能力的人才，并且愿意把场景、数据、知识和实践的机会开放给他们。这些人才很可能来自企业外部。因为传统产业内部，直接拥有算法思维和原创勇气的人才并不多。

这就带来了一系列现实问题：薪资结构怎么定？一个顶尖的AI人才，为什么要加入一个薪酬和节奏都相对传统的行业？这需要企业在组织设计和激励机制上进行大胆的创新，用市场化的方式，让顶尖人才愿意并能够快速进入千行百业。

我认为，当前互联网行业的人才溢出，就是一个巨大的机会。

我常说，互联网是一座“小山”，从业者加起来几百万人；而人工智能+的千行百业是一座“大山”，从业者有几亿人。如何让从“小山”里出来的、经过了数字化“学前班”训练的人才，进入到“大山”里，在重构产业的真实战场中，成长为真正的"黄埔军校"学员，也就是AI架构师，这是时代给予我们的巨大机遇。

总结

这轮“人工智能+”的实质，不是工具换代，而是“智能”成为产业的新内核。决定成败的不是技术堆叠，而是在千行百业的场景中架构智能的能力。谁能率先以“AI架构思维”，找到AI原生场景，定好指标和迭代，在场景中培养AI架构师，用智能体杠杆重构业务模式和组织设计，谁就能真正在“人工智能+”的AI下半场中领先，定义下一代产业。

end

点击下方卡片，关注长江商学院