二万字干货！这家万亿级企业，是如何驯服AI的？

• 文 / 潘晓蕾 华夏基石人工智能咨询专家，甄财科技创始人，前字节跳动财务产品一号位

• 来源：华夏基石e洞察（ID：chnstonewx）

01

万亿新能源企业的AI转型与实操

一、AI转型和应用的缘起

我们服务这家企业是2020年。那一年，他们的销售额是3300亿，但利润只有300亿。整个企业每年三倍增长，但利润率不高。我们当时思考的是怎么帮企业最快地解决问题——从财务视角出发，帮企业提升整体经营绩效。通过财务管理的数字化，赋能财务组织的管理水平，去支撑增长，核心是提升利润率。这是我们相识的基础。

我们在合作过程中，他们从来没想过我能帮他们做AI。转折点发生在去年三四月份，我跟他们一个分公司总经理喝茶，他说他们在AI转型上花了半年多，碰到很多问题。我跟他聊了我的想法，他觉得有道理。后来他让我去给他们做了一场针对AI变革小组的培训，一方面是考核我，一方面是考核他们内部的能力。之后他说“你们过来试一试”——当时并没有签约，只是试一试，看能不能帮他们做AI转型。这就是合作的缘起。

我们帮他们做AI转型和应用的全历程，主要包括三大部分——

第一，企业AI训战营。即从企业愿景出发，拉起共识——通过培训的形式，高层、中层、基层一起达成共识，再通过AI大赛、场景识别和整体路径规划，推进服务机制转型和人才选拔。

第二，转型项目、组织机制、人才选拔。通过管理咨询影响到很多落地环节——不只是AI的问题，还涉及管理的转型。其中包括业务建模，专家能力蒸馏、知识库的搭建、系统整体落地、内部甲方人才团队的培养。

第三，运营、运维。理论落地之后，实现人机协同，让人不断滋养AI，最后实现智能体的持续迭代和运维。

整个过程中，每个阶段都有阶段性的目标。

二、变革小组和一号位是AI变革成功的基础组织保障

（一）认知对齐。

主要达成四大目标：第一，理解AI能力的边界；第二，消除对AI转型的焦虑；第三，打破固有认知，从第一性原理去理解AI时代的道、法、术、器；第四，如何全员AI动员。

为什么认知对齐这么重要？

改变一个人的认知很难，除非这个人自己想改变。很多人只相信自己相信的事情。所以有时候“相信相信的力量”很重要。AI转型失败的原因，往往不是没买对系统，而是组织内部认知没有对齐。如果我们没有定义清楚“为什么转型？目标是什么？转型成功的定义是什么？”，项目推进过程就会被卡住。最核心的是，在整体推进之前，先要做认知对齐。这一步不达成，很难达到目标。

（二）企业AI转型的起点：成立AI变革小组。

我们从万亿新能源企业的实践中看到，转型不是IT一个部门的事。我经常看到企业把AI转型交给IT组织，或者交给某个业务部门，或者交给HR。但AI转型本身离不开各个部门的配合，离不开IT的技术平台和设施支持，离不开用户的支持，甚至离不开HR的运营支持，也涉及考核机制、组织架构的调整。因此，我们建议每一个项目在做AI转型之初，先成立一个AI变革小组。这个小组不是单一部门主导，而是多部门配合。因为AI是一个介于人和系统之间的物种，它离不开管理变革，离不开数字化落地，离不开原有的数字化基础，离不开组织考核机制的变化，离不开各个部门的真实需求和重点。没有一个变革小组，靠单一部门的力量很难推进。所以，一定要成立一个AI变革小组，统一方向和优先级，打通业务和技术，推动组织变革。这是成功的关键保障。

（三）AI必须是一号位工程。

AI必须是一把手工程——这句话一定要记住。

1.AI变革涉及组织和权力重构。我碰到很多企业AI转型推进不下去，就是因为不是一把手工程——董事长或总经理有整个企业的全局观，如果把它交给了其他人，让他自己去处理，结果在调动内部资源、推动业务部门积极性、推动组织变革的过程中，碰到各种阻力，最后不了了之。只有一把手才能通过总部协调各个部门、各个体系，才能推得动。因此，一把手工程是项目快速推进的基础保障。

2.AI直接影响战略方向。一把手能直接奠定战略方向，涉及战略决策时能第一时间拍板，决定节奏和空间。同时，高管在推进转型时最怕什么？最怕失败。但创新的事情，在初期很难有百分百确定的答案，不能像数字化项目那样追求“落地必有成果”。如果抱着这种心态，就会变成什么场景都不敢落地，半年下来什么都没推进。我经常碰到高管说：我想推进，但业务部门不配合，需求给不出来，拿不到效果，投资回报率也不明确，没有一把手在前面坐镇，难以成功。

3.AI转型需要最高层的长期关注和承诺。AI转型在企业里面通常有三层分化。第一层：高层像秃鹫，精准目标，马上实现；第二层：中层像鸵鸟，因为很多AI革的就是一些中层的命，他们的心态都会像鸵鸟一样；第三层：基层像青蛙，领导推的时候动一动，领导推一次，动一下，不推就不动了。所以，这个过程当中，中层、基层和高层需要一号位从始至终的关注，不是一把火推一推就能成功，而是中间就可能泄了力。

我们认为，变革小组和一号位是AI变革成功的基础组织保障。

三、通过AI大会识别场景

（一）AI大赛征集场景，调动积极性。

我们当时决定举办一场AI大赛。花了五天时间，连卫生间的大屏幕、每个办公室的屏幕、每个卫生间里都贴满了海报，主题就是“你我皆是主角”的个人业务创新。我们鼓励业务部门把自己的实际业务场景拿出来，先不考虑能不能落地，只考虑它对生产增长、对管理是不是足够重要。这是全员认知、全员普及的过程。当时全分公司200多亿的规模，3万多人，征集上来三四百个场景。AI大赛确实调动了大家的积极性。

（二）评审筛选

在征集大赛场景的基础上，设立重要的评审过程进行筛选。三四百个场景不可能全部落地，我们要看哪些是第一批值得投资的场景。经过筛选，从三四百个中选出了153个。淘汰掉的主要是跟生产经营无关的场景。剩下的153个，我们又分成了三类——

• 第一类：非AI场景，用数字化、RPA就能解决，不需要AI，这类大概占40%。因为很多基层员工即使经过培训，也分不清AI和数字化的区别。非AI场景则转入数字化去承接。
  

• 第二类：AI场景，但更适合个人通过学习和搭建来解决。这类场景可以通过HR组织培训，请内外部讲师讲AI工具的使用方法，让员工在现有平台上搭建个人助手来落地。
  

• 第三类：需要公司投资、聚焦生产经营层面的重点场景，是我们未来要落地的方向。

（三）专家辅导与纠偏。

在推进过程中，我们发现很多问题。最基本的是，当我们问业务部门有没有准备好语料和知识库时，他们反问什么叫语料。我们只能反复沟通，告诉他们需要整理场景相关的技术知识、文档，看看是否达标。每个场景我们都会帮他们评估可行性、技术影响和业务影响。这些都是AI大赛评选之前就要做好的准备工作。

有数字化的场景，也有AI落地的场景。首先要对这两者进行区分，避免把本该由数字化解决的事情交给AI去做。

1.数字化解决什么问题？

数字化是把线下的业务搬到线上，实现流程的标准化和协同化，让管理层的数据可穿透，辅助决策。比如把采购订单、销售订单、生产管理搬到线上，实现流程作业的集中化、业态协同，帮助经营管理层做决策。这是数字化的目标——解决规范化、标准化问题，提升线下效率，实现数据赋能。

做数字化培训时，经常有业务小伙伴问我：数字化并没有提升我的能力，反倒让工作更繁琐了，这些表格都是给公司填的，对我个人有什么用？这是个很有意思的问题。企业早期的数字化建设，更多是在经营规模扩大到一定程度后，让管理层在多元化、多地域、多业务、多价值链协同的情况下，能看清经营生产的本质、看清人效、看清流程的断点和卡点，从而快速决策。

怎么衡量一个企业的数字化能力高低？有个小窍门：看财务结账时间。我用服务过的两家企业，一家是我待过的公司，当时有200多个业务单元——从抖音、广告、医院、智能手机到房地产等等，跨度非常大。这么多业务单元，我们去的时候结账要7天，后来做到了T+3，每个月3号就能把资金决策报告放到负责人案头，让他决策这200多个业务单元是继续投资、加大投资还是收缩资源、解决资金卡点。每月的经营决策会就靠这份报告。二是这家万亿新能源企业有10万人规模，我们做到了T+1出集团经营单体报表和合并报表。这样的管理水平，决定了公司能不能比经营快一步、能不能看清经营现状、能不能快速决策。这些都离不开业财协同、管理标准化、经营决策提速。所以，这些数据不是给审批看的，而是服务于经营决策的精准性、可穿透、快速计算。

2.AI能做什么？

AI实现的是自运营服务，通过大量知识信息的利用，去总结、归纳、识别、推荐、沟通。它解决的是企业对多年积累的专业知识、人才经验的可替代性问题，把经营知识融入系统，从基层和一线提升技能均值，在数字化没有涉猎的环节发挥作用。

去年很多人讨论AI场景到底适合什么？我们认为，AI落地效果最好的，往往不是那些数字化已经构建好的场景，而是数字化够不着的地方——需要高度智力、对人的经验和专业依赖度比较高的领域。如果数字化基础打得好，像这家企业T+1出财报那样，就已经不需要AI上手。如果管理标准化确实有问题，更应该用数字化和管理咨询去解决，而不是硬套AI。目前落地效果好的AI场景，大多在数字化尚未涉猎的领域。

3.数据的干净、整洁，是减少AI幻觉的前提。

在这个过程中会发现一个问题：垃圾进，垃圾出。很多时候我们去做AI，我都会问对方：“你有语料吗？”他说有，然后给我一个几十页的文档。我一看，这个文档说是多年积累的知识体系，但不够结构化，内容混乱程度比较高。这不是大企业或小企业的特有问题，超大规模企业同样存在这个问题。

数据的干净、整洁，是减少AI幻觉的前提。如果数据本身就自相矛盾，同样的定义在多处有不同的解释和说明，那AI学出来肯定有问题。那是不是说，我现在数字化基础不高，就不能做AI了？当然不是。我们后来尝试用AI反过来做数据治理，效果也不错。比如有一个7个月的学习项目，我们用AI把它压缩成21天，让AI来学习、梳理、优化管理制度，比传统方式快得多。

从我个人角度来说，我一直做报表、做全域数字化，后来聚焦到业财协同，再到管理咨询和战略咨询，现在又聚焦到AI，为什么？因为现在AI变革的速度、解决企业经营问题的速度，远远快于原来数字化和管理咨询的任何手段。

所以，没有数据，能不能做AI？AI能反过来帮我们做数据整理，做制度优化和体系优化。这是我们项目中的一个心得。

4.一些场景适合通过培训工具助力效能提升

其中一些场景不适合公司去投资，更适合公司找外部的培训老师，通过培训赋能基层员工自己掌握能力，甚至不需要IT同事，只要让业务部门自己去培训就能上手，就能用自然语言就能解决日常工作当中的问题。这些不建议让公司投资的问题，主要包含哪些场景？

• 职能工作，如“表哥表妹”们的表格整理处理。我经常看到很多人的工作就是统计各种各样的表格。为什么需要统计？是因为即使上了数字化，经营分析的统计维度和颗粒度会随着业务变化不断出现新的视角，这些新视角还是依赖于职能同事手工处理。现在AI可以通过自然语言去做整理、总结、归纳，能力相当不错。但这类工作只需要个人提效，不具备广泛的通用性，建议让员工自己学习AI工具来解决，不需要IT部门介入。

• AI辅助的数据分析，包括PPT生成、宣传物料制作、技术管理宣传等。这些工作也不建议公司投资，员工自己找工具就能完成。如果技术门槛低，并不需要一号位工程。

但即使反复推进，每个部门对AI的接受程度和配合度也完全不一样：有些部门完全拥抱AI，第一次讲完就一直热烈讨论怎么落地；有些部门是观望的、抗拒的——深层次原因是员工对AI的不信任，甚至担心工作被替代。这些场景怎么落地？我们更建议AI选择那些“没人干”的场景——不是替换现有员工，而是解决那些没人做的工作。比如有些部门同事选择场景时，会说“我不怕工作被替代，我想把最基础的工作替换下来，去做更高价值的事”。在这种心态下，他们会更积极地改善现有场景。而对于接受程度不高的部门，我们会建议选择那些现在没人干、但大家都知道该干的工作，比如全量审核，以前只能抽检，现在可以让AI去做。因此，AI落地的时候，要帮大家选核心的关键场景。

四、AI场景价值评估的四大维度

那么，到底如何评估AI落地场景？大部分企业比较认同的AI场景选择方法论有四个维度。

• 维度一：战略绑定。这个场景是不是跟战略落地相关？是从职能后台开始，还是从经营生产管理销售的一线开始？从效果来看，更值得公司买单的、能带来全员感受的，一定是在战略锚定、生产经营上提效的场景，而不是简单的降本场景。能解决经营核心问题、与战略一致性的场景，才值得投资。什么是跟战略相关？比如企业战略从低端转向高端定制，这些跟战略相关的问题最值得公司投资，也是AI能拿到30%甚至50%效益的场景。这些场景能让公司的一号位看到价值，从而继续推进AI，而不是在后台职能领域做孤立的减员增效。

• 维度二：价值评估。如果找不到战略相关场景怎么办？那就从项目环节去找——这个环节如果能节省20个人的工作，每个月核算一下投入产出比，能算得过来，那就是账本上的好场景。

• 维度三：可行指数。这指的是公司现有的制度、标准、管理程度是否具备AI落地的条件。如果人都做不清楚流程规则，压根没数据，这个场景再重要也不建议现在落地。需要先把内部的制度、流程、数据准备好，再做后续。

• 维度：组织适配。这是我们培训辅导过程中发现的：真正愿意变革的部门，在企业内部能到20%就不错了。即使一号位反复强调，甚至说“干不了就换人”，真正心里愿意做AI的人没那么多，20%算很乐观的数字。我们要选择那些“双向奔赴”的场景——对方和我们都有意愿投入，遇到困难能一起克服，否则甲方配合的小伙伴先打退堂鼓，事就推不动了。很多项目里，仅靠乙方的努力是不够的，甲方自己的努力更重要。

所以，公司愿意投资的第一批战略项目，应该满足这四个条件：要么战略创新，要么能降本增效，要么数字化技术基础已经比较高（比如生产环节的故障排查，前后端都准备好了，就差中间一段），最后是对方配合度高、愿意拥抱变化。这四点构建了AI场景选择的基本框架。

示例：价值链视角的场景定义

我们在操作过程中，从100多个场景里精选到几十个。每个部门都会涉及业务价值的前期规划、研发、场景创造、资源配置到组织规范。我们当时聚焦的是生产基地，不是研发体系，所以更关注生产侧。

（上图）营销相关的场景标了绿色，绿色是我们帮他们落地的；灰色和黄色是第二期他们自己用团队做，我们提供支持。我们落地了三个场景——

场景一：“故障大师”

这个场景为什么对企业那么重要？影响“故障大师”从三秒突破认知到一秒突破认知的核心原因，在于非计划停机。很多制造业都有一个挑战：每天都有系统维修时间，即使三班倒也无法解决。AI故障大师的战略定位是解决产线设备运维与故障诊断的核心痛点。传统模式高度依赖专家经验，响应速度慢，知识难以复制。其应用由企业生产的关键链路（设计—生产—交付），能够有效减少停机时间，降低维修成本，并形成可复制的知识资产。若落地成功，将构建稳定的竞争护城河，使企业在设备可靠性与运维效率上取得长期优势。

AI故障大师通过学习专家经验，实现24小时在线赋能，普通工程师也能快速定位问题，大幅降低因停机带来的产能损失。在业务收益上，既能降低维修人工成本，又能提升交付速度与产线利用率，同时减少重复性培训开支。对于生产型企业而言，其价值可量化为停机损失减少、维修周期缩短和客户满意度提升，具备显著的ROI。

AI故障大师基于历史故障数据、专家知识库、设备运行参数等数据资源，目前多数企业已有MES、ERP、PLC系统，具备数据沉淀与流程管理基础。AI故障大师可通过与这些系统集成，实现知识抽取与实时推理，其实施复杂度在于数据标准化、知识转化和场景SOP配置。若数据质量与流程规范能保证，短期内具备快速落地的可行性。

AI故障大师的落地需要明确的责任人和跨部门协同。人才层面需有AI训练师与产线工程师共同维护知识库；流程层面需建立标准化SOP，确保AI诊断与人类操作的衔接；机制层面通过绩效考核与激励机制推动使用。团队对变革的支持度决定了场景成败，若高层提供资源保障、基层认可AI赋能，组织适配性将显著提升。

基于当前6条产线的实施效果，单条产线年收益增长在1600万至2000万元之间。全部产线上线后，预期年收益增长将达到约24亿元，展现出巨大的经济效益。

场景二：AI销售教练

第二个场景是“AI销售教练”。这个场景是干什么的呢？当时我们在服务这家万亿新能源企业的时候，办公室旁边就是零碳部门——其实就是负责零碳方案转型的部门。它的电池产线已经很成熟了，但还有第二条业务线，就是把它的能力打包成零碳解决方案，卖给港口、园区、机场等客户。他们要从一个卖产品的公司转型成卖解决方案的公司，结果发现不会卖。我们去的时候，零碳部门已经被裁得只剩一个人了。总经理跟我说，这个新业务是公司毛利最高的新增长点，能不能用AI帮他们做销售？

AI销售比我们传统意义上To C的销售难度高太多了。为什么？因为要给客户提供定制化的解决方案，还得了解客户心理，分析决策者的心态，甚至要说服高管立项。而且这个方案不是通用的碳排放方案，而是结合他们产品能力的一体化解决方案。而这种解决方案的能力，没有三到五年的积累是做不到的。因为这个领域太新了，他们找不到这样的复合型人才——既要懂零碳解决方案，又要具备和客户高层对话的能力，还要能搞定发改委、政府等投资方的销售能力。那能不能让AI帮我们做销售？

这家万亿新能源企业原来给全世界60%的新能源车供电池，现在要把动力电池的能力变成储能方案，帮企业解决储能问题——从卖产品变成卖一整套方案，就一下增加了难度。卖产品很简单，参数不同但逻辑一样，做好性价比就行，而卖解决方案呢？就得面对企业的多个决策者——CFO、采购总监、业务部门、老板，还得跟竞争对手PK，前期沟通可能十几轮，从了解客户到出方案，有时候客户还没立项，还得说服他立项。而且每个客户都不一样，头部的、中部的、腰部的，增长期的、平缓期的，方法都不一样。我们要判断商机靠不靠谱，资源有限，只能快速了解一个完全陌生的客户。零碳方案的客户基本都是董事长级别，有时候还涉及政府关系，对人性的把握要求极高。所以他们找不到合适的人才，不是这个行业的问题，是所有大型服务业都面临的问题。

因此，这是一个超级依赖人的领域，对人的要求极度复合：既要情商高，能跟客户沟通，又要快速学习行业知识，还要能整合产品方案，给客户双赢的解决方案。大部分人做不到。如果AI能形成这种能力，我们对顶级销售的依赖就会降低，普通销售的均线水平也能提上来。销售转化率提升了，公司的战略毛利目标就能达成。

所以，这个场景是把最复杂、最碎片化、最依赖人的销售工作结构化、赋能化，让AI帮助销售团队。

最终效果怎么样？当时那个部门被裁到只剩一个人，但后来用“碳博士”去给省长汇报，方案非常成功。现在每次见大客户，他们都靠“碳博士”出方案，能真正做行业洞察、客户转型计划、销售方法判断，甚至帮客户分析卡点，最后拿出解决方案。

场景三：数据治理——非标准件

第三个场景是数据治理。今天我们走到任何一家企业，都不会回避一个问题——企业里有上百套不同的数字化系统，不同系统之间对同一个数据的定义标准不一致，导致很多企业连最基础的单体毛利率都算不清楚。因为在多元化业务下，没有拉通数据口径，没有数据中台，数据治理做不起来。数据治理不是大公司才有，小公司也存在，集团化公司尤其突出。

我们当时挑了一个特别小的切入点来突破，叫“非标准件治理”。

什么叫非标准件治理？拿气缸举例，不同厂商对气缸的要求都不一样，几十个品牌，每个品牌都有自己的规则，没有统一的标准。每次录入的时候，只能按自己的维度填信息，经常出现重复数据。带来的损失是什么？17万条数据里，很多型号其实不存在，但系统里显示有，就会导致重复采购，或者产生大量呆滞库存。有些零件本来可以匹配使用——比如A品牌和B品牌虽然型号不同，但其实是能通用的——但系统识别不到，就以为没有，再去买。还有些情况是同一个品牌同一个型号，录错了，也以为没有，又去买。如此反复，每个基地都有千万级的呆滞库存。他们说，数据标准化这件事不是没做，做了好多年，但每次理完，新数据进来又乱了，永远除不干净。所以问我们：AI能不能解决数据治理的问题？能不能帮我们降本增效？

这不光是数据治理，还有采购增效的问题。比如每年都有降本指标，今年气缸的品牌SMC，明年想降价，人家不给降，我就想从市场上找更低价的替代品牌。但前提是，我得把不同品牌、同一规格的产品识别出来，才能去做比价。这就靠数据标准化——把不同品牌的数据拉到同一个标准上，降本才有基础。标准不统一，降本就没办法推进，采购效率也提不上来。

所以，AI能不能帮我们做数据标准化？能不能把采购审批效率提上来？能不能减少呆滞库存、释放存量价值？这是我们在这个场景里要解决的问题。

02

乌卡时代，传统管理学思想亟需升级

一、围绕“核心竞争力”构建经营架构

刚才讲的三个场景——故障大师、碳博士、非标准件治理——看上去是三个不同的领域，但其实底层有一套共同的方法论，解决了所有问题。这套方法论是什么？

我们再回头去看，为什么要做这些场景？表面上是解决战略层面的问题，但实际上每个企业的竞争态势都跟核心竞争力相关。我们现在做AI，回归到最基本的原理，即把公司的核心能力无限制地放大。每个能做到百亿、千亿、万亿规模的公司，依赖的就是核心竞争力。而AI真正能让企业达成目标，让企业觉得有用，前提是AI放大了核心能力。这是我们认为AI应该聚焦的方向。什么是核心竞争力？第一，人无我有，难以被竞争对手复制；第二，可以帮助企业进行新业务延伸。

二、企业的中等规模陷阱

AI还能解决另一个问题——企业的中等规模陷阱。为什么会有中等规模陷阱？宏观压力之下，头部企业有相应的国家平台地位，央企有国家帮扶，尾部企业有政策支持往上走，但中等规模的企业在当今时代反而最困难——缺乏头部企业所需要的定价权，产业链位置偏弱，只能招到中等水平的人才。中等规模企业不是不敢创新，而是创新失败的成本更高；融资成本更高，政策福利拿得不够，而且技术迭代和竞争的把控不够及时，逐渐陷入“高成本、弱议价、低弹性”的结构性困境。

那么，造成“中等规模陷阱”的根因是什么？

• 首先，方向迷失——战略摇摆、战略难以推动，发展历程中每次想做新业务，装不上、推不动，又担心风险。

• 第二，战术勤奋掩盖战略空洞——指标越来越多，落地越来越难，把工具当解决方案，今天拿一个精益方法，明天上一个阿里云，后天又上一个APP，以为就能解决企业问题。但照抄作业永远解决不了问题。真正的取舍，需要一号位想明白，但如何想明白、如何执行到位，同样重要。

• 第三，组织撕裂。每个企业到了一定规模，都会出现大公司病——董事长往下，层层衰减，执行过程中走样，管理层级放大创始人的问题，领导力的天花板就成了组织能力的天花板。

我们认为，这些问题AI都能解决。为什么？AI在创新领域能够实现“少人化”“无人化”的实验。这是AI真正的价值所在。

比如今天我们帮一个传统的建筑装饰行业做转型。其难点在于，我们已经拿不出大批的人才和成本去投入创新了——没有专家，创新就无从谈起。能不能把专家“克隆”出来，用更低的成本、更大的覆盖面去解决创新问题？而AI的好处在于——

第一，AI可以进行无人化、少人化实验。今天我们在AI销售教练分析的结果看到，这种装饰行业的创新背后，其实都指向同一个方向：把专家的能力复制出来。

第二，降低试错成本。即使错了，对组织的伤害强度会小得多。AI试错，和真人去试错，代价完全不是一个量级。

第三，降低人为判断的误差。我们在分析一个小业务单元的时候，怎么客观地看待很重要。有时候一个决策，到底是把一件事“丧事喜办”，还是把它扼杀掉？这里面有太多人性的因素。我们怎么把一个新业务孵化出来？AI是一个超级好的工具。每个公司在尝试新业务的时候，都会有这样的困境。AI应该是一个很好的新业务破局的方法。

03

AI破局之路

我们在万亿新能源企业项目，可以说是从梦幻开局到地狱模式，难度之大难以想象。做这个项目的时候，他们的AI水平已经不低——52个灯塔工厂，有1300人的算法团队，6个研究院，每1.7天出一个专利，提前半年多就已经部署了N个大模型，上了N个平台。它解决不了的，就是我们要定义的那部分——小数据、高精度、打通专家经验。

一、难题一：小样本数据、AI概率学——如何用少量数据达到专家级水平？

在破局思路里，我们发现，专家本身就是一个模型。为什么专家的肌肉记忆一上来就能比普通人解决得好？为什么一个好的故障大师一分钟就能查出原因？因为他已经通过大量实践，用专家思维链数据形成了专家级的能力。那我们换一个思路：与其拿数据去训练一个通用模型，不如把专家本身变成一个模型。专家能力已经有80分，我们能不能把专家做成一个行业级的小模型？这样我们就能用专家级的知识去做训练。

这个解题思路的方法论，我给它起了个名字叫“专家思维蒸馏”。

• 第一步，梳理专家的思维。很多专家决策时，靠的是多年形成的经验、行业认知、典型案例，以及他的决策逻辑。他为什么一看这个地方就知道有问题？他有自己的一套判断体系。我们要把他的知识完全梳理出来。但专家往往讲不全、想不清，所以要把他的思维链抽象出来——他的直觉是怎么来的？他为什么能判断？他选择底层的逻辑是什么？这就是人的SOP。他不能保证100%，但他知道这个问题的出错概率一定比别人高，所以他优先从这里尝试。遇到某些风险，他就规避。这是他的思维逻辑，我们要把它提炼出来。

• 第二步，把思维逻辑变成平台处理。让专家思维逻辑落地之后，选择大模型去适配。不是一次性回答整个故障开发问题，而是把思维链当中的每一个环节都变成AI系统的逻辑去落地。

• 第三步，实现能力沉淀。增加知识的复杂度，让AI自学习。即使专家这次没遇到，或者新的问题出现，AI也能自动学习，不断优化思维链。

• 第四步，形成一套可复制的方法和体系。其实就是从0到1，从一个通用模型加上大数据训练，变成用“专家思维+小数据样本、高精度数据”去训练。

总结起来，就是把专家当模型来处理。这个做法比通用大模型的成本低得多，比自有的私有化大模型便宜得多，周期也短得多。一上来就不是平均线水平，而是直接提升到专家水平。这看似简单，但又不是那么简单。因为将顶尖人才的经验转化为AI能力存在诸多障碍。在小样本、强专业、长尾频发的行业中，真正决定判断质量的并不是数据规模，而是专家对行业规律的长期内化。但在组织环境中，这种能力往往被系统性压制。主要存在六大难点——

• 顶级专家稀缺，难以复制。能处理复杂异常与极端场景的专家通常集中在关键岗位或少数个人身上，难以被替代、难以规模化复用，行业判断力天然呈现“稀缺性”。

• 专家对“输出经验”存在本能抗拒。专家往往将经验视为个人护城河，担心能力被替代或价值被稀释，导致关键时刻逻辑停留在个人脑中，而非组织资产。

• KPI与激励机制不支持知识沉淀。企业更奖励“项目交付结果”，而非发现规律与总结方法，专家自然把时间投入在短期产出，而不是长期经验结构化。

• 专家能力本身高度隐性。许多行业判断源于直觉、模式感与经验联想，专家自己也难以完整表达“为什么这么判断”，能力难以被直接形式化。

• 知识碎片化，缺乏统一结构。经验散落在邮件、会议、对话和个人记忆里，没有形成统一的认知框架，导致即使有大量经验，也无法被整体调用。

• 组织文化与信任基础不足。如果组织默认“AI会替代人”，而不是“辅助判断”，专家自然不会主动参与能力沉淀。行业模型无法在企业内部形成。

本质原因在于：专家能力是“人性+经验+判断边界”的长期积累，而组织系统往往更擅长管理结果，却不擅长承载这种复杂的人类智能结构。

在企业中，专家并不天然愿意释放核心经验。能否形成“行业模型”，关键不在技术，而在信任、资源与战略定位。因此，专家能力与AI结合，必须成为公司级的战略工程，必须由一号位推动。那如何促成专家经验沉淀为AI能力？

第一，信任是一切的前提。如果没有明确背书，专家往往不会主动开放核心判断逻辑，担心价值被替代、能力被弱化，或贡献不被组织承认。

• 专家担心“被 AI 取代”，而非“被 AI 放大”；

• 个人经验缺乏组织级认可机制；

• 没有安全感，就不会有深度输出。

第二，资源与机制决定能否落地。没有高层推动，知识沉淀往往被视为“额外工作”，KPI 不支持、时间不保障、跨部门难协同。

• KPI更偏向业务结果，而非知识资产；

• 专家时间被项目交付挤占；

• 部门之间缺乏配合动力；

• 最终流于形式化建设。

第三，必须上升为企业战略工程。只有一把手介入，才能将专家能力沉淀从“技术实验”升级为“核心竞争力工程”。

• 从工具试点转为长期战略投入；

• 把专家经验转化为组织资产；

• 形成可复制、可传承的行业判断体系；

• 建立企业级护城河，而非个人能力依赖。

所以，AI 变革从来不是技术难题，真正决定 AI 能否在企业中落地、放大价值的， 从来不是模型参数、算法能力，而是组织是否愿意改变决策方式、信任结构与权力分配。因此，AI绝对不是单一部门能搞定的，它涉及管理、涉及变革。

为什么很多企业单点落地AI很难出成果？我们经常看到，新一代企业里，IT部门自己搞一个场景，在自己的职能领域自嗨一下，觉得挺不错。但放到公司层面呢？能推广吗？能复制吗？能解决核心问题吗？因此，我们一定要建立一个跨部门的项目机制，这个项目离不开IT，但也不能只靠IT，而是需要业务、需要管理、需要组织协同。

那如何把专家那些客观上说不出来的问题“蒸馏”出来？这不是单一咨询、方法论或技术问题，而是一个跨人、组织、知识和模型的系统工程——

• 需要企业的咨询理性、结构化的抽象能力，把复杂的决策逻辑结构化、制度化、工程化；

• 需要深入的访谈与沟通技巧，怎么通过三天的时间去判断专家在每个场景下的思维习惯和思维结构，不断追问：你为什么这么想？你说“我看不出来”，那你看不出来的原因是什么？通过反复追问，把他的思维路径拆解出来；

• 需要跨领域抽象与迁移能力，即创新地提炼专家思维，把专家的方法论和结构化的能力沉淀下来。我们常说的“方法论”，其实就是把复杂问题变成可遵循的方法和公式，并把它结构化。方法论本身也是一种沉淀的能力。

• 需要反复沟通，化解情绪。这里涉及底层的思维逻辑——哪些是专业原因，哪些是深层原因？在沟通中，要能区分出来。通过和专家的反复沟通，把他内心深处的抵触情绪化解掉，搞清楚专家真正想要的是什么、他的目的是什么。

在方法论上，我们用的是“逆向工程”的方法。怎么理解逆向工程？就是看专家怎么做题、怎么解决问题，观察专家解决最复杂问题时的思路，这种思路才是真正的SOP。拆解专家现在处理的问题、他面对的困难，比如他解决故障原因时，直接从他解决问题的方法入手。从纵向的问题归纳很难总结出方法，但根据他完整的解题过程，从真实场景出发，反向推演他的思维逻辑，把他的思维能力沉淀下来。这是我们当初做专家访谈的思路。

二、难题二：克服AI幻觉、不允许一本正经胡说八道，必须100%准确

怎么让AI不胡说八道？ 85%的准确率，对有经验的人来说是能用的，但在知识结构、知识库层面，已经完全不适用。怎么解决这个问题？

（一）原子级任务拆解的落地实现：现实挑战

AI幻觉的破题思路是：原子级任务拆解。

什么叫原子级任务拆解？就是把一个问答题任务拆到极小的颗粒度——原子的颗粒度，拆到细得不能再细。大任务必然导致幻觉，比如我们让AI说“如何发财”，它肯定胡说八道；跟它说怎么“降本增效”，它的回答肯定不准确，有无限扩大的空间。但如果我们把它变成一个极小的颗粒度问题，它的准确率就高了。任务越宽、越模糊。从模糊任务到任务分解，再到原子级任务，才是降低AI幻觉的正确之路。拆到什么程度？拆到它不会产生幻觉的颗粒度。

举个例子。一个专家级的问答给到AI，正常情况下是怎么做的？给技术部一个prompt，它就能回答，但这样随机性太强，超级不可控。那怎么拆解成最小颗粒度？我们把一个知识集的问答拆解到AI根本没有想象空间的颗粒度，即原来是一个大问题，把里面的颗粒拆到AI都没有发挥空间。

这种原子级任务拆解的方法，可以分为六步——

• 第一步，从结果上验证，我们到底要什么样的标准。
  

• 第二步，对任务进行分解。
  

• 第三步，每个原子级任务都去写不同的模型结构。因为每个AI的能力不一样，要从原子级去判断，当前这个任务适合什么样的逻辑结构。针对当前的任务去定义，把原来一个prompt解决的事，拆成极细的、一堆模型的调度、一堆提示词，模型也不止一个，是N个。
  

• 第四步，加上外部知识库、专家的兜底，把不准确的任务都去掉。
  

• 第五步，建立一个双角色的判断机制，让一个AI去判断。
  

• 第六步，完成复盘机制。

每一步、每一个子任务实现的时候，都确保不会错。哪个环节出问题，就去优化哪个环节。如果当前环节优化不完善，就再拆小，直到它有足够的颗粒度。每个环节都选择可复盘、可沟通、可思考的方式，实现双决策机制和复盘机制。

因此，不是 AI 不行，不是业务不清楚，不是低代码没学会，问题不在 AI，而在拆解深度。当任务拆到“AI 没有想象空间”的颗粒度时，对工程能力、业务理解与方法论的要求会陡然上升。

（二）逆向工程思维：从问题拆解

AI擅长的是执行。我们提出问题，它去执行。那我们在做什么？我们在做拆解，AI执行，如果有幻觉，我们继续拆解，拆到准确为止。在那之上，还要思考：哪个让AI做？哪个让数字化做？哪个让管理做？拆解之上需要一个人统筹。不是用AI解决所有问题，而是用更高的思维思考：当前这个环节，谁做最合适？用这样的思维来确保整个结果完全可控、准确。简单来说，就是把AI的执行任务拆到原子级，再根据每个原子任务去分配不同的模型、分配RPA、分配数字化系统去执行，最后通过复盘把它工程化。

三、难题三：原子级别任务分解的落地实现，低代码平台统统不顶用，面临周期短、要求高、成本可控等问题。

（一）原子级任务不适合低代码

原子级任务的落地，低代码平台根本搞不定，只能重新做一个AI原生系统，把整个思维链结构化、工程化、架构化，才能保证结果。

为什么市面上的低代码平台用不了？有六大原因。

• 可维护性要求高。系统里套子系统，未来每次迭代都要整体运维，客户不接受“黑箱”，他们要可视化的运维系统。
  

• 必须跟企业的操作环节高度贴合。80%的作业要有案例可循，操作必须程序化，每个环节都要把安全提示放在核心位置。
  

• 每个环节任务可能需要不同的模型能力。因为不是我们平时用的通用模型，而是在具体环节里，都在用不同的版本的模型，有时候不同版本的小模型表现可能更好。低代码平台控制不了版本级的具体模型调用。
  

• 跨智能体的对话记忆。一个对话是日常提问，另一个是专家兜底。两个对话之间要能记录未回答的问题，跨对话的上下文也要能延续，低代码平台做不到。
  

• 每个步骤都要带复盘机制。AI执行完要能回溯、能优化，低代码平台也不支持。
  

• 整个流程要能根据业务需求定制页面，并且持续迭代交互能力，低代码平台也搞不定。

所以，我们既然满足不了客户需求，就把市面上的低代码平台全考察了一遍，发现只有一条路：自己搭一个平台。

（二）每个企业的变革都离不开企业家的必然选择

但开发一个平台，需要大量的时间。而我们与客户的合同都还没签，压力巨大。

我自己试了试AI编程。虽然我北航计算机专业毕业，出身程序员，曾在IBM做架构师，但毕竟做了多年管理咨询，代码早就生疏了。但我心想，也许可以试试。一个周末的晚上，我搞了17次尝试，把一个最核心的功能调出来了。这样我每天干到凌晨四点，连续三个月，让AI写出了几百万行代码，把一个平台从0到1搭起来了。

这件事让我看到无限的可能性——用自然语言，我竟然能搭出一个平台，满足之前所有功能。这说明什么？说明今天AI的实力，已经让一个跨界思维的人，能把创意到实现的过程变得无限短。

这一路拆解下来，我总结了一下自己能做成这件事的原因，大概有六点——

第一，从问题出发，而不是从技术背景出发去解决问题。我是从企业经营管理的问题出发，用反向思维去解决问题。我没有纠结于这个问题必须用什么方案、必须用哪个模型，我的逻辑是：问题拆解，低成本、可控、风险低，找出一个办法去解决。

第二，架构思维。我让AI负责帮我编码，但架构设计、数据结构设计是我来负责的。架构是什么？是把业务场景、复杂问题拆解成可结构化、可复制、可工程化的能力。我做了这么多年战略和管理咨询，对架构的理解让我更清楚怎么拆解。

第三，强结构化思维，即把碎片化信息变成结构化信息。我们企业里经常说，要选拔人才、培养超级个体，靠的是把一个复杂问题、一种灵感、一种肌肉记忆，变成可表达、可传承的东西。

第四，逆向评估，结果反馈过程。我不是正向推，而是从结果倒推，反向验证过程的正确性。

第五，破釜沉舟，逼自己一把。但凡有第一条路、第二条路，我也不走这条路。客户当时找各种借口没签合同，但平台一出来，第一个问题解决后，合同马上就签了。被逼到那份上，发现这是唯一可行的路。

第六，企业家精神。每个企业的变革都离不开企业家的必然选择。去年既然选择了AI这条路，我就不可能再退回到原来的咨询和信息化的老路。

所以，所谓走出路来，就是“认知+结构化思维+勇气”。我觉得，在AI时代，只要有一定的认知，只要有一些勇气，很多我们认为不可能完成的事情，其实都值得去试一试。

四、难题四：如何让AI持续进化，具备学习机制

（一）AI自学习机制的关键意义

在真实业务中，AI面对的是持续变化的环境，没有复盘与迭代机制的 AI，性能只会不断退化。真正可持续的AI，不是“更聪明”，而是具备持续复盘、自我修正、不断进化的能力。

以我们的经验来看，AI刚上线时，能具备人类70%的知识水平就已经很不错了。因为很多时候，大家自己也记不清到底有多少知识需要去评估。所以，AI能否在日常过程中不断学习、吸收人类没有教给它的知识，就变得非常重要。关键是如何让AI具备一套持续学习的机制。

这就需要一个复盘迭代的机制。AI解决不了的问题，让人类帮它复盘，它再把这些新知识吸收到自己的体系里。同时，通过每一次学习，它能知道哪些问题是高频发生的，哪些条件发生了变化，这些都会影响它后续的回答。

企业里的AI，切忌不能像传统数字化系统那样——上传什么样，结果什么样。如果只是把企业知识扔给它，不加任何标注和约束，它就会一本正经地胡说八道；如果你加了制度和规范的约束，它就会像数字化一样一板一眼地执行。真正更好的方式是像我们讲的原子级任务分解，通过方法归纳、分析和思考推理，让AI上线后达到人类专家60%到80%的水平。

而要让它达到120分的人才水平，就必须让它学会自我复盘，越学越聪明，越干越聪明。这才是AI在企业落地的最佳方式。

（二）AI落地离不开管理变革

如果要让一套原创的AI真正在企业落地，就一定得具备复盘迭代的能力。因为AI不是一次性的投资，也不是一次性的系统，而是需要长期价值持续释放的东西。如果没有PDCA（计划、执行、校验、修正）的机制，我们认为AI就不再是学习了，而是在消耗企业的耐心。

AI的学习能力一旦进入业务核心，就必须从“技术问题”上升为治理与风控问题。AI 的学习不是越多越好，而是必须在可控、可审、可回滚的前提下进行。所以，AI学习过程有六个关键事项值得注意——

第一，学习必须可审批。AI不应被允许“自动学习一切”。哪些数据、哪些反馈、哪些规则可以进入学习闭环，必须有明确的审批与授权机制。

第二，严防“AI 投毒”。错误数据、异常样本、恶意输入一旦进入学习流程，会被系统性放大，导致长期偏差与隐性风险。学习数据必须可追溯、可回滚。

第三， 区分“学习”与“执行”。不是所有行为都值得学习。执行结果≠正确决策，只有经过验证与复盘的实验才允许进入学习层。

第四，明确“学什么”。AI更适合学习稳定模式、判断逻辑、规则边界，而不是学习短期策略、偶然成功或个人偏好。

第五，明确“不学什么”。高风险决策、一次性特例、尚未定型的业务策略，不应直接进入 AI 的长期记忆或规则体系。

第六，保留“人类否决权”。在关键节点，必须允许人类介入、修正甚至否定AI的学习结果，防止系统在错误方向上“越学越固化”。

（三）AI原生应用的落地如同养育Baby

AI的成长就像养孩子一样，一定是业务方、IT方、甲方、乙方共同把它养大,要深度参与，给它时间，帮它进步，和它一起成长。不要在AI上线第一天、第一次回答错了就否定它，而要持续帮它改进。

我们大部分人类其实不太习惯跟AI对话，也不太愿意让AI解决问题。刚开始我们把“故障大师”放到产线的时候，很多工程师还是习惯去找人类大师解决问题。后来我们定了一个指标，叫“自主维修率”。这个指标的意思是：无论是你通过人机协作，还是自己独立解决，只要你没有呼叫人类大师，都算进自主维修率。指标一上来，大家才真正开始用AI，慢慢养成了习惯。大概27天左右，习惯就养成了。现在所有人遇到问题，第一反应都是去问AI故障大师。

所以，AI落地离不开管理变革。指标的设计，往往比技术本身更能推动使用。

随着使用过程推进，AI学的东西越来越多，从刚上线时能回答70%的问题，现在已经到了百分之八九十。原来散落在人类专家脑子里的知识，逐渐沉淀成了AI的知识积累；原来靠个人经验支撑的产线，也慢慢变成了综合能力的积累。这才是AI落地最重要的价值。

五、难题五：如何创新，并保持每个创新的ROI为正

（一）在这个时代，AI转型是“抄作业”还是“创新”

AI领域的创新在中国真正兴起，也就是去年二三月份的事。所有案例都是新的，不能在旧地图里找新大陆。关键不是找一个现成的案例来抄，而是学会一套解决问题的方法论和思路，跟着技术迭代往前走。

我很早开始接触AI，那时候我们做的是深度学习，用的是神经网络算法。当时的解题思路跟现在完全不一样。即便是在去年MCD出来之前，解决问题的思路也跟现在不同。所以，想拿过去的案例来解决今天的问题，是不现实的。因此，我们并不是要找一个类似的案例去照搬，因为每个真实的案例本身就是一个创新，复制案例复制的只是表象。比如我在某个企业做的“故障大师”，换一家企业可能也叫“故障大师”，但背后的逻辑和程度都不一样。真正可迁移、可复制的，是方法论。我们要学的不是有没有类似案例，而是这套方法论在我们公司、我们行业、我们的领域是否具备可创新性、是否具备可复制性，是否可行。

（二）AI时代，企业家真正的选择

AI时代企业家真正的选择是什么？是放大差异，而不是模仿。如果我们每个企业都用AI去做同样的事，还有什么竞争优势？真正能让AI帮企业实现弯道超车的，前提是企业家精神。因为创新一定有风险，有可能失败。真正的企业家精神不是照抄别人，而是把自己的核心竞争力放大，必须有创新的文化、试错的勇气。不是找案例照着做，而是在没有现成答案的情况下，仍然敢于判断、敢于承担风险、敢于推动创新。照抄别人的路径，往往意味着已经落后了。

所以，当技术迭代速度超过经验积累速度，企业的竞争优势，不再来自“做过什么”，而来自“敢不敢创新”。在AI时代，企业不需要“买一个产品”，而是要买一套通向成功的方法论。

04

AI转型：聚焦核心价值

如果AI转型不靠热情推进，而是靠机制推进，下一步不用做大项目，只做一件事即可——把目标、边界、成功标准在管理层对齐，并把第一个可验证场景锁定。这一步做对了，后面投入才不会被稀释、被误判。

关于AI转型，最后总结几点核心经验。

第一，AI转型需要聚焦核心价值。AI转型不是为了大而全，而是要聚焦核心价值，把企业的战略目标和核心竞争力逐步放大。

第二，AI转型要在“干中学”。旧地图里找不到新大陆，这是我最重要的体会。

第三，AI转型需要“通才+勇气”。到底什么决定了AI转型的成功？我的答案是：通才+勇气。

什么样的人在AI时代特别容易成功？需要具备五点数据基础：（1）能快速理解不同模型的逻辑能力；（2）需要有深度的业务理解；（3）需要有咨询和数字化的综合能力——因为现在光靠单一方法解决不了问题，需要咨询、数字化、AI等综合方法；（4）需要有结构化思维，AI不懂人情世故，需要我们把经验、感受、直觉变成公式，把复杂问题结构化；（5）需要有一点点技术开发能力，至少能看懂AI的bug、能应对一些基础问题，但不用懂得太深，懂点代码、懂点逻辑就够了。

以前我们追求分工明确，但现在通才更重要。光有通才还不够，还需要勇气——敢于挑战自己舒适区的勇气，敢于把自己原有认知打碎的勇气。

第四，AI智能体像谁，取决于谁在主导落地。我常跟客户开玩笑：你不要说AI不聪明，谁做的AI就像谁。业务主导的AI，就会往业务的方向进化。

第五，协作效能，往往小于超级个体。去年我们团队有不少人，今年基本都裁掉了。不是我们残酷，而是发现在转型过程中，协作带来的内耗太大了。认知差异、理解偏差、负面情绪，加上AI能力越来越强，对人类的职业伤害和情感伤害是真实存在的。与其内部损耗，不如直接走“超级个体”的模式。

在AI时代，协作型项目会被大幅稀释。超级个体能在短时间内完成认知闭环、判断取舍、快速修正。在AI加持下，一个能力复合的人，效果往往大于多个人的协作效能。

这个时代更大的风险是：企业的规模化优势可能不再匹配。在高度不确定的创新阶段，那些靠流程保护平庸的组织，往往会被反转和颠覆。我们这么小的团队为什么能在AI上走出来？就是因为大公司达成共识太难了，路线讨论、技术选择、内部博弈，时间就这么耗掉了。流程保护了平庸，最该被听到的声音却出不来。认知拉齐，本身就是最难的事。今天大家都在讨论“一人公司”的可能性，背后原因不只是AI能把一个人的能力无限放大，更关键的是，传统组织带来的内耗，往往会把AI放大出来的效率给抹平。

AI时代真正被淘汰的，不是能力弱的人，而是不拥抱变化的人。我们恐惧的不是机器智能，而是人类自身的脆弱性。拥抱AI，就等于拥抱变化。

有了心力，我们就是AI的主人；没有心力的压制，我们就是AI的奴隶。