當AI已成為共識，企業究竟該如何真正“用起來”？

文 / 巴九靈（微信公眾號：吳曉波頻道）

AI的難題，早已不在實驗室，而在企業內部。

在《Superagency in the workplace: A report for 2025》報告中，麥肯錫給出了一組刺眼的對照：未來三年92%的企業將繼續加大對AI的投資，但真正認為自己已經達到“成熟部署”（AI已經融入工作流并帶來顯著業務結果）的企業，只有1%。

更關鍵的是，該報告明確指出，阻礙AI規模化的最大障礙，不是員工不會用，而是領導者的決策速度不夠快。換句話說，AI落地企業的最大障礙是領導者。

這也解釋了今天很多企業出現的現象：模型能力越來越強，AI工具越來越多，但AI帶來的業務結果卻越來越有限。

因為AI一旦進入企業，它考驗的就不只是技術能力，而是戰略選擇、組織協同、數據與流程、治理與風控等企業內部能力。

正如吳曉波老師在“AI閃耀中國科技人文秀”上所說，不要迷信斷崖式創新，必須堅持可持續迭代。

可見，AI的競爭，不再是誰先看見新技術，而是誰能更快重塑企業內部的認知、組織與能力。

正因如此，剛剛結束的激蕩書院年終特別場，才會以“科技躍遷與商業未來” 為核心主題，從認知升級與產業落地2個維度，系統拆解AI作為“新變量”，將如何重塑企業在2026年之后的增長邏輯。

我們特別整理了本次活動中幾位老師的關鍵觀點，聚焦回答一個更現實的問題：當AI已經成為共識，企業究竟該如何真正“用起來”？

課程日：當AI走進真實組織

沈抖博士

百度集團執行副總裁

百度智能云事業群總裁

智能，生成無限可能

在接下來的2026年，很多人會覺得，是不是模型還會再來一輪大的躍遷？是不是參數還會再翻幾倍？從產業的角度看，模型本身的能力，其實已經可以覆蓋足夠多的應用場景。

真正的瓶頸，不完全在模型，而是在模型能不能被規模化地用起來。所以我更愿意把未來一段時間的機會，拆成兩層基礎設施來看，第一層，是AI Infra，也就是算力基礎設施。

算力依然重要，而且會變得越來越重要。只是和過去不一樣的是，這一輪算力的競爭，更多是用“空間換時間”，通過超大規模的集群、超節點的方式，把模型的能力釋放出來。

但僅有算力，還遠遠不夠。因為算力解決的是“模型能不能跑”，而不是“模型能不能干活”。這就引出了第二層基礎設施：Agent Infra，或者說智能體基礎設施。

很多人在講Agent，更多是在講能力：它能不能自動做事？能不能調用工具？能不能寫代碼？但在真實的企業環境里，Agent要真正跑起來，遠遠不只是能力問題。

它需要有數據作為輸入，需要有工具和系統可以調用，需要有一個穩定的運行環境，還需要被納入到現有的業務流程之中。

從這個角度來看，Agent更像是一種新的生產力單元，而Agent Infra，就是讓這些生產力單元能夠被創建、被調度、被管理、被復用的一整套系統。

如果沒有這樣一層基礎設施，Agent很容易停留在Demo階段，很難規模化落地。

所以接下來一段時間，真正重要的，不只是模型公司，也不只是單一的應用，而是圍繞AI Infra和Agent Infra所形成的整套產業生態。

誰能把模型、算力、數據、工具和流程真正連接起來，誰才有機會在這一輪浪潮中走得更遠。

莊明浩

播客《屠龍之術》主播

前TOP風險投資基金VP

AI也會刷KPI？

大語言模型發展到今天，中國和美國的頭部公司都在面臨的一大問題，叫做“激勵模型”。

就是當你跟DeepSeek聊天時，你會發現它會想“首先、其次、最后”，這就是AI產生的新能力，叫推理能力。這時我們就需要確定：

要不要針對這個思考的過程做激勵？它的第一步對不對？第二步對不對？第三步對不對？還是說我們只針對最終結果做激勵？

過去這一年，在數學和編程領域，AI發展特別快。原因就在于，數學和編程有非常明確的激勵模型，對就是對，錯就是錯。編程編出來的程序，能跑就是對的，跑不了就是錯的。

那對應的問題是，那些無法驗證結果的行業怎么辦？比如法律問題、金融問題、人生問題，什么是好？什么是不好？什么是對？什么是錯？誰來判定？怎么判定？

如果我們只考慮最終結果，而不關心中間過程，那么AI模型就會像人類員工一樣，可能會采取一些你不希望的方式來達成目標，這被稱為“reward hacking”。比如你給它設定一個KPI，它為了達成這個KPI，可能會用一些你不希望的手段來實現。

這其實和我們在現實世界中管理員工、設定激勵機制時遇到的問題一模一樣。

盧文勝

福建點石網絡科技有限公司創始人

AI落地的三要素：

企業知識庫×數字員工×工作流

企業落地AI其實只要做三件事：

第一，搭建自己的企業知識庫。把企業內部所有的制度、流程、文檔、經驗，全部沉淀下來，變成AI可以調用的東西。這個知識庫不是給外部的人用，而是給自己的員工和數字員工用。

第二，要求每個員工根據自己的崗位和心智地圖，創造出7、8個數字員工。也就是把原來這個崗位要做的事，拆解出來，變成數字員工可以執行的任務。這樣做的目的，是為了把優秀員工的能力復制下來，讓普通員工也能借助數字員工，干出優秀員工水平的活。

第三，優化現有的工作流程，把所有數字員工串聯起來，形成新的工作流。數字員工獲取數據的能力更快，可以實時響應OA、ERP，這會讓整個工作流的效率發生本質變化。

做完這三件事，你會發現企業的工作方式將會被徹底重塑。

楊攀

硅基流動聯合創始人

把AI當成協作者，而不是工具

在真正使用大模型前，我建議你先回答一個問題：你把它當成什么？工具、員工、老板，還是協作伙伴？

這個問題非常重要，因為你對它的認知和定位，會決定你后面所有的使用方式。

大模型自己是怎么理解自己的？我們問了所有主流大模型，他們所有回答中的共同部分是：它更愿意把自己看成是一個協作者，而不是一個完全替代人類的存在。

這個定位其實非常關鍵，大模型并不是傳統意義上的程序，它更像人，它既有程序的優勢，也有人的優勢：能夠高速并行工作，具備人類的泛化能力，我們應該認真研究如何用好大模型的優勢，而不是去吐槽它的劣勢。

理解這一點，你才能真正用好它，而不是被它的幻覺嚇到，或者被它的能力迷惑。

參訪日：當AI走進真實業務

??美圖參訪：增長不是加法，而是在一個核心能力上做乘法

在美圖，我們看到的并不是一家公司做了多少產品，而是一種極其克制的增長邏輯。

從表面看，美圖的業務橫跨影像處理、電商、美膚等多個方向，但其底層始終圍繞著兩個高度清晰的錨點展開：一項核心技術，即圖像與視覺處理能力；一個核心場景，即高頻、剛需的影像使用場景。

所有產品形態的擴展，并不是盲目加法，而是圍繞同一技術能力，向不同應用場景做乘法延展。類似的企業還有大疆，它也是在圍繞“穩定器”這一核心能力，在不斷延展新的產品形態和應用場景。

所以，企業增長的關鍵，并不在于能不能多做幾件事，而在于是否想清楚，自己究竟擁有什么不可替代的核心能力。

從這個意義上看，美圖更像是一家把AI能力持續壓縮進業務系統的公司，而不是一家追逐技術浪潮的公司。也正因為視覺模型與營銷、電商場景天然耦合，中國企業在這一領域反而展現出了全球領先的優勢。

??云知聲參訪：從“百模大戰”到“可用率”：企業如何用好AI？

當前雖然處在“百模大戰”的階段，但通用大模型在工業和企業場景中，其實很難直接使用。原因并不是模型能力不夠強，而是它在企業工作流中的可靠性不足。

大模型的訓練數據主要來自互聯網，而這些數據并沒有經過嚴格的人工校驗，這就導致模型在輸出時，可能會出現“一本正經胡說八道”的情況。

在ToC場景中，這種問題往往還能被容忍，但在工業和企業場景里，很多流程對正確率和穩定性要求極高，一次錯誤就可能造成嚴重后果，因此通用大模型很難被直接引入核心工作流。

在這樣的現實約束下，行業正在從“通用大模型”轉向“智能體”。在云知聲的實踐中，AI不再試圖成為一個萬能大腦，而是被拆解為一個個嵌入具體業務環節的“數字同事”：

醫療輔助診療、智慧客服、營銷智能體、工廠流程管理……它們解決的不是想象中的問題，而是企業每天真實存在的痛點。

更具啟發意義的是，云知聲并沒有把AI落地的關鍵，寄托在“稀缺的算法天才”身上。

相反，其一系列實踐不斷指向同一個結論：企業真正需要的，不是高不可攀的AI專家，而是能夠管理數據、運營智能體的組織能力。

通過數據制備、智能體生成平臺以及系統化培訓，AI被逐步納入企業自身的能力體系之中，而不是停留在外包或展示層面。

??廈門時代、廈鎢新能：AI對于產業變革的底層重構

在本次參訪日中，我們特別規劃了兩條實地路線：一條聚焦AI企業的落地實踐，另一條則深入新能源新材料領域，觀察AI如何賦能實體產業的變革。在廈鎢新能與廈門時代，我們看到AI正以不同的形態，融入產業的核心環節。

在廈鎢新能，AI扮演著“研發加速器”的角色。通過構建材料數據庫與模擬計算，它將傳統依賴試錯的研發過程，轉變為數據驅動的精準預測，讓科研人員能更專注于創新突破。

在廈門時代，AI則化身為“產線優化師”。通過實時監測與分析生產數據，系統能夠提前預警質量波動、自動調節工藝參數，推動制造流程從被動檢測邁向主動調控與持續自優化。

這兩家企業的實踐共同揭示：AI在實體產業的真正價值，不在于技術本身的展示，而在于其對生產與研發環節中“不確定性”的消除，以及對“效率與質量”的深層重構。

無論技術迭代得多快，AI最終都會落到同一件事上：企業能不能把它變成組織能力。

從數據到流程，從協作到決策，從一線員工到管理層共識，任何一環薄弱，AI都只能停留在“能用”的層面，而不是“能產出結果”的系統。

這也是本次激蕩書院年終特別場最重要的共識：AI的難題，已經不在模型參數里，而在企業內部。它考驗的不是跟不跟熱點，而是能否建立一套AI落地企業的體系，把試點變成流程，把工具變成機制。

好消息是，越來越多的企業已經意識到：AI轉型的關鍵，不是買工具、堆系統，更不是把技術外包給某個團隊，而是先把組織的認知拉齊、把能力框架搭起來，先有人能理解它、管理它、運營它，才談得上真正落地。

也正因如此，激蕩書院把這場年終特別場設計成2天閉環：第一天搭建理解AI的系統框架，第二天走進美圖、云知聲、廈門時代、廈鎢新能等產業一線，把框架放進真實業務里驗證。

接下來，激蕩書院將圍繞“把技術變成組織能力”，繼續向前推進，進一步沉淀可復用的學習與實踐體系。

2月8日，在蘇州的吳曉波思享課《2026：經濟改革的邏輯與走向》上，我們討論的不是某一項技術，而是更底層的問題：在新一輪改革與全球變局中，中國經濟的長期邏輯正在如何重組。

從1949年以來的改革脈絡，到2026年前后的關鍵走向，這堂課試圖回答的是：哪些變化是階段性的？哪些是決定企業未來10年的結構性力量？以及，在企業出海、人工智能成為必選項的今天，管理者該如何作出方向性的判斷？

而當方向逐漸清晰，問題也隨之落回到現實：這些判斷，如何在企業內部真正發生作用？

3月28日，激蕩書院將走進上海金山的雙鹿電池智慧工廠。這家始創于1954年的企業，用71年的時間，完成了一次并不激進、卻極為扎實的轉型：把工業機器人、物聯網和數據系統，真正嵌入到生產流程與組織體系中。它提供的不是“AI應該怎么做”的答案，而是“組織如何承載技術”的現實樣本。

從宏觀改革邏輯，到一家工廠的具體運轉；從時代方向的判斷，到組織能力的落地路徑，這正是我們反復強調的那條主線：技術決定上限，組織決定結果。

世界在加速，企業也不會停在原地。而在這場加速中，真正拉開差距的，往往不是誰更早擁抱技術，而是誰更早把能力沉淀進組織。

現在，正是企業把AI變成增長邏輯、把技術變成組織生產力的最好時機。

《走進標桿工廠｜內容白皮書》匯集11家標桿工廠精彩內容，帶你一起云逛工廠。