变局下的战略思维：企业AI发展的实践路径

在我15年咨询行业从业经验中，核心聚焦制造业领域，覆盖从战略规划到数字化转型再到AI应用的全链条服务。我将从战略视角出发，分享我们关于企业AI发展的最新思考。

高风咨询创始人谢祖墀博士是中国战略咨询领域的资深前辈，拥有40年咨询经验，他曾任职于麦肯锡旧金山办公室，之后又参与了创立波士顿咨询中国首家办公室。他在服务外企与国内企业的过程中发现，传统战略框架存在一定局限性，这一观察可通过战略模式的演变清晰体现：

传统战略模式的两种路径

集团式多元化（上世纪七八十年代）：这一模式在美国曾广泛流行，典型代表是韦尔奇时代的GE——业务覆盖电器、医疗、数字化等多个领域，核心逻辑是“只要业务吸引力强、投资回报率高就进入”，类似BC矩阵的评估思路。

核心竞争力聚焦（1990年代后）：哈佛、BCG的研究者发现，日本企业更倾向于聚焦单一行业，通过极致运营构建核心竞争力。例如丰田的精益管理，通过供应链与运营效率的优化，实现了更高的ROI与利润率。这一模式后来在西方盛行，国内国央企战略规划中也普遍强调“聚焦2-3项核心主业”。

传统模式的局限与“第三条路径”的提出

若仅遵循“核心竞争力聚焦”，会产生一个关键疑问：车企是否只能造车，不能涉足软件或船舶领域？但小米、华为的成功，打破了这一局限——华为转型To C时，并无现成的手机业务核心竞争力，却实现了跨领域突破。

为此，谢博士在10年前提出“第三条战略路径”——既不盲目追求多元化，也不局限于现有能力边界，而是以“市场机会+能力匹配”为核心，先识别市场风口与机会，再评估自身现有能力与机会所需能力的差距，最后借助中国日益成熟的价值链生态圈，通过外部合作快速补齐能力短板，实现业务跳跃式发展。这一路径恰好能解释小米、华为等中国企业近20年的快速成长。

2008-2010年我在美国攻读机器学习方向时，“AI”概念尚未广泛普及，计算机视觉（Computer Vision）是后续才逐步兴起的领域，商汤、依图等企业本质上是依托早期机器学习技术发展起来的；而大语言模型的成熟是近三四年的事，它与传统AI的差异主要体现在四个维度：

从逻辑基础来看，传统AI基于固定规则，需要明确“数据-目标-功能”的对应关系，而生成式AI则可基于自然语言描述进行推理决策；在输出能力上，传统AI聚焦特定任务结果，例如处理制造业的排产优化；生成式AI则支持多模态生成，涵盖自然语言、图像、代码等多种形式；从执行方式而言，传统AI仅能进行单一任务执行，不具备流程打通能力，生成式AI则可结合RPA（机器人流程自动化）与传统规则实现流程化执行，但需注意规避“幻觉”问题；在人机互动维度，传统AI以单向任务输出为主，生成式AI则支持人机协同，能够根据需求动态调整响应内容。

我们近期与医药、健康、金融、汽车、零售等多行业企业交流时发现，AI的应用已覆盖“提效、降本、创新商业模式”三大方向，但其落地效果受三个核心因素影响：数据充足度与闭环能力、业务流程标准化程度、业务场景准确度要求。总体规律是：前两个因素水平越高、第三个因素要求越低，大语言模型对业务模式的改造越深刻。

不同行业的AI应用进展

互联网与coding领域：AI已带来显著变革，例如代码生成、自动化测试等场景的效率大幅提升。

金融与保险领域：存在较大机会，但需突破法律法规限制。

医药领域：“AI for Science”是核心方向，但需解决“大语言模型文字理解能力与传统机器学习数值分析能力的融合”问题，目前虽见曙光，但仍有较长路要走。

以“自如”为例，作为链家旗下租房业务，自如依托贝壳的互联网基因，在租房服务全环节嵌入“智能体”：一方面构建知识闭环，将非结构化的文字、语音知识纳入知识库；另一方面通过智能体辅助销售与服务管家，从流程设计之初就实现AI与业务的深度融合，实现了“能力复制与业务再造”。

另一个案例来自于美国一家AI原生保险公司，该企业从设计之初就采用“AI原生”架构，销售、服务、理赔、风控、内部管理等核心环节均由AI赋能，98%的保单由AI自动生成，销售环节也以AI引导为主。相比传统保险“上千人销售团队+上千人后台”的重模式，其效率与成本优势极为显著。

AI不仅改变业务模式，更将重塑企业组织架构、人才能力要求与领导力定位。

1. 组织架构的三大变革方向

扁平化：中层角色重构

未来管理层级必然减少，但中层并非“无用”，传统“上传下达”的角色需转型，中层需依托自身一线业务经验，更贴近业务端创造价值，成为“AI与业务的衔接者”。

精简化：打破垂直壁垒

传统企业因技术与业务特性，存在市场、营销等职能的垂直分割。随着AI智能体打通工作流，人逐步从“主导决策”转向“辅助AI决策”，原有垂直壁垒将被打破，实现组织层面的协同。

原子化：个体与AI的协同单元

微信、抖音等平台中，KOL、创业团队已出现“原子化组织”——单人可通过AI完成文案生成、视频发布等全流程工作，相当于“一人企业”。海尔张瑞敏多年前提出的“原子化组织”概念，在AI时代已具备落地条件，这将重构企业生产关系。

2. 人才能力的三大核心要求

AI时代，员工能力定位需重新定义，核心聚焦三个方向：

AI培训能力：传统岗位的“专业技能”，如程序员的编码能力、翻译的语言能力不再是“必备门槛”，而是“培训AI的素材”，员工需掌握将专业知识转化为AI训练数据的能力。

批判性与辩证思维：大语言模型基于概率生成内容，存在“幻觉”问题，员工需具备拆解任务、定义问题、验证AI输出的能力，否则无法有效驾驭AI。

沟通与情感共鸣能力：AI虽能基于文本概率进行沟通，但无法理解人类情感、表情或“化学反应”（Chemistry）等无形信息。人际沟通、同理心仍是人类的核心优势，短期内无法被AI替代。

3. 领导力的转型：从“独断管控”到“思想引领”

外企多为“标准化管理”，民企则普遍是“老板一人独大、把控全局”。但在AI时代，这种传统领导力模式将面临挑战：

一线决策权下放：AI赋能让一线员工具备知识、数据与决策能力，不再是“螺丝钉”，传统“中层汇报、老板拍板”的模式将失效。

管理者能力要求升级：需从“发号施令者”转型为“群策群力的共创者”，管理者需要具备对AI技术边界与业务机会的清晰认知、推动变革的愿景凝聚力、带领团队适应AI的赋能等核心能力。

认知误区规避：部分管理者对AI存在两极化认知，要么认为“AI无所不能”，期望投入少量资金就实现全流程AI化；要么将AI视为“全民运动”，盲目推进项目却无问责与激励机制，这两种误区均需规避。

企业AI落地的四大核心挑战

技术与业务的动态适配难题：大语言模型能力每月都在迭代，两年前无人预料AI能做coding，当前coding场景已需更少QA，行业复杂性高，“哪些场景能用AI、如何用好AI”无现成答案，需持续探索。

数据完善度不足：没有企业拥有“绝对完善的数据”，若以“数据不足”为由搁置AI项目，将永远无法启动。

复合型人才缺口：“懂技术+懂业务”的人才极度稀缺，AI工程师缺乏传统行业的业务知识，无法判断AI输出的合理性；业务专家对AI认知不足，难以提供足量标准化训练样本。

组织文化与认知不统一：管理层与执行层对AI的认知脱节，要么盲目乐观、要么消极应付，导致项目推进低效。

2. 企业AI落地的四大实践原则

顶层战略需锚定“技术-价值”关联：AI时代虽无现成作业可抄，但战略仍不可或缺，需明确“技术可行性与业务价值结合的核心方向”。例如医药行业，可先推进“文献收集、销售培训”等易落地的小场景，再逐步攻克“早期研发、临床实验”等硬核场景；若方向不明确，易陷入小场景零散推进、大价值无人落地的困境。

建立AI专属的治理机制：AI项目需高频迭代、敏捷推进，且不确定性高，不能沿用传统IT项目的治理架构，需设立“一把手全程推动”的机制，在审批流程、ROI评估上灵活调整，确保高效推进。

数字化与标准化“补课”先行：企业AI落地的前提是“数字化基础+标准化管理体系”，若数字化未达标、流程无标准，AI将成为“无本之木”，需优先补齐这两项基础能力。

组织文化建设与生态合作并重：文化层面，一方面发掘“AI先锋型年轻人”，他们对AI接受度高，是快速突破的关键；另一方面激活“中年老专家”，他们拥有核心知识，但需消除“培训AI后被替代”的顾虑；同时提升管理层对AI的认知，避免认知偏差。生态层面，企业单靠自身难以解决能力与认知的双重缺口，需借助外部创业企业、大厂的力量，通过合作快速突破瓶颈。

AI对企业的价值，远不止“降本提效”，更在于“能力建设”与“机会捕捉”，通过AI固化隐性知识、重塑核心能力，企业可突破传统业务边界，像华为、小米一样实现跨界增长；在国际竞争中，AI能助力企业解决出海中的合规、文化差异等问题，提升全球竞争力。

AI原生企业可能在任何传统行业出现，带来意想不到的商业模式创新。对企业与个人而言，唯有主动识别AI趋势、构建驾驭AI的能力，才能在变局中占据主动。若我们对AI应用的目标、路径没有清晰认知，也无法期望AI为企业创造真正价值。