重构竞争优势：生成式AI时代的数字化战略与执行

基于工作场景，笔者每年会与数十位企业高管围绕项目开展沟通交流。从观察来看，尽管企业普遍认可AI的重要性，但在实战落地层面呈现出显著分化：一类企业进展缓慢，甚至出现员工使用AI工具的进度远超企业提供支持的情况；另一类企业则极为激进，要求全员学习AI，大力培养提示词工程师，并设定极具挑战性的目标。

以联想为例，笔者近期作为联想智库专家参与其深圳南方制造基地交流活动时了解到，联想内部提出2026年实现40%业务由AI运行的目标，然而，何为“AI驱动”？是取代人力，还是辅助决策？这些问题仍在探索中。可见，企业对AI的期望虽高，但落地路径仍显模糊。

当前，AI已开始对传统产业进行深度改造，某初创矿产勘探企业的实践颇具代表性：随着地表浅层可勘探区域基本完成开发，当前矿产勘探难度较以往提升十倍以上。然而，新能源产业对铜、锂、镍等金属的需求激增，据测算，未来十年相关金属存在约50%的供需缺口。

该企业仅200名员工，按职能分为三类：1/3为地质科学家、1/3为AI科学家、1/3为软件开发人员。其核心创新在于，将人类有史以来可获取的采矿报告、土壤成分数据、卫星遥感数据等全部输入大模型进行预测，仅凭少量土壤样本即可判断地下矿藏。今年初，该公司在赞比亚地下一英里处发现近十年来最大铜矿，储量可满足约1亿辆新能源汽车的用铜需求。这正是AI彻底改变产业运行模式的例证。

当前企业正处于“三化叠加”阶段：信息化、数字化与智能化共同推进，可带来更高收益；但若前两化基础不牢，则将面临三重压力。

♦ 信息化阶段（1970年代—2010年）：核心是记录业务流程执行数据，事后开展分析，为后续数字化、智能化奠定基础。

♦ 数字化阶段（2010年–2020年）：以机器学习与深度学习为代表的传统AI兴起。企业开始利用大数据进行预测与判断。例如，一台新能源车每日产生的数据可达1TB，必须依赖AI进行设备预警与客户分析。

♦ 智能化阶段（2020年起）：生成式AI登场，不仅能创造新内容，更将价值提升幅度从过去的15%–40%推高至35%–70%。我们正站在这一飞跃的起点。

2025 年有望成为企业AI渗透率的分水岭。此前AI应用多集中于ToC领域，如人脸识别，2025年起AI将全面进入企业场景，核心原因在于技术与应用层面的双重突破：

技术层面，AI不再局限于执行静态规则，而是具备实时感知、自主决策与复杂推理的能力。它可以跟人进行复杂的价格谈判，双方求得双赢，它的这种推理和应变能力已经达到了一个非常高的水平。

应用层面，AI已从执行监控延伸至战略规划。我们近期演示了如何基于外部突发事件，如关税变动，优化企业资源配置，包括国内外采购比例等关键决策。

当企业AI渗透率达到一个临界点，将进入非线性快速增长阶段：管理层的战略意图、管理变革需求可依托AI以“近乎零成本、极高速度”落地——因AI可替代部分人力，减少组织架构调整、人员思想工作等成本。

OpenAI创始人Sam Altman提出的“AI超越人类五阶段”，同样适用于企业AI应用的进程：

第一阶段：会话式人工智能

企业初步应用多集中于文本处理场景，如营销文案、法务合同、客服等非实时、非核心业务。

例如美国最大二手车经销商集团Carmax，Carmax常年在全国范围内储备4.5万辆二手车。消费者购买五年前生产的二手车时，需结合自身需求、前车主评价、专业机构检测结果等信息，而厂家五年前的营销内容已过时。2020年Carmax采用ChatGPT3.0快速整合多维度信息，为消费者提供精简结论，同时高效生成新营销内容，应对庞大文字处理需求。

第二阶段：领域人工智能

AI开始嵌入企业特定业务流程，具备行业与客户上下文理解能力，同时具备特定流程执行能力。

全球物流可视化公司project44海运规模庞大，需实时跟踪海运、海关、陆运全流程，应对客户高频问询。project44可跟踪全球10亿艘次装船、覆盖170个国家，占全球98%海运量，在信息化、数字化阶段已实现信息全面收集。

2021年苏伊士运河搁浅事件中，project44虽在30分钟内将信息同步至所有客户，但人工无法应对海量应急问询。2023年，其推出基于生成式AI的“movements GPT”，在胡塞武装封锁苏伊士运河的红海危机中实现AI自动应答，替代人工完成查询、判别与处理，大幅提升处理效率。

第三阶段：自主人工智能

针对“起点明确、终点明确但中间路径未知”的业务问题，为AI配备工具调用、存储、推理、感知与交互能力，实现自主决策。

以欧洲海运巨头马士基为例，马士基为拓展从海运延伸至陆运的“门到门”运输业务，需采购当地物流服务，但面临组合复杂度高、谈判数据准备难、应急调整频繁三大挑战，基于这一问题，马士基采用AI谈判机器人，可同时开展2000场谈判，分三阶段落地：

对话式交流：通过微信等工具与货运商交互，验证接受度；

采购策略制定：录入历史价格数据，生成谈判策略；

供应商关系管理：培养金牌供应商，甚至推动“机器人对机器人谈判”，保证谈判过程无虚假信息、高效率、无贪腐。最终实现89%供应商参与度、2%-5%谈判价值提升、谈判周期大幅缩短。

第四、五阶段：创新人工智能与组织人工智能

当前处于探索阶段，核心是依托AI突破传统创新边界，如通过AI生成新产品设计方案、优化研发流程、探索新商业模式等；实现AI与企业组织架构、管理模式的深度融合，如AI参与组织决策、优化部门协同、动态调整组织职能等，推动企业从“人力驱动”向“人机协同驱动”转型。

沃尔玛是综合运用前三阶段AI的典型案例：其APP支持意图搜索，如“圣诞节派对”推荐；供应链管理通过大语言模型优化4700家门店的销售预测与库存；与天猫“双十一”活动只约谈大品牌商家不同，沃尔玛利用AI与尾部供应商自动谈判是否参与“黑色星期五”促销活动，在100家尾部供应商测试中，89家参与、64家达成协议，周期仅11天。

生成式AI克服了传统AI的诸多缺陷，为企业应用铺平道路，核心优势体现在两方面：

支持连续经营：从“一次性交互”到“全周期赋能”

传统AI仅能实现一次性交互，交互结束后无法保留历史信息；而生成式AI可整合企业历史数据，如10年客户合作记录，为连续经营提供支持，契合企业长期运营需求。

具备可解释性：从“黑箱决策”到“透明推理”

传统AI无法解释决策逻辑；生成式AI可阐述推理过程、检索路径与策略依据，帮助员工理解决策背后的逻辑——只有员工理解并信任AI，才能持续推动应用，避免创新项目因“信任缺失”而失败。

尽管前景广阔，AI在企业落地仍面临三大挑战：

相关性挑战：业务流程的深度适配难题

企业需求是“AI与采购、财务、营销等业务流程深度结合，提供实时支持”，但企业需求呈长尾分布：OpenAI、百度、DeepSeek等通用AI聚焦高频场景，而小众场景缺乏专属解决方案——无大型企业愿为单一小众场景开发定制系统，导致AI与业务的相关性难以保障。

可靠性挑战：结构化数据处理与精准决策困境

生成式AI擅长文字处理、关键词抽取、图像识别，但在精准决策与结构化数据处理上存在局限。如发票真伪判别、结构化数据理解等精准决策需求AI难以给出确切答案；企业核心数据多为结构化数据，如物料清单、生产计划、成本数据、运输清单等，AI难以理解数据间的语义关联，影响应用深度。

以麦当劳为例，麦当劳“不下车点单（Drive-through）”服务曾用AI替代人工，但即便标准美式口音用户，也常出现识别错误，2024年初项目暂停，证明AI可靠性需持续优化，当前仍需人工校验。

责任性挑战：隐私安全与数据风险防控

AI应用需保障数据安全与隐私合规。三星工程师曾将工艺问题输入AI系统，导致数据被模型学习且无法删除，引发技术泄露风险。企业需建立数据管控机制，避免隐私泄露与安全隐患。

核心关键：数据驱动的AI应用飞轮效应

AI应用的核心瓶颈是数据，ChatGPT的成功本质是依托包括联合国文件在内的全球高质量多语言文本语料。而企业数据存在三大问题：

数据获取难：供应商数据、行业标准数据等外部数据难以获取；

数据分散：企业内部数据分布于不同系统，难以整合；

数据质量不足：缺乏语义关联与足够密度，无法支撑AI训练。

若数据质量不足，AI表现将大相径庭——正如“文无第一，武无第二”，诗歌可各有千秋，但明日订单数量只有一个正确答案。

因此，无论是提升AI的相关性、可靠性还是责任性，核心都在于数据管理：数据需量大、多样、语义关联、密度充足。通过数字化不断生成业务数据，并持续喂养AI，形成“飞轮效应”，信息化、数字化与智能化三者实为共生赋能的关系。

企业AI应用将沿五个阶段逐步演进，不同阶段的核心特征及国内外进展存在差异：

第一阶段：内嵌式AI

核心特征是将AI嵌入现有业务流程，仅辅助执行操作，不改变原有业务流程；从进展来看，中国企业大多处于此阶段，且AI在企业中的普及率仍相对较低。

第二阶段：智能体驱动的自主能力

核心特征是依托agent实现自主决策与执行，同时探索创新应用场景；从进展来看，国内部分企业已启动该阶段的探索工作，而国外企业已有较多实践案例。

第三阶段：AI原生

核心特征是不存在固定业务流程，AI可根据用户意图动态组合企业业务能力以完成任务；从进展来看，国外已有初创公司开始布局该阶段，国内尚未启动大规模实践。

第四阶段：面向员工的应用隐藏

核心特征是ERP、CRM 等传统业务系统隐藏于后台，员工在工作中仅需与单一AI交互，无需直接操作各类系统；从进展来看，该阶段目前仍处于概念探索阶段，尚未进入实际落地环节。

第五阶段：按需生成的无应用体验

核心特征是不存在固定的APP，AI可根据用户需求在后台实时生成所需功能模块并执行任务；从进展来看，该阶段属于长期愿景，目前尚未有落地案例。

AI将重塑企业组织管理模式，全球最大人力资源外包公司AC德科（FESCO Adecco）与 Salesforce成立合资公司，将AI作为“外包智能体”提供给客户；Workday等专注于HR领域的软件企业，已将AI纳入HR系统管理范畴，包括AI的培训、绩效评估、知识更新等。未来，企业HR部门需同时承担“管理人力”与“管理AI”的职责，而IT部门将成为“AI的生产部门”，负责AI的开发与维护。

企业落地AI时常见三大疑问：“现在启动还是延后启动？”“现有数据是否足够支撑应用？”“AI仅用于辅助决策还是可指导业务全环节执行？”，这些疑问本质是传统数字化思维的延续——传统数字化追求“数据完美、系统统一”，但实际业务场景中存在客观现实：异构数据不兼容、数据缺失、数据不准确是企业数据管理的常态，永远不存在“绝对干净、无任何瑕疵的数据”；市场环境持续变化，AI技术与应用场景也在不断迭代，永远不会出现“市场完全成熟、可十拿九稳落地”的时机，企业需以开放心态推进AI应用。

以全球最大肉类供应商之一——泰森食品为例，2020年疫情期间，泰森食品面临双重压力：州政府要求其关闭工厂以防止疫情扩散，而联邦政府要求其维持生产以保障民生供应。最终，特朗普政府援引朝鲜战争时期的相关法案，赋予联邦政府对基础设施类民营企业的直接管理权，泰森食品需在保供与防疫间找到平衡，压力剧增。

在此背景下，泰森食品与当前市值4000亿美元的软件公司Palantir合作，依托Palantir的“本体论”技术——即在数据结构中提前植入语义关系的技术，区别于传统表格仅存储数据的模式，可快速整合企业异构数据，仅用30天就实现了库存精准控制，用120天完成了物流体系优化，能够快速跨工厂、跨仓储调配资源，及时应对区域肉类供应短缺问题。该案例印证了AI具备快速整合异构数据的能力，企业无需等待“数据完美”再启动AI应用，关键是优先识别并落地高价值场景。

生成式AI在企业场景的应用才刚刚起步，中国提出的“AI+”战略，与2017年提出的“智能+”存在本质区别：2017年的“智能+”依托传统AI技术，核心聚焦视觉应用，存在明显局限，最终未能大规模推进；当前的“AI+”基于生成式AI技术，具备重塑产业逻辑、提升企业核心竞争力的潜力。

当前中美已将AI作为核心竞争武器：美国试图通过AI替代低成本人力，维持产业优势；中国则依托庞大的产业规模与丰富的数据量，在AI应用层面构建竞争力。希望本文能为企业制定生成式AI时代的数字化战略、推进AI落地提供启示，帮助企业抓住机遇，在新一轮竞争中建立优势。

*本文整理自彭俊松博士在“2025上海讲座日”的分享。