本文来自微信公众号： AI时代我的人生下半场 ，作者：席春迎博士
导语
模型可以租，经验不能租。当AI开始拥有“工龄”，企业的真正护城河，是那个越来越懂自己的数字组织。席春迎博士深度长文，推荐细读。
引言：为什么一个“博士级AI”，进公司第一天仍然像个新人？
过去两年，企业谈AI最常问的问题几乎都是同一类：哪个大模型更强？哪个模型推理能力更好？哪个模型写代码更快？哪个模型参数更大、成本更低、榜单排名更高？
这种讨论当然有意义，因为基础模型能力的跃迁，确实决定了AI应用的上限。但问题在于，随着各大前沿模型的通用能力越来越接近，企业真正面临的竞争问题正在发生变化，未来真正拉开企业差距的未必是谁接入了最聪明的模型，而是谁能够让AI真正理解自己的业务、记住自己的错误、继承自己的经验，并在一次次真实工作中逐渐长出“工龄”。
最近，在红杉资本围绕企业如何建立自主AI能力的一场分享中，Trajectory联合创始人Arjun Karanam提出了一个很有启发性的概念：今天最先进的大模型虽然已经拥有极强的知识和推理能力，但一旦进入一家具体企业，它仍然像“入职第一天的新人”。他用了一个非常形象的比喻：即使把数学天才陶哲轩放进一家会计师事务所，他第一天也不会自动成为这家公司最好的会计，因为他缺少的不是智商，而是对这家公司业务规则、客户习惯、内部流程和历史经验的理解。
这句话之所以值得企业家认真思考，是因为它指出了当前企业AI落地中一个常被忽视的问题：企业今天购买到的大多只是通用智力，却没有真正拥有自己的“组织智能”，而一旦AI开始拥有“工龄”，企业竞争的规则就会发生根本变化。
一、企业真正高价购买的从来不是纯粹的“智商”
“企业买的不是智商，而是工龄”这句话传播力很强，但如果把它进一步拆开，会发现真正值钱的并不是工龄本身，而是工龄背后累积下来的判断。
一个人在一个行业工作30年，真正让企业离不开的并不是他在办公室里待了30年，而是在这30年中他经历过数千次真实业务决策，见过大量标准流程无法覆盖的例外，也亲手处理过很多无法写进教科书的复杂场景。
同样一份财务报表，新员工看到的是数字，老财务总监可能看到的是风险；同样一个客户，新销售看到的是订单规模，老销售看到的却可能是付款习惯、渠道影响力和潜在违约概率；同样一次设备异常，普通工程师看到的是报警参数，经验丰富的老师傅可能仅凭几个细微变化，就知道真正的问题出在哪里。
这些能力很难简单归结为“知识”，它们更像是一套由数据、规则、场景、反馈和判断共同构成的复杂经验网络。因此，与其说企业高价购买的是“工龄”，不如说企业真正愿意付钱的，是一种能力：在特定环境、特定约束和特定目标下把事情做对。
这也是为什么今天很多大模型已经非常聪明，却仍然很难直接进入企业核心决策环节。它可以知道全球最先进的管理理论，可以瞬间阅读大量行业报告，也可以掌握复杂的会计准则，但它并不知道某一家企业内部真正有效的决策逻辑。
通用知识可以训练出来，企业经验却必须在真实业务中沉淀，这正是AI“智商”与企业“工龄”之间的差距。
二、今天最荒谬的现象：AI每天都在工作，却每天重新入职
事实上，企业并不是没有给AI积累经验的机会。
恰恰相反，今天全球大量Agent已经进入真实生产环境，每天都在生成海量内容、调用各种工具、处理企业任务。员工在使用AI过程中不断修改、撤销、重试、补充信息、改变路径，这些其实都是极其珍贵的业务学习信号。
比如，AI生成了一份合同，法务修改了其中三句话；AI给出一个设备维修方案，工程师否决了其中一个步骤；AI完成了一份投资分析，投资经理重新调整了几个关键假设；AI给客户写了一封邮件，销售总监把语气、报价方式和谈判策略全部重新改了一遍。这些动作背后，其实都隐藏着企业最真实的经验。
问题是，今天大多数企业并没有真正把这些东西留下来：AI今天犯了一个错误，员工纠正了；第二天换一个员工再问，系统可能又犯同样的错误；今天一名资深员工花了半小时教会AI一种处理方式，但这种“教学”往往没有形成组织资产，下一次调用又重新开始。于是出现了一个非常值得警惕的现象：AI每天都在上班，却永远没有工龄。
这也解释了为什么很多企业在用了AI一段时间以后会发现，AI确实提高了效率，却没有真正让组织本身变得越来越聪明，因为工具在工作，但经验没有沉淀。
如果一家企业每天使用AI几万次，却没有把这些交互变成自身能力，那么它本质上只是在不断消费别人的模型能力，而没有形成自己的AI资产。
三、从“数据资产”到“经验资产”，企业的核心资产正在升级
过去十几年，数字化转型有一句被反复强调的话：数据是新的石油。
到了AI时代，这句话可能需要升级。因为数据本身只是记录了“发生过什么”，而真正的经验还必须进一步回答三个问题：为什么当时这样处理？这个处理最后是否有效？下一次遇到类似情况应该怎么做？这三者之间的差距，决定了数据能不能转化为智能。
一家银行拥有几十年的贷款数据当然很有价值，但真正更有价值的是知道哪些客户当时看起来资质很好却后来违约，哪些企业财务指标并不漂亮却最终成为优质客户，以及当年经验丰富的信贷人员为什么做出了与模型不同的判断。
一家医院拥有大量病例也是如此。真正珍贵的不只是病人的检查指标和治疗记录，而是医生在复杂病例中如何权衡风险、如何排除误诊、什么时候决定改变治疗路径。
一家水务企业长期积累的设备运行数据同样如此。真正形成壁垒的不只是传感器记录了多少温度、压力和水质变化，而是几十年来工程团队如何判断异常、如何处理突发情况、如何在能耗、稳定性和安全之间做取舍。
过去，这些经验大量依附于人，等员工退休，经验就带走了，核心技术人员离职，一部分组织能力也随之流失。这是企业几百年来一直存在的隐性损耗。而AI第一次提供了一个新的可能：让这些过去只能存在于人脑中的经验，逐步转化为可以被机器学习、继承和调用的组织资产。
如果说数字化解决的是“把流程装进软件”，那么AI真正有可能解决的是：把判断装进组织——这才是更深层次的企业变革。
四、“保存修改记录”并不等于拥有经验，真正困难的是经验治理
当然，看到这个方向以后，也不能走向另一个极端，以为只要把所有用户与AI的互动保存下来，模型就会自然越来越聪明。
事情远没有这么简单。用户修改AI并不一定代表AI错了，有时候是客户临时改变要求，有时候是政策环境发生变化，有时候是用户自己判断错误，还有时候只是个人偏好不同。
同样一个问题，如果普通员工和公司最资深的专家给出了完全不同的反馈，AI应该学习谁？如果一条业务规则今年有效，明年政策改变以后是否还应该继续保留？如果一个决策最后失败了，究竟是当时判断错误，还是后来出现了不可预见的市场变化？
这些问题，意味着企业未来真正需要建设的不只是“经验收集系统”，而是一整套新的经验治理机制：首先要判断哪些行为是真正的纠错信号，哪些只是噪声；然后需要判断不同人的反馈权重，再通过后续结果验证这些判断是否真的正确，最后才能把经过验证的经验转化为评测集、规则库、Agent策略甚至模型参数。
因此，真正成熟的AI学习闭环不应该只是数据收集和模型微调，而应该是：业务运行-AI决策-人类纠错-结果验证-经验提炼-组织沉淀-模型或Agent更新——这实际上已经不是一个单纯的技术工程，它会变成企业未来新的管理体系。
过去企业要管理员工如何学习；未来，企业还必须管理AI究竟应该学什么、不应该学什么，以及哪些经验已经过时。
五、未来真正不能外包的不一定是模型，而是企业自己的经验层
红杉这类讨论还有一个非常重要的延伸：企业到底要不要拥有自己的模型？
我认为这个问题不能简单回答“必须自建”，也不能简单认为“全部调用第三方模型就够了”，因为对于绝大多数企业而言，从零训练一个基础大模型既没必要，也不经济，未来企业更现实的技术架构，很可能是一种混合模式：底层调用全球最先进的通用模型，中间建立自己的Agent、工具体系和业务流程，而最核心的一层，则沉淀企业自己的业务数据、判断规则、反馈体系和评测能力。
换句话说，模型可以租，经验不能租。模型未来可能越来越像云计算：企业今天可以使用OpenAI，明天也可以使用Anthropic或者其他开源模型；技术架构可以调整，模型供应商可以替换。
但一家企业过去十年积累的几百万次真实业务判断是买不回来的，这也是为什么我认为企业AI战略最重要的问题，并不是“我们要不要拥有自己的大模型”，而是“如果明天更换一个基础模型，我们过去一年积累的AI能力能不能完整保留下来？”
如果答案是否定的，那么企业拥有的还不是AI资产，只是AI使用权。真正值得长期拥有的，是独立于具体模型之外的业务数据、规则体系、反馈记录、评测集和组织经验，只有这些东西才构成企业真正的AI主权。
六、这场竞争反而给了传统企业一次重新建立护城河的机会
今天很多传统企业面对AI的第一反应往往是焦虑，它们认为AI公司有算法、有人才、有模型，而自己只有几十年的传统业务，因此天然处于劣势。
但如果从“经验资产”的角度重新看，结论可能恰恰相反。传统企业最有价值的东西，可能正是几十年积累下来的真实业务经验：一家银行可能拥有数十年的信贷决策，一家保险公司拥有数十年的理赔经验，一家制造企业拥有几十年的工艺和供应链管理记录，一家水务企业拥有长期的设备运维经验，一家上市公司则拥有多年资本运作、融资、客户管理、产业整合和组织治理的历史……
这些东西过去看起来只是“老经验”，但在AI时代，它们有机会第一次转化成真正可规模化复制的智能资产。因此，传统企业真正应该问的问题并不是“我们能不能追上OpenAI”，而是：我们过去20年积累的哪些经验，是互联网公司没有、模型公司也拿不到的？又如何把这些经验转化为AI可以学习的形式？
谁能最早完成这个转换，谁就可能在新的AI时代重新建立竞争优势。这也是为什么下一阶段企业AI竞争很可能不再只是“科技公司打败传统公司”，而是不同企业之间比拼谁能够更快把自己的行业经验机器化。
七、当AI真正拥有“工龄”，企业经营将第一次出现新的复利机制
如果继续往前看，这件事情真正有想象力的地方，还在于它可能改变企业成长的方式。
传统企业经营，每做一笔业务主要获得收入和利润，数字化以后又多了一层数据，而在AI时代，每一次经营活动都有可能同时产生一份新的经验：一次客户流失，可以成为新的销售经验；一次项目失败，可以成为新的风控经验；一次工程师修改方案，可以成为新的技术经验；一次并购判断失误，也可能成为未来资本配置的学习样本。
如果这些经验能够被系统持续沉淀，那么企业经营本身就开始拥有一种新的复利：业务越多，经验越多；经验越多，AI越懂企业；AI越懂企业，决策效率和准确性越高；企业又能够产生更多业务和更高质量的数据。这个循环一旦形成，真正的AI护城河也就开始出现。
因此，AI对企业最大的价值，也许最终不是少雇多少人，更不是简单提高多少个百分点的效率，它真正可能改变的是一个几百年来企业始终无法彻底解决的问题：如何让经验不随着人的离开而消失。
过去，一名行业专家退休，几十年的经验可能只留下几份文档和几句口头传承；未来，如果企业能够把这些经验持续转化为组织记忆，那么员工会流动，但能力可以留下，个人会退休，但组织可以继续学习。这意味着AI第一次让企业有机会拥有一种可以持续成长、不会轻易遗失的“数字工龄”，到了那个时候，下一场企业竞争真正比拼的恐怕就不再是谁的模型更聪明，而是谁的AI在这个行业里干得更久、学得更多、犯过更多错误，也真正记住了更多东西。
当AI拥有“工龄”，企业真正的护城河也许就不再是拥有一个模型，而是拥有一个越来越懂自己的数字组织。
—本文配图均由AI生成—
