如果员工都用上了AI，公司就算是AI原生企业了吗？当强大的模型越来越容易获得，企业又该靠什么与竞争对手拉开差距？
在《Thinkers & Ideas》播客中，我与BCG智库全球负责人Nikolaus Lang围绕英文新书《AI Native》（中文书名《AI未来已来》），讨论了这些问题。Lang长期关注地缘政治与全球贸易，在25余年的咨询生涯中，为50多个国家的客户提供过建议。
图左为BCG智库全球负责人Nikolaus Lang
图右为零一万物CEO、创新工场董事长李开复
模型可以很聪明，但刚进入一家公司时，它仍然不了解业务背景，也不清楚哪些事情应该优先处理。要让它真正发挥作用，企业需要把长期积累的知识用起来，并重新思考人与AI怎样分工、谁对最终结果负责。成为AI原生企业，意味着围绕AI重新设计公司的运作方式。
这也是我和零一万物团队正在实践的方向。CEO需要亲自使用AI、以身作则，让它进入真实业务，再根据实际结果不断改进。企业在这个过程中积累的数据、经验和学习能力，将成为自己的竞争优势。
我们还谈到了一个值得每位管理者思考的问题：当AI接手更多分析和执行工作，品味、远见、信念和勇气，会怎样影响人的价值？如何选择合适的模型、控制使用成本，以及为AI建立必要的安全约束，也都在这次讨论之中。
以下为对谈精编稿，分享给大家。
01
企业AI转型
先走出这四个误区
Nikolaus Lang：您在《AI Native》中谈到了企业AI转型的四个常见误区。第一个误区，是把AI当成像云计算一样的新技术周期。您为什么认为，AI带来的变化比电力、互联网等通用技术更为根本？
李开复：因为这一次，真正走向普惠的是智能本身。过去的技术革命，降低了计算、信息获取和远程连接的成本。而与这些通用技术相比，AI的普及速度更快、成本下降更迅速，更重要的是，它直接进入了过去主要由人类承担的认知劳动领域。
此外，AI正在通过自我学习与持续改进加速能力提升，逐步减少对人类参与的依赖。这些因素叠加在一起，使这场变革与以往的技术革命有着本质区别。
所以，我不赞成简单地将其称为“第四次工业革命”。在我看来，这是一场前所未有的智能革命——第一次，也是最后一次。
Nikolaus Lang：除了低估这场变化的深度，企业在组织和使用AI时，还容易走入哪些误区？
李开复：第二个误区，是把AI转型完全交给首席信息官（CIO）。
很多企业仍然把AI当作常规软件项目：拨一笔预算，交给技术部门开展试点，再决定哪些应用值得推广。
但随着智能成本持续下降，越来越多过去依赖人力完成的工作可以交给AI。这不仅是技术工具的升级，更意味着企业经营方式和组织分工的改变。管理者需要重新思考整个公司的运作方式。
第三个误区，是认为只要买到最好的模型，其他问题就能迎刃而解。
通用模型虽然越来越强大，却并不了解一家企业的具体业务。
将大量私有数据一股脑交给模型，不仅可能超出其处理能力，也无法让模型自动理解数据背后的业务逻辑与关联。因此，企业还需要一套本体系统（Ontology），帮助AI理解业务，并协调多个智能体完成任务。
第四个误区，是认为AI的主要价值在于节省人力成本。
AI确实会替代不少工作，但它更大的潜力，在于帮助企业更快地开发产品、开拓新市场、扩大业务规模，推动营收与利润增长，同时识别过去被忽视的风险。
如果只把AI当作降本工具，就会低估它创造增长的真正潜力。
02
模型再聪明
也需要一张企业的“地图”
Nikolaus Lang：您在书中打了一个比方：一位优秀的大学毕业生刚加入公司，还不了解业务，也不清楚各部门如何协作，就被要求马上开始工作。企业引入AI也面临类似的问题：要让AI真正发挥作用，企业还需要做些什么？
李开复：首先，要让AI真正理解一家企业是如何运转的。
有人可能认为，AI已经非常了解自己的工作。但理解一家企业，远比理解一个人的工作复杂。每家企业都有自己的治理机制、组织架构、业务流程、决策规则和经营目标。模型再聪明，也不会天然理解一家企业。 只有理解这些背景，AI才能真正参与企业经营。
企业本体（Ontology）就像一张企业的“地图”，描述企业业务、组织和流程之间的关系。有了这张地图，模型才能将获取的信息放到具体的业务场景中，理解这些信息对企业意味着什么。
模型决定AI有多聪明，企业本体（Ontology）决定AI有多懂企业。
另一个重要问题是企业数据安全。即使模型有能力理解和处理企业的全部数据，我们仍然需要考虑：数据应该存放在哪里，又该如何安全使用？我的建议是，将数据保留在本地，或部署在安全的云环境中。
因此，要让AI真正解决复杂的企业问题，光有强大的模型还不够。 企业还需要一套完整的系统，将模型、企业本体与数据连接起来，同时确保部署和运行的安全性。
本体建设可以与智能体开发同步推进。美国的Palantir较早将本体方法应用于企业系统，而今天，我们可以借助大语言模型，构建更适合AI使用的企业本体。零一万物正在帮助企业推进这样的转型。
Nikolaus Lang：企业的知识也未必都在数据库里。大量有价值的知识分散在文件、个人笔记，甚至员工的经验中。企业怎样才能把这些“沉睡的数据”用起来？
李开复：这类数据通常是非结构化的，没有被整理成规整的表格或数据库，因此很难直接提取信息。例如，会议纪要、会议录音，以及获得许可录制的客服和销售通话，都记录着一线问题、客户反馈，以及团队讨论和决策的过程。
过去，没有人能记住所有内容，更难把不同会议、不同部门的信息联系起来。现在，AI让企业有机会更充分地利用这些知识。在公司里，我会使用我们的老板AI，向它提出一些具体问题，例如：
上周的会议里，最值得我关注的三个争议是什么？
我主持的会议，有哪些可以改进的地方？
我们遇到了两个问题，应该建立什么流程，才能避免再次发生？
公司里哪些人既擅长AI开发，又具备管理能力，值得培养和提拔？
这些问题跨越不同部门和业务环节。把分散的信息联系起来，管理者才能更全面地了解公司正在发生什么，并据此作出判断。
03
AI模型的单价下降
未必带来企业AI使用成本降低
Nikolaus Lang：让AI进入更多业务场景，也涉及成本。智能的成本正在快速下降，但在企业董事会里，Token价格、使用量，以及中美模型之间的价格差异，仍然是经常被讨论的话题。企业管理者应该怎样算这笔账？
李开复： 模型单价下降，不等于企业的AI总支出一定会下降。
一方面，AI使用量正在快速增长，就像电价下降后，人们会消耗更多电力；另一方面，一些企业仍在用昂贵的模型处理大量常规任务，而这些任务其实并不需要如此强大的模型。两者叠加，企业的AI预算压力反而可能上升。
关键不是所有任务都用最好的模型，而是为不同任务选择最合适的模型。这可以通过模型路由机制实现。
例如，应对重大企业危机、辅助CEO作出战略决策，应该尽可能使用能力最强的模型。但法律文件比对、报销处理、行程规划、客户服务等常规任务，通常使用能力足够、成本更低的模型就能完成。
模型正在变得越来越聪明，也越来越便宜。今天一些价格更低的模型，可能已经具备六到九个月前领先模型的能力。既然已经能够满足需求，就没有必要让所有任务都持续升级到最昂贵的模型。
此外，云端调用与本地部署的成本结构也不相同。有些模型通过API调用时成本很低，但如果部署在本地，可能需要投入大量GPU资源。因此，不能仅凭API价格判断本地部署是否划算。
CIO可以在这一过程中发挥重要作用：综合比较模型能力、使用成本和部署方式，再根据不同部门、不同项目的实际需求，将任务分配给最合适的模型。
Nikolaus Lang：这就像去附近买菜，没必要开一辆F1赛车。选择模型，还是要回到具体应用，考虑成本、实际效果，以及任务本身的需要。
04
当AI成为工作主力
领导者的独特价值是什么？
Nikolaus Lang：在组织层面，您提出AI原生企业可以围绕直接责任人（DRI，Directly Responsible Individual）来开展工作。为什么需要这样的组织方式？DRI与传统管理者有什么不同？
李开复：首先，管理的对象正在发生变化。
假设一家企业原本有一万名员工，其中三千人是管理者。未来，完成同样的工作，可能只需要两千名人类员工和八千名AI员工。那么，谁来管理这八千名AI员工？
我会特别关注那些既懂得管理AI，又具备出色管理能力的人，让他们带领少量人类员工和大量AI智能体，围绕具体任务组建团队。
这些团队可以非常灵活：规模较大的，可以承担一个业务单元的工作，推动业务增长或新产品开发；规模较小的，可以专门解决某个风险问题，任务完成后，一个月就解散。
但无论承担什么任务，都必须由DRI检查AI的工作结果，并决定是否批准执行。AI可以承担重要任务，但最终责任必须由人来承担。
因此，DRI不仅要懂得管理AI，更要有真正的责任感：做得好，获得相应回报；出了问题，也必须承担后果。
Nikolaus Lang：当越来越多工作由这些团队承担，传统中层管理的角色会怎样变化？
李开复：中层管理是企业规模扩大后形成的一种必要安排。一个人能够直接管理的人数有限，因此才有了经理向总监汇报、总监向副总裁汇报的层级结构。
但组织层级越多，信息在向上传递时损失越大，指令在向下传达时也越容易走样。有些决策可能被搁置，员工也可能优先考虑本部门的利益，而忽略公司的整体目标。
DRI带领的工作单元，可以围绕共同目标、基于一致的数据，相对完整地承担一项任务。减少不必要的管理层级后，决策可以更快传达，一线情况也能更直接地反馈给CEO。
企业可以尽早建立一批这样的工作单元，同时保留必要的组织层级。
在零一万物，我们已经开始推行DRI模式，也保留了需要人与人协作的岗位和管理结构。例如，大客户销售仍然需要人来建立关系、赢得信任。在这个过程中，一部分人会转型为DRI，一部分岗位则会随着组织层级的精简而调整。与此同时，支撑这些工作单元的AI系统也需要相互连接，并根据实际结果持续改进。
如果AI作出了错误判断，就需要从结果中学习；如果它提出的建议没有被CEO采纳，也应该回顾原因，检查自己的判断是否需要调整。
企业在日常工作中积累的数据和经验，将成为AI持续改进决策与执行能力的重要基础。
Nikolaus Lang：当分析和执行工作越来越多地交给AI，领导者自身的价值又体现在哪里？您在书中强调的品味、远见、信念和勇气，为什么会更加重要？
李开复：过去，领导力既包括执行、流程管理和数据分析等“左脑”能力，也包括品味、远见、信念、勇气，以及同理心、人际交往等“右脑”能力。
未来，AI可以承担越来越多的“左脑”工作，而领导者的独特价值，在于作出那些无法从历史数据中找到答案的判断。
乔布斯创造iPhone、香奈儿设计兼顾舒适与美感的女装时，都没有历史数据能够证明这些产品一定会成功。
作出这样的选择，需要信念和热情，更需要付诸行动的勇气。你是否愿意为自己真正相信的事情，投入金钱、职业生涯、声誉，甚至整个人生？
马斯克将最后的资金押在一次火箭发射上，就是这样的选择。
一个只从计算角度出发的AI，可能会建议他保留资金，先去做其他创业项目，等条件成熟后再发射火箭。但马斯克选择继续投入，因为他相信这是自己的使命。
这同样适用于每个人。我们可以将更多精力投入那些没有现成答案、需要探索和判断的工作。
未来，许多岗位也会更加以人为中心。建立信任、有效沟通、团队协作，这些能力仍将体现人的独特价值。
05
AI安全风险短期不高
但需要提前行动
Nikolaus Lang：最后，让我们谈谈AI安全。在AGI（通用人工智能）的相关讨论中，人们反复问到：AI是否会对人类的生存构成威胁？您认为，目前的担忧是否被夸大了？
李开复：我认为，这种风险确实存在，但短期内发生的可能性并不高。未来会怎样，很大程度上取决于我们今天采取什么行动。AI可能在两种情况下造成重大灾难。
第一种，是AI被恶意利用。
核武器、无人机，甚至火和电力，都可能被用于伤害他人。AI同样面临被滥用的风险。
网络安全就是一个典型例子。AI擅长编程，而网络攻击同样涉及编程。不法分子可能利用AI入侵银行系统、盗取资金，或窃取个人隐私。因此，我们必须防范AI能力被恶意利用。
第二种，是AI在执行任务时，造成了人类未曾预料的伤害。
AI本身并没有伤害人类的意图，但如果我们只设定目标，却没有明确约束条件，它就可能采取危险的方式完成任务。
举一个极端的例子：如果要求AI“消除饥饿”，它可能得出一个荒谬的方案——消灭所有人，这样就不存在饥饿问题了。
我们不可能要求每一个编写提示词的人，都预见所有风险、穷尽所有限制条件。因此，AI安全不能只依赖人的提醒，而必须内建于系统之中。
AI需要理解哪些事情可以做、哪些不能做，以及哪些行为可能造成严重甚至不可挽回的后果。如果这些安全约束尚未建立，考虑到模型行为的不确定性，就不应该贸然发布。
未来两到三年，我们仍会不断面对这些挑战。AI安全还有许多根本性问题亟待解决，不能总等到问题发生后再打补丁。
我想对研究人员强调的是：一味追求速度、出了问题再修补的做法，已经不适用于今天的AI。我们必须把人类安全放在更加重要的位置。
本文摘编翻译自
BCG Institute Thinkers & Ideas
END
