导言
随着人工智能产业以前所未有的速度狂飙突进，随着智能体以 “小龙虾”、自动购物助手等形式融入普通人的工作与生活，AI 已然成为新一轮驱动效率跃升的技术浪潮。但对所有企业和组织而言，技术的落地远不止于单纯的提效，它必将深刻重塑现有的工作方式、就业格局与组织形态。如何将个人层面的提效转化为组织层面的增量？如何从管理人类员工走向管理 AI 员工？传统的组织结构和管理逻辑是否依然奏效？面对这些未知，走在技术最前沿的科技公司往往同时也是探索组织变革的先锋。
在罗汉堂近期举办的前沿对话中，优刻得（UCloud，首家在科创板上市的云计算服务商）CEO 季昕华基于国内 AI 产业的一线观察与自身企业的实践经验，分享了中国 AI 发展的最新图景与 AI 在企业落地的真实痛点。
季昕华指出，中国 AI 行业已全面迈入以产业加速为核心的大规模落地阶段。基础大模型的成本骤降、开源生态的繁荣以及智能硬件的普及，正不断催生新的商业价值。他强调，企业应用 AI 的核心挑战在于组织形态的演变。传统的金字塔型科层制将被 “松树型” 结构取代：随着 AI 接管大量事务性工作，需要同时统筹 “碳基” 与 “硅基” 员工的中层管理者将在短期内膨胀。
为了应对这一变迁，季昕华建议企业应像过去普及电脑一样，为全员配备词元（token），并重塑工作流程，快速复制优秀技能。在部门边界日益模糊、编程不再是竞争壁垒的未来，如何让人类与 AI 和谐共生，将是每个企业乃至整个社会都必须跨越的关键门槛。
以下是季昕华演讲的全文：
季昕华（UCloud）
非常高兴今天能与各位交流，同时给大家汇报一下中国 AI 领域的一些近况。我将从两个方面来展开：一是中国 AI 行业的发展现状，二是 AI 在中国企业中的落地实践。
01
中国 AI 发展的简要回顾
我首先介绍一下中国 AI 行业的整体情况。从目前来看，AI 行业整体上正处于从模型落地到产业落地的重要阶段。
简单梳理一下 AI 在中国的产业发展。2022 年 ChatGPT 发布之后，大部分的中国 AI 公司在 2023 年前后开始进行模型搭建和训练，进入以技术进步为核心的基础模型研发阶段，我们称之为 “百模大战”。到了 2024 年，中国 AI 行业进入以可用性为核心的能力验证阶段，涌现出智谱、MiniMax 等一批优秀的 AI 公司。进入 2025 年后，行业逐步迈入以产业加速为核心的发展状态。特别是自 2025 年底以来，中国 AI 公司开始在资本市场获得认可并成功上市。
到 2026 年，随着三个核心要素逐步成熟，中国 AI 将开始进入大规模应用阶段。第一个要素是代码生成技术（coding）在中国的落地，使得国产大模型开始进入企业化运营。第二个要素是 “龙虾”（OpenClaw）开源生态的发展，让中国普通用户开始接受并使用大模型，而且愿意为此付费。第三个要素是智能硬件的发展及其与 AI 的结合，由此带来了非常可观的收益。
02
当期 AI 行业的六大趋势
接下来，我主要从六个方面，详细介绍一下当前 AI 行业的主要趋势。
第一个方面是基础大模型。4 月下旬发布的 DeepSeek-V4 模型展现了几个核心特征：一是价格显著下降；二是上下文窗口大幅提升；三是能够适配国产芯片（例如华为、寒武纪和沐曦等），国产芯片和国产模型相结合，可以产生更大的收益。此外，智谱和 MiniMax 于 2026 年初在香港上市，标志着中国 AI 模型公司从技术到资本市场的形成了闭环。资本市场的升温，也为这些公司的进一步发展带来了新的机会。智谱在编程领域具备领先优势，MiniMax 在客户体验方面表现突出，另一家大模型公司月之暗面（Kimi）则在近期发布的论文中展示了在长上下文和分布式数据中心推理方面的能力。这些优势都给他们带来了进一步分摊成本的机会。
除了这几家 AI 大模型创业公司之外，阿里的通义千问、腾讯的混元以及字节的豆包，也都发展得非常好 —— 豆包的日均 token 交易量已经超过了 120 万亿。
中国公司在基础模型方面有一个非常重要的特点，就是坚持开源的思路。我最近接触了不少美国和其他国家的公司，他们在应用大模型时，除了美国的 Claude 和 OpenAI 之外，也开始大量使用中国的开源模型，这是一个非常有意思的现象。
第二个方面是行业模型。行业模型在中国的各行各业中都取得了非常明显的进展，其中比较典型的是医疗和金融行业。在金融领域，中国的金融公司同花顺和东方财富，都推出了各自的行业模型，帮助普通用户更好地识别哪些股票值得买入。他们在投研效率和信息数据方面做了非常好的工作。
在医疗领域，例如蚂蚁集团推出的阿福医疗大模型，在辅助问诊、病例结构化、医保优化等方面都取得了出色成效，成为健康领域一个较为典型的行业模型案例。
行业模型在中国的发展壁垒主要有三个：一是行业数据的来源和质量；二是国内环境下的合规和可信机制；三是如何切入到业务场景。其中，最后这一点是最核心的：无论是同花顺、东方财富还是蚂蚁金服，本身就具备较强的行业应用能力，再叠加大模型的赋能，效果就会非常显著。
第三个方面是智能体（agent）公司。大家可能听说过 Manus、深度赋智、Genspark 等公司，他们在检索、规划、执行和反馈方面都取得了非常好的成绩，并且在可控性、可集中性和可持续性方面表现优异，这标志着 AI 正式进入了任务时代。在此之前，AI 更多停留在与人对话的层面，而智能体的出现，则让大模型从 “对话” 走向 “行动”。
第四个方面是智能硬件。在硬件生产上，中国本来就具有优势，在此基础上叠加 AI 能力后，整体效果进一步提升。这里可以举三个例子。第一个是雷鸟（RayNeo）的智能眼镜：我最近在欧洲出差，用它来自动翻译和识别物品，效果非常好。第二个是可佩戴的智能戒指，例如 RingConn：它可以监测睡眠、运动和血压等，通过收集和分析这些数据，持续提供健康顾问服务。第三个是近期备受关注的 Anker 智能录音豆：它能便捷实现录音、转写、翻译、总结等功能，帮助大家解决工作和生活中的实际问题，使用效果非常好。
第五个方面是 AI 应用生态的爆发。在 AI 应用方面，中国具备非常明显的优势，这一领域的公司数量众多、场景丰富。当美国还在做分析的时候，中国已经大规模落地，因为中国有非常成熟的应用环境。
比较典型的案例有哩布哩布 AI（LiblibAI）和即梦 AI。这两款 AI 图像和视频应用，通过切入高频场景，能够推动 AI 应用快速、大规模普及，并形成一定的工作依赖性，从而有利于可持续的商业迭代和市场推广。
第六个正在迅速发展的领域是科研中的 AI 应用（AI for science）。中国高校拥有相对充足的资金支持和较强的研发能力，AI 和科研的结合在很多高校都展现出巨大潜力。例如上海交大在 AI 与化学、生物的结合方面，清华大学在 AI 与量子科学的结合方面，都具有明显优势。如何提取高质量的科研数据，实现跨学科的协同，是这一领域非常关键的问题。中国持续保持高水平的科研投入，这对于 AI for science 的快速发展同样至关重要。
03
AI 推动的组织变革
下面我重点谈一谈中国企业当前如何应用 AI。
我们注意到一个现象：个人层面对 AI 的使用已经非常普遍，提效效果也相当明显。但个人用得好，并不能代表组织用得好。因此，很多科技企业都非常关心如何能够让个人提效转化为组织提效。那么怎样能让组织更好地提效呢？
我们认为，核心在于管理对象的变化。过去企业管理的对象是人，现在扩展到了 AI 智能体；或者说以前是碳基员工管理，现在还包括硅基员工管理。在管理碳基员工时，管理者关注的是这个人如何能做好执行；而在硅基时代，核心在于如何让人来管理方向，这就带来了非常大的变化。
彼得・德鲁克曾说过：“动荡时代最大的危险不是动荡本身，而是延续昨日的逻辑行事（The greatest danger in turbulent times is not the turbulence itself, but continuing yesterday’s logic）。” 在 AI 快速发展的阶段，由于管理对象发生了变化，管理模式也需要随之进行深刻的调整。
我们认为，组织形态的演变将首当其冲。在传统碳基时代，常见的管理模式是金字塔式的科层制：基层承担大量事务性工作，从下到上人数逐步递减。但是在引入 AI 智能体之后，大量常规事务性工作将由 AI 承担，基层员工数量将会减少，而中层人员在短期内会可能明显增加，因为他们既要管理碳基员工，又要管理硅基员工。因此，我们认为未来的组织会呈现出 “松树型” 结构：顶层高度收敛，但中层横向膨胀，而底部的基础员工会变得越来越少。未来碳基员工的主要工作将变成思考 “为什么做” 以及 “做什么”，这是最核心的一点。
04
AI 在企业中的应用实践
那么，在企业内部具体如何推进这项工作？我们做了一些探索和实践。
第一个重点是要 “全员武装”，让每个员工都能用得上词元（token）。这就像英伟达 CEO 黄仁勋说的：在过去的二十年里，如果不给员工发电脑，这个公司是不可理喻的；而在今天，我们要做的是给每个员工配发 token，这就相当于过去给每个员工配发电脑，或者更早以前给每个员工配发纸和笔一样。
第二个关键点是要在企业内部识别哪些场景适合用 AI 来实现。这可以通过内部的比赛和亮点发掘来推动，并在此基础上开展小步试点，识别出那些高频、规则清晰、可量化的工作，逐步实现自动化（例如数据录入、商机获取、客服 FAQ 等）。有了场景和试点之后，我们需要在内部形成标杆案例，进一步推进 SOP 与治理。最后，要观察 AI 的利用率以及产出贡献，尤其是尝试用 AI 原生的模式来做一些新产品、新项目，从而实现快速落地。
在企业里，产品研发和市场推广销售是两个核心环节。因此，如何通过 AI 解决这两大环节的问题，就显得尤为重要。我们公司就有一个比较典型的案例。优刻得是中国第一家在科创板上市的云计算公司。我们依托遍布全球的节点，为用户提供云服务和 AI 服务。在业务推进中，我们希望识别哪些公司存在算力需求，一个非常有效的办法，就是观察招聘网站上哪些公司在招聘算法工程师。我们通过 AI 去分析招聘网站数据：如果一个公司在招聘算法工程师，就意味着它可能存在算力需求。随后，我们会将这家公司分配给销售团队进行联系。这个过程目前已经可以实现较快的自动化。
对于优秀的员工及其技能，我们还需要建立激励机制，把这些技能沉淀下来，使其他员工也能够使用。在碳基时代，一个员工做得好，我们会把它总结为最佳实践，然后在公司内部分享和交流，但这种传播速度是比较慢的。到了硅基时代，如果一个员工做得好，我们可以迅速提取出这项技能，让其他部门直接调用，其效率就会大幅提高。因此，如何将优秀技能沉淀下来并给予激励，在内部形成技能中枢，就变得极其重要。
在这方面，我们也积累了一些初步经验和教训。我们开发了一个产品，专门统计每位员工每天使用了多少 token。最近我们刚刚完成一轮员工职级评审，其中一个关键观察点，就是员工是否使用 token，以及使用了多少 token。token 用量较多，说明他们对 AI 的使用程度相对更高。与此同时，我们还会进一步分析 token 的使用过程，看看其中是否存在可以持续优化的空间。
这里有一个关键经验：企业可以先用最好的模型帮助工作流程跑通并上线，再逐步进行优化。其次，要先拿到样本，找到最佳实践，再进行跨部门复制，这样整体效果往往会更好。
05
AI 落地中的趋势和挑战
当然，AI 在企业中的落地也会面临不少挑战。我们将其概括为三大趋势和五大挑战。
三大趋势：第一是组织业态化，企业的边界会变得越来越模糊。过去很多公司无论采用矩阵结构还是科层制，都会划分前端、后端等不同部门；但随着 AI 落地应用，编码不再是主要瓶颈，真正重要的是想法和方向，因此部门之间的界限会逐步模糊。第二个趋势是管理重心从 “管人” 演变为 “管智能”。管人本身就已经非常复杂，而现在还要管理智能体，但当前针对 “管理智能” 的手段还远未成熟。第三个趋势，竞争壁垒正在发生变化。过去优秀公司往往依靠高薪和激励来吸引人才，但现在 AI 能够提供非常强的智力资源，写代码不再构成门槛。未来，更关键的是如何为用户创造价值，因此竞争壁垒也将随之发生深刻变化。
五大挑战包括：第一是组织文化的断层；第二是对 AI 过度依赖所带来的脆弱性；第三是数据安全和控制权。我们知道，目前较好的模型大多部署在公网上，那么企业内部数据如何与外部公网能力结合，同时又确保数据安全，这本身就是一个重大挑战。第四大挑战是 AI 的 “谄媚”，即 AI 提供的情绪价值陷阱。AI 会不断给予肯定，但这有可能使员工或管理层缺乏必要的反思。第五个挑战也是各位专家一直高度关注的，AI 的出现会对整个社会的就业产生非常大的冲击。如何能够让员工跟上时代发展，如何更好保障就业，是一个非常值得重视的问题。
06
小结及展望
总结起来，我们有三大共识和三大倡议。
三大共识：第一，中国 AI 已经从模型的突破进入落地的阶段，特别是代码生成技术、“小龙虾” 开源生态和智能硬件的落地。第二，组织的重构正在成为当前的重点方向之一。第三，AI 基础设施将成为未来整个社会的重要基石。
如何把 AI 用好？
我们有三大倡议：第一，要实现从个人提效走向组织提效，关键在于通过组织变革让团队获得更大收益。第二，要从工具使用演变为流程重写。仅仅依靠 Claude 或 Codex 等工具提升个体效率是不够的，只有推动组织层面的重塑，才能真正带来更好的效果。第三，我们认为，碳基与硅基的共生将是未来的重要方向。尽管这一过程伴随着诸多挑战和困难，但如果能够推动碳基生物与硅基生物在未来社会中共同发展、和谐共生，并创造更大的综合收益，这将成为一个极具竞争力的机会。
以上就是我的浅见与分享，谢谢各位！
