二萬字干貨！這家萬億級企業，是如何馴服AI的？

• 文 / 潘曉蕾 華夏基石人工智能咨詢專家，甄財科技創始人，前字節跳動財務產品一號位

• 來源：華夏基石e洞察（ID：chnstonewx）

01

萬億新能源企業的AI轉型與實操

一、AI轉型和應用的緣起

我們服務這家企業是2020年。那一年，他們的銷售額是3300億，但利潤只有300億。整個企業每年三倍增長，但利潤率不高。我們當時思考的是怎么幫企業最快地解決問題——從財務視角出發，幫企業提升整體經營績效。通過財務管理的數字化，賦能財務組織的管理水平，去支撐增長，核心是提升利潤率。這是我們相識的基礎。

我們在合作過程中，他們從來沒想過我能幫他們做AI。轉折點發生在去年三四月份，我跟他們一個分公司總經理喝茶，他說他們在AI轉型上花了半年多，碰到很多問題。我跟他聊了我的想法，他覺得有道理。后來他讓我去給他們做了一場針對AI變革小組的培訓，一方面是考核我，一方面是考核他們內部的能力。之后他說“你們過來試一試”——當時并沒有簽約，只是試一試，看能不能幫他們做AI轉型。這就是合作的緣起。

我們幫他們做AI轉型和應用的全歷程，主要包括三大部分——

第一，企業AI訓戰營。即從企業愿景出發，拉起共識——通過培訓的形式，高層、中層、基層一起達成共識，再通過AI大賽、場景識別和整體路徑規劃，推進服務機制轉型和人才選拔。

第二，轉型項目、組織機制、人才選拔。通過管理咨詢影響到很多落地環節——不只是AI的問題，還涉及管理的轉型。其中包括業務建模，專家能力蒸餾、知識庫的搭建、系統整體落地、內部甲方人才團隊的培養。

第三，運營、運維。理論落地之后，實現人機協同，讓人不斷滋養AI，最后實現智能體的持續迭代和運維。

整個過程中，每個階段都有階段性的目標。

二、變革小組和一號位是AI變革成功的基礎組織保障

（一）認知對齊。

主要達成四大目標：第一，理解AI能力的邊界；第二，消除對AI轉型的焦慮；第三，打破固有認知，從第一性原理去理解AI時代的道、法、術、器；第四，如何全員AI動員。

為什么認知對齊這么重要？

改變一個人的認知很難，除非這個人自己想改變。很多人只相信自己相信的事情。所以有時候“相信相信的力量”很重要。AI轉型失敗的原因，往往不是沒買對系統，而是組織內部認知沒有對齊。如果我們沒有定義清楚“為什么轉型？目標是什么？轉型成功的定義是什么？”，項目推進過程就會被卡住。最核心的是，在整體推進之前，先要做認知對齊。這一步不達成，很難達到目標。

（二）企業AI轉型的起點：成立AI變革小組。

我們從萬億新能源企業的實踐中看到，轉型不是IT一個部門的事。我經常看到企業把AI轉型交給IT組織，或者交給某個業務部門，或者交給HR。但AI轉型本身離不開各個部門的配合，離不開IT的技術平臺和設施支持，離不開用戶的支持，甚至離不開HR的運營支持，也涉及考核機制、組織架構的調整。因此，我們建議每一個項目在做AI轉型之初，先成立一個AI變革小組。這個小組不是單一部門主導，而是多部門配合。因為AI是一個介于人和系統之間的物種，它離不開管理變革，離不開數字化落地，離不開原有的數字化基礎，離不開組織考核機制的變化，離不開各個部門的真實需求和重點。沒有一個變革小組，靠單一部門的力量很難推進。所以，一定要成立一個AI變革小組，統一方向和優先級，打通業務和技術，推動組織變革。這是成功的關鍵保障。

（三）AI必須是一號位工程。

AI必須是一把手工程——這句話一定要記住。

1.AI變革涉及組織和權力重構。我碰到很多企業AI轉型推進不下去，就是因為不是一把手工程——董事長或總經理有整個企業的全局觀，如果把它交給了其他人，讓他自己去處理，結果在調動內部資源、推動業務部門積極性、推動組織變革的過程中，碰到各種阻力，最后不了了之。只有一把手才能通過總部協調各個部門、各個體系，才能推得動。因此，一把手工程是項目快速推進的基礎保障。

2.AI直接影響戰略方向。一把手能直接奠定戰略方向，涉及戰略決策時能第一時間拍板，決定節奏和空間。同時，高管在推進轉型時最怕什么？最怕失敗。但創新的事情，在初期很難有百分百確定的答案，不能像數字化項目那樣追求“落地必有成果”。如果抱著這種心態，就會變成什么場景都不敢落地，半年下來什么都沒推進。我經常碰到高管說：我想推進，但業務部門不配合，需求給不出來，拿不到效果，投資回報率也不明確，沒有一把手在前面坐鎮，難以成功。

3.AI轉型需要最高層的長期關注和承諾。AI轉型在企業里面通常有三層分化。第一層：高層像禿鷲，精準目標，馬上實現；第二層：中層像鴕鳥，因為很多AI革的就是一些中層的命，他們的心態都會像鴕鳥一樣；第三層：基層像青蛙，領導推的時候動一動，領導推一次，動一下，不推就不動了。所以，這個過程當中，中層、基層和高層需要一號位從始至終的關注，不是一把火推一推就能成功，而是中間就可能泄了力。

我們認為，變革小組和一號位是AI變革成功的基礎組織保障。

三、通過AI大會識別場景

（一）AI大賽征集場景，調動積極性。

我們當時決定舉辦一場AI大賽。花了五天時間，連衛生間的大屏幕、每個辦公室的屏幕、每個衛生間里都貼滿了海報，主題就是“你我皆是主角”的個人業務創新。我們鼓勵業務部門把自己的實際業務場景拿出來，先不考慮能不能落地，只考慮它對生產增長、對管理是不是足夠重要。這是全員認知、全員普及的過程。當時全分公司200多億的規模，3萬多人，征集上來三四百個場景。AI大賽確實調動了大家的積極性。

（二）評審篩選

在征集大賽場景的基礎上，設立重要的評審過程進行篩選。三四百個場景不可能全部落地，我們要看哪些是第一批值得投資的場景。經過篩選，從三四百個中選出了153個。淘汰掉的主要是跟生產經營無關的場景。剩下的153個，我們又分成了三類——

• 第一類：非AI場景，用數字化、RPA就能解決，不需要AI，這類大概占40%。因為很多基層員工即使經過培訓，也分不清AI和數字化的區別。非AI場景則轉入數字化去承接。
  

• 第二類：AI場景，但更適合個人通過學習和搭建來解決。這類場景可以通過HR組織培訓，請內外部講師講AI工具的使用方法，讓員工在現有平臺上搭建個人助手來落地。
  

• 第三類：需要公司投資、聚焦生產經營層面的重點場景，是我們未來要落地的方向。

（三）專家輔導與糾偏。

在推進過程中，我們發現很多問題。最基本的是，當我們問業務部門有沒有準備好語料和知識庫時，他們反問什么叫語料。我們只能反復溝通，告訴他們需要整理場景相關的技術知識、文檔，看看是否達標。每個場景我們都會幫他們評估可行性、技術影響和業務影響。這些都是AI大賽評選之前就要做好的準備工作。

有數字化的場景，也有AI落地的場景。首先要對這兩者進行區分，避免把本該由數字化解決的事情交給AI去做。

1.數字化解決什么問題？

數字化是把線下的業務搬到線上，實現流程的標準化和協同化，讓管理層的數據可穿透，輔助決策。比如把采購訂單、銷售訂單、生產管理搬到線上，實現流程作業的集中化、業態協同，幫助經營管理層做決策。這是數字化的目標——解決規范化、標準化問題，提升線下效率，實現數據賦能。

做數字化培訓時，經常有業務小伙伴問我：數字化并沒有提升我的能力，反倒讓工作更繁瑣了，這些表格都是給公司填的，對我個人有什么用？這是個很有意思的問題。企業早期的數字化建設，更多是在經營規模擴大到一定程度后，讓管理層在多元化、多地域、多業務、多價值鏈協同的情況下，能看清經營生產的本質、看清人效、看清流程的斷點和卡點，從而快速決策。

怎么衡量一個企業的數字化能力高低？有個小竅門：看財務結賬時間。我用服務過的兩家企業，一家是我待過的公司，當時有200多個業務單元——從抖音、廣告、醫院、智能手機到房地產等等，跨度非常大。這么多業務單元，我們去的時候結賬要7天，后來做到了T+3，每個月3號就能把資金決策報告放到負責人案頭，讓他決策這200多個業務單元是繼續投資、加大投資還是收縮資源、解決資金卡點。每月的經營決策會就靠這份報告。二是這家萬億新能源企業有10萬人規模，我們做到了T+1出集團經營單體報表和合并報表。這樣的管理水平，決定了公司能不能比經營快一步、能不能看清經營現狀、能不能快速決策。這些都離不開業財協同、管理標準化、經營決策提速。所以，這些數據不是給審批看的，而是服務于經營決策的精準性、可穿透、快速計算。

2.AI能做什么？

AI實現的是自運營服務，通過大量知識信息的利用，去總結、歸納、識別、推薦、溝通。它解決的是企業對多年積累的專業知識、人才經驗的可替代性問題，把經營知識融入系統，從基層和一線提升技能均值，在數字化沒有涉獵的環節發揮作用。

去年很多人討論AI場景到底適合什么？我們認為，AI落地效果最好的，往往不是那些數字化已經構建好的場景，而是數字化夠不著的地方——需要高度智力、對人的經驗和專業依賴度比較高的領域。如果數字化基礎打得好，像這家企業T+1出財報那樣，就已經不需要AI上手。如果管理標準化確實有問題，更應該用數字化和管理咨詢去解決，而不是硬套AI。目前落地效果好的AI場景，大多在數字化尚未涉獵的領域。

3.數據的干凈、整潔，是減少AI幻覺的前提。

在這個過程中會發現一個問題：垃圾進，垃圾出。很多時候我們去做AI，我都會問對方：“你有語料嗎？”他說有，然后給我一個幾十頁的文檔。我一看，這個文檔說是多年積累的知識體系，但不夠結構化，內容混亂程度比較高。這不是大企業或小企業的特有問題，超大規模企業同樣存在這個問題。

數據的干凈、整潔，是減少AI幻覺的前提。如果數據本身就自相矛盾，同樣的定義在多處有不同的解釋和說明，那AI學出來肯定有問題。那是不是說，我現在數字化基礎不高，就不能做AI了？當然不是。我們后來嘗試用AI反過來做數據治理，效果也不錯。比如有一個7個月的學習項目，我們用AI把它壓縮成21天，讓AI來學習、梳理、優化管理制度，比傳統方式快得多。

從我個人角度來說，我一直做報表、做全域數字化，后來聚焦到業財協同，再到管理咨詢和戰略咨詢，現在又聚焦到AI，為什么？因為現在AI變革的速度、解決企業經營問題的速度，遠遠快于原來數字化和管理咨詢的任何手段。

所以，沒有數據，能不能做AI？AI能反過來幫我們做數據整理，做制度優化和體系優化。這是我們項目中的一個心得。

4.一些場景適合通過培訓工具助力效能提升

其中一些場景不適合公司去投資，更適合公司找外部的培訓老師，通過培訓賦能基層員工自己掌握能力，甚至不需要IT同事，只要讓業務部門自己去培訓就能上手，就能用自然語言就能解決日常工作當中的問題。這些不建議讓公司投資的問題，主要包含哪些場景？

• 職能工作，如“表哥表妹”們的表格整理處理。我經常看到很多人的工作就是統計各種各樣的表格。為什么需要統計？是因為即使上了數字化，經營分析的統計維度和顆粒度會隨著業務變化不斷出現新的視角，這些新視角還是依賴于職能同事手工處理。現在AI可以通過自然語言去做整理、總結、歸納，能力相當不錯。但這類工作只需要個人提效，不具備廣泛的通用性，建議讓員工自己學習AI工具來解決，不需要IT部門介入。

• AI輔助的數據分析，包括PPT生成、宣傳物料制作、技術管理宣傳等。這些工作也不建議公司投資，員工自己找工具就能完成。如果技術門檻低，并不需要一號位工程。

但即使反復推進，每個部門對AI的接受程度和配合度也完全不一樣：有些部門完全擁抱AI，第一次講完就一直熱烈討論怎么落地；有些部門是觀望的、抗拒的——深層次原因是員工對AI的不信任，甚至擔心工作被替代。這些場景怎么落地？我們更建議AI選擇那些“沒人干”的場景——不是替換現有員工，而是解決那些沒人做的工作。比如有些部門同事選擇場景時，會說“我不怕工作被替代，我想把最基礎的工作替換下來，去做更高價值的事”。在這種心態下，他們會更積極地改善現有場景。而對于接受程度不高的部門，我們會建議選擇那些現在沒人干、但大家都知道該干的工作，比如全量審核，以前只能抽檢，現在可以讓AI去做。因此，AI落地的時候，要幫大家選核心的關鍵場景。

四、AI場景價值評估的四大維度

那么，到底如何評估AI落地場景？大部分企業比較認同的AI場景選擇方法論有四個維度。

• 維度一：戰略綁定。這個場景是不是跟戰略落地相關？是從職能后臺開始，還是從經營生產管理銷售的一線開始？從效果來看，更值得公司買單的、能帶來全員感受的，一定是在戰略錨定、生產經營上提效的場景，而不是簡單的降本場景。能解決經營核心問題、與戰略一致性的場景，才值得投資。什么是跟戰略相關？比如企業戰略從低端轉向高端定制，這些跟戰略相關的問題最值得公司投資，也是AI能拿到30%甚至50%效益的場景。這些場景能讓公司的一號位看到價值，從而繼續推進AI，而不是在后臺職能領域做孤立的減員增效。

• 維度二：價值評估。如果找不到戰略相關場景怎么辦？那就從項目環節去找——這個環節如果能節省20個人的工作，每個月核算一下投入產出比，能算得過來，那就是賬本上的好場景。

• 維度三：可行指數。這指的是公司現有的制度、標準、管理程度是否具備AI落地的條件。如果人都做不清楚流程規則，壓根沒數據，這個場景再重要也不建議現在落地。需要先把內部的制度、流程、數據準備好，再做后續。

• 維度：組織適配。這是我們培訓輔導過程中發現的：真正愿意變革的部門，在企業內部能到20%就不錯了。即使一號位反復強調，甚至說“干不了就換人”，真正心里愿意做AI的人沒那么多，20%算很樂觀的數字。我們要選擇那些“雙向奔赴”的場景——對方和我們都有意愿投入，遇到困難能一起克服，否則甲方配合的小伙伴先打退堂鼓，事就推不動了。很多項目里，僅靠乙方的努力是不夠的，甲方自己的努力更重要。

所以，公司愿意投資的第一批戰略項目，應該滿足這四個條件：要么戰略創新，要么能降本增效，要么數字化技術基礎已經比較高（比如生產環節的故障排查，前后端都準備好了，就差中間一段），最后是對方配合度高、愿意擁抱變化。這四點構建了AI場景選擇的基本框架。

示例：價值鏈視角的場景定義

我們在操作過程中，從100多個場景里精選到幾十個。每個部門都會涉及業務價值的前期規劃、研發、場景創造、資源配置到組織規范。我們當時聚焦的是生產基地，不是研發體系，所以更關注生產側。

（上圖）營銷相關的場景標了綠色，綠色是我們幫他們落地的；灰色和黃色是第二期他們自己用團隊做，我們提供支持。我們落地了三個場景——

場景一：“故障大師”

這個場景為什么對企業那么重要？影響“故障大師”從三秒突破認知到一秒突破認知的核心原因，在于非計劃停機。很多制造業都有一個挑戰：每天都有系統維修時間，即使三班倒也無法解決。AI故障大師的戰略定位是解決產線設備運維與故障診斷的核心痛點。傳統模式高度依賴專家經驗，響應速度慢，知識難以復制。其應用由企業生產的關鍵鏈路（設計—生產—交付），能夠有效減少停機時間，降低維修成本，并形成可復制的知識資產。若落地成功，將構建穩定的競爭護城河，使企業在設備可靠性與運維效率上取得長期優勢。

AI故障大師通過學習專家經驗，實現24小時在線賦能，普通工程師也能快速定位問題，大幅降低因停機帶來的產能損失。在業務收益上，既能降低維修人工成本，又能提升交付速度與產線利用率，同時減少重復性培訓開支。對于生產型企業而言，其價值可量化為停機損失減少、維修周期縮短和客戶滿意度提升，具備顯著的ROI。

AI故障大師基于歷史故障數據、專家知識庫、設備運行參數等數據資源，目前多數企業已有MES、ERP、PLC系統，具備數據沉淀與流程管理基礎。AI故障大師可通過與這些系統集成，實現知識抽取與實時推理，其實施復雜度在于數據標準化、知識轉化和場景SOP配置。若數據質量與流程規范能保證，短期內具備快速落地的可行性。

AI故障大師的落地需要明確的責任人和跨部門協同。人才層面需有AI訓練師與產線工程師共同維護知識庫；流程層面需建立標準化SOP，確保AI診斷與人類操作的銜接；機制層面通過績效考核與激勵機制推動使用。團隊對變革的支持度決定了場景成敗，若高層提供資源保障、基層認可AI賦能，組織適配性將顯著提升。

基于當前6條產線的實施效果，單條產線年收益增長在1600萬至2000萬元之間。全部產線上線后，預期年收益增長將達到約24億元，展現出巨大的經濟效益。

場景二：AI銷售教練

第二個場景是“AI銷售教練”。這個場景是干什么的呢？當時我們在服務這家萬億新能源企業的時候，辦公室旁邊就是零碳部門——其實就是負責零碳方案轉型的部門。它的電池產線已經很成熟了，但還有第二條業務線，就是把它的能力打包成零碳解決方案，賣給港口、園區、機場等客戶。他們要從一個賣產品的公司轉型成賣解決方案的公司，結果發現不會賣。我們去的時候，零碳部門已經被裁得只剩一個人了。總經理跟我說，這個新業務是公司毛利最高的新增長點，能不能用AI幫他們做銷售？

AI銷售比我們傳統意義上To C的銷售難度高太多了。為什么？因為要給客戶提供定制化的解決方案，還得了解客戶心理，分析決策者的心態，甚至要說服高管立項。而且這個方案不是通用的碳排放方案，而是結合他們產品能力的一體化解決方案。而這種解決方案的能力，沒有三到五年的積累是做不到的。因為這個領域太新了，他們找不到這樣的復合型人才——既要懂零碳解決方案，又要具備和客戶高層對話的能力，還要能搞定發改委、政府等投資方的銷售能力。那能不能讓AI幫我們做銷售？

這家萬億新能源企業原來給全世界60%的新能源車供電池，現在要把動力電池的能力變成儲能方案，幫企業解決儲能問題——從賣產品變成賣一整套方案，就一下增加了難度。賣產品很簡單，參數不同但邏輯一樣，做好性價比就行，而賣解決方案呢？就得面對企業的多個決策者——CFO、采購總監、業務部門、老板，還得跟競爭對手PK，前期溝通可能十幾輪，從了解客戶到出方案，有時候客戶還沒立項，還得說服他立項。而且每個客戶都不一樣，頭部的、中部的、腰部的，增長期的、平緩期的，方法都不一樣。我們要判斷商機靠不靠譜，資源有限，只能快速了解一個完全陌生的客戶。零碳方案的客戶基本都是董事長級別，有時候還涉及政府關系，對人性的把握要求極高。所以他們找不到合適的人才，不是這個行業的問題，是所有大型服務業都面臨的問題。

因此，這是一個超級依賴人的領域，對人的要求極度復合：既要情商高，能跟客戶溝通，又要快速學習行業知識，還要能整合產品方案，給客戶雙贏的解決方案。大部分人做不到。如果AI能形成這種能力，我們對頂級銷售的依賴就會降低，普通銷售的均線水平也能提上來。銷售轉化率提升了，公司的戰略毛利目標就能達成。

所以，這個場景是把最復雜、最碎片化、最依賴人的銷售工作結構化、賦能化，讓AI幫助銷售團隊。

最終效果怎么樣？當時那個部門被裁到只剩一個人，但后來用“碳博士”去給省長匯報，方案非常成功。現在每次見大客戶，他們都靠“碳博士”出方案，能真正做行業洞察、客戶轉型計劃、銷售方法判斷，甚至幫客戶分析卡點，最后拿出解決方案。

場景三：數據治理——非標準件

第三個場景是數據治理。今天我們走到任何一家企業，都不會回避一個問題——企業里有上百套不同的數字化系統，不同系統之間對同一個數據的定義標準不一致，導致很多企業連最基礎的單體毛利率都算不清楚。因為在多元化業務下，沒有拉通數據口徑，沒有數據中臺，數據治理做不起來。數據治理不是大公司才有，小公司也存在，集團化公司尤其突出。

我們當時挑了一個特別小的切入點來突破，叫“非標準件治理”。

什么叫非標準件治理？拿氣缸舉例，不同廠商對氣缸的要求都不一樣，幾十個品牌，每個品牌都有自己的規則，沒有統一的標準。每次錄入的時候，只能按自己的維度填信息，經常出現重復數據。帶來的損失是什么？17萬條數據里，很多型號其實不存在，但系統里顯示有，就會導致重復采購，或者產生大量呆滯庫存。有些零件本來可以匹配使用——比如A品牌和B品牌雖然型號不同，但其實是能通用的——但系統識別不到，就以為沒有，再去買。還有些情況是同一個品牌同一個型號，錄錯了，也以為沒有，又去買。如此反復，每個基地都有千萬級的呆滯庫存。他們說，數據標準化這件事不是沒做，做了好多年，但每次理完，新數據進來又亂了，永遠除不干凈。所以問我們：AI能不能解決數據治理的問題？能不能幫我們降本增效？

這不光是數據治理，還有采購增效的問題。比如每年都有降本指標，今年氣缸的品牌SMC，明年想降價，人家不給降，我就想從市場上找更低價的替代品牌。但前提是，我得把不同品牌、同一規格的產品識別出來，才能去做比價。這就靠數據標準化——把不同品牌的數據拉到同一個標準上，降本才有基礎。標準不統一，降本就沒辦法推進，采購效率也提不上來。

所以，AI能不能幫我們做數據標準化？能不能把采購審批效率提上來？能不能減少呆滯庫存、釋放存量價值？這是我們在這個場景里要解決的問題。

02

烏卡時代，傳統管理學思想亟需升級

一、圍繞“核心競爭力”構建經營架構

剛才講的三個場景——故障大師、碳博士、非標準件治理——看上去是三個不同的領域，但其實底層有一套共同的方法論，解決了所有問題。這套方法論是什么？

我們再回頭去看，為什么要做這些場景？表面上是解決戰略層面的問題，但實際上每個企業的競爭態勢都跟核心競爭力相關。我們現在做AI，回歸到最基本的原理，即把公司的核心能力無限制地放大。每個能做到百億、千億、萬億規模的公司，依賴的就是核心競爭力。而AI真正能讓企業達成目標，讓企業覺得有用，前提是AI放大了核心能力。這是我們認為AI應該聚焦的方向。什么是核心競爭力？第一，人無我有，難以被競爭對手復制；第二，可以幫助企業進行新業務延伸。

二、企業的中等規模陷阱

AI還能解決另一個問題——企業的中等規模陷阱。為什么會有中等規模陷阱？宏觀壓力之下，頭部企業有相應的國家平臺地位，央企有國家幫扶，尾部企業有政策支持往上走，但中等規模的企業在當今時代反而最困難——缺乏頭部企業所需要的定價權，產業鏈位置偏弱，只能招到中等水平的人才。中等規模企業不是不敢創新，而是創新失敗的成本更高；融資成本更高，政策福利拿得不夠，而且技術迭代和競爭的把控不夠及時，逐漸陷入“高成本、弱議價、低彈性”的結構性困境。

那么，造成“中等規模陷阱”的根因是什么？

• 首先，方向迷失——戰略搖擺、戰略難以推動，發展歷程中每次想做新業務，裝不上、推不動，又擔心風險。

• 第二，戰術勤奮掩蓋戰略空洞——指標越來越多，落地越來越難，把工具當解決方案，今天拿一個精益方法，明天上一個阿里云，后天又上一個APP，以為就能解決企業問題。但照抄作業永遠解決不了問題。真正的取舍，需要一號位想明白，但如何想明白、如何執行到位，同樣重要。

• 第三，組織撕裂。每個企業到了一定規模，都會出現大公司病——董事長往下，層層衰減，執行過程中走樣，管理層級放大創始人的問題，領導力的天花板就成了組織能力的天花板。

我們認為，這些問題AI都能解決。為什么？AI在創新領域能夠實現“少人化”“無人化”的實驗。這是AI真正的價值所在。

比如今天我們幫一個傳統的建筑裝飾行業做轉型。其難點在于，我們已經拿不出大批的人才和成本去投入創新了——沒有專家，創新就無從談起。能不能把專家“克隆”出來，用更低的成本、更大的覆蓋面去解決創新問題？而AI的好處在于——

第一，AI可以進行無人化、少人化實驗。今天我們在AI銷售教練分析的結果看到，這種裝飾行業的創新背后，其實都指向同一個方向：把專家的能力復制出來。

第二，降低試錯成本。即使錯了，對組織的傷害強度會小得多。AI試錯，和真人去試錯，代價完全不是一個量級。

第三，降低人為判斷的誤差。我們在分析一個小業務單元的時候，怎么客觀地看待很重要。有時候一個決策，到底是把一件事“喪事喜辦”，還是把它扼殺掉？這里面有太多人性的因素。我們怎么把一個新業務孵化出來？AI是一個超級好的工具。每個公司在嘗試新業務的時候，都會有這樣的困境。AI應該是一個很好的新業務破局的方法。

03

AI破局之路

我們在萬億新能源企業項目，可以說是從夢幻開局到地獄模式，難度之大難以想象。做這個項目的時候，他們的AI水平已經不低——52個燈塔工廠，有1300人的算法團隊，6個研究院，每1.7天出一個專利，提前半年多就已經部署了N個大模型，上了N個平臺。它解決不了的，就是我們要定義的那部分——小數據、高精度、打通專家經驗。

一、難題一：小樣本數據、AI概率學——如何用少量數據達到專家級水平？

在破局思路里，我們發現，專家本身就是一個模型。為什么專家的肌肉記憶一上來就能比普通人解決得好？為什么一個好的故障大師一分鐘就能查出原因？因為他已經通過大量實踐，用專家思維鏈數據形成了專家級的能力。那我們換一個思路：與其拿數據去訓練一個通用模型，不如把專家本身變成一個模型。專家能力已經有80分，我們能不能把專家做成一個行業級的小模型？這樣我們就能用專家級的知識去做訓練。

這個解題思路的方法論，我給它起了個名字叫“專家思維蒸餾”。

• 第一步，梳理專家的思維。很多專家決策時，靠的是多年形成的經驗、行業認知、典型案例，以及他的決策邏輯。他為什么一看這個地方就知道有問題？他有自己的一套判斷體系。我們要把他的知識完全梳理出來。但專家往往講不全、想不清，所以要把他的思維鏈抽象出來——他的直覺是怎么來的？他為什么能判斷？他選擇底層的邏輯是什么？這就是人的SOP。他不能保證100%，但他知道這個問題的出錯概率一定比別人高，所以他優先從這里嘗試。遇到某些風險，他就規避。這是他的思維邏輯，我們要把它提煉出來。

• 第二步，把思維邏輯變成平臺處理。讓專家思維邏輯落地之后，選擇大模型去適配。不是一次性回答整個故障開發問題，而是把思維鏈當中的每一個環節都變成AI系統的邏輯去落地。

• 第三步，實現能力沉淀。增加知識的復雜度，讓AI自學習。即使專家這次沒遇到，或者新的問題出現，AI也能自動學習，不斷優化思維鏈。

• 第四步，形成一套可復制的方法和體系。其實就是從0到1，從一個通用模型加上大數據訓練，變成用“專家思維+小數據樣本、高精度數據”去訓練。

總結起來，就是把專家當模型來處理。這個做法比通用大模型的成本低得多，比自有的私有化大模型便宜得多，周期也短得多。一上來就不是平均線水平，而是直接提升到專家水平。這看似簡單，但又不是那么簡單。因為將頂尖人才的經驗轉化為AI能力存在諸多障礙。在小樣本、強專業、長尾頻發的行業中，真正決定判斷質量的并不是數據規模，而是專家對行業規律的長期內化。但在組織環境中，這種能力往往被系統性壓制。主要存在六大難點——

• 頂級專家稀缺，難以復制。能處理復雜異常與極端場景的專家通常集中在關鍵崗位或少數個人身上，難以被替代、難以規模化復用，行業判斷力天然呈現“稀缺性”。

• 專家對“輸出經驗”存在本能抗拒。專家往往將經驗視為個人護城河，擔心能力被替代或價值被稀釋，導致關鍵時刻邏輯停留在個人腦中，而非組織資產。

• KPI與激勵機制不支持知識沉淀。企業更獎勵“項目交付結果”，而非發現規律與總結方法，專家自然把時間投入在短期產出，而不是長期經驗結構化。

• 專家能力本身高度隱性。許多行業判斷源于直覺、模式感與經驗聯想，專家自己也難以完整表達“為什么這么判斷”，能力難以被直接形式化。

• 知識碎片化，缺乏統一結構。經驗散落在郵件、會議、對話和個人記憶里，沒有形成統一的認知框架，導致即使有大量經驗，也無法被整體調用。

• 組織文化與信任基礎不足。如果組織默認“AI會替代人”，而不是“輔助判斷”，專家自然不會主動參與能力沉淀。行業模型無法在企業內部形成。

本質原因在于：專家能力是“人性+經驗+判斷邊界”的長期積累，而組織系統往往更擅長管理結果，卻不擅長承載這種復雜的人類智能結構。

在企業中，專家并不天然愿意釋放核心經驗。能否形成“行業模型”，關鍵不在技術，而在信任、資源與戰略定位。因此，專家能力與AI結合，必須成為公司級的戰略工程，必須由一號位推動。那如何促成專家經驗沉淀為AI能力？

第一，信任是一切的前提。如果沒有明確背書，專家往往不會主動開放核心判斷邏輯，擔心價值被替代、能力被弱化，或貢獻不被組織承認。

• 專家擔心“被 AI 取代”，而非“被 AI 放大”；

• 個人經驗缺乏組織級認可機制；

• 沒有安全感，就不會有深度輸出。

第二，資源與機制決定能否落地。沒有高層推動，知識沉淀往往被視為“額外工作”，KPI 不支持、時間不保障、跨部門難協同。

• KPI更偏向業務結果，而非知識資產；

• 專家時間被項目交付擠占；

• 部門之間缺乏配合動力；

• 最終流于形式化建設。

第三，必須上升為企業戰略工程。只有一把手介入，才能將專家能力沉淀從“技術實驗”升級為“核心競爭力工程”。

• 從工具試點轉為長期戰略投入；

• 把專家經驗轉化為組織資產；

• 形成可復制、可傳承的行業判斷體系；

• 建立企業級護城河，而非個人能力依賴。

所以，AI 變革從來不是技術難題，真正決定 AI 能否在企業中落地、放大價值的， 從來不是模型參數、算法能力，而是組織是否愿意改變決策方式、信任結構與權力分配。因此，AI絕對不是單一部門能搞定的，它涉及管理、涉及變革。

為什么很多企業單點落地AI很難出成果？我們經常看到，新一代企業里，IT部門自己搞一個場景，在自己的職能領域自嗨一下，覺得挺不錯。但放到公司層面呢？能推廣嗎？能復制嗎？能解決核心問題嗎？因此，我們一定要建立一個跨部門的項目機制，這個項目離不開IT，但也不能只靠IT，而是需要業務、需要管理、需要組織協同。

那如何把專家那些客觀上說不出來的問題“蒸餾”出來？這不是單一咨詢、方法論或技術問題，而是一個跨人、組織、知識和模型的系統工程——

• 需要企業的咨詢理性、結構化的抽象能力，把復雜的決策邏輯結構化、制度化、工程化；

• 需要深入的訪談與溝通技巧，怎么通過三天的時間去判斷專家在每個場景下的思維習慣和思維結構，不斷追問：你為什么這么想？你說“我看不出來”，那你看不出來的原因是什么？通過反復追問，把他的思維路徑拆解出來；

• 需要跨領域抽象與遷移能力，即創新地提煉專家思維，把專家的方法論和結構化的能力沉淀下來。我們常說的“方法論”，其實就是把復雜問題變成可遵循的方法和公式，并把它結構化。方法論本身也是一種沉淀的能力。

• 需要反復溝通，化解情緒。這里涉及底層的思維邏輯——哪些是專業原因，哪些是深層原因？在溝通中，要能區分出來。通過和專家的反復溝通，把他內心深處的抵觸情緒化解掉，搞清楚專家真正想要的是什么、他的目的是什么。

在方法論上，我們用的是“逆向工程”的方法。怎么理解逆向工程？就是看專家怎么做題、怎么解決問題，觀察專家解決最復雜問題時的思路，這種思路才是真正的SOP。拆解專家現在處理的問題、他面對的困難，比如他解決故障原因時，直接從他解決問題的方法入手。從縱向的問題歸納很難總結出方法，但根據他完整的解題過程，從真實場景出發，反向推演他的思維邏輯，把他的思維能力沉淀下來。這是我們當初做專家訪談的思路。

二、難題二：克服AI幻覺、不允許一本正經胡說八道，必須100%準確

怎么讓AI不胡說八道？ 85%的準確率，對有經驗的人來說是能用的，但在知識結構、知識庫層面，已經完全不適用。怎么解決這個問題？

（一）原子級任務拆解的落地實現：現實挑戰

AI幻覺的破題思路是：原子級任務拆解。

什么叫原子級任務拆解？就是把一個問答題任務拆到極小的顆粒度——原子的顆粒度，拆到細得不能再細。大任務必然導致幻覺，比如我們讓AI說“如何發財”，它肯定胡說八道；跟它說怎么“降本增效”，它的回答肯定不準確，有無限擴大的空間。但如果我們把它變成一個極小的顆粒度問題，它的準確率就高了。任務越寬、越模糊。從模糊任務到任務分解，再到原子級任務，才是降低AI幻覺的正確之路。拆到什么程度？拆到它不會產生幻覺的顆粒度。

舉個例子。一個專家級的問答給到AI，正常情況下是怎么做的？給技術部一個prompt，它就能回答，但這樣隨機性太強，超級不可控。那怎么拆解成最小顆粒度？我們把一個知識集的問答拆解到AI根本沒有想象空間的顆粒度，即原來是一個大問題，把里面的顆粒拆到AI都沒有發揮空間。

這種原子級任務拆解的方法，可以分為六步——

• 第一步，從結果上驗證，我們到底要什么樣的標準。
  

• 第二步，對任務進行分解。
  

• 第三步，每個原子級任務都去寫不同的模型結構。因為每個AI的能力不一樣，要從原子級去判斷，當前這個任務適合什么樣的邏輯結構。針對當前的任務去定義，把原來一個prompt解決的事，拆成極細的、一堆模型的調度、一堆提示詞，模型也不止一個，是N個。
  

• 第四步，加上外部知識庫、專家的兜底，把不準確的任務都去掉。
  

• 第五步，建立一個雙角色的判斷機制，讓一個AI去判斷。
  

• 第六步，完成復盤機制。

每一步、每一個子任務實現的時候，都確保不會錯。哪個環節出問題，就去優化哪個環節。如果當前環節優化不完善，就再拆小，直到它有足夠的顆粒度。每個環節都選擇可復盤、可溝通、可思考的方式，實現雙決策機制和復盤機制。

因此，不是 AI 不行，不是業務不清楚，不是低代碼沒學會，問題不在 AI，而在拆解深度。當任務拆到“AI 沒有想象空間”的顆粒度時，對工程能力、業務理解與方法論的要求會陡然上升。

（二）逆向工程思維：從問題拆解

AI擅長的是執行。我們提出問題，它去執行。那我們在做什么？我們在做拆解，AI執行，如果有幻覺，我們繼續拆解，拆到準確為止。在那之上，還要思考：哪個讓AI做？哪個讓數字化做？哪個讓管理做？拆解之上需要一個人統籌。不是用AI解決所有問題，而是用更高的思維思考：當前這個環節，誰做最合適？用這樣的思維來確保整個結果完全可控、準確。簡單來說，就是把AI的執行任務拆到原子級，再根據每個原子任務去分配不同的模型、分配RPA、分配數字化系統去執行，最后通過復盤把它工程化。

三、難題三：原子級別任務分解的落地實現，低代碼平臺統統不頂用，面臨周期短、要求高、成本可控等問題。

（一）原子級任務不適合低代碼

原子級任務的落地，低代碼平臺根本搞不定，只能重新做一個AI原生系統，把整個思維鏈結構化、工程化、架構化，才能保證結果。

為什么市面上的低代碼平臺用不了？有六大原因。

• 可維護性要求高。系統里套子系統，未來每次迭代都要整體運維，客戶不接受“黑箱”，他們要可視化的運維系統。
  

• 必須跟企業的操作環節高度貼合。80%的作業要有案例可循，操作必須程序化，每個環節都要把安全提示放在核心位置。
  

• 每個環節任務可能需要不同的模型能力。因為不是我們平時用的通用模型，而是在具體環節里，都在用不同的版本的模型，有時候不同版本的小模型表現可能更好。低代碼平臺控制不了版本級的具體模型調用。
  

• 跨智能體的對話記憶。一個對話是日常提問，另一個是專家兜底。兩個對話之間要能記錄未回答的問題，跨對話的上下文也要能延續，低代碼平臺做不到。
  

• 每個步驟都要帶復盤機制。AI執行完要能回溯、能優化，低代碼平臺也不支持。
  

• 整個流程要能根據業務需求定制頁面，并且持續迭代交互能力，低代碼平臺也搞不定。

所以，我們既然滿足不了客戶需求，就把市面上的低代碼平臺全考察了一遍，發現只有一條路：自己搭一個平臺。

（二）每個企業的變革都離不開企業家的必然選擇

但開發一個平臺，需要大量的時間。而我們與客戶的合同都還沒簽，壓力巨大。

我自己試了試AI編程。雖然我北航計算機專業畢業，出身程序員，曾在IBM做架構師，但畢竟做了多年管理咨詢，代碼早就生疏了。但我心想，也許可以試試。一個周末的晚上，我搞了17次嘗試，把一個最核心的功能調出來了。這樣我每天干到凌晨四點，連續三個月，讓AI寫出了幾百萬行代碼，把一個平臺從0到1搭起來了。

這件事讓我看到無限的可能性——用自然語言，我竟然能搭出一個平臺，滿足之前所有功能。這說明什么？說明今天AI的實力，已經讓一個跨界思維的人，能把創意到實現的過程變得無限短。

這一路拆解下來，我總結了一下自己能做成這件事的原因，大概有六點——

第一，從問題出發，而不是從技術背景出發去解決問題。我是從企業經營管理的問題出發，用反向思維去解決問題。我沒有糾結于這個問題必須用什么方案、必須用哪個模型，我的邏輯是：問題拆解，低成本、可控、風險低，找出一個辦法去解決。

第二，架構思維。我讓AI負責幫我編碼，但架構設計、數據結構設計是我來負責的。架構是什么？是把業務場景、復雜問題拆解成可結構化、可復制、可工程化的能力。我做了這么多年戰略和管理咨詢，對架構的理解讓我更清楚怎么拆解。

第三，強結構化思維，即把碎片化信息變成結構化信息。我們企業里經常說，要選拔人才、培養超級個體，靠的是把一個復雜問題、一種靈感、一種肌肉記憶，變成可表達、可傳承的東西。

第四，逆向評估，結果反饋過程。我不是正向推，而是從結果倒推，反向驗證過程的正確性。

第五，破釜沉舟，逼自己一把。但凡有第一條路、第二條路，我也不走這條路。客戶當時找各種借口沒簽合同，但平臺一出來，第一個問題解決后，合同馬上就簽了。被逼到那份上，發現這是唯一可行的路。

第六，企業家精神。每個企業的變革都離不開企業家的必然選擇。去年既然選擇了AI這條路，我就不可能再退回到原來的咨詢和信息化的老路。

所以，所謂走出路來，就是“認知+結構化思維+勇氣”。我覺得，在AI時代，只要有一定的認知，只要有一些勇氣，很多我們認為不可能完成的事情，其實都值得去試一試。

四、難題四：如何讓AI持續進化，具備學習機制

（一）AI自學習機制的關鍵意義

在真實業務中，AI面對的是持續變化的環境，沒有復盤與迭代機制的 AI，性能只會不斷退化。真正可持續的AI，不是“更聰明”，而是具備持續復盤、自我修正、不斷進化的能力。

以我們的經驗來看，AI剛上線時，能具備人類70%的知識水平就已經很不錯了。因為很多時候，大家自己也記不清到底有多少知識需要去評估。所以，AI能否在日常過程中不斷學習、吸收人類沒有教給它的知識，就變得非常重要。關鍵是如何讓AI具備一套持續學習的機制。

這就需要一個復盤迭代的機制。AI解決不了的問題，讓人類幫它復盤，它再把這些新知識吸收到自己的體系里。同時，通過每一次學習，它能知道哪些問題是高頻發生的，哪些條件發生了變化，這些都會影響它后續的回答。

企業里的AI，切忌不能像傳統數字化系統那樣——上傳什么樣，結果什么樣。如果只是把企業知識扔給它，不加任何標注和約束，它就會一本正經地胡說八道；如果你加了制度和規范的約束，它就會像數字化一樣一板一眼地執行。真正更好的方式是像我們講的原子級任務分解，通過方法歸納、分析和思考推理，讓AI上線后達到人類專家60%到80%的水平。

而要讓它達到120分的人才水平，就必須讓它學會自我復盤，越學越聰明，越干越聰明。這才是AI在企業落地的最佳方式。

（二）AI落地離不開管理變革

如果要讓一套原創的AI真正在企業落地，就一定得具備復盤迭代的能力。因為AI不是一次性的投資，也不是一次性的系統，而是需要長期價值持續釋放的東西。如果沒有PDCA（計劃、執行、校驗、修正）的機制，我們認為AI就不再是學習了，而是在消耗企業的耐心。

AI的學習能力一旦進入業務核心，就必須從“技術問題”上升為治理與風控問題。AI 的學習不是越多越好，而是必須在可控、可審、可回滾的前提下進行。所以，AI學習過程有六個關鍵事項值得注意——

第一，學習必須可審批。AI不應被允許“自動學習一切”。哪些數據、哪些反饋、哪些規則可以進入學習閉環，必須有明確的審批與授權機制。

第二，嚴防“AI 投毒”。錯誤數據、異常樣本、惡意輸入一旦進入學習流程，會被系統性放大，導致長期偏差與隱性風險。學習數據必須可追溯、可回滾。

第三， 區分“學習”與“執行”。不是所有行為都值得學習。執行結果≠正確決策，只有經過驗證與復盤的實驗才允許進入學習層。

第四，明確“學什么”。AI更適合學習穩定模式、判斷邏輯、規則邊界，而不是學習短期策略、偶然成功或個人偏好。

第五，明確“不學什么”。高風險決策、一次性特例、尚未定型的業務策略，不應直接進入 AI 的長期記憶或規則體系。

第六，保留“人類否決權”。在關鍵節點，必須允許人類介入、修正甚至否定AI的學習結果，防止系統在錯誤方向上“越學越固化”。

（三）AI原生應用的落地如同養育Baby

AI的成長就像養孩子一樣，一定是業務方、IT方、甲方、乙方共同把它養大,要深度參與，給它時間，幫它進步，和它一起成長。不要在AI上線第一天、第一次回答錯了就否定它，而要持續幫它改進。

我們大部分人類其實不太習慣跟AI對話，也不太愿意讓AI解決問題。剛開始我們把“故障大師”放到產線的時候，很多工程師還是習慣去找人類大師解決問題。后來我們定了一個指標，叫“自主維修率”。這個指標的意思是：無論是你通過人機協作，還是自己獨立解決，只要你沒有呼叫人類大師，都算進自主維修率。指標一上來，大家才真正開始用AI，慢慢養成了習慣。大概27天左右，習慣就養成了。現在所有人遇到問題，第一反應都是去問AI故障大師。

所以，AI落地離不開管理變革。指標的設計，往往比技術本身更能推動使用。

隨著使用過程推進，AI學的東西越來越多，從剛上線時能回答70%的問題，現在已經到了百分之八九十。原來散落在人類專家腦子里的知識，逐漸沉淀成了AI的知識積累；原來靠個人經驗支撐的產線，也慢慢變成了綜合能力的積累。這才是AI落地最重要的價值。

五、難題五：如何創新，并保持每個創新的ROI為正

（一）在這個時代，AI轉型是“抄作業”還是“創新”

AI領域的創新在中國真正興起，也就是去年二三月份的事。所有案例都是新的，不能在舊地圖里找新大陸。關鍵不是找一個現成的案例來抄，而是學會一套解決問題的方法論和思路，跟著技術迭代往前走。

我很早開始接觸AI，那時候我們做的是深度學習，用的是神經網絡算法。當時的解題思路跟現在完全不一樣。即便是在去年MCD出來之前，解決問題的思路也跟現在不同。所以，想拿過去的案例來解決今天的問題，是不現實的。因此，我們并不是要找一個類似的案例去照搬，因為每個真實的案例本身就是一個創新，復制案例復制的只是表象。比如我在某個企業做的“故障大師”，換一家企業可能也叫“故障大師”，但背后的邏輯和程度都不一樣。真正可遷移、可復制的，是方法論。我們要學的不是有沒有類似案例，而是這套方法論在我們公司、我們行業、我們的領域是否具備可創新性、是否具備可復制性，是否可行。

（二）AI時代，企業家真正的選擇

AI時代企業家真正的選擇是什么？是放大差異，而不是模仿。如果我們每個企業都用AI去做同樣的事，還有什么競爭優勢？真正能讓AI幫企業實現彎道超車的，前提是企業家精神。因為創新一定有風險，有可能失敗。真正的企業家精神不是照抄別人，而是把自己的核心競爭力放大，必須有創新的文化、試錯的勇氣。不是找案例照著做，而是在沒有現成答案的情況下，仍然敢于判斷、敢于承擔風險、敢于推動創新。照抄別人的路徑，往往意味著已經落后了。

所以，當技術迭代速度超過經驗積累速度，企業的競爭優勢，不再來自“做過什么”，而來自“敢不敢創新”。在AI時代，企業不需要“買一個產品”，而是要買一套通向成功的方法論。

04

AI轉型：聚焦核心價值

如果AI轉型不靠熱情推進，而是靠機制推進，下一步不用做大項目，只做一件事即可——把目標、邊界、成功標準在管理層對齊，并把第一個可驗證場景鎖定。這一步做對了，后面投入才不會被稀釋、被誤判。

關于AI轉型，最后總結幾點核心經驗。

第一，AI轉型需要聚焦核心價值。AI轉型不是為了大而全，而是要聚焦核心價值，把企業的戰略目標和核心競爭力逐步放大。

第二，AI轉型要在“干中學”。舊地圖里找不到新大陸，這是我最重要的體會。

第三，AI轉型需要“通才+勇氣”。到底什么決定了AI轉型的成功？我的答案是：通才+勇氣。

什么樣的人在AI時代特別容易成功？需要具備五點數據基礎：（1）能快速理解不同模型的邏輯能力；（2）需要有深度的業務理解；（3）需要有咨詢和數字化的綜合能力——因為現在光靠單一方法解決不了問題，需要咨詢、數字化、AI等綜合方法；（4）需要有結構化思維，AI不懂人情世故，需要我們把經驗、感受、直覺變成公式，把復雜問題結構化；（5）需要有一點點技術開發能力，至少能看懂AI的bug、能應對一些基礎問題，但不用懂得太深，懂點代碼、懂點邏輯就夠了。

以前我們追求分工明確，但現在通才更重要。光有通才還不夠，還需要勇氣——敢于挑戰自己舒適區的勇氣，敢于把自己原有認知打碎的勇氣。

第四，AI智能體像誰，取決于誰在主導落地。我常跟客戶開玩笑：你不要說AI不聰明，誰做的AI就像誰。業務主導的AI，就會往業務的方向進化。

第五，協作效能，往往小于超級個體。去年我們團隊有不少人，今年基本都裁掉了。不是我們殘酷，而是發現在轉型過程中，協作帶來的內耗太大了。認知差異、理解偏差、負面情緒，加上AI能力越來越強，對人類的職業傷害和情感傷害是真實存在的。與其內部損耗，不如直接走“超級個體”的模式。

在AI時代，協作型項目會被大幅稀釋。超級個體能在短時間內完成認知閉環、判斷取舍、快速修正。在AI加持下，一個能力復合的人，效果往往大于多個人的協作效能。

這個時代更大的風險是：企業的規模化優勢可能不再匹配。在高度不確定的創新階段，那些靠流程保護平庸的組織，往往會被反轉和顛覆。我們這么小的團隊為什么能在AI上走出來？就是因為大公司達成共識太難了，路線討論、技術選擇、內部博弈，時間就這么耗掉了。流程保護了平庸，最該被聽到的聲音卻出不來。認知拉齊，本身就是最難的事。今天大家都在討論“一人公司”的可能性，背后原因不只是AI能把一個人的能力無限放大，更關鍵的是，傳統組織帶來的內耗，往往會把AI放大出來的效率給抹平。

AI時代真正被淘汰的，不是能力弱的人，而是不擁抱變化的人。我們恐懼的不是機器智能，而是人類自身的脆弱性。擁抱AI，就等于擁抱變化。

有了心力，我們就是AI的主人；沒有心力的壓制，我們就是AI的奴隸。