AI轉(zhuǎn)型，老板們沒說破的四個底層邏輯

這兩年，無論在美國還是中國，如果哪家科技公司，還沒把“AI轉(zhuǎn)型”四個字掛出來，你可以在評論區(qū)留言告訴我。

口號越響，越容易把人帶偏。

一百人眼里，有兩百個AI轉(zhuǎn)型的版本。很多員工以為 AI 轉(zhuǎn)型的目標是“大家都會寫 prompt”；很多中層以為任務(wù)是“每個部門都報一個案例”；很多老板則說得更含蓄，嘴上叫賦能，心里想的其實是成本。

如果把美國和中國過去兩年的真實企業(yè)案例放在一起看，再把硅谷和中國企業(yè)家的公開發(fā)言一起擺上桌，你會發(fā)現(xiàn)這樣的結(jié)論：AI 轉(zhuǎn)型并不是要把公司變成科幻片場，而是鍛造成更高效率的商業(yè)機器。

這背后四條非常硬的經(jīng)營邏輯，是老板們在做、卻并沒有說破的。

1
收入增長要和人員增長脫鉤

這是所有 AI 轉(zhuǎn)型案例最底層、也最誠實的邏輯。管理層最想看到的，不是員工都學(xué)會了提示詞工程，而是業(yè)務(wù)增長時，成本不要增長。

美國公司在這件事上說得越來越直接。2025 年，Salesforce CEO Marc Benioff 在接受 CNBC 采訪時提到，AI 已經(jīng)在公司內(nèi)部承擔(dān)了 30% 到 50% 的工作量。這個表述很有意思，因為它不是在說“AI 很酷”，而是在說，原來需要人做的活，現(xiàn)在有相當(dāng)一部分可以由系統(tǒng)先做掉。

多鄰國的做法更典型。它提出AI-first之后，一邊擴出 148 門由生成式 AI 輔助制作的新課程，一邊減少對合同工的依賴。社交媒體當(dāng)然炸鍋，很多人吐槽“語言教育最后變成了流水線”。但從經(jīng)營視角看，Duolingo 的算盤并不難懂，課程供給翻倍，人員不必同步翻倍，這就叫杠桿。

中國公司講法更含蓄，但方向其實一樣。

阿里巴巴 CEO 吳泳銘在全員信里明確把“用戶為先、AI驅(qū)動”設(shè)為戰(zhàn)略重心，后來又在財報電話會上繼續(xù)強調(diào) AI 是歷史性機會。翻譯成人話就是：未來增長不能只靠繼續(xù)鋪人、鋪業(yè)務(wù)線，必須靠 AI 把原有業(yè)務(wù)重新做厚。

京東這邊，2025 年也對外披露過大規(guī)模智能體布局，管理層反復(fù)強調(diào)要做“真正為產(chǎn)業(yè)創(chuàng)造價值”的 AI。潛臺詞也很清楚：如果 AI 只是做演示，它沒有價值；如果 AI 能讓零售、物流、客服、供應(yīng)鏈多跑一點、快跑一點、少靠一點人工，那它才叫戰(zhàn)略。

所以AI轉(zhuǎn)型，在老板那里的首要目標，是讓收入和人員數(shù)量的關(guān)系解綁。

以前公司擴張像搬磚，業(yè)務(wù)多一層，人也得多一層；現(xiàn)在管理層想要的是腳手架還在，但磚最好能自己往上飛一點。聽著不近人情，但這就是大部分董事會真正關(guān)心的事。

2
AI 先做第一輪，人類處理例外

如果說上一條是財務(wù)邏輯，那么第二條就是組織邏輯。

今天幾乎所有成熟一點的 AI 落地案例，最后都會走向同一個模板：AI 先完成標準動作，人類負責(zé)審核、糾偏和承擔(dān)責(zé)任。

美國投行摩根斯坦利是一個非常典型的例子。2024 年，這家公司推出了面向約 1.5 萬名財富顧問的 AI Debrief 工具，用來自動總結(jié)客戶 Zoom 會議、生成紀要、起草后續(xù)郵件。公司高管稱，每場會可以節(jié)省大約 30 分鐘。

沃爾瑪也一樣。

它給消費者上了生成式 AI 搜索Wally，讓用戶不再機械搜關(guān)鍵詞，而是可在應(yīng)用中幫助尋找商品、總結(jié)評論，甚至可以理解模糊的搜索意圖，例如“我想開一個超級英雄派對”，從而推薦全套產(chǎn)品，不再僅僅依靠關(guān)鍵詞匹配。

另一方面沃爾瑪又把內(nèi)部工具 My Assistant 先開放給 5 萬名非門店員工使用。前臺是 AI 幫你理解需求，后臺是 AI 幫員工做摘要、找資料、起草初稿。結(jié)果不是“人消失了”，而是人的位置后移了，以前人先做，系統(tǒng)后存；現(xiàn)在系統(tǒng)先做，人后審。

Klarna，一家瑞典的金融科技公司，也是“先買后付”模式的領(lǐng)軍企業(yè)。

通過與 OpenAI 合作，推出了多語種的AI 客服，7x24小時在線，首月處理了 230 萬次對話，覆蓋約三分之二的客服聊天量，聲稱相當(dāng)于 700 名全職客服的工作量，節(jié)省了近4000萬美元的工資。

這在 X 和 Reddit 上傳播極快，很多人一度覺得客服行業(yè)要被團滅了。結(jié)果到了 2025 年，媒體又報道 Klarna 重新加大了人工客服投入。原因并不神秘：標準問題 AI 處理得很好，復(fù)雜情況、情緒安撫、品牌體驗，還是得人來。

不過，Klarna員工總數(shù)依然大幅精簡，從2022年的近萬人，下降至2025年約6000人。

所以第二條邏輯的真正含義是，很多崗位不是被徹底消滅，而是被重新定義成兩種角色：一類是高級校對員，負責(zé)盯著 AI 別出事；另一類是復(fù)雜情況接線員，負責(zé)在 AI 碰壁時出來收拾場面。

這聽起來有點冷，但它幾乎已經(jīng)成了財富管理、零售、電商、客服、教育這些行業(yè)最穩(wěn)定的組織模板。

3知識從人腦蒸餾到系統(tǒng)

這可能是 AI 轉(zhuǎn)型最深、也最容易被低估的一層。

很多人以為企業(yè)搞 AI 是為了寫郵件更快、做 PPT 更快。不是。那些只是甜點，不是主菜。真正的大菜是：把原本依附在關(guān)鍵員工身上的經(jīng)驗、話術(shù)、判斷框架、流程知識，盡量變成組織可以搜索、調(diào)用、復(fù)制的系統(tǒng)資產(chǎn)。

這個過程一般分為這么幾個步驟：

先是，數(shù)據(jù)沉淀，利用錄音、日志、協(xié)作工具把人腦中的“黑盒”變成數(shù)字記錄。接著，模型對齊，通過 RLHF（基于人類反饋的強化學(xué)習(xí)），讓 AI 的回答越來越接近領(lǐng)域?qū)＜业呐袛唷Ｗ詈螅]環(huán)應(yīng)用，將專家知識嵌入到日常工作流中，由 AI 完成 絕大部分工作，員工僅負責(zé)審核。畢竟，系統(tǒng)可以提供 99% 的準確率，但剩下的 1% 產(chǎn)生的法律和倫理后果，AI 無法負責(zé)。

摩根斯坦利最早引發(fā)關(guān)注的，其實不是 Debrief，而是面向財富顧問的知識助手。它的意義不在有個聊天機器人，而在于公司試圖把原來分散在內(nèi)部研究、流程手冊和資深顧問經(jīng)驗里的東西，變成統(tǒng)一入口。

JP摩根也是一樣。2024 年披露的 LLM Suite 已經(jīng)向 6 萬多名員工開放，支持郵件、摘要、文檔、Excel 分析等場景。表面看這像辦公提效，深層看，它其實是在做一件更大的事：把公司的知識處理方式從“找人問”改成“先找系統(tǒng)”。

中國企業(yè)家在這件事上的表達，反而有時比美國更直接。

李彥宏在 2024 年公開講過一句很狠的話：“沒有應(yīng)用，AI 模型一文不值。”他還說過，“不要卷模型，要卷應(yīng)用。”這兩句放在一起看，其實就是在強調(diào)，模型本身不是終點，真正值錢的是模型能不能嵌進真實流程，能不能把知識變成系統(tǒng)能力。

制造業(yè)對此感受尤其深。美的集團董事長方洪波曾公開談到，美的十年數(shù)字化投入超過百億元。這背后的邏輯是，制造業(yè)真正怕的是經(jīng)驗無法復(fù)用，流程無法穿透，關(guān)鍵工藝依賴老師傅拍腦袋。

換句話說，數(shù)字化和 AI 的深層目標，都是把熟練工的直覺盡可能翻譯成系統(tǒng)可執(zhí)行的規(guī)則。當(dāng)知識沉淀在系統(tǒng)里，老板們才更有安全感，才覺得組織有真正的復(fù)制能力。否則，一家公司看起來在轉(zhuǎn)型，實際上只是給老師傅配了個更貴的鍵盤。

對員工來說，這里存在一個“教會徒弟，餓死師傅”的邏輯悖論：如果員工貢獻出最核心的經(jīng)驗用于訓(xùn)練 AI，一旦 AI 達成 95% 的人類水平，該員工可能就會面臨降薪或被裁。

2023 年好萊塢編劇大罷工，就是員工對抗組織蒸餾的最典型例子。編劇們明確拒絕將他們的劇本初稿或廢棄的創(chuàng)意點子喂給制片方的 AI。他們擔(dān)心這些包含幾十年職業(yè)直覺的創(chuàng)意碎片被蒸餾后，制片方會雇傭廉價勞動力來操作 AI 生成劇本。

最終在合同中規(guī)定，制片方不能強迫編劇使用 AI，也不能將編劇的作品作為“源數(shù)據(jù)”去訓(xùn)練 AI 來取代人類。

4組織會越來越程序化，而不是越來越自由

這是最容易被宣傳稿略過、卻最容易被員工真實感受到的一層。

管理層在臺上講賦能，員工在工位上感受到的，往往卻是另一套東西：更多流程被標準化，更多輸出被量化，更多任務(wù)先由系統(tǒng)分配，更多判斷要向模型和 dashboard 靠攏。

但硅谷科技大佬有時也會說點大白話。微軟CEO薩提亞·納德拉在談 AI agent 和 SaaS 的未來時，大意是：很多傳統(tǒng)軟件里的業(yè)務(wù)邏輯，未來都會被 AI agent 接管。

在他的說法里，未來每家制造東西的公司，都會同時擁有兩座工廠：一座生產(chǎn)實物，一座生產(chǎn)智能。你看，這里根本沒有“大家更自由地創(chuàng)作”那種浪漫，只有一個非常工業(yè)化的判斷：公司未來不僅生產(chǎn)商品，還要持續(xù)生產(chǎn)判斷、預(yù)測、推薦和決策支持。

Uber在17年前上線時，就為我們預(yù)演了這一切。

Uber 司機看似是自由職業(yè)者，但其行為被高度程序化。算法通過實時數(shù)據(jù)（如急剎車、加速頻率、接單率）對司機進行“引導(dǎo)”。司機發(fā)現(xiàn)，如果他們不按照算法暗示的“熱力圖”去特定區(qū)域工作，或者不遵循某種接單節(jié)奏，他們的收入就會顯著下降。這種隱性的、基于數(shù)據(jù)的程序化約束，遠比傳統(tǒng)公司的規(guī)章制度更難以回避。

中國公司這邊，其實也在往同一方向走，只是語言通常更柔和。

阿里說“AI驅(qū)動”，京東說“為產(chǎn)業(yè)創(chuàng)造價值”，百度說“卷應(yīng)用”，這些話背后都指向同一件事：企業(yè)希望把越來越多原本模糊、依賴經(jīng)驗、依賴人情協(xié)商的環(huán)節(jié)，變得更標準、更可調(diào)用、更可衡量。

螞蟻集團通過 AI 實現(xiàn)了極高的自動化率。在這種結(jié)構(gòu)下，不同業(yè)務(wù)部門之間的協(xié)作高度程序化。例如，信貸審批、風(fēng)控和營銷之間不是通過開會協(xié)商，而是通過預(yù)設(shè)的數(shù)據(jù)流轉(zhuǎn)協(xié)議。當(dāng)程序設(shè)定好后，任何試圖突破流程的“靈活處理”都會被系統(tǒng)攔截，因為這會破壞底層模型的穩(wěn)定性。

這也是為什么大家會在脈脈上吐槽：AI 轉(zhuǎn)型未必把公司變得更“智能”，但往往會把公司變得更“可計算”。

以前很多流程還有一點灰度空間，靠人解釋、靠經(jīng)驗繞、靠中層調(diào)和；以后系統(tǒng)一旦接管第一輪，灰度會被壓縮，例外會被標記，所有人都被放進同一塊 dashboard 里。

公司不會突然變成《黑客帝國》，但很可能會越來越像一套會自動給你派單、打分、預(yù)警的操作系統(tǒng)。這大概就是AI轉(zhuǎn)型的最終一幕。AI布道師們是不會告訴你這一點的。

這聽起來不夠溫柔，但很接近現(xiàn)實。因為從經(jīng)營視角看，“更程序化”幾乎總是“更可復(fù)制”的前提；而“更可復(fù)制”，又幾乎總是規(guī)模化增長的前提。

說到底，AI 轉(zhuǎn)型不是讓公司更像人，而是讓公司更像一臺機器，它能夠持續(xù)復(fù)制人的絕大部分能力，但又不為所有能力按人頭付費的。這也就是在沒有AI之前，老板們常跟你講的那句話，能不能少招一點人，還把活干得更多一點。

點擊圖片， 繼續(xù)看