AI越智能，企业就越平庸？

AI正在触发一场全社会的智能平权：过去依赖长期训练与积累才能稳定交付的专业能力，正被通用大模型迅速普及，企业的基础经营能力随之提升。

但这轮前所未有的智能平权，也可能通向悄无声息的集体平庸化。当AI成为人人皆有的标配，当客服更快、文案更顺、分析更完整，流程也更自动化时，企业间效率的差距会逐渐收窄。此时决定企业位置的，不再是接入AI的速度，而是能否将这份通用智能，转化为难以复制的经营优势。

智能平权因此埋下两重平庸陷阱：一重在注意力配置端，资源持续流向确定性收益；一重在组织认知端，判断权被悄然让渡。走出这两重陷阱，AI时代的竞争才真正从使用智能走向经营智能。使用智能解决工具接入和效率提升的问题，经营智能则要求企业把AI嵌入业务判断、组织协同和价值创造，并在长期使用中，沉淀出专属能力。

第一重陷阱：效率越清晰，机会越失焦

智能平权的第一重陷阱，在于效率引力：回报越清晰的场景，越容易持续吸收企业的资源与注意力。

企业接入AI时，通常先从流程清晰、效果容易量化的场景入手，例如智能客服或办公助手。此类场景回报看得见、算得清，自然被排进优先清单。此类应用一旦见效，就会开始自我强化。预算继续投向已经跑通的流程，考核继续奖励能迅速反映在数字上的动作，管理层也会投入更多时间追踪指标变化，并倾向于在已经验证过的轨道上再进一步。

于是，AI在既有流程上打磨得越精细，数字越好看，注意力便越向存量优化倾斜。企业用AI把昨天的事做到了极致，视野却在不知不觉中收窄于当下的指标，而非用AI去撬动更长远的未来。当相似的提效能力成为行业标配，存量优化的边际红利也会逐渐见顶。

资源偏移的背后，是AI价值的期限错配。AI为企业创造的价值有两类：效率价值与创新价值。效率价值作用于当期经营，衡量的是成本、时间、质量与准确率的改善，决定企业今天运行得多快。它的回报会被立刻看见，也因此最容易被过度追逐，侵占创新价值应得的资源。

创新价值作用于未来。在探索早期，它往往没有清晰指标，也难以立刻兑现财务回报。等到它清晰可见时，窗口通常已经收窄。因此，企业需要在衡量当期效率之外，主动把一部分AI资源留给不确定性更高的探索空间。

管理学者詹姆斯·马奇指出，探索与利用对组织都很重要，但两者的回报并不对称，且会争夺有限的组织资源。技术本身不会替企业选择方向，AI既能成为优化已知的加速器，也能成为探索未知的放大器，分野就在于企业自身的选择。一旦资源分配只认确定性的数字，再强的AI也会被一次次拉回存量优化。

第二重陷阱：答案越充足，判断越外移

第一重陷阱发生在注意力配置端，第二重陷阱则发生在组织认知端。

这重陷阱在于判断外移：随着人们越来越依赖AI，原本属于人的判断，正逐渐让渡给模型。决策仍由人做出，但形成判断的标准、框架与可选项，正越来越多地由模型给出；答案仍由企业采用，成型的过程却在悄悄离开企业内部。

判断外移的第一层表现，往往是产出趋同。虽然不同的提示词能引出不同的回答，但真正能写出精细提示与丰富语境的企业有限。面对相近任务，通用模型会调用相似的知识，生成结构完整、表述流畅、相对稳妥的答案。这些回答看起来周全，却容易停留在普适建议上，企业自身的业务情境、利益取舍与非共识判断，往往在周全中被磨平。

第二层表现是组织逐渐失去探索答案的习惯。人类越来越像一个批阅者，从AI给出的答案里挑选、调整，而不是从零定义问题、独立推理。微软研究院与卡内基梅隆大学的研究印证了这一点：使用者对AI越有信心，投入的批判性思考就越少。精力更多转向核验、整合与监督AI的输出，而非对问题本身的推演与求解。

第三层表现更为隐蔽，在于首答锚定：AI给出的第一个答案，可能直接成为后续讨论的基准，它划定了分析从何处展开，也预设了方案比较的起点。虽然人类保留了最终决策权，但问题边界与备选方案，可能已被模型预先框定。

沃顿商学院的研究发现，ChatGPT可以提升单个创意的创造性评分，却会降低群体创意的多样性。在一项实验中，纯人工组的独特创意概念占比为100%，人类与ChatGPT协作组降至41.2%，纯AI组则仅为6%，甚至出现9个同名方案。

判断外移还有一个更长期的代价，发生在专家的成长路径上：AI替代的未必是新人的工作，而是新人的学徒期。过去，新人需要在独立分析与反复修正中，逐渐加深对业务的理解。现在，起点已是一份相对完整的答案，他们更习惯在既有结论上查漏补缺，而不是自己建立假设、选择路径、校准判断。专业判断的成长通道一旦收窄，未来能够校验AI、修正规则、处理新型异常的骨干，也会越来越少。

真正的分野：企业存量决定智能增量

智能平权之后，竞争的胜负手在于企业存量：同一个模型接入不同的企业，能被托举到的高度并不相同。该高度由四重势能决定，分别回答：AI是否读懂业务、能否贯通业务、放大何种优势、在组织内扩散多快。

第一，数据势能：专属数据决定AI理解精度。通用模型掌握的是公开可得的知识，企业长期沉淀的客户反馈、交易记录、风险案例等，则记录着外部无法获得的经营细节。新进入者可以迅速接入最先进的AI，却难以复制同业深耕多年积累的客户关系与行业经验。而企业专属数据中承载的时间、情境与因果联系，决定了AI能否真正读懂业务。更关键的是，专属数据在使用中会不断增厚。企业与市场的每一次互动都会产生新的数据，加深AI对需求与风险的理解；新的理解回到业务中，又会带来新的反馈。AI使用越深入，数据资产越厚实，模型对业务的理解越准确，后来者的追赶成本也越高。

第二，协同势能：内部贯通决定AI落地深度。关于AI落地有一个常见的误区：只要给每个部门都配上AI，企业整体就提效了。但各部门分别提效，未必等于企业整体提效。销售部门用AI预测需求，供应链却无法及时获取预测结果；客服部门发现新的客户问题，产品和研发仍按原有计划推进……只要部门墙存在，局部越优化，整体的错位反而越明显。真正的AI赋能是把原本分散在各部门的业务串成一条线。其价值不只体现在业务顺畅运转时，更体现在异常发生时：相关部门能够同步看见问题、共同参与处置。

第三，长板势能：既有优势决定AI放大方向。

长板势能的核心，是把AI作为“优势放大器”：企业先识别出自身的长板，再让AI进一步加固长板。

以资深内容创作者为例，真正稀缺的是选题眼光和思考深度。如果AI只承担资料搜集和文字润色，每一步都要作者亲自把关，面对24小时不间断的内容供给，个人有限的精力很快会成为瓶颈。但如果将创作者的选题方法和思考路径沉淀进AI，就能逐步塑造能持续工作的“数字分身”。AI由此放大的，是资深创作者的专业长板，而非简单替代基础劳动。

再看茶饮企业，每一次推出新品前，都要完成员工培训。企业可以把AI纳入培训体系，将配方、工艺与服务标准转化为标准化课程，让门店员工更快上手，大幅压缩新品从研发到落地的周期，AI由此放大的，是企业推陈出新的能力。

通用能力决定企业能否跟上时代，长板则决定企业能否拉开差距。未来的胜负将落在那块别人补不上又被AI继续拉高的长板上。

第四，文化势能：组织文化决定人机协同上限。

一家企业效率的提升，从来不只取决于AI。成员之间能否彼此信任、共享经验、坦诚异议并有效协作，同样决定着组织能跑多快。

AI落地首先是一场组织学习。麦肯锡指出，加快AI应用，需要企业识别一线已经发生的探索，奖励知识分享，并系统记录试验成败背后的原因。

文化扩散由此形成：一个员工发现的方法可以被更多人复用，一次失败可以成为全组织的案例，一线经验可以持续进入模型和流程。分享越充分，反馈越及时，AI能力在组织内部扩散得越快。组织文化不会提升底层模型的性能，却会决定组织能否充分发挥模型的能力。

破局路径：从调用通用智能，到经营专属能力

面对AI时代的平庸陷阱，企业需要重设三套机制：探索评价、人才成长与知识沉淀。它们共同指向一件事，让每一次对AI的应用，都能加深企业对未来的理解、对业务的判断和对自身能力的掌控，从调用通用智能，走向经营专属能力。

第一，从优化已知转向探索未知。破解“效率引力”的关键，在于重新定位AI的角色：它不只是有问必答的输出者，更是与人类共同探索问题的伙伴。企业需要有意识地把一部分AI资源投向那些还没有标准答案的问题，例如客户尚未充分表达的需求、经营中反复出现的异常、可能改变业务边界的新技术。

在探索场景中，AI首先能做的是把覆盖范围铺得更广。海量客户反馈、销售细节等，过去受人力限制难以系统处理，如今都可以交给AI归纳与识别，从被日常经营过滤掉的弱信号中，形成可供验证的新假设。

探索还需要一套区别于成熟业务的方法。一方面，从小范围起步，逐步测试并不断迭代。另一方面，事前划定探索边界，明确企业愿意投入多少、能够承受多少，以及在什么条件下继续或停止。容忍失败需要尺度，探索空间也需要边界。

面对已知，AI擅长把既定的路走得更快；面对未知，AI能否带来突破，往往不在于模型是否最聪明，而在于组织是否愿意承受失败，以及在方向初现时，是否有一套成熟的验证机制能立即跟进。

第二，人机关系沿指导、判断、训练三级递进。应对“判断外移”，需要重新设计新人的学徒期。良好的人机关系是一条可以拾级而上的成长路径：AI指导员工，员工判断AI，员工训练AI。

在第一阶段，AI承担指导者的角色。对于刚进入岗位的新人和基层员工，AI可以把复杂知识拆解成清晰步骤，根据现场问题提供即时说明。

第二阶段是判断力真正生成的环节。真实业务总会出现标准流程无法覆盖的例外，员工需要结合现场情况，决定哪些建议可以采用、哪些需要调整。这一阶段的核心，是让员工在借助AI的同时，把每一次判断和调整都转化为经验，逐步积累对业务的理解。

第三阶段，经验开始反向流入系统。经验丰富的员工把长期积累的客户洞察、销售技巧、异常案例处理方式持续反馈给AI，让模型对企业具体情境的理解不断加深。个人经验就此反哺组织，转化为企业专属数据和可供更多人调用的智能能力。

第三，将学习沉淀于企业内部。衡量企业AI应用的成效，不能只看完成了多少任务，更应审视每一次使用之后究竟沉淀了什么。大模型可以付费获取，真正需要长期经营的，是建立在模型之上的业务语境、工作方法、判断标准与学习机制。

微软CEO纳德拉将企业未来需要经营的资本分为人力资本与Token资本。前者是员工的知识、判断、关系与创造力，后者是企业借助AI形成并自主掌控的智能。要判断企业是否真正拥有自身的AI能力，有一条直接的“换模测试”：更换底层通用模型之后，积累的专业知识是否会丢失？若会丢失，企业拥有的就只是一份AI使用权。

能够通过“换模测试”的知识，通常沉淀于三个层次。第一层是语境层，包括业务底稿、历史案例等，解决AI“需要理解什么”。第二层是方法层，包括任务如何拆解、流程如何衔接以及常见问题如何处理等，解决任务“应当怎样完成”。第三层是判断层，包括企业为何采纳一个答案、哪些风险必须规避、什么情况下需要人工介入，解决结果“是否符合企业要求”。

默会知识贯穿这三层。销售人员对顾客未说出口顾虑的识别、管理者对组织承受力和风险边界的把握，这些经验都很难完整写成规则。企业需要在长期实践中不断记录，使其从个人经验转化为可以被组织传递和调用的知识。

当人的经验持续注入系统，系统积累的能力又被更多人调用，人力资本与Token资本彼此增厚，企业才能拥有真正属于自己的智能。AI时代的竞争，正在形成一种新的时间差。模型能力在短期不断迭代，企业能力却需要在经营中长期沉淀。技术越普及，这些慢变量越昂贵。智能平权不断抬高企业的起点，也会不断压缩平庸者的生存空间。随着模型持续变强，看似周全的平均解，正在成为这个时代最廉价的资源。AI能回答问题，却无法替企业决定未来。在更长的周期里，真正稀缺的是提出问题、形成判断与持续学习的能力。最终站在分野线之上的，将是那些把通用智能炼成专属能力的企业。

（滕斌圣系长江商学院战略学教授、战略研究副院长、新生代独角兽全球生态体系研究部主任，曹欣蓓系新生代独角兽全球生态体系研究部研究员）