人工智能要在企业场景中真正释放价值，需要双轮驱动：一方面是要对企业业务的深刻理解与精准抽象，另一方面是AI大模型本身的技术能力。有趣的是，当大模型的技术路线逐渐趋于标准化后，后者反而不再是最大的瓶颈。前者的复杂程度远超预期，绝对是在整个落地链条里最容易被低估的关键环节。

老板优先还是智能优先

在早期阶段，问题往往集中表现为领域知识不足——AI没有学习过具体的业务场景，自然不知道该如何执行任务。但当你把这类问题解决到一定程度，就会发现更深层的矛盾浮出水面：到底谁拥有决策的优先权？

举个审批的真实案例。在某个企业里，哪个角色有权审批哪类合同，常常处于完全混乱的状态，与岗位职责定义严重不符。如果不对AI进行明确告知，它根本无法判断如何处理——这就是常说的“领域知识壁垒”。类似的问题在企业中比比皆是。过去依靠员工在各个部门间来回打听，现在需要将所有隐性知识显性化并交给AI，其难度可想而知。

下面这张图来自澜码的周健，很具代表性。

难点不只是额外的时间与成本投入，更关键的是，有些问题本身就内含着矛盾性。

假如是一家夫妻店，丈夫有自己的想法，妻子也有自己的主张，两者互不相容，你该如何设定AI？这本质上就是谁说了算的问题。

再深挖一层，这背后反映的是人治与AI治理之间的根本冲突。世界本身就是个草台班子，许多领域充满灰度——难得糊涂往往是常态，今天这样做是对的，明天这样做就不一定了。这种模糊地带，AI根本无从应对。

因此，必须确立一个核心原则，否则AI永远无法真正介入企业的生产关系。这个原则就是：智能优先。

但智能优先原则显然与老板的决策快感相冲突。只有当效率差异大到无法忽视的程度时，才可能真正从老板优先转向智能优先。慈禧太后接受坚船利炮，并非因为她通过学习开了窍，而是因为实在别无选择。

智能优先之后，老板需要向AI让渡大量决策权，让企业主动适应AI的规则，而不是让所有工具都去迎合老板的个人偏好。

成本问题

AI显然不便宜，模型越大，成本越高。

如果AI消耗的token成本，比它替代的那个岗位的人力成本还要高，那么这件事在经济上就失去了意义。

最近Sam Altman发文对AI做出了极为乐观的预测，核心依据就是Scaling Law。简单来说，深度学习只要规模足够大，就能解决我们遇到的各种问题。

但关键问题是，GPT-4已经达到了1.8万亿参数。模型再大一些虽然能解决更多问题，但最先进的模型在普通场景下根本用不起。

所以，即便我们相信Sam Altman的说法是正确的，从应用落地的角度来看，还需要考虑另外两个定律，才能准确判断整个进程的速度：

第一是Scaling Law，它决定了智能所能达到的高度。

第二是GPU领域的摩尔定律，它决定了智能变得便宜的速度。

第三是Compression Law（暂且这样称呼，有待后续数据统计验证），指的是突破某一智能高度后，需要多长时间才能在保持智能水平的前提下，把模型规模降下来。

第一是智能进化，第二、第三是成本进化。

三者融合，才是推动AI应用滚滚向前发展的技术驱动力。否则，按照前面的设想，大多数企业都需要一个自己的安全大脑，而这个大脑动不动就基于几万亿参数的模型，那就很难落地——连推理都推理不起。

偏好问题

AI以及基于AI衍生出来的智能组织，在特征上有趋同的倾向，但企业之间是千差万别的。

有的企业最终定位是追求性价比，有的则偏好品味与风格。

这种偏好会影响所有AI智能体以及企业中剩余人员的行为风格。

这更像是企业的第一推动力，或者说是一种无形的场域。

这种场域取决于人的设定。AI智能体与人都需要在这种场域之下达成和谐。

无论如何，这属于AI之外的问题，需要找到一种AI能够理解的方式来做设定。

创造力问题

在思考AI边界的时候，背后有一个非常有意思的问题。

如果把各种要素都排列组合输入给AI，那AI能创造出iPhone吗？

答案很可能是否定的。

在可预见的范围内，AI可以穷尽各种创新的可能性，但它很难做出决策：下面这样设计的iPhone是成功的：

而下面这样的就不行：

这些选择的成败，并不单纯取决于有形要素以及已经体现出的各种因素的推理。当人的信心和意志本身就是变量时，AI无法做出决策。（这可以看作另一种反身性）

被改变的价值创造逻辑

价值创造到底是一个怎样的过程？意志、认知、资源与执行？

如果涉及上述四个要素，那么AI会取代执行环节，但它并不能取代创造逻辑下的认知。上一节所说的那种手机才是正确的选择，就属于创造逻辑下的认知范畴，AI显然无法胜任。

同样，AI也不能取代资源，资源背后代表着所有权。

意志更是人类独有的东西。如果回到当时的场景来算账，苹果做iPhone的成功概率可能不会超过30%。

意志很多时候，是有选择地“犯傻”。愿景的背后往往需要意志支撑——顺风顺水赚钱的时候，要什么愿景？AI也干不了这件事。

这几个要素大致对应了人在组织中的位置以及面向未来所需的不同能力。

但麻烦就麻烦在，过去的组织结构主要是用来辅助执行的，相当于给企业里的大脑配上了一个身体。所以AI对大多数个人的冲击才如此之大——所谓的打工，就是在组织结构里找一个位置，主要做执行工作。

小结

如果说模型能力是AI在企业落地的左手，那么上面提到的这些就构成了右手。左手可能只是单纯的力量，右手则需要更加灵活，这样才能应对许多复杂的问题。前者更像是科学家的事，后者则是企业家的事。我们面临的另一个现实挑战是：过去其实没有真正做好过这类应用。这波真想啃下来，首先是个意志问题。