AI 正在从一种可选项，演变为企业参与下一轮全球竞争的必要前提。
8 月 21 日，由 SparkX 主办的第四届出海 AI 营销生产力峰会在深圳圆满落幕。硅谷知名投资人、Founders Space 董事长兼 CEO、《让大象飞》作者 Steven Hoffman 以主题演讲《AI Is Eating Everything: How Leaders Build the Next Generation of Companies》开篇，深刻阐述了这一观点。
Steven Hoffman 拥有多重身份：他是连续创业者，曾在硅谷创办多家企业；他是顶尖投资人，其掌舵的 Founders Space 被《福布斯》评为全球第一创业孵化器；他也是企业咨询顾问，长期为高通、英特尔、迪士尼、阿里巴巴等巨头提供 AI 转型战略建议。
多重视角的叠加，使他对 AI 的判断超越了单纯的技术趋势或单一经验分享，深入至新技术、新公司与大型企业业务融合的核心。贯穿其逻辑的核心问题是：当 AI 逐渐成为所有企业皆可获取的基础能力，什么仍能构成长期的竞争优势？
Steven Hoffman 于峰会现场
模型并非终局：从性能竞争到生态与系统能力
当前全球 AI 市场竞争激烈。美国有 OpenAI、Anthropic、Google、Meta 等巨头不断推进模型边界；中国则有 DeepSeek、阿里巴巴、字节跳动等在模型能力、成本与应用生态上快速迭代。
Steven 对不同模型有独到见解：在软件工程领域，他更倾向 Claude，因其不仅模型强大，更构建了围绕开发者的完整生态（如 Claude Code）；面向普通消费者，ChatGPT 仍具备极佳的产品体验。但他强调：切勿将模型本身误认为最终的战场。
随着头部模型能力趋同，竞争焦点正从单一模型性能迁移至之上的生态与系统能力。一家 AI 公司能否深入企业业务、连接软件数据工具、支撑 Agent 稳定完成复杂任务，远比某一指标领先更为关键。
企业选择模型的逻辑随之改变。过去以“每百万 Token 价格”衡量成本，但在 Agent 阶段，这一指标已无法反映真实投入。低价模型若在复杂任务中频繁失败重调，总成本反而更高。企业真正需衡量的，是模型能否稳定完成任务，以及实现业务结果的真实成本。
这标志着 AI 正从技术产品走向基础设施。如同电力与云计算普及未让所有企业获得同等竞争力，模型趋同后，真正的差异将源于企业如何将通用智能嵌入自身业务系统。
Steven 提出的"Headless Software"概念正是这一趋势的信号：传统软件围绕人工操作设计，而 Agent 可通过 API 直接调用数据、软件与其他 Agent。未来，企业中原本依赖人完成的连接、判断与执行，将逐步由智能系统承担。
因此，企业不应依赖单一模型，而应建立持续吸收模型进步并转化为业务结果的能力。模型会不断换代，真正需要沉淀的，是模型之外属于企业自身的核心能力。
护城河重构：AI 放大而非取代传统商业壁垒
技术普及常让人误以为企业差距将缩小，但 AI 时代可能恰恰相反。作为投资人，Hoffman 始终关注早期企业的生存逻辑：为何它能存在且不被迅速取代？他指出，技术、品牌、市场理解、分销关系及特定资源构成的多层竞争壁垒，在 AI 时代非但未失效，反而愈发重要。
以 Anker 为例，消费者愿为其支付溢价，核心并非单一产品参数，而是品牌长期积累的信任。技术可被追赶，功能可被复制，价格可被压低，但“消费者为何选择你”、“渠道为何与你合作”、“组织为何更懂市场”，这些无法因模型升级而自动获得。
AI 真正改变的，是这些能力的放大方式。过去，企业最有价值的资产往往不在资产负债表上——它可能是资深运营的市场敏感度、销售对客户意图的判断力、产品团队的需求洞察方法，或是多年形成却未被记录的决策逻辑。这些能力依赖个人经验传递，难以复制与规模化。
AI 首次提供了新可能：企业可将高度依赖个人的经验，转化为数据、知识、规则、Workflow 和 Agent，使专业能力不再局限于个体头脑，而成为组织可反复调用的生产力。
在此过程中，通用模型提供日益廉价的“智能”，企业则提供真正稀缺的“上下文”。两者结合，方构成企业独有的 AI 能力。
何为真正的 AI Native？从工具使用者到系统架构师
破除误区：AI Native 不等于会用 ChatGPT
Steven 首先厘清常见误解：真正的 AI Native，绝非仅指会使用聊天机器人的人。 当前多数人仅用到 AI 聊天机器人不足 5% 的功能，用于问答、写备忘录或生成图片，这并未改变工作的基本结构——任务定义、岗位划分、流程执行仍以旧模式为主，AI 仅在个别节点被调用。
核心定义：将 AI 作为“第二大脑”重塑工作流
真正的 AI Native 是将 AI 视为“第二大脑”的人。 他们不再思考“这件事如何由我完成”，而是追问“如何借助 AI 重新设计完成这件事的方式”。从理解问题、拆解任务到形成方案，全程重构。
这意味着人的角色发生根本转变：从任务执行者升级为系统架构师。新工作是定义目标，并与 AI 协作实现它们。
当执行、分析与协调工作越来越多由 Agent 承担，人的价值将转向目标定义、复杂判断与系统设计。AI 带来的变革不再局限于单岗效率提升，而是深入组织方式：如何让少数人的 AI 实践演变为团队方法论，最终沉淀为组织可复用的核心能力。
落地路径：自上而下推动组织转型的五步法
针对如何打造 AI Native 组织，Steven 提出五个关键动作：
- 讲清“为什么”，让员工意识到此事关乎自身未来；
- 设定可衡量的 AI 采用目标并纳入 KPI——“员工不会因你说重要而改变，只会因获得奖励而改变”；
- 识别团队中的"AI 冠军”并给予充分授权；
- 每周预留固定时间供团队学习并分享 AI 成果；
- 建立集中知识共享中心，促进 AI 实验成果在组织内扩散。
这套方法的核心并非强迫员工“多用 AI"，而是构建新的组织学习机制。Steven 观察到，行为改变往往源于同伴效应——当个人探索被验证、有效经验被分享复制，AI 才能从少数人的工具进化为组织能力。
AI Native 企业与“使用 AI 的企业”本质区别在于：后者提升个人效率，前者重构组织创造价值的方式。
场景选择策略：聚焦价值交集，追求增长而非仅降本
启动三问：明确时机、价值与资源缺口
组织行动后，首要问题是：面对海量可改造业务，从何入手？Steven 建议每次推进 AI 转型前必问三题：为何是现在？AI 进入此流程能产生何种实际价值？要真正落地，还缺哪些必要资源？
场景筛选三维交集原则
具体场景选择，应寻找三个维度的交集：企业真正创造价值的环节、员工投入大量时间的环节、以及 Agent 已具备明显优势的领域。 以下场景更适合作为早期切入点：
- 人成为流程瓶颈；
- 需 7×24 小时响应；
- 需大规模个性化服务；
- 重复度高且员工希望卸载；
- 已有明确 SOP 和数据基础的工作。
超越降本增效：打开新增量空间
相比"AI 能替代多少工作”，Steven 更关注：AI 能否打开新的增长空间？ 降本增效固然重要，但效率存在上限，增长才具无限想象。值得长期投入的，不仅是让原有流程更快更便宜，更是利用 AI 突破人力、成本与规模限制——进军新市场、服务更多客户、实现大规模个性化，甚至创造新产品与收入来源。
因此，AI 项目切忌一开始就追求“大而全”。Steven 主张选择价值明确、结果可衡量、短周期可验证的场景，通过快速实验迭代；对于高复杂度低价值项目，或一次错误即引发重大经营/监管风险的零容错流程，无需强行"AI 化”。
成熟的 AI Native 并非将所有事交给 AI，而是清晰界定：什么应交由机器规模化完成，什么仍需人的专业判断。 AI Native 的真正意义，不是简单替代人力，而是重新定义人与机器各自最具价值的位置。
这也呼应了 SparkX 探索的"AI Agent + 专家服务”模式：解决的不是简单人力替代，而是将营销专家长期积累的经验与 AI 能力深度融合——让 Agent 承担高频、规模化执行与持续优化，让人力聚焦策略、判断与增长，并将实践中验证的专业经验持续沉淀进系统。
当专业能力被系统化、可复用，再经 AI 不断放大，AI 才真正从工具进化为企业的增长引擎。
未来展望：环境智能崛起，人的价值向高阶集中
演讲尾声，Steven 将视野投向更远未来：能倾听现实世界、辅助决策与执行的“环境 AI"设备正在涌现，OpenAI 即将推出相关产品；中国正制造数以百万计的人形机器人。但相较技术形态预测，他留给企业更重要的启示是：AI 虽能接管越来越多任务，但人的价值不会消失。相反，当执行能力愈发易得，人的判断力、创造力与专业能力将进一步向更高价值环节集中。
这再次回归演讲核心命题：当 AI 成为所有企业均可获取的基础能力，什么仍能构成长期竞争优势？
技术将持续迭代，模型终将普及；真正值得长期沉淀的，是企业如何将专业转化为能力，再借 AI 将此能力不断放大。
