昨天，在得到新商学增长大会上，有一位伙伴问了我一个问题：

AI发展这么快，未来到底什么会变，什么不会变？

这个问题，我后来一直在想。

如果只谈“变”，很容易变成一场技术预测：下一个模型有多强，智能体能替代多少工作。

如果只谈“不变”，答案又很容易过于正确：客户价值不会变，人的价值不会变，商业本质不会变。

这些话都没有错，但对今天正在做AI落地的企业来说，还不够。

企业真正需要理解的，不是分别列出一张“变化清单”和一张“不变清单”，而是看清二者之间的关系：

AI不断抬高组织的能力上限；那些看似基础的经营原则，决定新能力最终能不能转化为真实价值。

外部技术越快，企业内部的价值判断、数据基础、问题解决和责任机制，就越不能含糊。

未来无法被精确预测，

但企业不能因此停止行动

前段时间，我整理凯文·凯利在世界人工智能大会（WAIC）的分享。给我触动最大的，不是某个具体预测，而是他面对未来的态度。

我的理解是：我们很难提前知道未来会以哪一种具体形态到来。比猜中某个产品、某条路线更重要的，是理解变化的方向，在不确定中不断试验和修正。

这也改变了我思考企业AI的方式。

我们也许无法判断两年后最强的模型叫什么，企业主要通过哪一个入口使用AI，智能体能够独立完成多少工作。但我们仍然可以判断，一项新能力进入企业后，必须经过哪些环节，才可能成为经营结果。

它要先进入真实场景，理解业务规则；要有可靠的数据支撑；要嵌入流程，而不是停留在个人使用；还要经过验证，明确谁对结果负责。

所以，不确定并不意味着只能等待。

真正要建立的，是一种不依赖某个具体工具的吸收能力：工具变化时，企业不必推倒重来；能力升级时，组织能够及时接住。

真正变化的，是能力边界和组织方式

谈AI的变化，如果只看到工具更新，其实低估了它对企业的影响。

我认为，至少有三件更深层的事正在发生。

第一，AI正在从“回答问题”进入“参与工作”。

它不再只生成一段文字或一张图片，而是开始拆解任务、调用工具、读取数据、检查输出，在一定边界内连续完成一段流程。

这意味着企业面对的不只是一个更聪明的软件，而是一种新的生产能力。

但能力不等于结果。

报告生成了，不代表决策有了可靠依据；回复更快了，不代表客户问题真正解决；流程自动运行了，也不代表风险得到控制。AI可以完成越来越多动作，企业仍然要定义什么才算完成。

第二，组织设计的基本单位正在变化。

过去我们习惯围绕岗位分工：谁负责分析，谁负责审核，谁负责执行。进入人机协作后，还要把工作拆成一条结果链：哪些环节适合AI，哪些判断必须由人完成，哪些异常需要人工接管，最后由谁承担责任。

这不是简单地用AI替换一个人，而是重新设计工作。

如果只是把AI塞进旧流程，原来的等待、返工、口径冲突和责任模糊，很可能被一起保留下来。流程虽然“有了AI”，组织却没有真正进化。

第三，企业之间的工具差会缩小，组织差会放大。

通用模型和工具会越来越容易获得。今天少数人才会使用的能力，很快可能成为大多数企业都能购买的基础设施。

届时，真正拉开差距的，不是谁更早注册了一个工具，而是谁拥有更清楚的业务场景、更可靠的数据、更短的反馈周期，以及把一次有效实践沉淀为组织标准的能力。

工具领先带来的是时间窗口，组织学习形成的才是复利。

不变的不是旧做法，

而是一条“价值转化链”

过去我会把客户价值、问题解决、数字治理、精益和人的责任分别列出来。继续往下想，我发现它们并不是五个并列口号，而是一条相互依赖的链条。

起点仍然是客户和经营价值。

企业为什么要使用AI？是缩短客户等待，降低交付风险，提高决策质量，还是释放被重复劳动占用的能力？如果结果没有定义清楚，AI做得越快，越可能在错误方向上制造更多内容。

接下来是事实和数据。

AI要理解一家企业，不能只依赖通用知识。它还要理解这家企业自己的产品、客户、流程、指标和规则。

因此，数字治理不只是后台的数据清理工作。它实际上是企业让AI理解自身业务的一套“语法”。

同一个指标在不同部门含义不一致，数据来源不清楚，权限边界没有建立，结论无法追溯到原始记录，AI就只能在模糊的业务语言中猜测。

模型越强，这类问题也不会自动消失。相反，它会以更快的速度，生成更像正确答案的错误结果。

有了目标和事实，还需要解决问题的逻辑。

AI擅长提供候选答案，但企业真正稀缺的，往往是识别真问题、验证真原因的能力。经营指标出现异常，AI可以同时给出很多解释；哪些只是相关，哪些可能构成因果，仍然要回到数据、现场和实践中验证。

这也是我理解的精益价值。

精益不是一套不能改变的旧工具，而是一种持续追问、改善、验证的工作方式：价值是什么，浪费在哪里，问题为什么发生，改善有没有产生结果，验证成立的做法能否形成标准。

最后是责任。

AI可以提出建议，也可以执行动作，但目标取舍、风险接受和结果后果，仍然需要明确的人来承担。这不是因为AI永远缺少判断能力，而是因为企业责任本身就包含授权、价值选择和后果承担。

这条链条可以概括为：定义价值，以数据和现场为事实基础，通过问题解决持续改善，最后由人验证并对结果负责。

其中任何一环缺失，新技术都很难稳定地变成经营能力。

AI不会自动改善管理，它会放大原有的管理质量

这是我在企业AI实践中越来越强烈的一个判断。

目标模糊，AI会更快地产出大量无效内容；数据混乱，AI会更快地形成错误结论；流程失控，自动化会让混乱跑得更快；责任不清，智能体执行得越多，出了问题越难找到真正的负责人。

反过来，如果目标清楚、数据可靠、流程透明、反馈及时、责任明确，AI也会把这些优势放大。

因此，AI转型有时需要从一个看起来并不“AI”的地方开始。

更合适的顺序是：先锁定最值得改善的经营问题，再选择平台；先跑通一条能够验证价值的工作链，再扩大员工覆盖；看到效率提升后还要继续追问，节省下来的时间有没有转移到客户、瓶颈和增长机会中。

个人提效不会自然变成组织降本，任务完成也不会自然变成经营结果。中间缺少的，正是管理和精益需要补上的价值转化过程。

今天就可以开始的五个问题

未来不会等我们把一切想清楚以后再到来。

但每准备引入一个AI工具或应用场景，我们至少可以先问五个问题：

目标是如何定义的？这项AI应用要改善哪个客户或经营结果？

当前真正的瓶颈、浪费和问题在哪里？

支撑判断的数据口径、来源、权限和责任是否清楚？

人与AI怎样分工，异常由谁接管，最终由谁负责？

用什么证据验证有效，怎样把有效做法沉淀为流程和标准？

这五个问题不能帮助我们预测下一个爆款工具，却能减少那些“看起来先进，实际没有结果”的AI项目。

更重要的是，它们不会随着模型更新而失效。

写在最后

回到大会上那位伙伴的问题，我现在更愿意这样回答：

会变的，是技术提供给我们的能力上限，是人与AI的分工，也是企业建立优势的方式。

不会轻易改变的，是价值从哪里来，事实如何被确认，问题怎样被解决，以及谁对结果负责。

企业当然要追赶变化。但真正值得建设的，不是追逐每一次更新的速度，而是用稳定的底层原则，持续吸收新能力的能力。

这也是我理解的“AI精益进化”：既不拿旧方法抵抗变化，也不因为技术更新就丢掉判断标准。进化，既是个体的进化，也是组织的进化；既是技术的进化，也是人思维模式的进化。

当工具差逐渐缩小，最终拉开差距的，是一家企业能否一次次把新的技术能力，转化为稳定、真实、可持续的客户价值。

共勉。