2026年6月底，彭博社报道了福特的一件事：过去三年，这家车企陆续请回了约350名资深工程师，有自己的老员工，也有供应商那边的专家。
起因是公司把质量把关押在了自动化质检系统上，结果令人失望。负责整车硬件工程的副总裁 Charles Poon 对彭博社说，福特高估了 AI 的能力。AI 有多好用，取决于拿什么数据训练它，而老工程师离开时，脑子里的经验没有留下来。
我们把今年5月到7月几场美国研学课程的转稿重新翻了一遍。四位嘉宾，一位英伟达工程师，一位亚马逊 AI 负责人，一位斯坦福教授，一位做 AI 投资的大学教授，讲课时间前后隔了近三个月，却在讲同一件事。
AI 的第一笔预算，别花在省人上。
先列一张「以前做不了」的清单
英伟达资深工程师 Ederson（化名）6月在一场硅谷研学分享上讲完英伟达的生态，被问到 AI 能帮一门生意做什么。他先承认自己是做技术的，不了解各行业的生意逻辑，然后说：
「现在很重要的一个趋势是用AI去做降本增效。我更多的建议大家去思考一件事情：有什么事儿是有了AI之后以前做不了，现在能做了？」
他给的路径很具体：别停在跟聊天机器人聊天，去装一个桌面端的 AI 工作助理，亲手试出它能干什么。然后翻出那些「之前受限于资源、执行和落地而搁置的点子，当时被否决的点子」。在他看来，AI 等于给公司送来「一堆博士生。而且这些博士生很便宜，是按token计费的」。
账也要换个算法。以前做一件事要招10个工人，培训三五年；现在招10个 agent，「说招就招，说部署就部署」。所以 AI 时代企业花在「人力资源」上的钱可能更多，但投入产出比会更好，因为新的能力边界被打开了。
讲到华尔街怎么看企业的 AI 投入时，他又叮嘱了一遍：「暂时先不要去思考优化成本……先尽量去扩张版图，先去看新的市场机会。」
这个顺序放到中国，还多一层现实约束。今年五一前后，杭州中院发布了一起劳动争议典型案例：一家金融科技企业以 AI 替代、更省成本为由，要把一位 AI 大模型质检主管调去普通运营岗，月薪从2.5万元降到1.5万元，被拒后单方解约。一审、二审都认定公司违法解除，赔偿金26万余元。
承办法官的说法是，仅仅以公司引入 AI 降成本来解除劳动合同，不属于劳动合同法规定的「客观情况发生重大变化」。拿 AI 直接换人，账面上省下的钱，未必能落袋。
同一个工具
到了老公司反而变慢
Maco（化名）是西北大学教授，同时是投资人，自己也在做 AI 公司。5月那场企业家研学课上，他讲了他所在学校的商学院和他的公司合作的一项研究：写代码的 AI，到底能给公司提多少效率。他认为可以分成三档：
初创公司提效最猛，因为「他们什么都没有，而且他们最招不到人」。谷歌、亚马逊这类大型科技公司也有提升，但要打折扣，AI 得先读懂大量旧代码和文档。
到了传统大公司，结果反了过来。「AI coding……它的贡献是负的，对增长的贡献是负的。」
原因有好几层。代码太老，有的是上世纪80年代写的，AI 看都看不懂。内部分工、工具的上下游、哪种错误可以容忍，这些东西大多从没出现在互联网上，大模型「实际上它很不理解」。员工反而要花更多时间，去检查 AI 写出来的东西。
讲到机器学习的理论局限时，他说得更直白：现在的 AI 本质上只会「插值」，也就是在见过的例子之间推算。
「有这么一个美国公司，它的数据以及说它内部的工作流，它从来就没有在因特网上出现过。你要指望一个GPT取代那个公司，解决他的问题，不可能。」
福特的教训几乎就是这段话的注脚。最懂质量问题的那部分知识在老师傅脑子里，从没变成数据，AI 自然学不到。
企业积累越久，没被写下来的东西越多，这个坑也越深。
智能体废掉不可怕
底座没铺才可怕
亚马逊 AI 负责人 Jason（化名）参与主导了亚马逊购物助手 Rufus 的研发。7月那场课的问答环节，主持人请他给企业的 AI 投入提建议，他的回答很冲：
「我觉得现在你们做的智能体，80%最后都会被废掉。为什么？因为费用成本很高。」
他没让大家停手。「it's good to learn」，意思是拿来学习是好事，可以玩，但别投太多。真正该花力气的是另一件事：「让你的员工把工作流数字化……这是最重要的。」需要说明一句，Jason 现在自己在做帮企业搭智能体的生意，这个判断带着他的从业视角。
Ederson 从技术那头讲了同一件事。他说现在的 agent，就是「底层的大模型，加上一系列我们所谓的harness」。harness 直译是「挽具」，指套在模型外面、把模型接进业务的那层软件工程，它「像是粘合剂，像是一个放大器」。模型再强，也需要「很完善很严密的软件工程去保障去放大」，一头管安全，一头管成本。
被问到国产芯片和英伟达差在哪时，他讲的其实也是落地的笨功夫：工程团队要「坐在客户的办公室里，去收集客户的top ten use case（最重要的十个使用场景），然后以点带面地这样优化」。一个场景一个场景地啃，最后连成护城河。
「这个过程是没有捷径可走的。」
放到企业内部也一样。先把最要紧的十个场景啃透，比同时铺开几十个智能体演示更值钱。
先问一句
这个问题是谁定义的
7月的一个上午，James Landay 在斯坦福给一批中国企业家上高管研学的开营第一课。这位斯坦福计算机系教授、斯坦福以人为本人工智能研究院（HAI）联合创始人开场就说，自己住在校园里，刚从两小时车程外的一场经济学家会议赶回来，会上讨论的正是 AI 对经济的冲击。
讲到大企业怎么推 AI，他说很多管着成千上万人的组织都会犯同一个错：把它当成宣传问题，拍培训视频，设伦理委员会，贴海报。
「这是一个预算问题，关乎你决定把资源投到哪里；它还是一个工具问题，一个权力问题。」（原话：It's a budgeting problem of where you decide to put some resources. It's a tooling problem and an authority problem.）
总结时他给了一个判断：「大多数 AI 的失败不只是技术问题。它们源于解决了一个错误的问题，因为定义问题的是错误的人。」（原话：Most failures of AI aren't just technical. They come from solving the wrong problem because the wrong people defined it.）
所以跨学科的团队、受影响的人，要从第一天就进来，而不是等上线以后。他也补了一句，不是每个项目都要这么做，要分级。
他在课件的讲者备注里，把这件事落成了更具体的企业机制。其中一条很实用：产品默认让 AI 给「建议」，而不是直接「执行」；哪个功能里用户对 AI 输出的接受率超过95%，就该重点盯住，因为那说明人的主动权已经塌了。
我们的推测是，福特当初如果让老工程师参与定义「质检系统该学什么、哪些经验必须先留下来」，结局可能会不一样。
Rufus 的起点，Jason 在课上讲得很坦白。亚马逊2023年就开始做这个项目，几个产品经理拿着现成的大模型自己攒了个小 demo（演示原型），「就6~7个人」，给老板一展示，老板觉得有意思，就开始全面铺开。
第一版「做得特别特别烂」，用户体验很差。但老板认定方向对，「一直压钱，一直压人，一直压资源去做这个事儿」。
2026年4月底的一季度财报电话会上，亚马逊首席执行官贾西（Andy Jassy）说，Rufus 的月活跃用户同比增长了115%。
福特和亚马逊，一个拿 AI 去补人，最后又把人请了回来；一个拿 AI 去做以前做不了的事，扛过了最难看的第一版。
四场课听下来，我们最大的收获是换了一个问题。不再问「AI 能替掉公司多少人」，而是问「公司有哪些事，过去因为没人、没钱、没能力而放弃，现在可以重新拿出来」。
领途LeadPath 依托 12 年来积累搭建的专家网络，致力于为中国企业、商学院提供专业的一站式美国企业游学研学、美国嘉宾线上线下咨询、美国商务活动嘉宾邀约等服务。欢迎扫描文末二维码咨询合作详情！
