面对企业管理者,李开复把问题放在最前面:企业投入AI之后,究竟为业务创造了什么价值。过去两年,他看到不少公司已经购买模型、组建团队、部署智能体,但一旦追问收入增加、成本下降或过去无法解决的问题是否被解决,答案往往并不清楚。
在创新工场投委会的实践中,投资官AI由多个智能体分工完成技术、产品与市场、估值、风险合规等分析,另有一个被称为“魔鬼代言人”的角色专门提出反向质疑。它会检查关键假设是否有证据、数据是否只支持乐观情景、技术壁垒能维持多久、增长预期是否已经反映在估值中。系统随后把各方分析汇总成尽职调查材料,供投委会审阅。AI的分析仍要核查,是否投资仍由人判断并承担责任。
这一变化的意义在于,AI开始承接目标,能够分工研究、相互质疑并汇总结果。企业因此需要重新考虑专业能力如何配置。每一次技术革命都会把原本稀缺、昂贵的能力变得便宜、普及、可随时调用:蒸汽机重新定价动力,电力重新定价能源使用方式,互联网重新定价信息传递。大模型让越来越多认知能力变得可调用、可复制、可扩展,AI时代被重新定价的是智力本身。
一些企业说“我们也在搞AI”,具体做法是买账号、接知识库、信息部门试点、业务部门等效果、管理层每季度听一次汇报。这些工作可以做,但仍把AI当成等人来使用的软件。更危险的是漂亮的AI转型成绩单:部署了多个智能体、覆盖若干分析、能够相互质疑并自动汇总。报告变厚,不代表投资判断更准;智能体上线率、账号数、节省工时更像过程指标,最终仍要看收入、利润和现金流。
生成式AI最先大规模进入的是办公室,而不是流水线。写作、编程、研究、设计、分析、咨询等建立在语言、信息和规则上的工作,反而更早感受到变化。METR不只问AI能否做对一道题,还追问它能独立完成多长的一段工作;能做对题说明有能力,能连续完成工作才更接近生产力。前沿模型可独立承接的任务时长在增加,企业需要把岗位拆开:边界清楚、结果可验证的任务可逐步交给AI;需要理解现场、处理例外、建立信任、承担后果的任务仍需要人。国际劳工组织估计,全球约四分之一岗位会有一部分日常事务因生成式AI而改变。
技术扩散的方式也变了。大模型通过一次云端接口升级、一次软件更新,甚至一个自然语言对话框,就能在极短时间内把新能力送到全球用户手里。2025年,Andrej Karpathy提出Software 3.0:人写代码是Software 1.0,用数据训练神经网络是Software 2.0,用自然语言“编程”大模型是Software 3.0。使用顶级智能的门槛,正从会不会写代码,下降到能不能把目标、边界和上下文说清楚。技术领先窗口缩短,组织之间的差距可能拉大,因为所有组织都能很快拿到模型,但不是所有组织都能同样快地重写流程、产品和决策机制。
成本下降让许多业务需要重新算账。斯坦福《AI Index 2025》显示,达到GPT-3.5级别能力的模型,推理成本在大约18个月里下降超过280倍。过去不值得做的专家分析、销售跟进、订单、设备、客户实时智能服务,可能开始值得做。智力从稀缺资源变成企业可以按需调用的生产要素。Shopify CEO Tobi Lütke在2025年内部信中提出,团队申请新增人手和预算前,要先说明为什么现有目标不能借助AI完成。Block在2026年裁减约40%员工后,Jack Dorsey与Roelof Botha发表文章,把公司层级形容为信息路由协议,并提出如果AI能汇集代码、会议、决策、客户反馈和项目进展,一部分过去依靠永久管理层级完成的协调工作,可能不再需要同样厚的组织结构。企业开始追问:哪些组织成本,本来只是因为信息太贵、协调太慢才长期存在。
AI也在进入自我改进阶段。Google DeepMind在2025年发布AlphaEvolve,让大模型提出算法,再通过自动评估器验证、筛选和迭代;这套方法被用于数据中心调度、TPU芯片设计和Gemini训练,一项方案持续释放约0.7%的全球计算资源,另一项优化让Gemini关键计算内核提速23%,整体训练时间下降约1%。改进AI的工具本身是AI,形成更强的AI帮助开发下一代AI的反馈回路。这并不意味着能力会无限、自动地指数增长,数据、能源、验证、安全和现实世界反馈仍是硬约束。但只要智能迭代周期持续缩短,企业三年规划就可能慢于技术变化,需要调整战略更新节奏。
早期工厂第一次使用电力时,也曾把电动机接到旧传动轴上,车间布局没有改变;电是用了,效率却没有真正释放。企业给旧流程装上AI,也可能犯同样的错误。CEO在下一次AI汇报会上,可以先划掉“我们接入了多少智能体”,拿出一张纸写下公司今天最重要的三项竞争优势,再逐项追问:单位智能成本继续快速下降时,这项优势还成立吗;它会被AI增强,还是会被AI商品化;如果三年后不再成立,今天应该主动重写哪条业务曲线。这三项优势会被AI增强,还是会被AI商品化,CEO需要在下一次汇报前给出判断。

