夜雨聆风
AI转型没有统一答案——基于BCG董事总经理、全球合伙人俞晨骜专访
DeepSeek、具身机器人、OpenClaw掀起“人工智能”热潮，这一技术正改变着人们的生产生活方式。在“人工智能产业化应用”专题研讨会上，发改委党组成员、国家数据局党组书记、局长刘烈宏透露，预计“十五五”末中国AI相关产业规模突破10万亿元（资料来源：国际商报《人工智能发展既要“跑得快”也要“刹得住”》）。
但是，多数企业陷入了一种集体焦虑。这种焦虑并非抗拒变革，而是对“完美准备”的执念。例如，数据是否足够干净？战略是否足够清晰？ROI是否能精确计算？在这些问题的反复纠缠下，许多企业的AI转型被无限搁置。
在这样的背景下，俞晨骜提出“AI转型没有统一答案，哪怕没准备好也先玩起来”。在过去相对稳定的商业环境中，制定详尽的战略规划、进行充分的可行性论证，是降低风险、确保成功的必要步骤。但是，在AI技术快速迭代、应用场景不断涌现的领域，不存在一条可以被提前测绘的标准路径，传统的线性规划思维适用性值得商榷，不同行业、规模、数据基础的企业，其AI应用的方式和节奏各不相同。如果企业都试图等到“万事俱备”才迈出第一步，那么多数企业将停留在原地。
基于此，本文提出一个思考框架：在高度不确定的技术变革期，“行动力”本身正在成为比“规划力”更重要的战略能力。本文将结合行业的真实案例来探讨以下三个核心问题。读完这篇文章，并不需要立刻产出一份完美的AI转型方案，可能只是打开AI，解决一个真实的工作问题。
“没准备好”之所以成为多数企业AI转型的拦路虎，根源在于一系列深植于管理认知中的“幻觉”。这些幻觉看似合理，实则与AI技术本身的特性相悖。要真正理解俞晨骜“先玩起来”的主张，首先需要识别并打破这三个最普遍的认知幻觉。
▌幻觉一：数据必须“完美”才能启动
许多企业将数据治理视为AI落地的先决条件。这种逻辑在传统信息化项目中成立——ERP、CRM等系统确实需要结构化的、清洗干净的数据作为输入。然而，AI，尤其是大语言模型，对数据的容忍度超过传统软件。
检索增强生成（RAG）技术的成熟，使得AI能够直接处理非结构化、甚至相对杂乱的文档。企业不再需要将所有历史数据统一清洗、标注、入库之后才能使用AI。相反，AI可以直接“阅读”企业现有的各类文档——会议纪要、技术手册、客户邮件、维修记录——并在这些信息基础上提供回答与分析。
传统意义上“数据没准备好”的判断，很大程度上是基于以往的技术假设。在AI时代，启动的门槛远比想象中低。企业完全可以在一个相对“原始”的数据环境中开始使用AI，并在使用过程中反向推动数据的逐步优化。这就像一条河不需要等到完全清澈才让水流经过——流动本身就会带来冲刷与净化。
▌幻觉二：战略必须“清晰”才能行动
俞晨骜提出，企业的AI应用大致分为三类：第一类是点状应用，在每个具体环节提升效率；第二类是业务重塑，对整个业务流程乃至运营模式进行重构；第三类是商业模式创新，用AI探索全新的业务模式。不管是企业还是个人，在点状应用阶段，可以先把AI当成玩具，而不只是工具，有什么新鲜的东西都去试一试。原因是现在行业迭代速度太快，从大模型到智能体，再到各类外部工具，基本上每个季度热点都在变化。先把它当玩具，慢慢才会成为工具，提升个人效率，再慢慢整合进企业管理方式和核心业务流，这是一个递进式的过程，不需要特别着急。随着行业演进，这件事情会很自然地发生。
一个AI应用能否产生实际效益，取决于太多难以预先评估的变量——数据质量、业务流程的适配度、用户的使用习惯、组织对输出的信任程度等。这些变量无法通过桌面研究或专家访谈来准确预判，只能在真实的业务场景中通过“试”来获得答案。
清晰的长期战略固然理想，但如果为了追求清晰而延迟行动，反而会错失在试错中积累认知的机会。迷茫是常态，停滞才是病态。
▌幻觉三：工具必须“自研”或“庞大”才有价值
许多企业认为，真正的AI能力必须通过自研大模型或采购昂贵的全套解决方案来实现。这种思维导致的结果是：中小企业在观望中自我淘汰，认为AI是巨头的游戏；大型企业在自研的道路上投入巨大却进展缓慢。
当前AI技术栈的成熟度已经使得“低门槛试用”成为可能。企业完全不需要从零开始训练大模型——调用成熟的API接口、部署开源的小参数模型、或者使用现有SaaS产品中嵌入的AI功能，都是以极低成本“先玩起来”的可行路径。例如，“联想”这家传统PC制造商在2025年宣布未来将以“智能体业务”为核心（来源：Tech World联想集团董事长杨元庆的开场演讲），其AI能力的构建路径并非从底层模型开始自研，而是基于现有的大模型能力，聚焦于自身最熟悉的场景“PC用户的生产力提效”进行应用层开发。其开发的乐享企业超级智能体在发布后不到半年，就实现18.9亿元的收入（来源：资讯中国《科技巨头加注AI眼镜，产业竞争逻辑向全生态进阶》）。对于绝大多数企业而言，AI转型的核心问题不是“能不能自研模型”，而是“能否用现有工具解决一个真实业务问题”。后者是可行的起点，前者则可能是一个不必要的陷阱。
上述三个幻觉都将AI转型的门槛想象得比实际更高，但是数据不需要完美，只需要可用；战略不需要完全清晰，只需要方向大致正确；工具不需要自研，只需要触手可及。所有企业都站在同一条起跑线上，没有人真正“准备好了”，而有些企业选择在等待中观望，有些企业选择在行动中学习。
在互联网产品领域，PMF指产品恰好满足了一个真实存在的市场需求。对于AI转型，“玩起来”的本质就是通过低成本、高频次的尝试，找到那个“AI能力”与“业务痛点”精准咬合的位置。
▌案例一：中集集团——“让听得见炮声的人做决策”
中集集团是中国领先的物流与能源装备制造企业。在AI转型的初期，这家传统制造企业面临与其他工业企业相似的困境：生产流程复杂、非标件多、质量管控难度大。按照传统思路，解决这些问题需要从顶层设计开始，做一套覆盖全产线的智能制造系统。但是，中集没有先画蓝图，而是鼓励一线员工“玩”起来。例如，举办内部AI应用大赛，让工程师、质检员、生产主管这些最了解现场问题的人，自己提出AI应用的想法，并用现成的AI工具快速搭建原型。结果是，一线员工开发出了多个“小而美”的AI应用（“专利交底书撰写助手”“合同风险捕手”等工具，有效优化了日常办公流程与风险控制；业务场景解决方案赛道，“AI班组秘书”“图纸解析助手”“AI助力压力容器标准化设计”等直击生产痛点，实现质量管控、图纸解析等环节的智能化升级）。在质量管理环节，通过引入AI视觉检测系统，某生产线的不良品率从15%降至2%。这一成果是内部团队基于开源模型、用数千张标注图片训练出来的——总投入远低于传统自动化改造的成本。
因此，AI转型的最佳起点，往往不是高层规划出来的，而是从一线业务中“长”出来的。那些最了解痛点的人，一旦被赋予使用AI的能力和权限，就能以极低的成本找到高价值的应用场景。
▌案例二：德胧集团——用AI重构服务链路
德胧集团是一家深耕酒店与文旅产业的企业。与制造业聚焦于“降本增效”不同，服务行业的AI应用更强调“体验重塑”。
德胧开发的“神灯AI”系统，通过对住客的历史行为、偏好标签、实时需求进行分析，在恰当的时机提供恰当的服务。在重新梳理和优化从客人需求产生到服务交付的整个链条后，“神灯AI”在客需端用技术解决了服务流程中的“信息损耗”和“调度低效”问题，完成从需求感知（App/语音入口）→智能调度（AI总控）→人力执行（最近员工）→数据回流（行业基建）的完整数字化循环，不断降低关键节点变量产生的误差，服务长尾需求 。
因此，“玩起来”不是闭门造车，而是通过高频的人机交互，让AI持续学习人类的偏好与行为模式。每一次交互都在训练模型，而模型的进化又会带来更好的服务体验，形成正向循环。
上述两个案例并置观察，可以发现成功的“玩起来”，都不是从“要全面AI化”这样的宏大命题开始的，而是从一个具体的业务痛点、一个可验证的小场景切入的。而“玩起来”的本质，就是用最低的成本、最快的速度，扫描这些潜在场景，找到AI能力与业务痛点的契合位置。一旦被找到，企业就获得了AI转型的第一个正向反馈，这是所有后续规模化的起点。
问题三：如何“玩”出价值？
理解了“玩起来”的本质后，如何系统性地组织这一探索过程，使其从随机、零散的尝试，转变为有方向、可积累的价值创造活动。
▌第一步：心态上——允许“低效”和“试错”
“先玩起来”面临的障碍之一就是企业对“效率”和“确定性”的过度追求。在传统管理体系中，任何行动都要求事先明确其投入产出比（ROI），任何资源投入都期望获得可预测的回报。这一管理逻辑在成熟业务中是合理的，但在探索性活动中却会成为创新的桎梏。
AI转型的初期阶段，本质上是一个探索与学习的过程。在这一阶段，真正的价值不在于某个具体应用节省了多少成本，而在于组织通过实践积累了哪些关于AI能力的认知。一个“玩”出来的小工具，哪怕只是帮助一位员工每天节省了30分钟的会议纪要整理时间，其意义也不仅在于这30分钟，更在于这位员工因此获得了使用AI的直接体验，开始理解AI能做什么、不能做什么，进而在未来的工作中产生更多“如果让AI来做这件事会怎样”的想象。
中集集团的内部AI应用大赛诞生的“会议纪要助手”，最初不过是一位工程师为了解决自己的烦恼而搭建的小工具。它没有正式立项，没有预算审批，更没有ROI测算，但这个“非正式”的起点让更多员工看到了AI的可能性，激发了后续一系列应用的产生。
因此，企业在AI转型初期，应当将评价标准从“这件事创造了多少可量化的价值”，调整为“这件事帮助组织学到了什么”。允许低效，允许试错，甚至允许失败——因为在一个快速演进的领域中，不尝试才是最大的风险。
▌第二步：组织上——赋能“超级个体”
“玩起来”的主体是人，而非技术本身。为了接住AI时代的红利，很多公司推动管理层尤其是HR团队做了一系列措施，部分员工成了“AI超级个体”，但公司却没有变成“超级组织”。
“超级个体”对传统组织模式提出了挑战。在传统模式下，业务问题由业务人员提出，技术方案由IT部门提供，两者之间存在清晰的边界和漫长的协作流程。而AI工具正在打破这一边界。一个懂业务的工程师完全可以自行搭建一个解决实际问题的AI应用，而不需要等待IT部门的排期。企业应当主动顺应这一趋势，具体措施可以包括：
设立AI引导员：这类角色的职责不是自己写代码，而是帮助业务部门识别适合AI解决的场景，并指导他们使用现有工具快速验证。他们既是技术翻译，也是方法教练。
举办内部AI应用大赛：以赛代练，激发一线员工的创造力。中集的经验表明，当员工被赋予使用AI的权限和展示成果的舞台时，大量“藏”在业务中的AI机会会被自发挖掘出来。
建立内部AI应用案例库：将分散在各业务单元的“玩”出来的成果进行收集、整理和分享，让一个团队的发现能够启发其他团队。这种知识的横向流动，远比自上而下的培训更有效。
这些措施的共同目标，是让“玩起来”从个别先行者的自发行为，演变为组织层面的系统性能力。
▌第三步：业务上——从“流程自动化”转向“决策智能化”
“玩起来”的起点往往是自动化，用AI替代重复性、低价值的人工劳动。这本身是有价值的，但如果停留于此，AI转型的价值天花板会很快触及。真正的规模化价值，来自于AI从“执行者”进化为“决策辅助者”，乃至“智能体（Agent）”。这一演进路径展示了AI价值的跃升，从节省时间，到提供洞察，再到辅助决策。每一步都意味着AI在业务流程中的角色更加核心，其创造的价值也更加显著。
对于正在“玩起来”的企业而言，不必苛求一步到位实现决策智能化，但应当有意识地推动AI应用沿着这个阶梯向上攀登。每一次迭代，都将AI推向更靠近业务核心的位置。
“三步走”策略的核心逻辑是连贯的。心态上的调整解决了“敢不敢玩”的问题，组织上的赋能解决了“谁能玩”的问题，业务上的阶梯式演进解决了“往哪玩”的问题。这并非要求企业一次性完成所有步骤，可以从任何一步开始，但最终需要三条腿同时站立，才能从零散的“玩”走向系统性的价值创造。
俞晨骜所说的“AI转型没有统一答案”，没有人知道什么是最佳实践，因为最佳实践还没有被发明出来。那些最终胜出的企业，未必是初始条件最好或战略规划最完美的，而很可能是那些迭代速度最快、从每一次尝试中学习最多的。
因此，在AI时代，最大的风险不是“做错了什么”，而是“什么都没做”。这并不是鼓励盲动，而是要求企业建立一种新的决策纪律，用小成本、小范围的尝试来对冲大方向的不确定性。建议企业管理者放下对完美方案的执念，停止对ROI的精确计算，真正的起点可能远比想象中简单。哪怕没准备好，也先走起来，因为只有走起来，路才会在脚下显现。
本文作者蒋雨林，来自上海攀成德企业管理顾问有限公司。文章所列内容仅代表作者观点，不代表攀成德立场。
本文首发于勘察设计前沿，未经授权不得转载，如需转载请在文章下方留言。
您还想看什么类型的文章，欢迎在文章下方留言，或者私信我们！
