ARTICLE · 1107018
AI 落地不是买工具,是攒资产
与陪跑传统企业 AI 项目的同行交流，剧本总是同一个：老板开完大会说要 All in，三个月买套行业方案，半年后汇报"已上线 12 个场景"，一年后复盘，营运负责人一句话：我们跟同行第二名，到底差在哪儿？大都答不上来。因为对方买的是同一家方案，接的是同一个模型。
真正的坎不是能不能用，而是用了以后有没有优势。巴尼说"AI 本身难以带来可持续竞争优势"没错，《清华管理评论》指出，其前提是"大家用着一模一样的 AI"——现实里 AI 从来不是同质的。正确的问题是：什么样的 AI、什么样的用法，才能带来优势。
一、把 AI 当差异化资源，别当"电"
电是同质的，你家插座和我家没区别；AI 更像 ERP、更像 PC，以特定厂商、版本、配置、场景出现。同样叫"AI 客服"，接哪个模型、用什么喂、谁兜底、多久迭代，差异远大于"用不用 AI"三个字。
自家痛点场景：让供应商用我们 200 条真实数据现场跑一遍，跑不出来的，PPT 再漂亮也不进下一轮。
- 抢时间窗：拿80年代农村改造：早通电的村子改了学校、修了路、留住了人，于是领先邻村好几年。领先来自配套，不只是电。AI先行者赢的是这几个月锁定的互补资源：AI思维团队、异构系统接口、一线习惯、主动锁定互补者，别等着被锁定
先立自己的接口标准与协同规范，从买方变成标准方：别问"要不要上 AI"，要问"哪个岗位、哪个动作、用哪个版本、配什么人、和谁绑定"。前者是采购问题，后者才是经营问题。 
二、重点：用 VRIN框架四把尺子做 AI 资产体检
VRIN 是巴尼资源基础观的经典判据，判断一项资源能否成为可持续竞争优势的来源：V 有价值、R 稀缺、I 不可模仿、N 不可替代。
"必要条件"四个字，不是说满足就有优势，而是缺任何一条，就不可能有可持续优势——我们叫"别在这浪费预算"。四条还有排序：V 是入场券，R 给你时间窗，I 给你壁垒，N 给你终身保障。
V｜打中关键指标没有。有没有改善了大家关注的哪个指标？覆盖得了AI落地的全成本（订阅＋实施＋治理＋培训＋返工）吗？出错谁兜底？拿不出量化数字的一律不算 V。最大的误判是把"能跑通"当"有价值"：写周报、做纪要确实省事，但省的是所有人的时间，该做，当效率基建，别写进战略汇报。
R｜别人明天能不能抄。做一次"竞争对手 30 天测试"：同行今天做同样的事、砸同样的钱，多久到同样效果？30 天内追上——不构成 R；1–2 年——有时间窗但脆弱，须靠 I 补位；砸钱也追不上——强 R，这才该重投。
被忽视的稀缺资产其实一直在你手上：十年以上的设备运行与故障记录、客流×天气×商圈活动与销售的关系、几十万次真实客服对话及其最终处置结果、一线产线上老师傅的手感。它们在 AI 之前是沉默成本，AI 之后第一次变成可训练的稀缺资源——传统企业的机会不是追大模型，是把几十年存货激活。
I｜抄走能不能复制出同样效果。I 只有三种来源：历史积累（路径依赖）、因果模糊（说不清为何有效）、社会复杂性（人、组织、信任、文化的嵌入），三样都不占就是可模仿。
五种伪壁垒可以对号入座：
"用了最新模型"——公开可商用 "写了几千条 Prompt"——可截图可逆向，人一走就没了 "买了头部厂商方案"——厂商同时在卖给你对手 "做了很多培训"——内容可复制，员工可被挖 "数据量很大"——量大≠独特
真难模仿的是：数据里有结果标注，不只记客户说什么，还记这次处置有没有解决、返修几次、有无二次投诉。带因果闭环的语料砸钱是砸不出来，这才是 I。
N｜换一套方案能不能替代你。对外不可替代，对手无法绕道达成同样效果；对自己不可替代，不会因上游厂商一个决定被掐住喉咙。第二层在传统行业最致命：很多企业的"AI 能力"建在单一公有云 API 上，没有本地模型、没有导出约定，评测集还留在供应商后台。这不是护城河，是在别人地基上盖房子。
四条同时成立才分级（任一打 ✗，不进战略级投入，只按效率工具管理）：只有 V 是降本增效；V＋R 是时间窗优势，通常 12–24 个月，须在窗口内补 I；V＋R＋I 是结构性优势，能撑多年但仍可能被绕过；VRIN 全满足才是可持续优势，值得董事会级别投入。
三、数据与算法属地化，别把核心资产白送
我们在推动AI时，一方面把自己最为核心的数据无偿地让 AI 大厂拿去学习，另一方面又花大价钱买回 AI 大厂的产品和服务，以至于自己没有留下任何有价值的资产。对照 VRIN：V 可能有，R、I、N 全丢。
破解上面困局先分级：公开语料随便用公域模型；内部一般数据可上云但要脱敏和权限；核心专属数据（工艺参数、故障处置记录、客诉全流程、定价成本结构、客户画像）必须可控处理、出域逐项审批。多数项目将最核心专属数据直接丢进外部通用模型。
我们与任何供应商合作必须有四条合同底线，缺一不可：数据权属归我方且不得用于训练通用模型；语料与评测集随时可导出（复利的本金）；模型或微调产物可迁移；日志与调用记录可回流——没有回流就没有迭代。
把经验变成机器学得会的东西，只有营运能干。老师傅说，这声音不对，轴承该换了"，留在脑子里是零资产；记成"现象—判断—处置—结果"四段式就是标注样本。给一线一个最小动作：每周每人 10 条判断卡，200 人团队一年十万条带因果闭环的专属语料，同行买不到、抄不走、替代不了。
算法也包括协作规范——AI 结果谁复核、错了怎么追责、门店问题怎么回流总部、跟供应商用哪套字段。这些嵌在组织和考核里，拷代码拷不走。多数企业只调通模型、没重建协作界面，这是"上线了却没效果"的头号原因。
四、人机协同的学习速度，才是最后的护城河
反直觉的结论：AI 落地的终极目标不是少用人。若企业以 AI Agents 为主导、把人的影响降到最低甚至为零，巴尼的判断将完全成立——你能买 AI 我也能买，Agent 之间的异质性可被技术标准和接口买断，最终彻底同质化。把人推向零，等于亲手让出差异化。
机器大多数时候可预测（虽然会幻觉），人的想象力与极端行为机器比不了。一线感受最深：真正的疑难杂症、新生意、危机时刻，靠的从来不是标准动作。所以目标要换个说法：不是自动化率有多高，而是我们和 AI 共同学习的速度比对手快多少。
三种能力要补：判断与兜底（AI 给结论、人给决定，谁签字谁负责，并把每次人工接管记为语料）、标注与喂养（把业务知识翻译成样本，写进岗位职责与考核）、编排与治理（AI 与人之间的流程，让营运主管而不是 IT 画图）。
三个误区：别把 AI 当外包，它是要带教的"新人"；别只考核替人效，该考核人机组合的产出、错误率、新场景上线周期；别让能力只长在人身上，员工离职而经验没进 SOP 和语料库，企业等于什么都没得到。
还有一个极少被营运重视的维度是交易模式：商业模式的核心与实质就是交易模式。AI 不只内部提效，它会改变你和客户、供应商、平台的交易方式——平台上了 Agent 后如何被检索推荐、议价权在谁手上，补货直连后分成结构会不会重排。
五、马上能做的行动
今天就能做的 5 件事
1、用 VRIN 把 AI 项目过一遍，任一维度打 ✗ 的降级为效率工具，停止战略级投入 2、写下贵司唯一那份别人没有的数据；写不出来就先做盘点，别急着上模型 3、查合同四条底线：数据权属、语料导出、权重迁移、日志回流 4、给一线下最小动作：每周每人 10 条判断卡 5、把"人机共同学习速度"（上线周期、人工接管率、错误率下降速度）加进例会看板
AI 不会淘汰传统行业。但用 VRIN 认真筛自家资产，会淘汰那些把数据白送出去、把优势写成 PPT 的同行。
技术买得到；判断力、专属数据、组织的学习速度，买不到。
——王歆