（原创文章第155篇）

由于国内的很多传统行业已经陷入到极度内卷的环境中，同质化严重，创新能力不足，而用过去解决旧有问题的思路是无法来解决目前的新问题的，只有跳出旧有思维框架，不过AI时代的到来，可能是解决旧有问题的最好机会。起码能给到企业一号位一个改变自己思维模式的机会。

关于企业如果进行AI转型，很多专家都有各的看法，而且往往是截然相反的，周鸿祎、李开复、傅盛的很多视频都在阐述各自的想法，如果感兴趣都可以听听，兼听则明。但总体来说，都在讲，如果仅仅是在现有组织架构不变的前提下，把AI作为一个工具，是不行的。这些话听起来很简单，要知道动组织架构就是动人，一旦上来就动人，在中国谈何容易？我认为这些看似正确的道理其实很难落地实施，而且遇到的内部阻力之大，是很多企业所无法承受的。

结果就是，很多企业一号位明知道企业一定要进行AI转型的，毕竟这是技术趋势，但是又不知道从哪里开始切入。有的专家说先要有数据治理，有的专家说数据治理没必要，直接用AI来治理就行。这些专家言论听的多了，自己的数据知识基础又差，结果就是很多老板反而不敢动了。只是在做一些无关痛痒的工作，比如送员工去学AI，写文章、做PPT、出报表，几个月下来好像人人都用上了。可你问他企业经营有没有变样，他摇摇头：库存照样积压，货款照样得自己催，部门扯皮一点没少。AI时代到了，反而更焦虑了。

归根结底，不是企业老板不想AI转型，是很多企业连最基本的数据都没整明白。客户资料躺在销售的微信里，生产数据在车间主任的笔记本上，仓库一套、财务另一套。这种底子，怎么上AI？难不成先砸几十万几百万把全套ERP系统先建起来，再谈智能化？如果把AI当做高学历的博士生，你即使请了100个清华大学的博士生进来，他们不懂业务里的重点，来了也形不成生产力。

最容易掉的坑，就是管理问题还没搞清楚，却指望技术来救场。结果钱花了、软件买了、培训做了，原来的混乱一个没少，只是从线下搬到了线上。所以我先抛一个判断：AI化改造，不是急着想把企业变多聪明，而是先让企业别再那么糊涂。这个道理通了，方向就清楚了。别把AI当软件，当工具，而是把AI当做一种新的生产方式。

就好比蒸汽机时代到电力时代，别把电力当做替代蒸汽机的工具，而是当做全新的生产方式，从蒸汽机仅仅作为全车间的整体动力设施切换到电力作为每一步工序的动力设施。现在的AI也是如此，先把能切换到AI生产方式的基础打好，再加上AI，才能发挥AI的最大潜力。

1、先说句实话：很多中小企业缺的不是AI，是基本的管理能力

我讲个常见的画面。一家制造企业，销售接了个单子，跟客户拍胸脯二十天交货。生产一接通知，发现原料不够。采购说，你要早告诉我订单情况，我就能让供应商先备货。仓库说，有些材料账面上是够的，只是实际库存没及时更新。最后交期黄了，几个部门各说各的理，老板亲自去擦屁股。

这种企业，最缺的是马上上AI智能体吗？我看未必。它最该解决的，是销售、采购、生产、仓库之间，为什么连基本的信息都共享不了。这些问题不解决，上了AI，无非是让错误的信息传得更快。更糟的是，AI有时候能把错误的分析讲得头头是道，反而让你更难判断。话又说回来，也不是非得等管理全规范了才能碰AI。恰恰相反，可以借着AI，从一个小问题入手，慢慢把管理带起来。顺序别反就行。

我给大多数底子一般的中小企业一个建议：按下面六个阶段走，大概一年时间，把第一轮AI化改造跑完。注意，是第一轮——不是一年之后企业就全智能了。

第一阶段：先找出最该用AI解决的那三件事（第1—2周）

牵头人：老板自己，带上核心管理层。第一步不用投资买任何软件，而是做一次经营诊断。把销售、采购、生产、财务的头儿叫到一起，专门开个会。但这会不聊用什么AI工具，就聊三个问题：（1）企业现在最烧钱的地方在哪儿？可能是库存，可能是应收账款，也可能是返工、采购成本或者客户流失。（2）哪些活儿最靠个人经验？比如采购经理凭感觉定数量，销售经理凭直觉判客户价值，生产主管凭经验排计划。（3）哪些活儿本可以提高效率，却因为信息不准、部门扯皮，一直没改善？

会开完，别列几十个问题，就挑三个。再按发生频率、经济影响、数据难不难拿、实施风险大不大，排个序，选一个最合适的先试点。这阶段几乎不花钱，但老板得投入足够的注意力。最大的阻力，是有些管理人员不愿意把自己部门的问题亮出来。所以一开始就得说清楚：这次诊断是为了改善经营，不是找人背锅。

做到什么程度算过关？三个问题找出来了，一个试点定下来了，负责人明确了，目前造成的时间或经济损失也估出来了。连最该改善的问题都说不清，就先别聊AI投资。

第二阶段：先把数据和AI模型这两件事搞明白，别急着花钱（第3—8周）

牵头人：业务负责人，配合一名懂电脑和数据的员工。必要时请外部技术人员协助。到了这一步，老板通常会提出一个问题：“问题已经找出来了，接下来是不是该买AI软件了？”我的回答是：先别急。因为我发现，很多企业老板连AI模型和AI软件究竟有什么区别，都没有搞清楚。这件事不讲明白，后面的转型很容易花冤枉钱。

我用一个最简单的比喻解释。大模型相当于一个聪明的大脑，AI软件相当于一个工作岗位，而智能体则相当于一个能够按照要求完成具体任务的数字员工。比如DeepSeek、通义千问等，都有相应的大模型。模型的作用，是理解语言、分析信息、进行推理和生成内容。但是，一个大模型即使再聪明，如果不知道你的企业生产什么、库存有多少、客户需要什么，它也无法凭空替你管理企业。这就像你招聘了一名清华大学博士生。他学历很高，分析能力很强，但是刚进公司，既不知道你的产品，也不了解客户，更不清楚你的业务流程。你让他明天就去做采购计划，他怎么做？

所以，在大模型之外，还需要给它提供业务数据、工作流程和必要的权限。比如把库存数据、客户订单、供应商交货周期连接起来，再设定工作规则，让AI能够定期检查缺料风险、提出补货建议。这种能够按照流程完成任务的AI应用，就可以理解为一种简单的AI智能体。它未必需要自己训练一个大模型。

这也是我要特别提醒企业老板的：绝大多数中小企业，现阶段并不需要自己研发大模型，甚至未必需要购买什么所谓的专属大模型。现在已经有不少开源的成熟模型可供使用。其中有些可以通过云端服务调用，有些开放了模型权重，满足相应许可条件就可以自行部署。比如通义千问的部分开源模型，就可以在符合许可要求的前提下，用于企业应用。因此，模型本身未必需要额外支付授权费用。但请注意，模型可以免费使用，不等于整个AI系统没有成本。

如果模型放在自己的电脑或者服务器里运行，你就需要有相应的硬件、存储空间和维护人员。如果通过互联网调用云端模型，通常可以按照使用token量付费，或者购买相应服务。如果要让AI自动读取库存、连接订单系统、生成报告，还可能需要配置软件接口，或者开发一些简单程序。

所以，对中小企业来说，我建议先把三种选择搞清楚。

第一种，直接使用现成的AI应用。适合整理会议纪要、分析不含敏感信息的表格、辅助撰写报告、归纳客户公开反馈等工作。使用门槛低，有些提供免费额度，有些需要订阅。

第二种，使用云端大模型，再连接自己企业的数据。这意味着企业通过一个技术接口，把规定范围内的数据发送给模型，让它完成分析后把结果返回。这个接口通常叫API。老板不必懂编程，只需要理解：相当于按使用次数或者使用量，临时调用一个外部的智能大脑。这种方式的好处是不必自己购买昂贵的计算设备，适合先试点。

第三种，把适合的开源模型部署在企业自己控制的设备上。简单说，就是把模型下载到自己的电脑或者服务器中运行。例如，技术人员可以利用Ollama这样的工具运行部分开放权重的模型，也可以利用Dify这样的开发平台，把模型与企业知识库、工作流程连接起来。这种方式能够给企业提供更多数据管理和系统控制的选择，但也需要考虑硬件性能、部署维护、安全防护以及模型效果。不是所有开源模型都能在普通办公电脑上流畅运行，更不是放在自己的服务器里就自然安全了。

到底选哪一种？

我的建议是：企业规模不大、刚开始试点的，优先选择现成应用或按量付费的云端服务；只有当数据安全、使用规模、长期成本和业务需求确实有必要时，再考虑本地部署。不要把技术方案搞成面子工程。

说完模型，再回到第二阶段真正需要做的事情：数据整理。假设第一阶段决定先解决库存积压问题。那么这时候不必整理企业过去十年的全部数据。先把与库存有关的几张表弄清楚。产品编码统一了吗？账面库存与实际库存是否一致？哪些产品已经三个月没有出库？哪些客户订单需要这些产品？供应商正常交货周期有多长？每一项数据由谁负责记录和核对？

即使目前没有完整的ERP系统，也可以先从几张规范的Excel表开始。但表格里的数字必须有人负责，重要数据必须能够核验。AI可以帮助检查重复记录、识别异常数据、整理不同格式的信息，却不能代替企业确认实际库存到底有多少。特别是涉及商业秘密、客户个人信息、产品配方、采购价格等数据，更不能未经评估就直接上传到公共AI平台。

这一步的过关标准，不是购买了多少软件，而是选定的试点业务已经有了基本可靠的数据，同时企业也弄清楚了自己适合使用哪一种AI方案。记住，第二阶段不是买一个聪明的大脑，而是准备好让这个大脑真正发挥作用的工作条件。

第三阶段：先让AI完成一个具体工作，而不是一下子管理整个企业（第2—3个月）

牵头人：试点业务部门负责人，技术人员辅助。数据整理好之后，就可以真正开始使用AI了。不过，我不建议老板一开始就提出这样的要求：“给我开发一个AI采购经理。”“让AI全面管理我们的库存。”“我要把整个工厂都变成智能工厂。”

这样的目标听起来很先进，但对于没有AI应用经验的中小企业，往往太大。我更建议做一件非常具体的小事：先让AI每天自动形成一份库存异常分析报告。我们继续用前面那家制造企业举例。企业已经有了产品库存表、近期订单表和供应商交期表。过去，仓库主管每天需要打开几个Excel文件，逐项核对，再判断哪些原材料可能不够用，哪些成品已经积压。现在可以让懂业务的员工和技术人员共同设计一个小程序。每天从固定位置读取经过核对的数据，先按照明确的计算规则算出库存差额、预计缺料日期和呆滞库存，再交给AI进行异常归纳和原因提示。最后，生成一份老板能看懂的报告。

例如：A产品目前库存2000件，未来30天已确认订单需求500件，属于重点关注的库存积压项目。B原材料现有库存300件，结合已确认订单和生产计划，预计两周后出现缺料风险。C产品连续90天没有出库，建议核查后续需求及处置方案。

这里必须说明，上面的数字只是举例。

实际应用中，库存计算、订单数量核对等需要准确结果的工作，应该交给ERP、数据库或经过验证的计算程序完成。大模型更适合做异常解释、资料归纳、风险提示和建议整理。不能把所有数字直接扔给AI，然后不加核查地相信它的回答。特别是采购下单、调整价格、变更生产计划等涉及实际经营责任的事情，初期一定要保留人工审核。

这样一个试点，到底需要什么软件？

可能只需要已有的Excel，加上一个经过批准的大模型服务，再配合简单的自动化程序。如果企业已经有ERP系统，也可以让技术人员在授权范围内读取其中的数据。对于有一定技术能力的企业，还可以利用Dify一类的平台配置工作流程。简单说，就是规定：第一步，从哪里取数据。第二步，用什么规则检查数据。第三步，让AI分析哪些异常。第四步，把结果发给谁审核。第五步，确认后如何处理。

这时候，企业已经不是单纯在用AI聊天，而是在尝试让AI参与一个真实的业务过程。老板需要关注的也不是AI写出来的报告有多漂亮。而是三个结果：（1）过去每天需要多少人工时间，现在减少了多少？（2）过去哪些库存异常容易被忽略，现在是否能够提前发现？（3）最终是否减少了缺料、积压或无效的管理劳动？

我建议试点周期控制在四到六周左右。

如果数据已经具备、流程简单，也可能更快。投入上，优先使用现有软件和成熟模型服务，把调用费用、开发配置、员工时间和维护成本都计算进去。有些试点可以用很低的成本验证，但并非所有企业都能做到零投入。如果效果达不到要求，就分析原因、调整或者停止，而不是因为已经花钱就必须继续做。这个阶段的真正价值，是让企业第一次证明：AI不是只能帮员工写文章、做PPT，它也可以参与真正的经营管理工作。

第四阶段：不要在旧流程上增加AI，而是让AI重新设计工作流程（第4—6个月）

牵头人：老板亲自推动，业务部门和技术人员共同参与。第三阶段完成之后，企业可能已经拥有一个每天自动生成库存分析报告的AI应用。但是，我要提醒老板：这还不是AI化改造真正完成的时候。为什么？

因为你可能只是把原来仓库主管每天整理的报表，换成了AI自动整理。原来的销售、采购、仓库、生产仍然各管各的。即使AI每天提醒缺料，也可能没有人及时处理。甚至还会出现一种非常荒唐的情况：AI生成了一份报告，仓库主管再根据这份报告做一份Excel，部门经理把Excel汇总成PPT，最后老板在会上听汇报。

AI加进来了，原来的工作流程却没有减少。这不是AI化改造，而是增加了一道新的工作程序。真正应该改变的是：过去，各部门按自己的工作习惯传递信息。现在，能不能围绕客户订单，把工作重新组织起来？

比如一个新订单进来，先进入统一的订单记录系统。系统根据产品清单和库存信息，按照确定的业务规则检查原材料是否满足需求。如果存在缺料风险，就自动发出提醒。AI再结合采购周期、历史交货异常等资料，向采购人员提出需要重点关注的项目。采购人员审核后，确认是否需要询价、补货或协调供应商。生产部门根据确认后的物料供应情况安排计划。销售人员则能够更及时地了解订单是否存在延期风险。

整个过程中，AI不一定直接替企业作决定，但可以减少人工查找信息、重复传递和遗漏异常的工作。这里最重要的改变，不是用了什么模型，而是原来割裂的几个部门，开始围绕一个订单协同工作。过去，一个客户订单需要经过几个部门反复确认。现在，能否做到重要信息只录入一次，需要时由授权人员和系统共同使用？过去，一个生产异常往往要等到周例会才能暴露。现在，能否在异常出现时就提醒相关责任人？过去，老板需要亲自协调很多事情。现在，能否先由明确的业务规则和责任人处理，只有超出权限或者出现重大异常时才提交老板？

请注意，这时还没有调整组织架构，也没有马上裁撤岗位。而是先调整工作流程和责任关系，再根据实际运行效果，逐步考虑岗位职责与组织结构的变化。

因为真正的AI转型，不应该从人与人的冲突开始，而应该从减少无价值的工作开始。比如，过去一个销售经理花大量时间汇总报表。现在这些报表可以自动生成，他就应该把更多精力用于分析客户、改善成交和维护客户关系。过去采购人员的大量时间用于核对库存。现在基础核对实现自动化，他就可以更多地关注供应商能力、采购成本和交货风险。

AI没有简单地替代这些人，而是改变了他们创造价值的方式。当然，这个阶段最难的已经不是技术，而是管理。因为过去一些岗位的价值建立在掌握信息、审批和协调上。当信息更加透明、流程更加清楚的时候，部分管理者可能会担心自己的地位和作用受到影响。所以，老板必须亲自参与流程重构，重新明确责任、权限和考核方式。

如果老板只是让技术人员负责，其他部门不愿配合，这件事大概率会遇到困难。第四阶段的过关标准，是至少有一条完整的业务流程发生了实质性改变。不是多了一份AI报告，而是减少了重复工作，缩短了信息传递时间，也让相关人员能够按照新流程完成工作。AI真正改变企业，不是从替人完成工作开始，而是从重新思考这项工作为什么要这样做开始。

第五阶段：从一个AI应用，走向多个岗位协同工作的AI智能体（第7—9个月）

牵头人：总经理或者经营负责人，业务部门与技术人员共同实施。到了这个阶段，企业已经有了一条运行比较稳定的新流程。那么接下来该做什么？我的建议是，不要急着把AI推广到所有部门，而是沿着已经成功的业务流程，逐步增加相关的AI应用。

这时候，可以正式引入一个现在很热门的概念：AI Agent，也就是AI智能体。很多人一听到智能体，就觉得它是一种特别复杂的新技术。其实对于企业老板，可以先这样理解：普通AI是你问一句，它回答一句；而智能体是在设定的目标、权限和规则之内，能够调用工具、执行若干步骤，并把结果交付出来的AI应用。

比如，你问普通AI：“帮我分析一下本月库存有什么问题。”你需要自己找数据、上传文件、提出问题。而一个配置好的库存分析智能体，可以每天定时读取授权的数据，通过计算工具核对指标，再调用大模型归纳异常，最后把报告发送给指定负责人。

更进一步，如果企业有几个不同的智能体，还可以让它们在统一流程下分工。比如：销售智能体，负责整理客户订单、汇总需求变化。库存智能体，负责分析库存异常、提示缺料风险。采购智能体，负责整理供应商报价、交货记录和待处理事项。经营分析智能体，负责把经过核验的业务指标进行汇总，生成管理层需要的经营分析报告。

这里有一个非常重要的区别：所谓建立四个智能体，不是必须购买四个大模型，也不是招聘四个AI开发团队。完全可以使用同一个大模型，让它按照不同的任务规则，连接不同的数据和工具，形成不同的应用。就像同一个具有分析能力的人，经过岗位培训以后，可以分别承担销售分析、采购分析或者经营报告整理的工作。当然，模型能不能完成任务，还要看业务复杂程度、数据质量、软件工具以及执行权限。

也不是每项工作都需要智能体。

例如，计算库存余额、执行固定审批条件，本来就可以用普通软件和明确规则完成，没必要强行交给大模型。

只有涉及复杂信息理解、非固定格式资料处理、多步骤任务安排等工作时，智能体才可能体现更大的价值。

那么，多个智能体怎样协同？

我们继续用前面那家制造企业举例。销售智能体发现下个月某款产品的确认订单明显增加。系统根据订单与库存计算，发现相关原材料可能不足。库存智能体把缺料风险整理出来。采购智能体根据已有的供应商资料，向采购经理提供几个需要核查的交货方案。经营分析智能体则把可能影响交期的订单，列入管理层的重点关注清单。整个过程不需要每个部门重新整理一套数据，也不需要层层复制文件。不过，重要的采购决定仍然需要由有权限的人员确认。这就是多个AI应用围绕同一业务流程协作的一种方式。

到了这一步，很多老板可能会发现：过去企业经营最大的困难之一，是每个部门只知道自己的情况，很难及时了解其他部门发生了什么。而AI结合统一的数据和流程，有机会帮助管理层更早发现跨部门问题。

过去老板开经营会，常常听到的是：销售说订单不错。生产说产能不足。采购说供应商交期不稳定。财务说回款不好。每个人说的可能都是真的，但是老板很难判断这些问题之间的关系。现在，如果关键经营数据能够相互关联，AI就可以辅助分析：订单增长会不会造成资金占用增加？某个大客户的利润下降，是否与频繁加急生产有关？某些库存积压，是否源于销售预测偏差？某些订单虽然销售额很大，却是否因为采购和交付成本过高而利润很低？

这时候，AI的价值才开始从局部提高效率，走向辅助企业理解经营问题。当然，这种分析不是自动产生真相。数据需要核验，结论需要验证，重要决策仍然要由管理者承担责任。

第五阶段的过关标准，不是企业拥有多少个智能体，而是多个部门已经能够通过统一的信息和流程协同工作，经营中的异常能够更及时地被发现和处理。

从这个阶段开始，AI才真正有机会成为企业新的生产和管理方式的一部分。

第六阶段：把AI变成企业的日常工作机制，而不是一场技术运动（第10—12个月及以后）

牵头人：老板负责方向，各部门长期执行。一年快结束了。企业可能已经有了一些AI应用，部分流程也发生了变化。但这时候，我最担心的一件事，就是AI化改造变成一阵风。刚开始老板非常重视，所有部门都积极参与。半年以后，新鲜感过去了。技术人员忙别的项目，部门经理又恢复原来的工作方式。一些AI系统无人维护，数据更新也不及时。最终，企业只是多了几套软件，多花了一笔钱。

所以，第六阶段最重要的，不是继续增加AI应用数量，而是建立一套持续改善的管理机制。我建议企业做三件事情。

第一，把已经验证有效的AI应用，正式纳入岗位工作流程。比如库存异常分析，每天什么时候运行，谁负责审核，出现异常后由谁处理，都要明确下来。不能让它停留在某个员工个人的尝试中。

第二，建立AI应用效果的定期复盘机制。我建议每个月开一次简短的AI经营改善会议。不讨论这个月又用了什么新模型，也不要求员工展示多少漂亮的AI成果。就问三个问题：（1）这个月AI到底帮助企业解决了什么经营问题？（2）哪些应用效果不好，原因是什么？（3）下个月最值得继续改善的是哪个环节？

如果AI应用减少了多少工时，就核算工时节约。如果改善了交付，就看交期指标。如果帮助减少库存，就看库存周转和资金占用。无法产生明确价值的应用，该调整就调整，该停止就停止。

第三，让员工逐渐形成一种新的工作习惯。

过去，员工遇到问题，首先想到的是问领导。现在，能不能先利用经过授权的数据和AI工具，把问题分析清楚，再带着判断和方案与领导讨论？过去，管理人员主要依靠经验判断。现在，能不能让经验与数据分析相互验证？过去，老板总是忙着替下属解决问题。现在，能不能让更多常规问题由流程和团队自行处理，让老板把精力放在真正重要的经营决策上？

这才是我希望看到的变化。

但这里还有一个不能忽略的问题。AI系统也需要管理。模型可能升级，输出结果可能出现错误，数据权限需要控制，关键操作需要留下记录。企业不能因为用了AI，就忽视原本应该有的内部控制。尤其是涉及财务付款、采购合同、客户信用、人员管理等重要事项，更应该明确人工审核和责任边界。

第六阶段的过关标准，就是即使最初推动AI项目的人不在，相关应用仍然能够按照既定制度运行，出现问题有人处理，应用效果有人评估。这时候，企业才算完成了第一轮AI化改造，而不是仅仅完成了一次AI技术培训。

六个阶段讲完，我想再回答企业老板最关心的三个现实问题。

第一个问题：AI转型是不是一定要花很多钱？不一定。

我甚至认为，对于大多数中小企业，第一年不应该把大量预算投入到购买复杂软件和建设昂贵的技术平台上。因为今天很多大模型已经可以直接使用，部分开放权重的模型也可以在符合许可要求的情况下自行部署。企业真正需要投入的，往往是业务数据整理、软件配置、流程改善和人员培训。如果只是验证一个简单场景，可以先利用已有电脑、Excel和成熟AI服务。在数据许可、硬件条件和业务复杂度适合的情况下，初期软件费用甚至可以很低。但如果要打通ERP、采购、生产和财务系统，或者涉及大量数据处理和本地部署，成本就会明显增加。

因此，企业不能简单地认为开源就等于免费，也不能听到AI就以为必须投入几十万。真正合理的做法是：先把问题诊断清楚，再决定技术方案；先小额投入验证价值，再决定是否扩大投资。

第二个问题：企业需要招聘AI工程师吗？不一定。

如果企业只有几十名员工，第一阶段完全可以由老板、业务负责人和一个懂电脑、愿意学习的员工共同推动。简单应用也可以在必要时借助外部技术服务。真正重要的，是企业内部必须有人懂业务，能够告诉技术人员：我们究竟想解决什么问题，怎样才算解决好了。因为再优秀的AI工程师，如果不了解企业经营，最终也可能只开发出一套看起来很先进、实际没人愿意使用的系统。

第三个问题：最大的阻力来自哪里？我认为不是技术，而是人。

AI进入企业之后，过去很多依赖个人经验、信息不透明、重复审批的工作方式，都可能受到挑战。员工担心增加工作量。中层担心自己的管理价值被削弱。部门负责人担心数据透明后暴露问题。甚至老板自己，也可能不愿意改变过去凭经验作决策的习惯。

因此，AI化改造绝不是技术部门自己的事情。技术人员可以解决模型和系统的问题。但是业务流程怎么改，部门利益怎么协调，岗位责任怎么重新划分，必须由老板亲自推动。

这里有一句话，我认为尤其值得中小企业老板记住：AI转型最难的，不是让机器学会人怎样工作，而是让人愿意重新思考，工作为什么一定要按照过去的方式进行。

前面讲了这么多，有些老板可能觉得，一年的AI化改造还是一个很大的工程。

其实不必想得那么复杂。我建议，下周一先做三件事。

第一，把销售、采购、生产、财务几个主要负责人叫到一起，认真分析目前最影响利润、现金流和经营效率的三个问题。

第二，选出一个频繁发生、损失能够估算、数据相对容易获得的问题，作为第一个AI试点。

第三，让业务负责人把相关数据整理出来，再请懂技术的人判断，究竟使用现成的AI软件、调用云端模型，还是需要其他技术方案。

注意，这三件事里面，没有一件要求老板先购买昂贵的软件。因为决定AI改造是否成功的第一步，并不是选择模型。而是判断企业真正值得解决的问题。这件事看起来简单，其实并不容易。很多老板能够很清楚地描述公司的困难，却不一定能够判断这些困难背后的真正原因。比如库存积压，到底是仓库管理不善，还是销售预测失误？应收账款过高，到底是财务催收不力，还是销售激励机制出现了问题？生产效率低，到底是员工工作态度不好，还是公司的订单结构和排产方式不合理？

同一个经营现象，背后可能存在完全不同的原因。

如果问题判断错了，即使AI技术再先进，也可能只是在错误的地方提高效率。所以我始终认为，企业AI化改造的第一笔投入，最值得花在看清企业真正的问题上，而不是急着购买技术。

最后说一句：AI时代，最该升级的可能是老板自己

中国很多中小企业，是靠老板的勤奋、敏锐和个人能力熬出来的。过去市场高速增长，只要老板有眼光、敢拼、能扛，哪怕内部管理不那么规范，依然可能取得不错的经营成果。但是现在，市场环境变了。客户越来越挑剔，同行竞争越来越激烈，利润空间不断受到挤压。过去依靠老板个人经验和精力解决问题的方式，正在面临新的挑战。

我在一开始就说过，AI时代的到来，恰恰给了这些企业一次难得的机会。

过去只有大企业才能负担得起的数据分析能力、信息处理能力和部分管理辅助能力，现在中小企业也有机会以相对较低的成本获得。

但我认为，这件事最值得关注的，可能还不是技术本身。而是它也给了企业老板提供了一个重新思考管理方式的机会。为什么过去一个订单，需要经过那么多人反复传递信息？为什么过去管理人员花大量时间制作报表，老板却仍然很难了解企业的真实经营状况？为什么过去很多工作必须依赖某个人的经验，却不能变成大家都可以使用的流程和知识？为什么企业规模越来越大，老板反而越来越忙？

这些问题，过去也存在。只不过市场好的时候，很多问题被增长掩盖了。利润掩盖一切问题。

今天，AI让我们有机会重新审视这些问题。但AI本身不会替老板完成这种反思。AI可以帮助企业提高分析问题的效率，却不能代替老板判断什么问题真正值得解决。我甚至认为，未来企业之间的竞争，可能不只是比谁拥有更先进的AI技术。因为很多企业能够使用的基础模型，可能是相同的。真正拉开差距的，是谁能够更好地识别经营问题，谁愿意改变旧有流程，谁能够建立让AI持续创造价值的管理机制。

同样一套AI技术，在不同企业里，最终产生的经营价值可能完全不同。区别就在于经营者如何理解它、使用它，并且愿意为它改变什么。

所以我给中小企业的建议是：不要急着购买AI硬件和软件，也不要因为自己不懂技术就不敢开始。先从企业真正的经营问题出发。找到问题，整理数据，选择适合的模型和应用方式，再从一个小场景开始验证。当验证有效之后，再逐步改变流程，推动跨部门协同，最后把有效的方法变成企业的日常管理机制。用一年左右完成第一轮AI化改造，对于具备基本经营条件和相应执行能力的中小企业，是一个可以考虑的参考目标。

但是，千万不要把一年之后拥有多少个AI智能体，当成转型成功的标准。真正的标准应该是：企业的经营问题是否能够更早被发现？员工是否减少了无价值的重复工作？不同部门是否能够更加有效地协同？老板是否能够从日常琐事中抽出更多精力，思考企业未来的发展？

如果这些变化逐渐发生，那么AI才真正开始为企业创造价值。文章写到这里，我特别想给所有企业老板留下三个问题：

如果明天就给你的企业装上最先进的AI系统，你觉得它会首先发现企业管理中的哪些问题？

这些问题如果真的被发现，你愿意为了改变它们，重新调整自己过去习惯的管理方式吗？

如果未来一年只能通过AI解决一个足以改变企业经营结果的问题，你知道应该选择哪一个吗？

我认为，第三个问题可能是最难回答的。因为很多时候，我们并不是缺少解决问题的工具。而是连自己最应该解决什么问题，都还没有真正想清楚。如果你正是一家传统企业的经营者，也很想进行AI化改造，却迟迟不知道应该从哪里开始，那么我更建议，先不要急着找软件公司购买AI系统。不妨先找一个真正懂经营管理、又愿意站在企业外部独立思考的人，一起做一次深入的经营诊断。把企业当前最重要的经营问题找出来，再看看哪些问题应该用管理方法解决，哪些值得用AI技术解决，哪些可能需要老板重新审视自己的经营判断。有时候，一场真正有深度的诊断，可能比听十场AI技术讲座更有价值。

因为AI时代，企业最重要的竞争力，可能不再只是拥有多少答案，而是能不能比竞争对手更早发现那个真正值得解决的问题。而企业所有真正有价值的改变，最终都要从一号位的思维改变开始。