白果:AI不是省人的工具,而是放大人的杠杆

AI转型不是数字化转型的“高配版”

首先需要澄清一点。不少企业家把AI转型视为数字化转型的“高配版”，认为必须比数字化阶段投入更多资金、组建更大的技术团队。其实未必。

数字化转型改变的是信息传输、处理与集成的方式，技术尚不能脱离人独立决策。它的效率提升主要来自将成熟流程固定下来并自动化，因此高度依赖数据的结构化，需要大规模的IT团队，是一项系统工程。

AI转型则遵循另一套逻辑。大模型能够独立完成过去需要专业人士才能做出的判断，对数据结构化的要求大幅降低，最有价值的数据也从结果数据转向过程数据与行为数据。它既可以单点试点，也可以系统推进，不必一开始就对整个组织动大手术。

因此，AI落地真正考验的不是技术，而是对行业的深度认知：我们过去究竟如何判断问题、解决问题。只有把这套经验梳理清楚，才能将其迁移给算法执行。在我看来，行业经验的分量，远远超过模型本身。

认清这一点，才能避开两个常见误区。

一是把AI窄化为降本、裁员的工具。AI转型绝不仅仅是效率问题。企业一旦以降本减人为目标，员工容易产生抵触心理，组织的注意力也容易聚焦在“如何少用人”上，而成本优势又极易被复制，最终只能陷入价格战。

二是把AI本身当成战略。AI更像一个放大器：既放大企业已有的优势，也直接提升产品创新与市场拓展的能力。两者形成正向循环，才是转型的目标。

与上一波互联网浪潮不同，大模型带来的不只是信息处理或注意力争夺上的进步，更是对新时代生产力与生产关系的重构。

由此，管理者需要完成一次心智转换——从防守转向进攻：防守思维关注如何省钱、省人，但“省”的边际收益终有上限；进攻思维关注的是，AI释放大量智力后，企业能够创造什么新产品、新价值。

未来企业的竞争，将是人力资本与算力资本的竞争，但二者的含义都已改变：人力资本不再是团队规模，而是顶尖人才的判断力与创造力；算力资本也不是购买了多少Token、模型参数有多大，而是企业能否构建一个让AI稳定运行的组织环境。

AI如何创造价值

Lemonade：一个可供研究的样本

以美国的Lemonade为例。这家公司2015年由两位保险业外的创业者在纽约创立，从租客险起步，后陆续扩展至房主险、宠物险、车险与定期寿险，通过手机直接触达用户。我关注的不是它在互联网时代的做法，而是大模型普及之后的变化。它值得看的也不是保险本身，而是作为一个组织样本的意义。

2022年至2025年，Lemonade的有效保费从约6.25亿美元增至约12.37亿美元，接近翻倍。但这还不是关键：客户数仅增长约65%，说明客均保费在提升；毛赔付率从约90%降至64%，说明业务质量明显改善。同期收入增至7.38亿美元，增速快于保费，主要体现了自留比例的提高。

更值得关注的是人效。业务接近翻倍，员工人数却从1367人降至1282人。人数下降并非因为使用AI而裁员，而是2022年并购后的编制整合。仅从保费看，人效至少提高了一倍。

支撑这一切的是一套分工清晰的智能体系统：前台由AI Maya负责销售、AI Jim负责理赔，后台的定价、运营、交叉销售等系统也有智能体协同。截至2025年底，96%的报案由Jim独立受理，约55%的理赔无需人工介入、可在秒级结案。其余案件，Jim也会先与客户沟通、完成信息整理，人只处理其中最难判断的环节。不少企业热衷于宣称搭建了成百上千个智能体，其实并无必要，按任务做好清晰分工即可。

当然，这一样本也有其边界。Lemonade尚未盈利，只是亏损在收窄，净亏损从2.98亿美元降至1.66亿美元；约45%的例外案件是否会演变为新的成本与口碑风险，仍有待观察。但它至少说明：业务翻倍靠的不是裁员，而是让AI承担高频、低复杂度的工作，把人腾出来处理真正困难的部分。

先把能验证的事交给AI

想要用好AI，首先要理解大模型的特性：它本质上是一个概率模型。信息不足时，它不会回答“我不知道”，而是会给出一个看似最可能的答案，这就是幻觉。个人使用时可以随时甄别、修正；而在保险这样对确定性与合规要求极高的行业，必须建立一套可控的体系。

这套体系可分为三层：提示词工程解决“如何提问”；上下文工程将业务规则与案例提供给模型，界定其判断的环境，这一层尤为关键；驾驭工程则把模型嵌入流程与权责边界之中。如果把AI比作一匹马，驾驭工程就是为它配备的整套马具。

因此，多数企业无需自行训练模型。训练好的大模型，好比组织里新来了一位受过良好教育的年轻人，不必从头培养，只需把行业问题告诉它，教会它如何处理。这更多是业务问题，而非技术问题。

企业在AI落地时，容易出现两种偏差。一种是技术狂热与冒进主义：一开始就自研、微调模型，期待AI端到端接管复杂业务；另一种是惰性保守与鸵鸟心理：仅用AI写文案、做图表，积累一批演示Demo，看似热闹，却始终没有进入生产，只是一堆“玩具”。

那么，我们应当从何处入手？数字化时代，企业优先选择结构化程度高、确定性强的任务。到了AI时代，这一标准已不再适用，更重要的是任务是否可控、可拆解、可验证。

编程就是一个例子。编程并不简单，结构化程度不高，可重复性也不强，但AI恰恰在编程领域进展很快，原因在于程序能否运行，结果是可以明确验证的。只要结果可验证，就应大胆交给AI尝试，即便出错，也可以修正。

具体做法是建立“双敏捷”机制：在低风险、高频次的场景中，先让AI独立跑通业务闭环；在核心业务中，先由人参与把关。但人的介入只是过渡，长期目标是逐步将人从标准化的闭环中抽离出来。

在人才上，多数企业目前还不需要算法工程师，更需要的是FDE（前置部署工程师）：他们懂一些AI，更重要的是能够深入业务现场、拆解流程、推动落地。企业内部同样可以发掘这样的人：懂业务、善沟通、愿意为结果负责。

让AI落地：方法不难，难在组织

方法之外，真正的阻力往往来自组织内部。

首先是一把手。只是在对话框里与AI聊上几句，算不上真正的深入使用；至少要亲自“养一只虾”，让智能体真正替你完成一些工作。一把手不必成为专家，但需要建立对AI能力边界的真实判断，否则很容易被概念误导。

其次是中层。AI转型对中层的冲击最大，常见两种反应：一种是浅尝辄止便下结论，认为AI“不过如此”；另一种是认可其价值，却只在私下使用，不愿推动组织层面的变革。

更深层的矛盾在流程。仍以保险行业为例，同样是核保，“人为主、AI为辅”与“AI为主、人为辅”，流程设计截然不同。过去的流程是为人与人的协作设计的，而非为AI与AI的协同设计的。AI深入后，分工逻辑要从“谁做哪道工序”转向“谁对什么结果负责”，也就是从流程分工转向结果分工。这也解释了一个常见的效率落差：创业团队没有旧流程的包袱，效率可以成倍提升；成熟企业的链条上，只要还有人工环节，效率就会卡在那里。

对于愿意拥抱AI的企业，我有几点建议：一是为探索留出空间，区分“探索期”与“收获期”，不以成熟业务的KPI考核AI试验；二是摆正姿态，不传递“AI用来裁员”的信号，AI带来的增量收益应有一部分分享给员工；三是可以举办内部AI创新大赛，其意义不在于直接产出产品，而在于发现对AI有热情、有能力的人。

长远来看，组织结构将从层级式走向网络化，中层管理者会转变为流程的编排者与AI的调度者，经验则沉淀为数据与知识库。在这样的新型组织模式下，对人的能力要求反而更高：答案越来越容易获得，提出正确的问题、判断输出的质量，正在成为人不可替代的价值。

结语：AI不会让世界更确定

互动环节，有观众提出这样一个问题：AI对风险的预测越来越准，诸如保险这样以管理不确定性为生的行业，市场对它的需求是否会萎缩？

我的判断是否定的。AI增强的是我们对不确定性的判断，而不会消除不确定性本身。一个系统中变量越多、变量之间的关联越紧密，系统就越复杂。AI让系统纳入的变量越来越多，而变量之间相互影响的事实并没有改变，因此风险不会减少，甚至可能增多。就保险业而言，它不会因为AI而过时，从业者要做的是借助AI更精准地识别和定价风险。

放到所有行业来看，企业之间的胜负，不在于采购了多先进的模型、搭建了多少智能体，而在于是否愿意把AI释放的生产力投向价值创造，而不是仅仅锁在成本账本上。

AI不是替代人的工具，而是放大人的杠杆。

点击卡片，关注中欧北京校区