“AI取代不了我”?!听AI时代管理者的真实答案

段静远：从财经记者转型公关合伙人，我观察到AI在公关咨询领域极大提升了信息检索与分析效率，但人际洞察、决策判断及声誉风险管理仍依赖人的经验。你们在自己的行业里，有哪些AI落地场景？又有哪些尚未被取代的部分？

姜山：我本科在加拿大多伦多大学读神经科学和细胞分子生物学，毕业后做了一段时间的CRO（临床试验业务）相关工作。

回国后，我发现国内的CRO行业正处于一个非常好的发展势头，成本优势和专业人才积累都达到了一个很好的阶段，所以我决定从底层做起，从BD到项目管理。

也正是在这个几段，我进入港大-复旦IMBA项目学习，也遇到了志同道合的伙伴，我现在的技术合伙人，他在美国顶尖高校有自己的实验室，我们一拍即合，创立了现在的公司。

关于AI在制药领域的应用，我想先说一点自己的“悲观理性”。

大家知道创新药行业有个“双十定律”——十年时间、十亿美金，而现在只会越来越长、越来越多。所以每当有新技术出现，大家都会第一时间想到能不能用到制药上，其实这已经不是这个行业第一次遇上AI热潮了。上世纪80年代，机器学习理念刚提出时，美国就有很多药企投入大量资源，结果十年后什么都没有出来。当然AI有其巨大的价值，后面我们可以展开讨论。

戴绪：我的领域是互联网传播领域的大数据分析研究，传统来说可以叫“新媒体舆情监测”，主要服务政府和B端客户。

有了AI以后，这个领域里出现了一些有意思的现象，最近这一两年甚至有些客户直接跟我们说他们现在会自己在豆包等AI工具上观察舆情，会安排人员每天在豆包上问“有没有公司的负面信息”，然后让豆包定期更新。

但我可以负责任地告诉大家：这种做法是不全面的。无论是豆包、DeepSeek还是其他AI工具，能实时检索到的信息范围其实很窄，而专业服务商能够覆盖更广泛的数据源。所以虽然AI工具普及了，但我们的服务对客户来说依然非常刚需。

当然，AI也在倒逼我们改变工作方式，做出业务调整。现在，售前评估和一些简单报告，大概90%的内容可以由AI完成，我们内部已经形成了一个“人机协作”的工作流，这是非常现实的效率提升。

段静远：最近有一个热点话题，就是315晚会提及了GEO可能存在的一些虚假信息问题，但我听说这之后反而咨询的人更多了。请学姐谈谈GEO的实际应用价值、合规风险，以及操作中应该注意什么？

戴绪：随着AI的发展，大家其实多多少少应该都听过GEO，目前也有越来越多的企业来向我们咨询。企业来找我们，主要三方面诉求：一是提高品牌在AI回答中的曝光率，二是提高品牌推荐率，三是降低品牌负面信息率。

央视曝光的那个案例之所以出问题，是因为那家公司直接编造虚假信息进行了“投毒”，这严重违背了公序良俗，甚至可能违法。正常经营的企业不会这么做，实际上，合规的GEO业务只是一个顺应时代的新营销手段。

在GEO业务的具体操作上，我们建议企业做好三件事：

第一，内容必须客观真实。营销当然要提炼优势，但不能编造，内容为王永远是最重要的。

第二，把内容做成适合大模型引用、学习和抓取的结构。专业服务商会帮你调整文字结构，让大模型更容易抓取和理解。

第三，要有耐心。GEO的效果通常需要1到3个月才能显现，而且像街边吆喝一样，你不吆喝了，流量就会下去。

所以，只要守住真实底线、做好内容优化、保持长期投入，GEO完全可以是一个合规且有效的推广方式，并不是什么可怕的事情。

段静远：AI制药被资本追捧，很多投资人只要看到“AI”两个字就给高估值。请学长从实操角度谈谈AI到底在哪些环节已经产生了真实价值？哪些环节还在“讲故事”，还需要我们耐心等待？

姜山：就像前面提到的，AI在制药领域的应用，我们依然需要冷静看待。

首先，AI在临床前阶段确实有突破。比如用小分子生成模型、蛋白质结构预测工具，可以帮助我们更快地找到先导化合物、优化PCC（临床前候选化合物）。大模型确实能帮助我们缩短时间、降低成本。但是，大部分药物最终失败不是在临床前，而是在临床一期、二期、三期——因为安全性和有效性等问题，到目前为止，我们还没有看到AI能显著降低临床阶段的失败率。

AI模型依赖于训练数据，而生物系统里有太多未知的机制和通路（大概80%人类还不清楚），AI只能在你给它的数据范围内做“平均化”预测，它不能创造全新的知识。举个例子：去年有一篇论文研究专门测试AI对那些“未知”的蛋白质序列折叠预测，结果准确率急剧下降。这说明AI更多是在“记忆”而非“创造”。

所以我认为AI是很好的辅助工具，但远没有到“颠覆”的程度。我们公司采用CAAD + AIDD结合的方式，在AI能帮上忙的地方用它，在需要真正创新突破的地方，我们依然会比较理性的看待AI的作用，不断去探索AI的边界。

段静远：作为2025级的新生，我们刚刚完成了几门必修课程，其中在万智玺教授的《Business Analysis》课堂上，他提出学习重点已从如何“手搓模型”转向如何“提出更好的问题”和“检验交付成果”。作为已经毕业的校友和正在学习中的同学，学姐学长在AI技术快速迭代期读书，有什么感受？又有何提升？

戴绪：我感受很深。我们这一届正好赶上了大模型爆发，学院和项目就及时新增了张诚教授的《从机器学习到大型语言模型：技术与商业创新》这门课。课上教我们本地部署Ollama、用Coze（扣子）搭建智能体，还要自己动手实践。我相信现在大家在日常学习和工作中都已经习惯了和AI协作。

但IMBA真正的价值不在于教你如何使用某个具体工具，而是给你提供一套完整且丰富的思考框架。

两年的课程，每一门课都是你重新认识一个领域的起点，比如营销管理、公司金融、商业数据分析、全球宏观经济等等。完成学习后，每当你遇到同类型问题时，脑子里会快速调用这些框架来拆解问题。这就好像给自己训练了一个“个人知识库”，一个思考的方法论。这才是港大-复旦IMBA项目带给我最大的收获。

姜山：我非常赞同学姐说的。当大语言模型刚刚出现的时候，大家首先会觉得它将对教育产生巨大的冲击，但我们学院和项目都保持着一个非常开放的态度，直接告诉我们ChatGPT给同学们随便用。既然“猫”已经钻出了袋子，就别想把它装回去，关键不是用不用，而是怎么用，这在我们很多老师的授课中都有体现。

其中邹德强老师给了我很大的启发。他教我们要写长Prompt（提示），给AI构建Persona，用AI模拟专家进行深度访谈，这种方法我以前从来没想过。这其实就是“提出正确问题”的能力，在AI时代变得特别稀缺。

另外，在项目中我们可以和不同行业的同学交流，你能很快了解到AI在各个领域已经做到了什么程度、边界在哪里。这种信息差本身就是巨大的学习价值。

段静远：对于从0到1的创业公司，以及成熟企业中的团队管理者，AI对组织领导力提出了哪些新要求？

姜山：对初创企业来说，这其实是一个好时机。因为组织还没有固化，我们可以从一开始就按照AI时代的逻辑来设计。

我们的思考是，在未来，“专家”也就是能够做判断的人的重要程度会提高，而中间的执行层可能会更多被AI Agent替代。比如，以前一个药物设计主管需要带着一群学生或者初级研究员，手把手教他们做计算、做分析；以后，他可能只需要带着一群Agent——让Agent去执行重复性、低判断价值的工作，他自己专注于真正需要创新和决策的部分。这样效率会极大提升，资金利用率也会更高。

当然，我们公司还在摸索阶段，这只是一个思考方向。但至少我们有机会重新思考组织的价值创造方式，而不是在既有结构上打补丁。

戴绪：我从另一个角度说。我目前所在的公司是一家创业型公司，创立至今十年多，我的岗位主要负责大客户沟通，我可以很负责任地告诉大家：AI暂时还取代不了我这个岗位。

为什么？因为人类社会太复杂了，很多沟通中的信息根本不是语言类的信号，你如果get不到那个点，你都不知道该怎么问大模型自己接下来该怎么做。甚至有时候，我们团队里初入职场的同事，由于他还没有建立起职场上沟通表达的思维方式，他都无法向我们的售前评估大模型或者智能体进行准确的信息传递。

对于需要组织协调、人际沟通的岗位，真正要提升的是社会交往实践中的底层能力：理解非语言信号、共情、建立信任、处理模糊情境。这些能力很难被语料化，大模型有“脑力”，但没有“心力”，它们没有灵魂与立场，容易被带着走。你如果跟AI聊天，你就会发现它很容易顺着你的观点回答。

所以，在我的部门，AI能做到的是帮我们快速产出方案材料、构建内部业务问答智能体。但核心的客户沟通、关系维护、复杂决策，还是要靠人。这反而对我们提出了更高的要求——在AI把执行层工作自动化之后，人的“心力”和“判断力”会变得更加稀缺和珍贵。

点亮星标⭐ 

了解项目最新动态和活动资讯