夜雨聆风一个风电项目的故事
上周和一家民营风电企业老板吃饭，聊起他现在怎么做法务风控。
他说，十年前，光是尽调一个合作方的资信，要请外部律师、要找咨询公司做财务审计、还要自己的业务团队反复开会核查，前后折腾两个月，费用花掉大几十万。
"现在呢？"
"现在我让手下一个小伙子，花一个下午，用 AI 把合作方近三年的舆情、司法诉讼、财务数据、股权结构全部扒出来，整理成一份二十页的报告。"
他停顿了一下，说了一句让我印象很深的话：
"以前只有大公司才养得起这个团队，现在我一个小民企，也能在尽调上跟头部央企站在同一个起跑线。"
这句话里藏着这篇文章想说的核心——AI 正在系统性地消除企业之间的"能力鸿沟"，而这条鸿沟，曾经是商业竞争中最重要的护城河之一。
一、能力民主化：这不是第一次，但这次来得更快
历史不是新事。
电力普及之前，大型工厂必须自建发电机组，中小企业根本没有开工的能力。电力网络铺开之后，任何一个街边作坊，只要付得起电费，就能获得跟大工厂一样的动力来源。规模优势的护城河，第一次被基础设施的民主化削低了一截。
互联网兴起之后，市场信息不再是大企业的专属资源。 1990 年代，一个乡镇企业家要知道国际市场上同类产品的价格，要派采购员驻广州，要靠关系找海关数据。 2000 年代，一个淘宝店主打开电脑，就能看到同行在卖什么、什么好卖、价格怎么定。信息壁垒的瓦解，又一次重新划定了竞争的边界。
现在轮到 AI 了。
麦肯锡的研究数据显示， AI 可使部分业务流程效率提升 30%以上。 68.75%的企业在评估 AI 带来的最大价值时，首选"降本增效"——减少人工和运营成本。这意味着什么？那些以前只有大企业才配置得起的能力——法务尽调、市场分析、风险评估、投资研判——正在成为每一家中小企业都能调用的基础资源。
《中国企业家人工智能应用调研报告（ 2025 ）》里有一个数据： 78.13%的受访企业认为， AI 将在未来三年对行业产生优化、显著变革乃至重塑级影响。这个比例不是来自 AI 厂商的乐观预测，而是来自真实的中小企业主——他们已经用 AI 替换掉了某些岗位，开始用 AI 做市场判断，让 AI 帮他们读合同审条款。
这不是远景，这是正在发生的现实。
二、规模黄昏：企业竞争的底层逻辑正在被改写
过去一百年，企业护城河的主要来源是什么？
是规模。大企业靠规模压低采购成本，靠规模摊薄研发费用，靠规模建立品牌认知，靠规模获取更便宜的融资。规模就是壁垒，规模就是利润。
这个逻辑正在被动摇。
举一个具体的例子。拿融资租赁行业来说，一个新能源项目能不能批下来、风控模型怎么搭、利率怎么定，长期以来靠的是经验积累和团队能力。头部金租公司有十几人的专职风控团队，有多年积累的项目数据库，有反复验证过的风控模型。中小租赁公司要么降低风险偏好只做最保守的项目，要么就得接受能力差距带来的竞争劣势。
AI 改变的是这个等式。
当一个风控模型可以被训练并快速复制，当历史项目数据可以被 AI 快速检索分析，当合同条款的风险点可以由 AI 自动识别——大企业和中小企业之间那道由"团队规模"构筑的能力鸿沟，正在以极快的速度填平。
更值得深思的是，这种能力下沉的影响是双向的。
大企业靠规模建立的优势被削弱了；但另一方面，中小企业的劣势——缺乏专业人才、缺乏数据积累、缺乏系统性分析能力——也被 AI 填补了一部分。一个五人团队的小微企业，加载了合适的 AI 工具之后，在某些具体能力上可以与五十人的中型企业同台竞技。
规模没有完全失效，但规模的"含金量"正在发生变化。 以往靠人员数量堆积出来的规模优势，必须转化为 AI 难以替代的差异化能力，才能继续构成护城河。
三、新护城河：从"组织能力"到"认知能力"
那么问题来了：如果规模优势在被削弱， AI 又成为每个企业都能获取的基础工具——什么才是 AI 时代真正的竞争壁垒？
答案正在变得清晰：认知能力。
这里的"认知能力"不是指知道多少信息，而是指三层东西：
第一，定义问题的能力。 AI 可以回答问题，但不能替你想清楚应该问什么问题。当行业面临一个模糊的、结构性的变化时，谁能第一个提出正确的问题，谁就占据了先机。这一点， AI 帮不了你。
第二，跨领域整合的能力。 AI 擅长在单一领域内执行任务，但真正的商业创新往往来自跨领域的连接——把医疗领域的数据处理方式应用到金融场景，把制造行业的供应链管理经验移植到能源项目。 AI 是连接工具，但提出连接 idea 的依然是人。
第三，判断与决策的勇气。 AI 可以给你一个概率，一个分析，一个最优解，但最终拍板承担后果的依然是人。在不确定的环境中做出决策，并为之负责——这是 AI 无法替代的人类特权。
这三个能力有一个共同特征：它们都不来自工具本身，而来自使用工具的人和组织。 换句话说， AI 时代的企业护城河，本质上不是技术能力的差距，而是"人"的认知能力的差距。
这也解释了为什么同样是引入 AI 工具，不同企业得到的结果天差地别。崔牛会的调研发现，约七成调研企业已具备可用 AI 能力，但仅有少数企业实现了跨场景复用与可持续的投资回报率。 AI 是杠杆，但杠杆撬动的效果，取决于用杠杆的人站在什么位置。
四、真实场景：一个新能源投资人的 AI 工作流
我自己在评估一个新能源项目要不要投的时候， AI 已经深度嵌入了整个流程。
第一阶段：初步筛选。
上周有人给我推了一个河北张家口 200MW 风电项目，说风机设备商已定，测风数据年发电小时数 2700 ，自有资金内部收益率 13.2%。听起来不错。
我先没有让助理去整理资料，而是直接问 AI ："张家口区域 2023-2025 年风电平均发电小时数是多少？实际弃风率大概在什么区间？ 2025 年河北北网对张家口区域风光项目的保障性收购政策有没有调整？"三十秒， AI 给出了一份整理好的摘要：张家口区域近三年平均风电利用小时约 2000-2050 小时，实际弃风率约 5%-50%， 2025 年保障性收购范围已收窄，部分项目开始参与市场化交易。
对比项目方给我的"2700 小时"数据，我立刻注意到这个数字偏高——可能是测风数据选取的年份较好，没有包含弃风影响。助理三天整理的资料，不一定有这个敏感度高。这就是 AI 帮我避开的第一个坑。
第二阶段：财务建模校验。
项目方给了一份可研报告，测出来全投资 IRR 8.5%，资本金 IRR 13.2%。我对这个数字有疑虑，但传统做法要请团队重新建模验算，成本动辄几万、周期两周。
AI 来了之后，我先让它帮我做敏感性分析：张家口实际弃风率若按 15%而非可研假设的 5%测算，利用小时会从 2565 下降到 2160 ，对应 IRR 会下降多少？若电价后续下跌 15%，对项目收益是改善还是压缩了安全边际？若融资成本从 3.5%上升到 4.5%， DSCR 最低点能否维持在 1.2 以上？这几个问题，我花了五分钟输入，三分钟出结果。 AI 不仅跑出了数字，还指出了可研报告里几个假设的脆弱性：资本金比例假设偏低、外币融资汇率风险敞口没有对冲、发电量预测用的折减系数偏乐观。
以前这种校验是咨询公司的收费服务包，报价至少十万。现在变成了我每天免费用的基础工具。
第三阶段：风险扫描。
张家口这个项目，表面上风机已定、测风数据漂亮，但深入排查下来有几个真实的风险点，是我用 AI 扫描时挖掘出来的：
一，张家口区域近年来有多个风电项目因电网接入能力饱和，出现过扎堆并网排队的情况。这个项目 2025 年 4 月才开工，承诺的并网时间节点在 2026 年，但当地电网公司在 2026 年上半年的接入批次已经满额，真实并网时间很可能延后半年以上。并网晚半年，意味着早收益晚半年，对资本金 IRR 的影响不是边际的。
二，这个项目用的是某二线风机厂商的设备，设备商本身在河北区域的存量装机已经出现几起齿轮箱故障停机事件。但可研报告里对设备选型的论述完全是正面描述，没有提及任何风险对标。AI 帮我调出了这个设备商的公开质量投诉和维修记录，设备可靠性风险被可研报告系统性忽略了。
三，河北省 2025 年起对非保障性风光项目开始征收电力辅助服务费用分摊，这个项目若不能进入保障性收购名单，每度电约增加 3-5 分钱的额外成本。 AI 帮我测算：这个额外成本对项目 IRR 的敏感性约-0.6%，表面看影响不大，但叠加弃风率上行风险，项目实际 IRR 可能比可研报告数字低 1-1.5 个百分点。
这三个风险点，都是 AI 帮我快速定位到的。可研报告的结论是 8.5% IRR ，修正后的实际 IRR 可能在 5.5%-6.2%之间。 这个差距，直接改变了我对项目的判断。
第四阶段：投后跟踪。
即便项目最终通过了判断、完成了投资， AI 在投后依然有用武之地。项目在建设期，我让 AI 定期抓取张家口区域的电力交易价格、弃风率数据、电网调度公告、当地天气极端事件，跟我当时测算的基准假设做对比。偏差超过一定幅度， AI 自动告警，提醒我关注合同里约定的电价机制是否有变化。这种级别的投后监控，以前只有资金体量几十亿的机构才配置专人负责。
把四个阶段串起来，我发现一件事：AI 把"信息获取"和"初步分析"的门槛抹平了，但"判断要不要投"这个核心动作，依然要靠人。 工具变强了，但投资决策中"人"的价值——对行业本质的理解、对风险的定价能力、对项目方团队的判断——反而更值钱了。
这就是 AI 给投资人带来的真实变化：它不是取代了你的判断力，而是放大了你的判断力的杠杆效应。 你本来能看十个项目，现在你能快速初筛一百个，在每个上面花更少的时间做初步判断，然后把精力集中在最后那几个真正值得投的项目上。
五、你的公司属于哪一类？
不是每个企业都站在同一条起跑线上。
根据崔牛会对中国企业 AI 应用现状的调研，企业对 AI 的利用水平大致分为三类：
第一类是"AI 即战力"型。 这类企业已将 AI 深度嵌入核心业务，不是做客服机器人、做内容生成这种锦上添花的事，而是用 AI 重塑了决策流程、风险管控、项目评估等关键环节。他们的特征是： AI 不只是一个工具，而是已经变成了组织能力的一部分。
第二类是"AI 增效率"型。 AI 被用来提升特定环节的效率，比如自动生成报告、自动处理合同文本、自动做舆情分析。但这些能力还停留在点状应用，没有形成系统性的组织能力提升。这类企业占大多数。
第三类是"AI 观望"型。 试过一些工具，但没有找到能融入业务流程的落脚点， AI 目前对这类企业而言还是成本项而非效率项。
大多数中小企业属于第二类和第三类。这两类的问题不是 AI 工具不够好，而是没有想清楚自己的认知优势在哪里，以及 AI 应该填补哪个具体的短板。
这不是技术问题，这是战略问题。
结语：变平之后，比什么？
AI 把企业竞争的场地铲平了一块，这是事实。
但变平不等于没有竞争，只是竞争换了维度。
以前靠规模——人多、钱多、网络广；以后靠认知——看得清、判断准、跑得快。
大企业的规模护城河矮了，但认知护城河反而更高了——因为他们有更多资源训练更好的 AI 系统，有更多数据喂养更精准的模型，有更多人才设计更高效的人机协作流程。所以中小企业面对的真正挑战，不是在 AI 时代能不能活下去，而是能不能找到自己独特的认知优势，然后用 AI 把它放大。
找到自己的优势，然后用 AI 把它规模化。这才是变平之后真正的竞争逻辑。
能言正在做什么：作为新能源投资人，我正在用 AI 工具评估项目，也在观察这个过程里什么能力变得更重要了。如果你也在思考 AI 如何改变投资决策，欢迎在评论区交流。
