夜雨聆风去年，国内某大厂为了上 AI 一年烧了几千万 token。结果怎么样？媒体报道过一句话很准——"客服接入了但订单仍需手动录入，报表自动生成了但数据源错乱，审批流推不动还得人工催办。"
同一年还有另一组数字。福建石狮、浙江义乌，几个小老板用美图的"小微电商 AI 助力计划"做短视频、做主图、做客服——一个三人团队月均能出 123 万销售额。还有更小的，一个 29 岁的姑娘，三台二手电脑、半年服务 160 家中小企业，LOGO 都是 AI 设计的。
一边是几千万 token 烧出来的失望，一边是几台电脑跑出来的爆发。都是 AI，但效果天差地别。
为什么？
一、企业是文明的微缩
上一篇我们聊过——文明一路走来，每个阶段都因为一个新变量进入而经历青春期。这次青春期，进入的是智能。智能不是又一个工具，是第一个"会思考"的文明变量。
但文明的命题从来不是悬空的。它要落到具体的场景里兑现。下一个尺度，就是企业。
企业是文明的微缩。文明尺度的判断——新变量进入、扩张、沉淀规则、双层约取——在一个企业里都会重新演一遍。但演法不一样。
企业有企业的特殊性：成熟企业有成熟企业的代差陷阱，落后企业有落后企业的跳蛙机会。每一种企业都有自己的"代差坐标"——知道自己站在哪条坐标上，比多烧几个 token 重要得多。
今天要说的是：在企业尺度上，智能这一轮青春期的真正胜负手是什么。
二、成熟企业的代差陷阱
先说一个反直觉的事实。
数据显示，90% 的企业 AI 落地项目是失败的。具体场景几乎是同一个剧本——大厂发布会上演示的智能客服、自动报表、流程自动化，到了企业真实环境里"频频失灵"。
某大厂的智能客服接入了，但订单录入还是要靠人工手动抄一遍；某零售集团的 AI 报表自动生成了，但数据源来自三套互不相通的系统；某制造业的大模型在复杂曲面检测中误判率比人工还高 15%。
根因在哪？
不在 AI 本身，在这些企业数字化做得太好了。
这里有一个反常识的逻辑：上一代信息化、数字化做得越成熟的企业，反而在 AI 这一轮里代差越难追。
为什么？因为传统代码 + 数字化体系一旦做成熟，整个业务的"已知世界"就被这些系统"焊"住了。订单流、审批流、报表流，每一条都已经有人系统接住了。AI 想进来，要先解决"和老系统怎么协同""数据从哪来""格式怎么对"这些鸡毛蒜皮但累死人的问题。能快速发挥的场景反而不多——老系统已经把简单的、能标准化的活都干完了，留给 AI 的常常是边角的、模糊的、跨系统的复杂活。
类似的事情历史上也发生过。罗马帝国把地中海变成内湖之后，"已知世界"被罗马的行政体系焊死了。早期工业革命的弹性，反而出现在帝国的边缘——意大利城邦、北欧小国。这些地方没有罗马式的成熟体系，反而能跳过很多包袱直接上新技术。
成熟企业的代差陷阱，本质上就是过去的成功成了今天的包袱。
再看一组数据：Gartner 2024 年的报告说，只有 8% 的中国企业在生产环境中部署了生成式 AI——全球平均水平是 20% 多。中国不是 AI 不够强，是数字化程度高的大企业，反而落地慢。商汤 7 年累计亏了 438 亿，制造业大模型私有化部署的成本是 API 模式的 32 倍。这些数字背后，是成熟企业 AI 化的真实摩擦力。
所以这一轮青春期里，第一类企业——数字化最成熟的那批——反而处在代差陷阱里。它们的代差不是"接触不到 AI"，是"约取不出来"。
三、落后企业的跳蛙反超
那么谁有约取空间？
数字化基础薄的企业。
这是这一篇文章最反常识的一个判断——更小的企业，或者说数字化能力薄的企业，上 AI 的效用价值反而更大。
这个判断有一个学术名字，叫跳蛙式发展（leapfrog development）。最经典的案例发生在非洲。2007 年肯尼亚推出 M-Pesa 移动支付，到现在 4000 万用户，96% 的肯尼亚家庭至少有一个用。关键的背景是——肯尼亚本来就没有像样的银行网点。移动支付能爆发的根因不是技术先进，是原来的金融基础设施就薄弱。M-Pesa 直接跳过了建银行网点的阶段，让一个 7 成人口没银行账户的国家，一步到位用上了电子支付。
中国也有类似的跳蛙。
钉钉的用户数已经到 7 亿，2500 万企业组织，是中国最大的 SaaS 入口。这套基础设施让中小企业不需要自建 OA、不需要买 ERP、不需要养 IT 团队，租一个平台就拥有了过去大企业才有的数字化底座。
更重要的是钉钉+飞书这一类生态已经把 AI 接住了。钉钉"宜搭"推了三款"开箱即用"的 AI 精品应用——仓库通、客户通、任务通。成都一家精准混凝土公司用这三款应用，3 天重构了进销存和客户管理流程，成本节省 90%。这不是大企业的故事，是中小企业的故事——这些企业过去根本没有完整的数字化系统，AI 进来的时候，没有包袱要卸。
还有更小的。福建石狮、浙江义乌，几个 90 后、95 后用美图的"小微电商 AI 助力计划"，一个人就是一只团队——做图、做视频、做客服、做选品，全在 AI 上跑。美图那个项目的核心洞察是：越是过去没数字化基础的小老板，越能用 AI 立刻跑出全流程。他不用切换旧系统、不用解决数据迁移、不用考虑接口兼容——他以前就是 Excel + 微信群 + 老板亲自盯，AI 直接在那个流程上接住了。
但跳蛙有一个前置条件——AI 认知必须先到位。
一个数字化基础薄的企业，如果老板连"AI 能干什么"都没想清楚，就去采购 7 套 AI 工具，结果就是市场部一款、销售部一款、客服部一款，半年后财务报表拉出来——AI 相关支出涨了 28%，线索转化率纹丝不动，客户生命周期价值反而微跌 0.7%。没有认知的烧 token，本质上是在给代差交税。
跳蛙逻辑是：包袱越轻 + 认知越到位，跳得越远。
那些数字化基础薄、AI 认知先到位、敢把业务流程"翻一遍重来"的小企业，反而是这一轮 AI 青春期的真正跳蛙者。它们不在罗马的中心，它们在帝国没顾上的边角——那些地方，AI 是新基础设施，不是要被改造的旧系统。
四、AI 焦虑的本质
把这套逻辑落到企业 CEO 的案头，会变成一个很具体的现象——AI 焦虑。
过去两年，企业对 AI 的引入经历了从"兴奋"到"失望"的常见周期。
第一批企业试了一轮，发现 AI 没解决问题，开始怀疑 AI 是不是炒作；接着来了一批工具厂商的承诺，老板听了几个发布会，又兴奋了一次；再试一次，还是失望。这种"兴奋-失望"的循环，本质上是一种代差焦虑——你不知道自己的代差在哪里，所以你不确定该买什么、该停什么、该做哪一步。
AI 焦虑的核心不是"我用不用 AI"。
AI 焦虑的核心是"我知不知道自己的代差在哪里"。
成熟企业的代差是"约取不出来"——AI 进来没有老系统能协同。这种企业的 AI 焦虑，应该是"怎么把老系统解构掉一部分，让 AI 有空间发挥"。
落后企业的代差是"认知没到位"——AI 进来没有人能判断哪些能用、哪些不能用。这种企业的 AI 焦虑，应该是"老板和高管自己先学，先把 AI 边界搞清楚，再谈引入"。
夹在中间的企业——数字化做到一半、老板对 AI 半懂不懂——是焦虑最深的那批。因为它们的代差坐标最难定。今天学钉钉，明天追飞书，后天试某大厂的私有化方案，钱烧了不少，根本不知道烧在了代差哪一段。
烧 token ≠ 补代差。把"代差坐标"找清楚，比多烧几个 token 重要一万倍。
五、迎接智能的姿势
所以这一轮青春期的命题，最后落回了一个很朴素的问题——
你怎么知道自己的代差在哪？
这个问题没有标准答案。但有几个朴素的判断标准：
第一，看你的数字化基础设施是"资产"还是"包袱"。如果你的传统系统在每一个关键流程上都跑得稳，那它们是"资产"，也是"包袱"。AI 进不来的原因，常常不是 AI 不够好，是你的"资产"太重。
第二，看你的 AI 认知是从"看发布会"来的，还是从"自己跑一遍"来的。前者会反复兴奋-失望，后者才能稳住判断。老板和高管自己先上手用 AI，比请十个顾问都管用。
第三，看你的"代差坐标"是定在哪一段。是"约取不出来"？是"认知没到位"？是"两个都有"？这一段不搞清楚，下面所有的 AI 投入都可能是错位的。
说回上一篇的主题。文明那一层讲过——这次青春期进入的是智能，智能让博观免费化，但约取还是要靠人。这个判断落到企业尺度上，是同一种结构：
成熟企业的代差，是"约取不出"——传统系统太厚，AI 切不进去。
落后企业的代差，是"认知没到"——老板和高管自己没准备好。
前者要舍得拆自己的旧系统，后者要舍得先自己学。
AI 时代真正的赢家，不一定是数字化做得最好的那批。
真正的赢家，是先认清自己代差坐标的那批——无论它是一头数字化大象，还是一个三台电脑的小团队。
