企业里，AI大模型不能干什么？

AI要在企业里真正发挥作用，其实需要两只手：

有意思的是，当大模型的技术路径逐步标准化之后，后者反而不是最关键的。前者的难度远超想象，绝对是整个链条里最被低估的一环。

老板优先还是智能优先

早期阶段，问题会集中表现为领域知识不充分——AI没学过具体业务，自然不知道该怎么干活。但当你把这层问题解决到一定程度，就会发现更根本的矛盾浮出水面：

举个审批的实例。一个企业里，哪个角色审批哪种合同，常常是完全随机的状态，跟角色定义对不上。你要是没告诉AI，它压根不知道该怎么处理——这就是常说的“领域知识问题”。类似的情况在企业里数不胜数。过去靠人跑到各个部门四处打听，现在要全部显性化交给AI，谈何容易。

下面这张图来自澜码的周健，挺有代表性。

难点不仅仅在于额外的时间和成本，更关键的是，

假如是个夫妻店，老公有老公的想法，老婆有老婆的想法，两个想法互不相容，你怎么去设定AI？这本质上就是

的问题。

再往下挖一层，这背后反映的是

。世界本就是个草台班子，很多领域充满了灰度——难得糊涂反而是常态，今天这么干是对的，明天这么干就未必了。这种模糊地带，AI根本没法处理。

所以，必须确定一个根本原则，否则AI不可能真正介入企业的生产关系。

但智能优先原则显然跟老板的决策快感是冲突的。只有当效率差异大到不可忽视的地步，才可能真正从老板优先变成智能优先。慈禧太后接受坚船利炮，不是因为她学习之后开窍了，而是因为实在没别的招了。

成本问题

AI显然不便宜，模型越大越贵。

如果AI耗费的token成本比它所替代的那个角色成本还高，那这件事在经济上就没有意义。

最近Sam Altman发文对AI做了极为乐观的预测，核心依据就是Scaling Law。简单说，深度学习只要规模足够大，就能解决我们碰到的各种问题。

但关键是，GPT-4已经1.8万亿参数了。再大一些虽然能解决更多问题，可最先进的模型在一般场景下根本用不起。

所以，即便我们相信Sam Altman说的是对的，从应用落地的角度，还需要考虑另外两个定律，才能判断整个进程的速度：

三者融合，才是推动AI应用滚滚向前的技术推力。否则，按前面设想的，大多数企业都需要一个自己的安全大脑，而这个大脑动辄基于几万亿参数的模型，那就很难搞了——推理都推理不起。

偏好问题

AI以及基于AI衍生出来的智能组织，特征上是趋同的，但企业是不一样的。

有人最终定位追求性价比，有人就偏好品味和风格。

这种偏好会影响所有AI智能体以及企业里剩余人员的行为风格。

AI智能体与人都需要在这种场域下达成和谐。

不管怎样，这是AI之外的问题，需要找到一种AI能理解的方式去做设定。

创造力问题

思考AI边界的时候，背后有个很有意思的问题。

答案很可能是不能。

在可见范围内，

：

而下面这样的就不行：

这些选择的成败，不单单取决于有形要素和已经体现出的各种因素的推理。

（这可以看作另一种反身性）

被改变的价值创造逻辑

价值创造到底是个什么过程？

如果是上述四者，

，上一节说的那种手机才是对的选择，就属于创造逻辑下的认知，AI明显搞不定。

意志很多时候，是有选择地“犯傻”用的。愿景的背后往往需要意志支撑——顺风顺水赚钱的时候，要什么愿景？AI也干不了这件事。

这几者大致对应了人在组织中的位置以及面向未来的不同能力。

，相当于给企业里的大脑配个身体。所以AI对大多数个人的冲击才这么大——所谓打工，就是在组织结构里找个位置，主要做执行工作。

小结

如果说模型能力是AI在企业落地的左手，那上面说的这些基本就是右手。左手可能只是单纯的力量，右手则需要更灵活，这样才能处理很多麻烦的事。

我们面对的另一个现实挑战是：过去其实没有真正做好过这类应用。这波真想磕下来，。