企业AI应用已从最初的概念验证、单点试验,逐步进入大规模部署阶段。然而,个人效率的提升并不意味着企业整体效益的增长。尽管越来越多的员工开始使用AI,但企业仍面临应用碎片化、数据治理困难、投入产出不清晰、试点难以规模化复制等挑战。如何将AI的技术能力真正转化为组织生产力,成为企业智能化转型亟待解决的管理问题。企业AI应用正沿着从“点”到“线”再到“面”的路径不断深入,主要涵盖四大领域:知识管理与协作、经营判断与决策、流程自动化与效率提升,以及产品服务创新与商业模式重构。在知识管理方面,AI可以将企业长期积累、分散存储的文档、数据和经验转化为可复用的知识资产;在经营决策方面,AI正从简单的智能问数,逐步走向经营诊断、策略生成与自动执行,帮助企业形成从数据分析到业务行动的决策闭环。在流程优化层面,并非所有业务流程都需要用AI重新做一遍。对于规则明确、输入输出高度结构化的任务,传统数字化系统往往更加经济可靠;而在意图识别、复杂知识处理、跨系统协同等场景中,AI智能体才能发挥更大的价值。企业需要根据实际业务需求选择技术方案,而不是盲目追求“AI化”。当AI能力进一步成熟,企业还可以重新思考产品与服务的交付方式。随着AI越来越深入地参与业务执行,人机协同也成为企业必须面对的关键管理课题。AI应用可能带来质量失真、过程黑盒、责任模糊及数据合规等新问题,根源在于组织原有的分工、信任与责任机制尚未适应AI时代。人机协同不会自然发生,而是需要管理者主动设计。企业需要从系统设计、人机分工和管理制度三个层面重新建立协同机制,明确AI的权限边界,在高风险决策中保留人工审核,并推动员工从“会使用工具”转向“会判断边界”。“AI时代人类的角色需要重新定义,但人依然是万物的尺度。”AI的价值在于放大人的思维、创造力和执行力。面向未来,管理者需要成为优秀的指挥者、卓越的判断者和高效的系统设计者,才能真正释放AI在企业中的价值。
过去几个月,人工智能领域又出现了一项值得关注的新进展——自进化智能体。与传统AI主要依靠人类指令完成任务不同,自进化智能体已经具备一定的自主学习、持续记忆和自我改进能力,能够在执行任务的过程中不断积累经验、调整策略,甚至发现并弥补自身的不足。近年来,递归自我改进(RSI)成为全球科技界关注的前沿方向,AI开始尝试自己改进自己。自进化智能体的出现,很可能是人工智能真正走向产业应用“最后一公里”的关键一步。自进化智能体究竟能做什么?一个重要的变化是,它不再需要人类事无巨细地告诉它每一步该怎么做,而是能够自主探索完成任务的路径。遇到问题时,它可以尝试新的解决方法;完成任务后,还能积累经验,供下一次使用。这让过去许多难以沉淀的专家经验,有机会转化为企业可以反复使用的能力。如今,这类技术已开始应用于工业制造、教育、政务服务和科学研究等领域。例如,在气象预警中,智能体能够综合分析大量数据,辅助预测潜在风险;在芯片设计中,则有望通过自动执行复杂研发流程,将以年计算的研发周期缩短至以月计算。AI正从完成单项工作,逐步走向承担更复杂、更完整的业务任务。自进化智能体还可能改变我们习以为常的软件、产品和组织运行方式。过去,一套软件开发完成后,功能基本就固定了,面对新的业务需求,往往需要重新开发和调整。而未来的软件和硬件有望根据使用环境和用户需求实时调整功能,就像“变形金刚”一样,适应不同的应用场景。企业的工作方式也将随之改变。例如,在研发团队中,不同员工的智能体可以先行完成信息沟通、任务协调和部分执行工作,再由人处理需要判断和决策的问题。随着智能体越来越深入地参与企业运营,传统的工作流程、组织架构和协作方式也将面临重新设计。当AI越来越擅长执行任务,人应该把精力放在哪里?未来真正重要的竞争力,可能不再是一个人能做多少事,而是能否发现有价值的问题、提出正确的目标,并善于利用AI解决问题。随着写代码、做报表等执行性工作的门槛不断降低,认知能力及其更新速度正变得越来越重要。未来的人才不能只把AI当作工具,而要学会把它当作助手,甚至像指挥一支团队一样,调动多个智能体协同工作。面对技术变革,唯有不断打破原有的知识边界和思维惯性,保持学习与自我更新的能力,才能把握新的发展机遇。机器越聪明,人类越要智慧。
在智能驾驶这样的AI原生行业,技术迭代速度越来越快,企业不仅要持续推动模型升级,更要重视数据、技术和经验的积累与复用。通过统一的技术架构,将不同项目产生的数据和研发成果持续沉淀到核心产品中,才能在业务规模扩大的同时保持研发效率。AI时代,人才评价标准也需要改变,除了关注具体的项目交付,更应重视员工能否将个人经验转化为组织可以复用的能力。技术可以不断替代标准化的工作,但企业管理、客户沟通与情感需求仍然离不开人。越是在AI快速发展的时代,对人的理解与研究越显得重要,管理学也因此拥有更加广阔的研究空间。
对于传统制造企业而言,AI转型不能只停留在单点应用,而要逐步向研发、生产、经营管理和客户服务等业务环节延伸。制造业利润空间相对有限,因此AI转型首先要从降本增效等实际需求出发,选择能够解决关键业务痛点的场景,而不是盲目追求技术升级。尤其是制造企业长期积累的工艺数据和老师傅的经验,都是难以替代的核心资产。如何将这些隐性知识与经验转化为高质量的企业专属数据,并与大模型和智能体结合,将成为推动制造业智能化转型的重要方向。对于商学院而言,未来的管理教育与研究也应更加深入具体行业,让学术理论与企业实践相互促进,回应不同产业在智能化转型中面临的真实挑战。
快递物流是一个劳动密集、资产密集,同时也高度依赖科技的行业。行业每天需要处理海量订单,涉及路线规划、运输调度、分拨转运、末端派送和客户服务等复杂环节,天然具备丰富的AI应用场景。随着大模型和多智能体技术的发展,AI正从单一任务处理走向跨系统、跨流程的协同执行。但个人效率提升并不等于组织效率提升,关键在于能否将分散的AI应用嵌入业务流程,形成可复制、可协同的组织能力。企业还需要改变传统的绩效评价方式,从关注技术使用率转向衡量真实业务成效,例如客户重复来电是否减少、异常问题能否提前发现并解决,让AI真正创造经营价值。
对于软件与知识服务行业而言,大模型带来的变化不仅是产品功能升级,更是商业模式的重构。过去,企业主要通过数据库和SaaS工具向客户提供信息与服务,如今客户越来越希望直接获得专业判断、研发建议和问题解决方案,推动企业从“交付工具”转向“交付结果”。这一变化要求企业重新调整产品研发、定价与营销方式,也对人才结构提出了新的要求。一方面需要具备快速学习和创新能力的年轻人才,另一方面也需要拥有深厚行业知识的专家,将专业经验与AI技术结合,才能形成真正具有竞争力的专业服务能力。
复旦管理大视野系列论坛
新闻动态
活动讲座
微信头条
招生咨询
媒体视角
瞰见云课堂