过去两年，人工智能在企业界被赋予多重角色：既被视为提升生产力的引擎、压缩成本的工具，也被视为基础设施竞赛的核心，甚至一度被描述为可能引发“文明断裂”的技术。董事会层面开始要求制定人工智能路线图，首席执行官频繁推出“人工智能优先”议程，不少企业部门围绕更新频率极高的工具进行重组。

在这一轮技术热潮背后，有观点指出，一个更为关键但相对安静的事实正在显现：人工智能本身并不会为企业带来战略清晰度，它更多是在揭示企业是否原本就具备清晰的战略。

有分析认为，企业在人工智能上的下一阶段优势，已不再主要来自基础设施的拥有，而在于能否构建更贴合自身业务实际的内部模型，更准确地刻画企业所处的商业环境。同时，将人工智能简单视为裁员和降本工具，被认为是一种战略短视，因为通用技术的价值通常难以通过单一的效率项目完全体现。

在这一逻辑下，“人工智能不会取代战略，而是会揭示战略”成为部分业内人士的共识。

“导入智能”的假象

当前不少企业在讨论人工智能时，隐含着一种假设：智能可以像软件许可一样被“加装”到组织之上。具体做法包括部署大型语言模型、将生成式工具嵌入工作流程、推动分析自动化以及为员工“赋能”等，期望由此实现整体“智能水平”的提升。

相关观点指出，这一假设忽略了组织本身的复杂性。企业并非等待被填充认知的空容器，而是由激励机制、历史遗留流程、隐性假设、分散的数据流以及内部政治均衡等多重因素构成的系统。人工智能一旦进入这一系统，并不会悬浮其上，而是与之发生深度互动。

在这种情况下，原有问题往往会被放大：如果数据长期分散，人工智能的应用会在更大规模上暴露这种分散；如果激励机制存在错配，人工智能可能会被用来优化错误的目标；如果企业战略本身模糊，人工智能则可能放大这种模糊，并以流畅的语言将其包装出来。

有观点强调，大型语言模型本质上是强大的模式识别系统，生成的是统计上合理的输出，而非基于扎实理解的判断。在组织层面，流畅的表达并不等同于战略上的连贯，业务活动的繁多也不必然意味着存在清晰的战略。共享的技术基础设施并不会自动带来共享的理解，共用的工具也不会自然生成一致的判断标准。

人工智能成为战略“压力测试”

从历史经验看，每一轮技术浪潮都会暴露企业的结构性弱点。互联网时代，仍将其视为“电子宣传册”的公司在竞争中受挫；移动互联网普及后，坚持沿用桌面时代假设的企业面临压力；云计算兴起时，过度执着于自有硬件而忽视能力建设的企业也付出了代价。

人工智能被认为在这一点上更进一步，因为其作用范围直接触及企业的认知与决策层面，涵盖预测、定价、招聘、风险评估、客户互动、产品开发等多个关键领域。这使得人工智能在实际应用中，逐渐演变为对企业战略与组织能力的一种“压力测试”。

在相同技术条件下，不同企业的表现可能出现明显分化。有分析以两类企业为例：

• 一类企业能够清晰阐述自身的价值创造方式，数据在不同职能之间相对顺畅流动，管理层对试验持开放态度，将人工智能输出视为假设而非结论，建立起明确的反馈机制，并据此系统性更新假设。
• 另一类企业则以发布“人工智能计划”为起点，在各业务条线内零散推进试点项目，各部门围绕局部投资回报率进行优化，成本节约成为主导叙事，人工智能输出被直接视为答案，战略讨论停留在展示材料层面。

在上述两种情形下，即便采用类似的模型和工具，结果也可能截然不同。

已有研究显示，人工智能的效果具有不均衡性，并高度依赖组织环境。哈佛数字数据设计研究所提出“参差不齐的技术前沿”概念，指出人工智能在部分任务上表现突出，在其他任务上则效果有限，从而以难以预测的方式重塑协作模式。在这种“参差不齐”的情形下，优势往往不属于部署速度最快的企业，而更偏向于学习速度更快的企业。

一项由美国国家经济研究局（NBER）开展的大规模研究，以生成式人工智能在客户支持场景中的应用为对象，发现整体生产率有显著提升，但效果在不同群体间存在差异，尤其有利于经验较少的员工，并改变了知识在企业内部的传播方式。研究指出，人工智能不仅发挥了自动化工具的作用，也成为传递最佳实践的机制。

相关分析据此认为，人工智能更多是在放大既有的组织逻辑，而非取代它。

自动化“混乱”的风险

在当前管理实践中，一种常见做法是围绕“人工智能如何改进现有流程”展开讨论。有观点认为，这一问题本身可能存在偏差。

如果某项流程建立在已经过时的假设之上，仅仅通过人工智能对其进行优化，可能只是让这种不匹配变得“更快、更便宜”，并未触及业务本身的重构。相关分析指出，这种做法实质上是在“自动化混乱”，而非推动业务变革。

因此，有观点建议，企业在引入人工智能时，更关键的问题是识别流程中隐含的关于客户、经济环境和竞争地位的假设，并评估这些假设一旦不再成立将带来的影响。人工智能在这一过程中，往往会迫使组织面对长期被忽视的内部矛盾。

人工智能成为“不舒服的镜子”

不少企业在谈及人工智能时，将成本削减作为主要叙事之一。原因在于，效率提升相对容易量化，人员调整会直接反映在季度财报中，相关故事也更易被理解。相比之下，围绕战略的反思则更为复杂。

在实践中，当人工智能暴露出高度分散的数据架构时，往往反映的是长期以来对系统集成投入不足；当其揭示不同部门之间相互矛盾的关键绩效指标时，背后往往是治理机制的缺失；当人工智能因内部知识孤岛而输出不一致结果时，则折射出企业文化上的割裂。

相关观点强调，人工智能并非制造这些问题，而是将其照亮。

历史经验也被用来提醒企业对早期指标保持谨慎。经济学家罗伯特·索洛曾在1987年发表于《纽约时报》书评中的一句话广为引用：“你可以在任何地方看到计算机时代，唯独看不到生产率统计数据。”信息技术时代更广泛的“生产率悖论”后来被重新解释为“生产率J曲线”：可被量化的收益往往滞后出现，因为组织重塑、技能培养、新商业模式等互补性投入多为无形资产，早期数据难以全面反映。

有分析认为，人工智能可能会呈现类似轨迹。最重要的收益可能分散地嵌入于重设计的流程和新的协同方式之中，而非立即体现在成本比率等传统指标上。如果将人工智能主要视作减员工具，企业可能在追求短期“清晰”指标的同时，牺牲长期的结构性优势。

从工具到“制度性认知”

部分业内观点认为，人工智能更深层的机会在于推动组织层面的学习，而不仅仅是自动化。更先进的模型使企业能够更便捷地进行情景模拟、识别异常、测试反事实，并显著压缩反馈周期。但这些能力只有在组织愿意并能够据此更新自身信念体系时，才可能转化为实际价值。

在这一意义上，竞争优势被认为正在从基础设施层面向认知层面转移。有研究指出，在人工智能驱动的竞争格局中，更具优势的是那些能够将数据、算法与组织流程整合为连贯学习系统的企业。差异化的关键不在于模型本身，而在于模型与决策机制的紧密耦合程度。

在此背景下，有观点认为，高管层需要关注的问题不再只是“应当部署哪一种模型”，而是“企业究竟相信自己如何在市场中取胜，以及是否准备好让人工智能对这一信念提出挑战”。

竞争优势的重构

当前，人工智能基础设施正在快速走向普及。基础模型广泛可得，云计算资源趋于共享，开源生态系统也在加速发展。在基础设施逐步商品化的过程中，企业间的差异化被认为正在向更高层级转移。

相关分析指出，未来的竞争焦点，可能不在于单一的专有芯片或零散的试点项目，而在于能否构建起结构化的组织智能。那些在人工智能时代有望加速发展的企业，未必是自动化推进最快的，而更可能是学习机制最完善的——它们将人工智能输出视为假设而非终局答案，建立制度化的反馈机制，并将激励体系与长期适应能力而非短期表象指标对齐。

在这一框架下，有观点认为，人工智能本身不会取代战略，但会使缺乏战略的状态愈发难以被掩饰。