阿里云智能集团副总裁、CIO 蒋林泉，过去几个月和近百位业界CIO/CTO进行了交流，共话大模型落地的真实经验。钛媒体联合创始人、联席 CEO 刘湘明则通过百余份调研，试图厘清“AI 落地的十个问题”。两位“阅人无数”的实战派，在云栖大会展开了一场名为《AI大模型时代老板必修课》的思想碰撞，围绕CIO的角色进化、业务价值的界定、如何识别有潜力应用场景、企业AI战略制定及衡量基准、企业落地阻力、拉齐认知的有效方式等关键议题展开坦诚对谈。

蒋林泉总结出了企业 AI 推进中的“五段论”，从全员冷静到局部上头，再到系统施压、落地受阻，直至认知对齐、实现真正落地。这趟“上头”与“冷静”交替的过山车旅程中，一个绕不开的问题是：AI究竟能做什么？

刘湘明分享了他在硅谷听到的一句箴言：“软件做得好的事，AI就不要做了。”这话猛地听起来像给 AI 的热潮泼了盆冷水，但蒋林泉用“樱桃蛋糕”之喻巧妙回应了这一说法，强调AI应在成熟系统之上降低一线员工的使用门槛、提升普惠价值。

这场《AI大模型时代老板必修课》的对谈，就从这些真实、接地气的“坑”与“解”开始。两位专家摒弃空谈，直击企业AI落地过程中的真实挑战，为焦虑的决策者们提供了一份宝贵的实践指南。

CIO 最开始的 “I”是 Information 。Information的本质还是“信息化”，把原来线下的流程线上化。前段时间的浪潮叫“数字化”，曾经把这个“ I” 改为了“D（Data）”，叫 CDO。现在的“I”又是 Intelligence。

我心目中信息化是企业想要把线下的东西变成数字世界，然后产生数据，数据产生洞察，洞察再作用于业务——这是上一轮数字化的逻辑。这次我觉得 AI 的区别是什么呢？它又引入了一个新的数据，是以前企业那么多年都没有被好好挖掘和利用的非结构化数据，就是脑子里面“Language“类的数据，载体是文档、合同、客服 SOP等等。这次的AI技术能够把这些数据消化、处理并利用，产生新的以”Language“为中心的智能。我的答案是没有叫“Intelligence”的“I”，CIO其实都是同样的角色，要用数字技术把企业在线化，把Record-based 的数据化，再去做洞察，它是一脉相承的。我觉得阶段性偏“Intelligence”，但最终还是回归到你还是一个“CIO”，无外乎就是利用各式各样的数字化技术，无论是在线应用技术，还是大数据技术或新时代大模型技术，改变一个企业的运营效率、改变一个企业的业务创新。

其实雁杨讲得很全面了，我就做一些补充。核心的区别在于从“Information”到“Intelligence”的变化。我是学计算机的，从毕业就开始和CIO打交道。他们面临的挑战，最早是让老板怎么用计算机，现在挑战变成了老板天天催着他们怎么上 AI 。这个关系已经发生了很大的变化，对 CIO 来说就提出了很大的挑战。一方面我觉得是能力上的挑战，从计算机到 AI 其实基本是两套知识体系了，CIO自己和团队的能力都要提升。另外，整体的边界其实也不一样，原来基本上 CIO 管自己IT部门的一摊事就行，现在变成从老板到业务总、财务总都在催CIO上 AI。这对他们来说压力很大，协同范围大了很多，挑战也大了很多。真要去懂业务、懂财务其实也是挑战非常大的事情。还有，我觉得就是怎么去管理好老板的预期。老板说AI可以干这个，你觉得AI干不了，那你就问题很大。或者说你觉得能干，老板不想干，那你问题也很大。大家认知形成统一，后边很多事情就很好办。一个很重要的就是，你不要成为历史前进的绊脚石，如果不想被AI替代掉，那你一定要成为用AI最好的“CIO”。你要把知识、能力、资源等都加持到自己身上，就可能成为一个新时代的 CIO。

其实关键一定要理解两件事情的边界。一个是说哪些业务适合用这一轮的 AI 技术去做创新、去解决问题。另外一个是当前的大模型以及大模型之上的框架平台、Agent技术到底进展到了什么程度。你必须要做两端都非常清楚的东西，因为你最后是要撮合供给端的技术和真正的应用端落地的。如果对两端都没有深刻认知的话，何谈撮合。

“大模型”是个简称，它的全称是“Large Language Model”。所以你会发现翻译为中文“大模型”时漏掉了两个字——“语言（Language）”。我觉得不应该漏掉，“语言（Language）”才是最核心的关键词。

所以怎么选择有潜力的应用场景呢？第一，选择企业里面的职能和数据都是以“语言”为中心的场景，绝对要从这里切入。例如客户服务、电话销售、合同审核、内部知识库等。这轮AI技术特别善于处理“语言”，它能获取、处理信息并做决策，还能够通过语音的方式跟人去做交流、往前推进业务；第二，一定要是重复的场景，在流程里面一直有“人”的角色在做执行。我们讲的信息技术，其实是一个自动化的体系。首先它能做，其次它善于自动化的批量去做。所以如果是一个非常低频、复杂的场景，比如说老板需要根据很多材料做重大决定，那么这不合适由 AI做。先从相对简单、“语言（Language）”重复的地方切入，一定会拿到很大的收益；最后，最好这个工作有一定的压力，比如像“HR天天说要 Headcount“、”客户说我处理不了，有人着急等着结果“这类缺人或效率低的场景。

再来回顾一下。第一，“语言（Language）”的特征适合；第二，具有重复性，适合 AI批量化、自动化去干；第三，有压力，业务有动力配合你去干。如果符合这三个特征，一般来讲是非常合适的切入点。

这是这一端的逻辑，另外一端就得靠你自己躬身入局。场景深度、当前技术、组织、团队，包括现在大模型还有Agent 的平台能干什么、不能干什么，这个必须要自己亲自去干。干上一年，你大致就有体感了。

对，这个事其实挺有意思的。大家对大模型的认知其实是有起伏的。我有一个做企业家的朋友前段时间特别高兴跟我讲，AI 是好用。但现在他却开始怀疑了。我觉得首先应该让老板用起来，老板对这事就有了体感。原来哪怕是弄一个Dashboard，弄一个驾驶舱，也是别人给他弄好。AI时代，老板变成“我亲自在操纵这个东西”，而不是通过别人。我觉得这对老板建立感知是有好处的。

AI 做项目的特点是一开始特别快，哗啦哗啦就做得差不多了，但是再往后就问题很多。你一定要找到业务价值高、大家愿意用的场景，然后才能迭代，AI的价值才能体现出来。如果做了做，觉得不行就放弃了，说咱们再做一个别的吧，这会对团队及企业内部影响很大。

最近收获特别大的一句话，是我在硅谷见了一个投资人，问软件和 AI 到底边界在哪里，他说的“软件做得好的事，AI 就不要做了”。我学软件出身，回来一直在想，AI它处理的维度更大、不确定性更强，但有的软件已经做了几十年，它在成熟的边界、成熟的规则里已经做得很完美。这些软件它已经变得很确定了，你拿来用就行，没必要再把它重改一遍。

我觉得逻辑非常对，如果原来用软件能做的，其实没有必要用 AI再做一遍。但是举个例子，比如报表场景，企业里面的BI 把那些大宽表导来导去，然后做 SQL、做报表、做信息的洞察。你会发现这种洞察一般来说只会供应到老板和主管这层，供应没有下沉。因为能写SQL并且精于业务SQL建模的人是少数。如果这些表本身口径没问题，我们让这些口径和表变成自然语言可以去提取洞察——也就是原来的IT系统和软件还在，写SQL的确定性还在，你只是把SQL用自然语言做了翻译。这时候，你就会发现有巨大的效应。例如原来对于销售来说，只有主管有资格享受BI服务。现在通过AI，一线销售都能享有BI服务，这个是有价值的。但前提是原来那些表，用人写 SQL 是写得出来的。

我自己打了个比方来形容企业IT系统和 AI的关系。原来企业IT系统如果做得特别好，加了范式，比如自然语言的翻译，马上就能获得魔法效应——我们称之为 AI 的“樱桃”，而原来的企业信息系统就是那个“蛋糕坯”。如果你的蛋糕坯不好，樱桃放上去也没用，因为老板想吃的其实是樱桃蛋糕。如果认为拿个樱桃就能吃到樱桃蛋糕，那这是最大的误区。我们有业务方提出，为什么不能用AI分析所有数据。我说原来很精英的BI都写不出来，AI凭什么能写出来。所以，软件用AI 再写一遍，它的界定是什么——你的软件体系如果足够好，原来需要专业人士去操作它，那么这时候可以变成用自然语言来操作它。你可以通过AI，实现专业化技能门槛的降低，从而实现IT系统使用的“普惠化”。这种普惠化有非常大的价值。

你说的特别对，从软件的架构来看也是这样。程序真正核心的代码量是很小的，大量的代码都在写交互和界面。现在 AI 的出现其实把这一部分省掉了。原来要做一个复杂查询，最后可能都要上点编程语言了，但是现在你只要能跟秘书说得清楚，AI就能给你实现。

这看起来是个组织问题，其实本质上还是个业务管理问题。我特别强调中文“大模型”漏掉了“语言（Language）”这个词。“语言”的特征适合客服、电销、合同审核等白领原来的工作。这些工作企业之前也有标准，如果你切入，那就是用真实世界里做事的方式去度量。正确的问题并不难度量，但如果天马行空、不切实际的想法是无法度量的。所以，首先需要从需求和切入点，定义出正确的问题，才能去度量一个问题。

但这里面有一点不同——AI是没有情绪的。如果你让设计师改三遍，他心里不骂你才怪。但AI你要它改20遍也没关系，它还鼓励你“你这个 Idea 特别好”，反而给你一些情绪价值。所以，AI会让组织里很多之前的消耗就没有了。

对，我回过头来继续说。其实在很多重复性的执行工作中，它必然要有度量。比如，电销一定要有转化率，服务一定要有 NPS、及时响应率、问题关单率。这些必须做度量才能运行得起来。所以企业里面一类已经规模化、有 SOP的工作，它就有度量机制。如果原来没有规模化、重复、可度量的能力，怎么能用 AI 来解决呢，这逻辑就不成立。

我同时在分管阿里云公共云网站，对客自服务的售前与销售以及自服务的售后。我们公共云的商业模式，是客户主要通过网站来获取信息，做决策，购买并使用。我们有十几万篇文档，客户如果有问题，要自己看文档去解决。之前获取信息要么通过目录去查找，像Yahoo一样，黄页查到内容；要么通过搜索，问问题、直接拿到答案。我们测算了一下，人类白领工作最主要的时间花在了信息获取上。信息获取的效率，搜索比目录查找快了十倍，而用 Chatbot又比搜索快了十倍。所以，当不同信息获取方式上有十倍的效率差，而又是你时间主要消耗的地方时，AI会改变整个世界。

获取信息，加工信息，做决策，最后才行动。其中获取信息占了一半的时间，它的效率非常关键。所以我第一件事情，是官网加了 Chatbot，让客户获取信息的方式从目录、搜索直接跳到Chat。这是我很直白的想法，但是后面就遇上了很多问题。因为要做成与做好并不容易。我们很快就发现Chatbot答不好，出现各式各样的情况，不符合客户的意图期望，经常是这样。

上一代叫搜索进企业，门户里面加个搜索。比起Google相对互联网的成功，搜索在企业里没那么成功，大家还是对目录的依赖比较高。

对，你说搜索这个事，它其实也跟写 Prompt一样，正确的写出关键词来也很不容易。

湘明说到关键点。做个目录，是个团队就能做出来。而要做好搜索，你的班子，你的搜索框架、搜索算法、数据处理能力等就要上来。做 AI 比做搜索要更难，所以AI对供给端团队能力的要求很大。湘明提到一个非常关键的点，AI对消费端的要求也越来越高，能用好 AI 和不能用好AI的差别就是天那么大。所以使用新技术，不光使用端有门槛，供给端也有门槛。这两个门槛如果没有被双向满足，它是不可能匹配的。这就叫幸福的家庭要双向匹配，不幸的家庭各有各的不幸。

我觉得最大的阻力还是回到刚才说的认知问题。山中方一日，世上已千年。中国公众对 AI 的真正认知，其实就是 DeepSeek今年春节起来后这几个月的事情。哪怕像我们这批人，也就是在ChatGPT出来之后重新重视AI，也就几年。往前到达特茅斯会议的时候，即使几十年，对人类来说也是很短暂的。所以，知识、信息的扩散，其实远远要比我们想的渗透度要低很多，大家可能现在只是一知半解。

而且还有很大传播学上的问题。真正像雁杨这样很懂的人，没有时间去做传播。但是天天做炸裂体的人，也就可能比一般人多知道一点，但他主要的工作就是传播，加上现在社交网络上一定要有情绪，要炸裂，要制造焦虑才能传播起来，这就整体造成现在这样非常不对称的状态。老板们也是正常、普通的人，自然会焦虑。他想“万一我的竞争对手突然销售额十倍增长、成本十倍下降，那我不就完了吗？不行，他炸裂我也炸裂。”

你说的太对了。最近我们准备“AI 落地的十个问题”，差不多做了一百个调研，发现里边跟技术相关的问题很少，最多其实是关于基模的选择，但现在基模也没有那么大的差别。剩下的都是刚才说的认知、数据等问题。数据、人才、组织其实全是大家没那么爱干的事。

现在看AI取得的效率提升，其实80%可能来自于组织结构的调整和管理流程的优化。我其实觉得AI 是给了大家做组织流程管理的契机，但是真正来自于 AI本身的大提升还没开始。未来调顺之后可能会有，但我觉得为时尚早。

我认为AI像一面镜子。在代码级别，AI 确实很快提升了很多。最后发现同一需求怎么还要花同样的时间？只好自己再进去看，看着看着就找出问题来了。做AI不得不去面对和度量这些问题。这些问题有部分AI能解决，有部分AI 解决不了。但如果说最近加强了管理，所以效率提升了，这显得很不性感，那最后可能就把功劳安在了 AI身上。你要全靠 AI 解决所有问题，这是不可能的。

我觉得不可能统一。目前观察下来，每个人都有自己的坚信。我自己的逻辑是，如果在一个应用里面找对了问题，要用模型就一定要用SOTA，一定要用当前最好的模型。什么是最好的模型，这就需要在业务里面，你自己去评测它。如果你不评测它，就谈不上选型。选型本质来讲背后是有度量的，你能选型说明你有度量能力。你能度量一个系统，才能去改进它。所以倒过来问，有没有度量能力？如果有，那大概率会选最好的模型。如果没有，用五花八门的模型，那么大概率也没有度量能力。

度量能力是很高阶的能力。

其实没有这种魔法，因为机制的背后是人，机制永远是人来保障的。我自己的经验是摸索出来的。千万不要看我在这里侃侃而谈，最初的一年AI也是落不下去。我最开始也没从期待里面走出来，试了后发现搞不定，我就得冷静。冷静完之后发现业务方他们还没有冷静，于是就得想办法，就发现必须要去给业务方做科普了。我和我的业务方一直在讲，不停地在讲——必须要刷齐大家的认知。

还有就是我们阿里云的认证。为什么我在内部是大模型ACA、ACP认证极大的推动者，是因为大模型的知识更新太快，我发现大家不把基础知识学一学，根本聊不到一块。所以我就内部提出在 AI时代，不止是技术人员，包括业务团队和全员都要做认证。我还分管认证中心，大家通过学习大模型 ACA认证，就能把大模型能做什么、不能做什么、应该怎么操作、原理是什么都系统性的了解清楚了。本来很难讲清楚的东西，通过有效的认证课程去讲清楚。现在我们内部财务、HR、销售、中后台、技术等都在做全员认证。除了阿里云，阿里淘天、AIDC等也都在推动。

那些非技术工作者、白领工作者如果要参与 AI项目，要真正的懂AI 。我觉得阿里云大模型 ACA 认证，起到了拉齐基础协作认知的作用。然后，我们自己形成的这些材料和认知，我会到处去分享、去交流，从而形成决策层的逻辑认知共识。我就是这么干的，人的认知不会天然改变，没有什么捷径。

我觉得雁杨这个做法特别值得推广。在传统的企业里面，CIO 这个角色就是Pioneer，就是先锋。CIO很重要的一个角色就是作为“布道官”去布道。

我们划分一下阶段，每个阶段的建议肯定是不一样的。第一个阶段，是CEO、CIO 全员都冷静。第二个阶段，是CEO一个人上头，他要想办法让底下的人动起来。第三个阶段，是CEO很上头，底下的人也知道了，然后CEO开始产生系统性的压迫，要求底下的人落地。第四个阶段，是落地的人觉得很冷静，开始不上头了，因为他发现落地的时候落不下去。他去想要如何让业务方冷静。然后再到最后一个阶段，有人又上头又冷静，大家一起把AI实际落下去了。MIT的报告说， 5%的企业AI落地成功了。

我可以跟大家分享一下我的感受，我们两个项目用了AI后，最近一轮大模型Qwen3-Max升级后，我发现什么都没干，只是升级了一个基模，项目的准确率就已经提升了三个点。我用了大模型以来，成本下降了20倍、30倍。一旦你只要真正把AI用在企业真实的工作流里，AI这个牛马就在不停的进化了。我在内部形容为“你的同行在平地做俯卧撑，而你已经在电梯里面做俯卧撑了”，你们将来的高度是肯定不一样的。所以，我的第一个建议是，如果你的企业还没有用AI，无论在什么生命周期阶段，一定要全面开始启动 AI 战略。否则如果你的竞争对手在电梯里做俯卧撑，你在平地做，那么你一定是死。第二个建议，还是马上去躬身入局，遇上问题、解决问题，不要再等待。因为在真实的实践当中，你才能够获得深刻的认知，才能了解业务的特征和技术的特征，判断AI合适不合适，才能去不断的迭代它、磨练它。如果你不真正的躬身入局启动一个真正的闭环，你永远不可能有深刻的认知。靠炸裂体和公众号是不能获取深度认知的。

我觉得一个是“人”的问题。大家怎么统一认知，这个最重要。如果方向有分歧，大家再使劲，其实也是耗散的。刚才雁杨提到的全员 AI 认证这个事情，我觉得挺好的。尤其对于传统企业来说，人才的储备是很有问题的，不管是技术团队，还是普通员工，都需要提升对 AI 的认知。另外一个就是“场景”。开始大家可能各种小试一下都可以，但真正选择核心的业务场景开始做，是要慎重的。第三，我觉得人真正的学习就是教训、体感。很难场景一击中的，一下就做好，基本上不可能。该摔的跟头肯定要摔，该交的学费肯定要交，该骂的人要骂，该挨的骂也要挨，就是这样，一定要动起来。我创业学的最重要的话就是“行动克服恐惧”。你天天在屋里焦虑，是不行的。走两步，一看斗转星移，就可能不一样了。