企业实施人工智能的瓶颈是董事长CEO自己的认知

推荐语

企业AI转型的成败关键，往往不在技术而在决策层的认知水平。

核心内容：
1. 企业AI应用失败的根源：董事长/CEO的认知偏差
2. AI技术工具箱的四大分类与适用场景解析
3. 制造业与金融业AI应用的典型误区和正确实践

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

人工智能技术发展日新月异，尤其在信息科技发达的美国，人工智能成为国力建设的焦点，以此跟中国发展来“别苗头”。在企业方面，人工智能成为董事长/CEO 是关心的数字化转型话题，在社会上的各路自媒体和急于趁势薅钱的厂商的聒噪和制造焦虑之下，甚至成为了董事长/CEO们莫名的焦虑，担心错失人工智能机会从而丧失竞争优势。

企业家一方面愿意在人工智能上慷慨投入资源，另一方面却连自己都想不清楚这些投入究竟能带来什么收益，也使得在董事长身边的CIO/CDO技术负责人无所适从。

无数企业投入重金搞人工智能却收效甚微，其症结往往不在技术本身，而在于董事长与CEO对人工智能的认知偏差。当决策者将AI简化为“万能魔法”，或将大模型视为包治百病的灵药时，企业已注定在人工智能浪潮中迷失方向。

在昨天夏季达沃斯的报道视频里，有位企业家说道：“AI 大模型研发推动工艺参数化、生产智能化、管理数据化和营销精准化”，坦白说，这四个化跟 AI 大模型都没啥太大关系，这位董事长可能还需要再了解下他们公司究竟在怎么用 AI 大模型的，或者那四个化究竟该怎么用AI。

人工智能是指用计算机来模拟人脑的认知、推理、决策等活动，它并非单一的技术，例如大模型，而是一个包含多层次能力的工具箱，一般来说分为：

- 专家系统：基于规则处理结构化决策，例如银行信贷风控

- 机器学习：通过数据发现事物规律，从而训练模型，如销量预测 、客户偏好分析等

- 深度学习：处理图像、语音等非结构化数据，自动提取特征，识别判断事物，如工业质检  

- 大语言模型：就是目前说得最多的“大模型”，例如DeepSeek，ChatGPT，豆包等，都属于大语言模型，预先训练的能够理解、生成自然语言的人工智能，如知识问答、文章撰写。

所以企业要应用好AI，发挥 AI 的商业价值，应该是针对不同的业务场景，基于其分析目的、数据条件等，适用不同的人工智能技术。盲目乱套“大模型”，不仅可能是大炮打蚊子，甚至根本就是无效的。

举个例子，正如我在《大多数企业级智能体似乎产品方向做错了》文中所写，金融机构对贷款申请客户的基本情况和财报分析，本质是简单规则处理，以及结构化数据挖掘，如资产负债率与违约风险的数值关联，基本不需要利用大模型的能力。

在这个场景里，现金流对短期负债比例在什么数值区间可能预示着高风险，这是“梯度提级决策树”这类机器学习算法的典型应用场景，预测精度高，成本低，计算性能好，而用大模型干这个活儿，需将数字转为文本再推理，既损失分析精度又提升成本，如同是让数学家写小说。

再说个真实的例子，我见过有制造业企业的老板要求用deepseek 大模型来提升生产线的良品率。制造环节提高良品率通常需要回答的问题是：“当前设备异常振动，造成加工精度降低，可能由5分钟前的电压波动引起的”，这样的因果识别需要依赖工业传感器的时序数据，这类数据具有强时间关联性。

Deepseek 是大语言模型，擅长处理没有时间关联性的离散文本，而非连续信号，所以工业数据分析是时序数据模型，跟大语言模型没有半毛钱关系。

对特定的业务场景选择合适的人工智能技术，可以有这样一些考虑角度：

1、数据类型：结构化数据（可以用表格来管理的数据）或者非结构化数据（文本、视频、图像、声音），有没有时序特征等，结构化数据适用于树模型类的机器学习、非结构化数据适用于卷积神经网络（CNN）类的深度学习。

2、时效要求：用户对模型的响应时间的时效性要求不同，也需要用到不同的人工智能技术，例如自动驾驶对路面情况判断、或者电话通话的语音自动降噪的时效性可能是毫秒级的，同样，信用卡交易欺诈识别的时效性可能也是毫秒级的，尽管这二者使用的技术也不一样，而有些业务场景则可以允许分钟级甚至是离线的智能判断，例如公司贷款的风险识别的时效性要求就较低。

3、可解释性：深度学习模型和大模型的结果产出原因是不可解释的，即所谓的“黑盒”，而专家系统和大多数机器学习模型都是可以解释其推理机制的。对于监管要求高的业务，不能使用黑盒的人工智能模型，例如银行采用黑盒机制对用户拒贷，可能招致监管处罚，或者智能招聘系统拒绝录用候选人，可能招致反歧视的劳动纠纷。有些企业运营管理的场景中，管理者要求高度的决策可控性，例如服装企业的供应链补货系统，采购决策者要知道某款货的补货需求为何是150，而不是180，原因是什么？那么也不适合黑盒机制。

4、样本数量：大模型需要用大量的数据训练，在神经网络中设定大量的推理参数（千亿、万亿级），通俗地解释，相当于是教脑子一片空白的婴儿学会说话，然而在特定的专业场合，并不需要“万事通”的智能，而是需要只学习了少量样本（而且本来可供学习的样本数量就有限）就能做出决策的“老专家”，例如看医学影像诊断癌症、识别借贷客户经营状况对贷款的风险，或者根据机器运行状况来确定设备维护等，这种情况下不需要使用“大模型”，而需要使用“小模型”，即使用预训练模型的知识加上少量数据（几百到几千个样本）的训练，也称为“迁移学习”

其他AI 技术类型选择的考虑因素还包括：数据隐私要求、部署的方便性、使用成本等等。

尽管“大模型”不等于人工智能，它只是企业应用人工智能的一小部分，然而也不可否认从前年底开始发力、今年初DeepSeek 在国内破圈的“大模型”的确是人工智能技术的重要进步，对企业发展人工智能应用影响巨大，我认为有两方面影响：

一、大模型是对传统非结构化信息的人工智能（文本的分析、理解、翻译、总结、生成等，即自然语言处理NLP，也包括图片、音频、视频等多模态）的能力增强与范式升级，大语言模型通过统一架构（Transformer）和预训练范式，改变了传统NLP技术链复杂、碎片化模型堆砌的范式。

二、大模型可以针对语言形式的提问和交互，通过上下文理解与逻辑链推理实现任务的分解、调度、执行、反馈，根据每个任务的具体情况，调动多种人工智能能力来完成任务：

实际上，大模型指挥的任务不仅包括各种智能能力，还包括各种工具的调用、各种数据服务的利用，以大模型推理能力为中心，对各种人工智能能力、各种数字化服务进行调度、使用来完成任务，就称为“编排”，所以跟人类进行自然语言交互并实现智能化编排，是大模型给企业运营带来最大的价值：

例如银行处理一个个人用户的开户申请，可以利用人工智能来自动调度人脸识别核验身份、风控模型来确定信用等级、推荐模型生成金融服务方案等，从而完成一个端到端的客户服务流程。这就是果总现在正在提供的企业级人工智能解决方案，参见《智能编排自动化 ｜ 企业运营智能化的演化路径》《智能体式编排 ｜ 人工智能在企业内全面落地》。

所以，企业要推进AI 转型，最重要的是董事长CEO 自己要理解：

人工智能究竟是什么，不是什么？

人工智能有哪些类型？

每种类型的应用前提和边界是什么？

人工智能跟企业其他的数字化手段，包括业务系统、数据、基础设施的关系是什么？

很可惜，很多企业的董事长CEO 在焦虑之余，并没有沉下去学习、理解、思考上述这些问题。

人工智能的话题并不是自DeepSeek 热才开始，实际上人工智能是门很古老的技术，在国内也是十年前就开始在市场上炒作了，也有不少有兴趣尝鲜的企业，过去五年，我见到过很多企业董事长CEO 认知断层引发的组织悲剧，从盲目追捧到粗暴裁撤，太多企业陷入“AI过山车”循环：  

1.狂热期：跟风设立数据科学部，招聘一堆数学博士组建数据科学团队，拉工程师来建“AI中台” 

2.迷茫期：董事长CEO要求“用AI提升业绩”、“颠覆商业模式”，却找不到能够戏剧性产生收益的场景，尽管CIO/CDO 们也在足够努力掘地三尺找AI场景， 然而跟博士科学家和AI 工程师们动辄百万的薪酬相比， 很难给董事长CEO 证明这些投资的价值  

3.幻灭期：过上半年、一年董事长CEO见不到明显收益，也不知道那些博士和AI 工程师们成天在干啥，他们做的那堆模型自己也搞不懂，于是整个数据科学部门被裁撤  

这样的故事我从多年前开始，就见过在很多消费品企业、制造企业、房地产公司里反复发生。2013 年我就见过某国内头部服装企业组建了十人的数据科学家团队，一半是博士，用来搞精准营销、供应链优化、智能商品管理的人工智能应用，一年后团队就解散了，还有几家国内头部服装企业都干过类似事情；前些年房地产火的的时候，还有不少房地产公司组建人工智能团队，希望靠人工智能卖房。

大模型来了，前些年搞人工智能都已经搞疲了的那些企业现在是光打雷不下雨，而现在很多对大模型充满期望的董事长CEO，实际上是还没有体验过上面那个“AI过山车”循环而已。

作为企业的领导者，董事长CEO 的认知水平和决策能力直接影响着企业的博变革成功。就我多年的咨询经验，任何技术问题都不是问题，企业变革的瓶颈就是董事长CEO 自己！

在人工智能时代，董事长CEO 必须深刻认识到人工智能的重要性和潜力，全面了解人工智能技术的多样性和复杂性，才能做出正确的AI 转型战略决策，引领企业成功实施人工智能。为了提升董事长CEO 对人工智能的认知，企业可以采取以下措施：

1、加强培训与学习：董事长CEO 亲自组织并参加人工智能相关的培训课程、研讨会、讲座等活动，邀请行业专家和学者进行授课和分享，积极参与行业内的人工智能实践交流（不过也要带脑子去其他企业学习参观，自己能够识别其他企业以及厂商的忽悠、吹牛），帮助他们了解人工智能的最新发展趋势、技术原理、应用案例等知识。

2、从底层开始创新：企业人工智能应用从业务的底层开始创新，提升基层员工、经理应用 AI 的积极性和创造力，而不是自上而下地开展官僚主义式规划，企业老板和科技部门闭门造车搞AI 发明，逼着基层员工去使用——有意思的是，科学研究发现，现在整个行业对 AI 产品的创新可能方向都错了，做的没人用，真正有需求的AI 应用没人做。

3、开展内部交流与分享：鼓励企业内部的数据科学团队、业务部门与董事长CEO 进行定期的交流与分享，让他们了解企业在人工智能应用方面的进展、成果、问题和挑战。

4、引入外部咨询顾问：聘请果总这样的专业的咨询顾问，为企业提供技术选型、变革推进、人才发展等方面的咨询服务，快速搭建原型，帮助董事长CEO 理解人工智能、制定科学合理的人工智能发展战略、并且更好地跟管理团队、技术团队以及外部社会沟通。

最后，我想给董事长CEO 的建议是，要用“第一性原理”去理解 AI。

第一性原理是从问题本质开始的思考方式，AI 是让计算机通过数据和算法模拟人类智能，核心是模式识别与决策优化。自己要解决的业务问题究竟是什么？哪些问题AI能解决，哪些问题它不能解决，