返回上一页首页新闻资讯私董陪跑日记

殷海江:从个人 AI 到组织级 AI 大模型落地:必要性、定义与路径

发布日期:2026-11-12浏览次数:1次

论 文

从个人 AI 到组织级 AI 大模型落地:必要性、定义与路径

殷海江

《私董陪跑就是战略实现》《华为组织型业绩增长法》作者


摘 要

目的 企业已在员工个人层面大量使用大模型,组织能力却未同步增长。本文解释这一落差的结构成因,界定组织级 AI 大模型的概念内涵,并提出落地路径。

方法 结合文献梳理与企业现场实践,考察 AI 就绪度、组织能力、智能原生三条研究线索及其共同缺口,归纳失效机制与落地步骤。

结果 个人大模型用于企业场景存在四重失效:保密与合规、数字资产沉淀、系统闭环、成本配置,共同根源是接入点设在个人而非组织。据此提出操作性定义,即以企业的战略、流程、权责、知识、数据和决策规则为建模对象,把组织本身训练成可理解、可执行、可治理、可沉淀的 AI 系统,并拆解为四层。

结论 落地需遵循四阶路径:一号位嵌入、底座选择、三步建模、最小业务单元验证,启动前完成资产盘点、边界划定与场景验证。同等功能下组织级 AI 成本显著低于传统 IT 采购,其意义更在于试错成本大幅下降。AI 的接入点决定其为消耗还是资产。

关键词 组织级 AI;组织能力;AI 就绪度;数据资产;智能原生


一、引言

过去两年,企业中出现了一种未被立项、未经预算审批、也无 IT 部门参与的技术实践:员工自行注册账号并付费,把合同、招聘文案、报错日志交给个人大模型处理。从个体看是效率提升,从组织看则是资产流失。随之出现一个反直觉现象:AI 使用越充分的企业,暴露的结构性问题越突出——部分自大模型商用初期即开始使用的企业,员工操作相当熟练,但企业层面拿不出由 AI 沉淀的知识资产。

该落差有宏观数据支撑。据斯坦福《2025 人工智能指数报告》,2024 年全球 AI 领域私人投资达 2523 亿美元;麦肯锡统计显示,至少 5% 息税前利润可归因于 AI 且自认影响显著的“AI 高绩效企业”仅占受访企业约 6%,62% 的企业在试验智能体,在单一职能规模化部署的不足 10%;Gartner 预测到 2026 年底 40% 的企业应用将嵌入任务型 AI 智能体。投入在增长,部署在加速,收益未同步兑现。

技术并非瓶颈,瓶颈在于企业把 AI 装进了员工的口袋,而非组织的地基。个人大模型解决“本岗位如何更快”,组织须解决“本企业如何更准”,前者是效率问题,后者是能力问题。

二、理论线索与既有研究的位置

AI 就绪度研究。Jöhnk 等(2021)通过 25 位专家访谈,将组织 AI 就绪度归纳为战略对齐、资源、知识、文化、数据五个类别及其下属指标,并指出就绪度并非一次性通过的关卡,而与 AI 采纳构成相互依赖的循环。该框架足以充当诊断量表,但止步于“企业具备了什么”:组织可在指标上全数达标,却仍将所有 AI 产出留存在私人设备中。就绪度回答“能否开始”,不回答“建在谁的地基上”。

组织能力研究。Peppard 与 Ward(2004)指出,资源本身不产生价值,价值来自组织对资源的调用、组合与整合。Weber 等(2023)提炼出 AI 项目规划、系统协同开发、数据管理、模型生命周期管理四项能力,并为它们找到共同作用对象:AI 的不可解释性(inscrutability,指系统因机制复杂、输出具概率性而难被特定受众理解)与数据依赖(data dependency,指系统从数据学习归纳而得,因而高度依赖底层数据)。该研究已接近本文命题,但仍将组织视为能力的持有者而非建模对象。

智能原生研究。中国信息通信研究院 2026 年 10 月发布的《智能原生(AI Native)研究报告(1.0)》提出“抽离测试”:抽掉 AI 之后,若核心流程随之塌陷一半,方可称智能原生;若仅部分环节退回人工、整体仍可运转,则仅为被增强。该研究将转型排为四步——先定场景、再改组织、再为智能体编号、最后谈安全与交付。它给出判定,未给出建模方法。

三者解决了“条件”“本事”“判定”,均未回答当 AI 的建模对象从“任务”变为“组织”时,该动作包含哪些对象、由谁发起、按何顺序推进。这正是本文的切入位置。

三、概念界定:组织作为建模对象

本文将组织级 AI 大模型界定为:以企业的战略、流程、权责、知识、数据和决策规则为建模对象,把组织本身训练成一个可理解、可执行、可治理、可沉淀的 AI 系统。

“建模对象”借自机器学习的基本动作,即提取特征、建立映射、使其能对新输入给出输出。个人使用大模型时,建模对象是当前任务,任务结束则建模结束;组织级 AI 的建模对象换为组织本身,其特征即战略意图、流程节点、权限边界、知识存量、决策惯例。任务是消耗性的,组织是积累性的。“四个可”是能力承诺:可理解指成员能追问系统为何给出该建议,可执行指输出可直接嵌入业务流程,可治理指权限与追责有落点,可沉淀指每次交互都在为组织积累资产。

战略层需回答“传统企业如何长成 AI 型企业”,常见错误是重犯数字化转型的路径,各自采购工具而形成新的孤岛;该层对象是取舍而非口号,定义中的“决策规则”归入此层。流程层最易出错:以科层制思维套用 AI,结果是仅为每层级配置了更快的秘书,层级本身未变。权责层决定系统能否真正被使用,界面看似轻,背后须有严格权限分层;企业半途停滞,技术多非主因,症结在于不敢打通数据。知识层最易被误判为“已有”,企业知识通常碎片化、无法被调用,须集成数字资产、连接上下文、以自有材料改造通用模型,定义中的“数据”归入此层。

四层构成依赖结构:战略定方向,流程承方向,权责保流程可行,知识供燃料。跳过任何一层,均将在别处返工。

四、个人大模型用于企业场景的四重失效

保密与合规失效。员工将材料输入对话框,因界面私密而主观判断安全,但数据一旦进入外部模型即脱离企业控制边界。“保密观”曾通报三类场景,当事人分别来自涉密单位、国家机关与科研机构,或把涉密方案输入手机 AI 写作工具,或用开源 AI 分析内部文件因公网未加密被境外 IP 下载,或把核心数据上传 AI 写作应用导致外流。2026 年 10 月 29 日,深圳市市场监督管理局发布的全国首个《人工智能工具应用中的商业秘密保护指引》收录 12 个案例,覆盖采购与准入、部署与配置、使用与权限管理、更新与退出四环节。上述三起无一起属“员工违规操作”,失效根源不在合规意识,而在企业未提供可用的组织级入口。禁令难以奏效,只能以替代方案解决。

数字资产沉淀失效。员工的核心价值并非工时,而是其摸索出的可复用判断力,混合了个人智慧、企业平台资源与客户反馈。此类资产散落于个人设备与互不相通的对话记录,离职则归零,在职亦无法被他人调用。一项推论值得警惕:AI 使用越熟练的员工,沉淀的个人资产越厚,企业对其依赖越深,而此类人员恰是流动性最强者。原因有二:该能力在市场上有直接定价;其提示词写法与磨合手感存于个人账号,可整包迁移。

系统闭环失效。企业既有系统各自解决一段业务,彼此靠接口与人工作业衔接。员工以个人 AI 处理跨系统事务,动作虽完成,却不产生系统级影响:源系统不知此次读取,产出不进入任何流程,结果是组织力与 AI 成为两张皮。反向检验:若卸载全员个人设备上的 AI,核心流程会塌陷吗?多数企业答案为否,最多变慢,恰证明其属被增强而非智能原生。

成本配置失效。同等 Token 支出用于员工个人与用于组织底座,性质完全不同:前者购得效率,用完即散;后者购得资产,可以累积。过去 IT 支出大部分用于“购买功能”,企业只能适配而不能改造;组织级 AI 的支出用于“建模能力”,产出为长于自身业务的专属系统。

四重失效指向同一原因:AI 的接入点设在个人而非组织。保密只能依赖自觉,资产只能留存私人设备,系统只能各自为政,成本只能按人头摊派。组织级 AI 是唯一能使四重失效同时得到解决的结构。

五、四阶落地路径

一号位嵌入。首个动作不在 IT 部门,而在决策者层面。实践观察显示,在与技术厂商合作举办的 AI 应用活动中,决策者或法人亲自参加者基本认可并推进组织级应用,委派员工或信息化负责人参加者多数无后续进展,比例约各半;差异成因不在规模、行业或预算,而在参会者身份。其机制在于,组织级 AI 涉及三项决策者不拍板则无人可定的事:数据打通、流程重构、投入节奏,分别涉及各部门权力边界、中间层存废、短期业绩与长期能力的取舍。“嵌入”与“支持”有别:支持是态度,嵌入是行为,要求决策者亲自将决策习惯与判断逻辑逐条输入模型,此环节无法外包。若企业当年首要目标为销售业绩增长,组织级 AI 应置于最高优先级,因其并非与其他工作并列,而是各项工作的底座。

底座选择。首要变量是生态归属而非技术参数。当前主流方向包括腾讯 WorkBuddy、字节豆包工作、阿里千问办公,三者均可支撑组织级应用,差异主要在既有办公生态的贴合度与迭代响应速度。企业应先明确底座的管理归属:归 IT 部门管理,最终形态为一套系统;由决策者直接管理,方可能成为组织能力。

三步建模。该阶最易被简化为“上传文档”。第一步为企业决策语料建模,整理近三年重大决策与方案形成过程,须是过程而非结果,价值在于把“决策者的直觉”转化为可调用的判断规则。第二步为组织运行语料整理,处理协作如何发起、异常如何升级、资源如何分配,为 AI 由“懂决策者”转为“懂企业”的关键。第三步为双模型协同校准:企业家模型代表“企业想去何处”,组织模型代表“企业实际如何行走”,二者差距即战略落地的真实障碍。决策者过去的成功经验可能需要格式化,若直接建模,AI 将忠实复制一套正在失效的经验。

最小业务单元验证。模型建成后不宜全面铺开,应先选最小业务单元做 MVP 测试,验证有效后逐步推广。权限配置、数据断点、流程衔接等问题会在最小场景集中暴露,此时修正成本低,全面铺开后代价倍增。

落地前的三项准备。一是盘点资产:梳理核心数据资产并区分位置,在云端系统、在老员工记忆中、抑或锁定于个人电脑,第三类最危险。二是划定边界:明确何者可向 AI 提问、何者不可,并建立统一入口,留一缺口则员工由此绕行。三是跑通场景:选取痛点最集中的场景先行验证,标准不是“系统可用”,而是“该场景人员已无法离开它”。四阶为有依赖的递进,任一环节被跳过,均将在后续某阶以加倍代价返工。

六、成本结构的变化

以下均为单次现场操作,样本少,不足以支撑统计结论,其价值在于提供可重复验证的存在性证明。

业绩增长 CRM。输入指令要求基于既有组织增长方法论构建业绩增长管理系统,不到一小时系统生成并可运行,Token 消耗不足 50 元。传统 CRM 是记录工具,不提示下一步行动;该系统内置方法论,可实时呈现业务进展与卡点,并具备销售陪跑功能。差异的实质不在功能数量,而在生成方式:传统 CRM 的功能是厂商在数百家客户需求中取交集所得的最大公约数,该系统则自企业具体方法论中生长而出。

采购供应系统。输入七条具体要求,半小时后系统生成,效果优于企业当时在用的采购系统。该案例证明下限:日常场景亦可一次成型,说明其可重复。

决策系统。为客户搭建决策系统耗时 40 分钟;该客户原采购系统投入一两百万元,后续二次开发投入近 300 万元。原投入含实施、培训、集成与多年运维,不可能被 40 分钟完全替代,故不宜将两组数字直接相减。此类产品的核心价值正从“软件本身”迁移至“建模方法”。

由此可得两个判断。其一,绝对金额降幅约在一个数量级:替代性系统按 1 万元计,同等功能实测 Token 消耗不足 100 元,单看此层差距为百倍量级;但传统软件价格含实施、培训、集成与运维,将隐性成本计入并作保守折算,实际降幅落在 5 至 10 倍区间。此为粗略估算而非精确测算。其二,更重要的变化不在省钱,而在试错成本下降:过去验证一项管理设想须立项、寻供应商、开发、实施,周期以季度计、投入以十万元计;当前验证成本降至数十元与数十分钟,企业得以大量尝试“不确定但值得一试”的方案。

七、讨论:组织学习层面的障碍

从技术看门槛已相当低,但推进困难,说明阻力不在技术。阻力集中于三层,逐层加深。

认知层。多数企业的理解停留于“看到过、听说过”。曾有一家百亿级企业,听到相关产品介绍时表现出明显诧异。认知落差并非不相信 AI,而是不知其已能达至何种程度。

权力层。打通数据背后是权力。部门数据的可见范围属敏感事项,负责人本能防守,因数据一旦透明,信息优势即消失。此亦为该项工作须由一号位主导的原因。

经验层。该层最隐蔽亦最难。在传统环境中长期成功的决策者,其判断体系已被验证,这既赋予其底气,也使其难以改变;组织级 AI 要求其将体系拆解、审视并部分废弃,第三层则依赖个体对自身的否定。

尚需指出两重风险。一是形式主义风险:若建模被做成一场运动,上传文件、开启动会、完成演示即告结束,则不过是“上系统即转型”错误的重复,识别标准是抽掉它业务是否受影响。二是过度依赖。Keshavarz 等(2026)指出,影子 AI 的代价不仅在于未经授权的使用,还包括认知卸载导致的组织判断力侵蚀:当 AI 取代而非支持人的推理时,即便使用经批准的系统,用户亦可能失去对输出的推理、验证与解释参与度。故建模同时须保留人工校准机制。

八、结论与局限

本文核心主张可压缩为一句:AI 的接入点决定其为资产还是消耗。接于个人,它是效率工具,用完即散;接于组织,它是能力资产,越用越厚。该区别不体现于模型能力,而体现于知识是否沉淀、系统是否闭环、成本是否累积。

AI 的接入点决定其为资产还是消耗。接于个人,它是效率工具,用完即散;接于组织,它是能力资产,越用越厚。

对企业而言,三项建议可供参照:决策者亲自上手,此事不可授权,先自行使用一个月,即可明确本企业模型应建何物;先盘资产、再选底座;跑通一个最痛场景,不宜全面铺开。

本文的局限有三:三个案例均为单次现场操作,缺乏长期跟踪数据;案例集中于需大量决策判断的领域,流程标准化、重资产、强监管行业的路径可能不同;成本记录为单点实测,效益判断主要依赖定性描述,更严格的研究应建立对照。

技术发展至今,问题已非企业能否使用 AI,而是企业是否愿意将自身交付建模。前者是选择,后者是勇气。


参考文献

[1] Jöhnk J, Weißert M, Wyrtki K. Ready or not, AI comes: an interview study of organizational AI readiness factors[J]. Business & Information Systems Engineering, 2021, 63(1): 5-20.

[2] Weber M, Engert M, Schaffer N, et al. Organizational capabilities for AI implementation: coping with inscrutability and data dependency in AI[J]. Information Systems Frontiers, 2023, 25(4): 1549-1569.

[3] Peppard J, Ward J. Beyond strategic information systems: towards an IS capability[J]. The Journal of Strategic Information Systems, 2004, 13(2): 167-194.

[4] Keshavarz H, Zadeh M M S, Monjezi Y. The hidden cost of shadow artificial intelligence: cognitive offloading and the erosion of organizational judgment[J]. IT Professional, 2026, 28(5): 17-24.

[5] 中国信息通信研究院人工智能研究所. 智能原生(AI Native)研究报告(1.0)(2026年)[R]. 2026.

[6] 深圳市市场监督管理局. 人工智能工具应用中的商业秘密保护指引[Z]. 2026.


殷海江 · 组织级 AI 大模型落地