AI正在触发一场全社会的智能平权：过去依赖长期训练与积累才能稳定交付的专业能力，正被通用大模型迅速普及，企业的基础经营能力随之提升。
但这轮前所未有的智能平权，也可能通向悄无声息的集体平庸化。当AI成为人人皆有的标配，当客服更快、文案更顺、分析更完整，流程也更自动化时，企业间效率的差距会逐渐收窄。此时决定企业位置的，不再是接入AI的速度，而是能否将这份通用智能，转化为难以复制的经营优势。
智能平权因此埋下两重平庸陷阱：一重在注意力配置端，资源持续流向确定性收益；一重在组织认知端，判断权被悄然让渡。走出这两重陷阱，AI时代的竞争才真正从使用智能走向经营智能。使用智能解决工具接入和效率提升的问题，经营智能则要求企业把AI嵌入业务判断、组织协同和价值创造，并在长期使用中，沉淀出专属能力。
第一重陷阱：效率越清晰，机会越失焦
智能平权的第一重陷阱，在于效率引力：回报越清晰的场景，越容易持续吸收企业的资源与注意力。
企业接入AI时，通常先从流程清晰、效果容易量化的场景入手，例如智能客服或办公助手。此类场景回报看得见、算得清，自然被排进优先清单。此类应用一旦见效，就会开始自我强化。预算继续投向已经跑通的流程，考核继续奖励能迅速反映在数字上的动作，管理层也会投入更多时间追踪指标变化，并倾向于在已经验证过的轨道上再进一步。
于是，AI在既有流程上打磨得越精细，数字越好看，注意力便越向存量优化倾斜。企业用AI把昨天的事做到了极致，视野却在不知不觉中收窄于当下的指标，而非用AI去撬动更长远的未来。当相似的提效能力成为行业标配，存量优化的边际红利也会逐渐见顶。
资源偏移的背后，是AI价值的期限错配。AI为企业创造的价值有两类：效率价值与创新价值。效率价值作用于当期经营，衡量的是成本、时间、质量与准确率的改善，决定企业今天运行得多快。它的回报会被立刻看见，也因此最容易被过度追逐，侵占创新价值应得的资源。
创新价值作用于未来。在探索早期，它往往没有清晰指标，也难以立刻兑现财务回报。等到它清晰可见时，窗口通常已经收窄。因此，企业需要在衡量当期效率之外，主动把一部分AI资源留给不确定性更高的探索空间。
管理学者詹姆斯·马奇指出，探索与利用对组织都很重要，但两者的回报并不对称，且会争夺有限的组织资源。技术本身不会替企业选择方向，AI既能成为优化已知的加速器，也能成为探索未知的放大器，分野就在于企业自身的选择。一旦资源分配只认确定性的数字，再强的AI也会被一次次拉回存量优化。
第二重陷阱：答案越充足，判断越外移
第一重陷阱发生在注意力配置端，第二重陷阱则发生在组织认知端。
这重陷阱在于判断外移：随着人们越来越依赖AI，原本属于人的判断，正逐渐让渡给模型。决策仍由人做出，但形成判断的标准、框架与可选项，正越来越多地由模型给出；答案仍由企业采用，成型的过程却在悄悄离开企业内部。
判断外移的第一层表现，往往是产出趋同。虽然不同的提示词能引出不同的回答，但真正能写出精细提示与丰富语境的企业有限。面对相近任务，通用模型会调用相似的知识，生成结构完整、表述流畅、相对稳妥的答案。这些回答看起来周全，却容易停留在普适建议上，企业自身的业务情境、利益取舍与非共识判断，往往在周全中被磨平。
第二层表现是组织逐渐失去探索答案的习惯。人类越来越像一个批阅者，从AI给出的答案里挑选、调整，而不是从零定义问题、独立推理。微软研究院与卡内基梅隆大学的研究印证了这一点：使用者对AI越有信心，投入的批判性思考就越少。精力更多转向核验、整合与监督AI的输出，而非对问题本身的推演与求解。
第三层表现更为隐蔽，在于首答锚定：AI给出的第一个答案，可能直接成为后续讨论的基准，它划定了分析从何处展开，也预设了方案比较的起点。虽然人类保留了最终决策权，但问题边界与备选方案，可能已被模型预先框定。
沃顿商学院的研究发现，ChatGPT可以提升单个创意的创造性评分，却会降低群体创意的多样性。在一项实验中，纯人工组的独特创意概念占比为100%，人类与ChatGPT协作组降至41.2%，纯AI组则仅为6%，甚至出现9个同名方案。
判断外移还有一个更长期的代价，发生在专家的成长路径上：AI替代的未必是新人的工作，而是新人的学徒期。过去，新人需要在独立分析与反复修正中，逐渐加深对业务的理解。现在，起点已是一份相对完整的答案，他们更习惯在既有结论上查漏补缺，而不是自己建立假设、选择路径、校准判断。专业判断的成长通道一旦收窄，未来能够校验AI、修正规则、处理新型异常的骨干，也会越来越少。
真正的分野：企业存量决定智能增量
智能平权之后，竞争的胜负手在于企业存量：同一个模型接入不同的企业，能被托举到的高度并不相同。该高度由四重势能决定，分别回答：AI是否读懂业务、能否贯通业务、放大何种优势、在组织内扩散多快。
第一，数据势能：专属数据决定AI理解精度。通用模型掌握的是公开可得的知识，企业长期沉淀的客户反馈、交易记录、风险案例等，则记录着外部无法获得的经营细节。新进入者可以迅速接入最先进的AI，却难以复制同业深耕多年积累的客户关系与行业经验。而企业专属数据中承载的时间、情境与因果联系，决定了AI能否真正读懂业务。更关键的是，专属数据在使用中会不断增厚。企业与市场的每一次互动都会产生新的数据，加深AI对需求与风险的理解；新的理解回到业务中，又会带来新的反馈。AI使用越深入，数据资产越厚实，模型对业务的理解越准确，后来者的追赶成本也越高。
第二，协同势能：内部贯通决定AI落地深度。关于AI落地有一个常见的误区：只要给每个部门都配上AI，企业整体就提效了。但各部门分别提效，未必等于企业整体提效。销售部门用AI预测需求，供应链却无法及时获取预测结果；客服部门发现新的客户问题，产品和研发仍按原有计划推进……只要部门墙存在，局部越优化，整体的错位反而越明显。真正的AI赋能是把原本分散在各部门的业务串成一条线。其价值不只体现在业务顺畅运转时，更体现在异常发生时：相关部门能够同步看见问题、共同参与处置。
第三，长板势能：既有优势决定AI放大方向。
长板势能的核心，是把AI作为“优势放大器”：企业先识别出自身的长板，再让AI进一步加固长板。
以资深内容创作者为例，真正稀缺的是选题眼光和思考深度。如果AI只承担资料搜集和文字润色，每一步都要作者亲自把关，面对24小时不间断的内容供给，个人有限的精力很快会成为瓶颈。但如果将创作者的选题方法和思考路径沉淀进AI，就能逐步塑造能持续工作的“数字分身”。AI由此放大的，是资深创作者的专业长板，而非简单替代基础劳动。
再看茶饮企业，每一次推出新品前，都要完成员工培训。企业可以把AI纳入培训体系，将配方、工艺与服务标准转化为标准化课程，让门店员工更快上手，大幅压缩新品从研发到落地的周期，AI由此放大的，是企业推陈出新的能力。
通用能力决定企业能否跟上时代，长板则决定企业能否拉开差距。未来的胜负将落在那块别人补不上又被AI继续拉高的长板上。
第四，文化势能：组织文化决定人机协同上限。
一家企业效率的提升，从来不只取决于AI。成员之间能否彼此信任、共享经验、坦诚异议并有效协作，同样决定着组织能跑多快。
AI落地首先是一场组织学习。麦肯锡指出，加快AI应用，需要企业识别一线已经发生的探索，奖励知识分享，并系统记录试验成败背后的原因。
文化扩散由此形成：一个员工发现的方法可以被更多人复用，一次失败可以成为全组织的案例，一线经验可以持续进入模型和流程。分享越充分，反馈越及时，AI能力在组织内部扩散得越快。组织文化不会提升底层模型的性能，却会决定组织能否充分发挥模型的能力。
破局路径：从调用通用智能，到经营专属能力
面对AI时代的平庸陷阱，企业需要重设三套机制：探索评价、人才成长与知识沉淀。它们共同指向一件事，让每一次对AI的应用，都能加深企业对未来的理解、对业务的判断和对自身能力的掌控，从调用通用智能，走向经营专属能力。
第一，从优化已知转向探索未知。破解“效率引力”的关键，在于重新定位AI的角色：它不只是有问必答的输出者，更是与人类共同探索问题的伙伴。企业需要有意识地把一部分AI资源投向那些还没有标准答案的问题，例如客户尚未充分表达的需求、经营中反复出现的异常、可能改变业务边界的新技术。
在探索场景中，AI首先能做的是把覆盖范围铺得更广。海量客户反馈、销售细节等，过去受人力限制难以系统处理，如今都可以交给AI归纳与识别，从被日常经营过滤掉的弱信号中，形成可供验证的新假设。
探索还需要一套区别于成熟业务的方法。一方面，从小范围起步，逐步测试并不断迭代。另一方面，事前划定探索边界，明确企业愿意投入多少、能够承受多少，以及在什么条件下继续或停止。容忍失败需要尺度，探索空间也需要边界。
面对已知，AI擅长把既定的路走得更快；面对未知，AI能否带来突破，往往不在于模型是否最聪明，而在于组织是否愿意承受失败，以及在方向初现时，是否有一套成熟的验证机制能立即跟进。
第二，人机关系沿指导、判断、训练三级递进。应对“判断外移”，需要重新设计新人的学徒期。良好的人机关系是一条可以拾级而上的成长路径：AI指导员工，员工判断AI，员工训练AI。
在第一阶段，AI承担指导者的角色。对于刚进入岗位的新人和基层员工，AI可以把复杂知识拆解成清晰步骤，根据现场问题提供即时说明。
第二阶段是判断力真正生成的环节。真实业务总会出现标准流程无法覆盖的例外，员工需要结合现场情况，决定哪些建议可以采用、哪些需要调整。这一阶段的核心，是让员工在借助AI的同时，把每一次判断和调整都转化为经验，逐步积累对业务的理解。
第三阶段，经验开始反向流入系统。经验丰富的员工把长期积累的客户洞察、销售技巧、异常案例处理方式持续反馈给AI，让模型对企业具体情境的理解不断加深。个人经验就此反哺组织，转化为企业专属数据和可供更多人调用的智能能力。
第三，将学习沉淀于企业内部。衡量企业AI应用的成效，不能只看完成了多少任务，更应审视每一次使用之后究竟沉淀了什么。大模型可以付费获取，真正需要长期经营的，是建立在模型之上的业务语境、工作方法、判断标准与学习机制。
微软CEO纳德拉将企业未来需要经营的资本分为人力资本与Token资本。前者是员工的知识、判断、关系与创造力，后者是企业借助AI形成并自主掌控的智能。要判断企业是否真正拥有自身的AI能力，有一条直接的“换模测试”：更换底层通用模型之后，积累的专业知识是否会丢失？若会丢失，企业拥有的就只是一份AI使用权。
能够通过“换模测试”的知识，通常沉淀于三个层次。第一层是语境层，包括业务底稿、历史案例等，解决AI“需要理解什么”。第二层是方法层，包括任务如何拆解、流程如何衔接以及常见问题如何处理等，解决任务“应当怎样完成”。第三层是判断层，包括企业为何采纳一个答案、哪些风险必须规避、什么情况下需要人工介入，解决结果“是否符合企业要求”。
默会知识贯穿这三层。销售人员对顾客未说出口顾虑的识别、管理者对组织承受力和风险边界的把握，这些经验都很难完整写成规则。企业需要在长期实践中不断记录，使其从个人经验转化为可以被组织传递和调用的知识。
当人的经验持续注入系统，系统积累的能力又被更多人调用，人力资本与Token资本彼此增厚，企业才能拥有真正属于自己的智能。AI时代的竞争，正在形成一种新的时间差。模型能力在短期不断迭代，企业能力却需要在经营中长期沉淀。技术越普及，这些慢变量越昂贵。智能平权不断抬高企业的起点，也会不断压缩平庸者的生存空间。随着模型持续变强，看似周全的平均解，正在成为这个时代最廉价的资源。AI能回答问题，却无法替企业决定未来。在更长的周期里，真正稀缺的是提出问题、形成判断与持续学习的能力。最终站在分野线之上的，将是那些把通用智能炼成专属能力的企业。
（滕斌圣系长江商学院战略学教授、战略研究副院长、新生代独角兽全球生态体系研究部主任，曹欣蓓系新生代独角兽全球生态体系研究部研究员）
举报 文章作者
滕斌圣
曹欣蓓
相关阅读
AI重构投研体系，人才与组织成核心壁垒！陆家嘴金融沙龙第二十五期落幕陆家嘴金融沙龙第二十五期围绕大模型时代下的量化重构展开讨论，探讨AI在国内量化投资的应用现状及其延伸话题。
5880 08-04 22:43
一财社论：开放驱动创新，协力完善治理当前全球人工智能技术创新正在步入前所未有的活跃期，人类与机器如何和谐共处，技术与伦理如何匹配，治理如何护航人工智能向上向善发展，都需要坚持开放合作的信念。
7988 07-19 20:10
直击电力人工智能痛点，产业链巨头齐聚上海献策破局通过示范应用牵引、标准体系建设和中试验证机制，加快人工智能成果转化。
4609 07-19 17:11
加快建设人工智能上海高地！习近平主席讲话引发上海科技界热烈反响大家一致表示，习近平主席的讲话站位高远、思想深邃，为全球人工智能治理指明了“向上向善”的方向。
6221 07-18 12:00
习近平在2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上的主旨讲话（全文）中方认为，各国应当秉持以人为本、向上向善理念，让人工智能成为促进共同繁荣、维护共同安全的一个重要动力源，携手构建公正合理的全球人工智能治理体系。
32726 07-17 13:43 一财最热 点击关闭中国银河证券提示：文章来自网络，不代表本站观点。
