近两年，当全社会都在为AI一波又一波的创新突破而欢呼时，巴菲特似乎显得格外保守，对于技术颠覆论始终抱持着冷静观望的态度、甚至是担忧。
不过，在最近的2025年巴菲特股东大会上，巴菲特的态度有所转变，开始理性接纳AI。我们去围观了一下这场大会的内容，巴菲特表达的原则十分明确：应用必须有限、落地必须可控。
与市场上许多“AI替代人类”“AI改写商业模式”的论调不同，巴菲特的判断是，AI的价值不在于创造新业务，而在于将存量业务的“成本中心”转化为“效率引擎”。换句话说，如果企业原本就没有护城河、没有稳定的盈利模式，就算你用上了最先进的人工智能系统也没用。
这与我们近一年来的调研结论十分接近。从去年下半年到今年年初，中欧国际工商学院携手特赞科技，联合增长黑盒顶尖市场研究机构，依托中欧-特赞人工智能与商业创新研究基金、中欧AI与营销创新实验室，共同撰写并发布《AI时代的商业进化蓝图》白皮书。
该报告调研了一系列已经将AI技术融入生意经营的企业，包含了市场最关心的几大问题：
企业究竟对AI普遍抱有什么样的态度？
AI对于企业战略和落地策略有多大的参与度？
哪些企业在AI时代进化迅速并取得成效？
AI在商业领域的应用会走向何方？
这或许能为传统企业指明一条现阶段的AI创新之路——既不盲目追逐技术泡沫，也不固守传统拒绝变革，而是在人机协同的交界地带，寻找确定性增长的“第三种可能”。
从外部视角来看，整个市场都在狂热地追捧 AI。
高盛的数据显示，过去3年里，头部上市公司频频在业绩会中提及“AI”这个关键词，热度以指数级爆发。到了2024年Q4，标普500成分公司中，竟然有一半都提及了AI。而根据麦肯锡的最新调研，65%的受访者预计GenAI将对他们的行业带来显著或颠覆性的变化，72%的组织现在在至少一个业务职能中使用AI。
可矛盾的是，企业内部对于生成式AI的兴趣正在逐步冷却。德勤在2024年的全球调研显示：Q4相比Q1，企业高管或业务负责人的兴趣明显下滑，董事会对于AI的兴趣程度甚至低于了普通员工 - 只有技术负责人长期保持了最高的兴趣程度。
从2019年到2024年，每年都有17-25%的企业声称会在一年内部署AI能力 - 按理说AI落地应用数量将呈现双位数增长。可实际上，真正落地的项目每年只增加了2-5%。
为什么企业嘴上说着想要进化，但实际行动却并非如此呢？
核心原因在于：大部分企业AI战略推进的路径不清晰，AI项目短期内并不能从概念验证阶段（POC）走向成熟业务部署，也没有规模化的业务价值。
Gartner 发现，平均只有48%的生成式AI项目进入生产阶段，从生成式AI原型到生产需要8个月。根据IDC的调查，仅有28%的企业管理者认为在未来一年内会看到AI项目的投资回报。
对比区块链、AR/VR等其它技术的落地，生成式AI的进度显然更加落后。如果聚焦到国内市场，虽然有53%的大型企业都已经积极布局生成式AI项目，但仅有20%设置了独立预算或取得成果。
那么，企业应该如何去制定清晰的 AI 战略、解决业务脱节的问题呢？这可以分为战略目标的广度和落地应用的深度来思考。
AI战略目标广度
研究显示，76%的生成式AI应用领导企业能够将AI技术和业务目标有效对齐 - 该比例显著高于普通企业。
我们将AI战略横向的业务价值点分为下列三类。
在探索新兴技术时，企业会习惯性的“广撒网”。但如果同时开展过多的AI项目，目标又不明确，这会导致在低影响应用上稀释资源，而高价值的项目则被忽视。对于在 AI 应用上领先的企业来说，同时开展试验的 AI 项目数量比普通企业要低40%，但预期ROI却要高出2.1倍。
因为从优先级的角度来看，领先型企业更倾向于“把钱花在刀刃上”：围绕降低成本 & 增长营收两大目标，在运营、营销和市场等核心职能上开发 AI 的应用场景，而非客服、财务等支持性部门。
在制定AI战略目标时，大部分管理者的共识都是“自上而下”来推动，将其作为一把手工程。然而，其中却有一个误区：CEO习惯于抓大放小，只去看顶层设计，而不去跟进后续的落地环节。多项研究显示，相比于整体战略架构，CEO在业务场景相关的决策上参与度大幅下降 - 而这恰恰是领先公司与落后公司的差异点所在。
如果CEO完全把落地执行交给IT团队和业务团队自行配合，而不去关注具体细节，那么CEO自己还是无法了解业务目标对齐的痛点，更无法加速推动项目。
AI落地应用深度
然而，就算锁定了核心业务目标，企业也很难一步到位把成绩写在利润表上，间接的铺垫必不可少。我们先把AI应用推进的深度分为概念验证、扩展规模、组织重构三个阶段。
企业很希望新技术能够解决复杂、系统性难题。但从项目的起点上来看，领先的企业更擅长取得“quick win” - 当浅层业务价值快速摆在所有人眼前，就更容易获得组织的支持。
Google研究发现，如果把提升员工生产力作为目标，就容易快速获得成效。以细分场景来举例：品牌CMO眼中最重要的“quick win”是内容创作、社媒运营和社媒数据洞察。
Google研究显示：如果企业能够从概念验证阶段上升到生产落地阶段，ROI的确定性将会更强。而长期形成系统后，将能够给营收增长带来明显的贡献。
在AI项目不断在组织内推动的过程中，仅有自上而下的决策远远不够，更需要中层、基层员工自下而上发力。
麦肯锡的研究显示，用强硬的命令或严格的KPI考核并不能有效调动员工积极性，他们更需要公司的培训，以及对于工作流程的整合。而如果一名员工具备了积极性，就能在组织中发挥巨大的能力，不仅能够主动帮助项目寻找机会点，还能够向其它人普及AI的价值、教别人使用 - 60%的人曾经直接帮助过项目的推动。
然而，德勤研究显示，虽然七成企业预计AIGC会改变人才战略，但仅22%对员工进行了充分培训。同时，有35%的员工对AI持有消极态度，比如没有信心掌握AI技能。
构建 AI 战略矩阵
当我们把两个维度组合在一起，就形成了一张3X3的AI战略矩阵。企业可以在三大重要的业务目标下选择试点项目，再逐步将应用范围向规模化推进。其中：
企业可以聚焦在最核心的场景，也可以选择同时开始多个概念验证，多业务部门同时进行
一个试点项目在推进的过程并非是线性的，而是在过程中及时调整方向，启发新的概念，或直接转变业务目标
不过，企业成功识别并放大了那些价值显著的AI应用，这仅仅是AI进化历程的“上半场”，它们还不足以形成持久的竞争屏障—真正的挑战在于如何将这些局部创新转化为企业的固有能力，就像生物进化中有利基因被"固定"在DNA中并代代相传。
埃森哲的最新研究揭示了这一阶段的重要性：从2023年到2024年，成功实现业务流程现代化、以AI为主导的公司数量几乎翻倍（从9%增至16%）。这些企业不仅在收入和生产力方面取得了显著提升（分别为2.5倍和2.4倍），更令人瞩目的是，它们在AI应用扩展方面的成功率高出其他企业3.3倍。
真正的竞争优势并非来自 AI 技术的“在场”，而是来自 AI 驱动的业务流程“重塑”。无论是基于什么战略目标出发，企业最终的形态是进化到组织重构阶段。
将 AI 从实验性项目转变为企业的内在能力，需要系统化的方法和全方位的变革。我们发现，成功企业通常聚焦于四个战略行动领域：
1. 流程再造：从补丁式应用到原生集成。不再是在现有流程上“贴”AI功能，而是彻底重新设计端到端业务流程。领先企业会：
绘制关键业务流程的全景图，识别每个环节的决策点和信息流
基于 AI 能力设计全新的工作方式，而非简单自动化现有步骤
建立新的衡量标准，聚焦整体流程成效而非单点效率
2. 能力固化：从项目化管理到系统化能力。将 AI 从特殊项目转变为企业标准配置，成为日常决策和操作的一部分：
开发内部 AI 平台和工具集，降低各部门应用门槛
建立 AI 能力中心，确保技术和经验在组织内部传播
将 AI 应用纳入标准运营程序 (SOP) 和工作指南
3. 持续迭代：从静态应用到学习系统。 AI 的价值在于持续学习和自我完善，这要求：
建立数据反馈闭环，确保 AI 系统能从每次交互中学习
开发监控指标，实时评估 AI 性能并自动触发优化
规划定期更新周期，让 AI 能力随业务需求演进
4. 组织协同：从技术孤岛到跨域整合。真正的 AI 转型需要打破部门壁垒，创造全新的协作模式：
组建跨职能团队，包含业务、数据和技术专家
调整绩效指标和激励机制，鼓励基于 AI 的创新和协作
改变决策流程，让数据和 AI 见解成为标准输入
研究显示，在领先企业中，87%实现了技术和业务团队的深度协作，而基础阶段企业中，88% 表示两个团队之间几乎没有合作 - 这种差异直接影响了AI应用的广度和深度。
本章深入剖析了六家不同行业的领军企业如何将AI技术融入自身战略，并成功实现商业价值的提升。这些案例揭示了AI在降本增效、驱动增长乃至商业模式创新方面的巨大潜力，为其他企业提供了宝贵的借鉴。
某国际耐消品零售品牌通过构建内部AI创新生态系统，激发上万名员工的参与热情。在中国市场，他们借助AI分析趋势、生成内容大纲，并赋能一线员工进行社交媒体内容创作与优化。这种“技术民主化”不仅降低了AI应用门槛，更实现了“小投入、大声量”的品牌传播效果，展现了“自下而上”AI变革的巨大潜力。
某国民家居品牌面对电商流量红利见顶的挑战，积极布局新零售，并以AI驱动全域内容矩阵。特别是在小红书平台，通过AI批量生成“KOC素人”风格的本地化和主题化内容，以规模化策略获取流量，并精准分配给线下经销商。这种总部中心化获取流量、AI赋能内容生产的模式，有效解决了经销商内容生产能力不足的痛点，驱动了业务新增量。
美的集团作为制造业的数字化先行者，其AI战略严格基于ROI（投资回报率）方法论。在AI工厂项目中，通过多物理场仿真、自研PLM系统和iBUILDING Service系统，显著提升了选型、设计效率并降低了维修率。在内容生成方面，利用AI文生图技术大幅降低了电商视觉内容制作成本，并通过智能问答系统提升了内部知识管理和外部客户服务的效率，实现了可量化的降本增效。
伊利集团前瞻性地将生成式AI视为增长关键技术，并自研“YILI-AI”平台。在产品创新层面，AI贯穿市场洞察、概念设计、消费者共创测试、配方与工艺设计及包装审核的全链路，显著加速了爆款产品的打造。同时，AI在供应链优化（如原奶智能调配、设备智能管理）方面也发挥了重要作用，确保了核心业务的稳健运行。伊利还积极探索“AI+健康服务”，拓展从“卖产品”到“卖服务”的商业模式创新。
欧莱雅将自身定位为“美妆科技公司”，以“内容是新的货币”为核心理念，通过AI重塑业务形态。其与特赞合作开发的China Content Hub (CCH)平台，实现了内容从创意、生成、审核到分发的全生命周期管理。AI不仅规模化生产电商内容，还赋能BA（美容顾问）进行私域运营，提升了个性化服务能力和运营效率。欧莱雅的成功在于其“Digital First”的基因，以及将AI深度融入组织文化与工作流程。
Shutterstock作为一家数字内容授权平台，在生成式AI兴起之际，敏锐地将其视为商业模式创新的契机。面对AI可能替代其核心资产的威胁，Shutterstock选择与OpenAI等大模型公司合作，授权其海量高质量素材用于模型训练，并推出了创作者补偿基金。同时，它将AI图像生成器整合到平台，从内容提供商转变为创意解决方案提供商，开辟了“数据、分发和服务”的新营收增长点，成功将挑战转化为差异化优势。
企业在AI应用的道路上，从试验、规模化到重构，正在经历一场深刻的数字化进化。这个进程并非机械式的阶段跳跃，而是一条连续的演进路径，每一步都在积累能力、沉淀经验、拓展边界。
当企业完成业务重构，将AI能力固化到核心工作流并释放出新的增长动能时，我们看到的不是终点，而是新起点的开始。
展望未来，通用式AI技术本身也在快速迭代，全新的能力边界正在形成。在这个背景下，企业AI应用的下一轮进化将呈现出哪些新特征？变异、选择和遗传这三个演化机制，又将如何在企业数字化转型中展现新的内涵？
垂直场景解决方案和“AI原住民”增多，更多的基因突变将会诞生
首先，自下而上的创新和尝试会越来越多。
领导者也可能低估了员工对于AI的掌握程度 - 员工会在工作中自发使用AI，并取得一定成效。麦肯锡最新的研究表明，全球有13%的员工认为，自己日常有30%以上的工作中都用到了生成式AI。而仅有4%的管理者认为，自己的员工现在可以做到这种程度。
对于现在职场的00后来说，更有了“AI原住民”的身份 - 他们有95.2%都曾使用过AI工具/产品，其中41.7%达到了熟练掌握的程度，46.7%每天都在使用。
其次，垂直领域的AI应用工具正在爆发，概念试验将会变得门槛越来越低。
随着专注于特定行业的AI模型与工具不断涌现，长期困扰企业的"技术能力不足"和"没有合适模型与工具"等障碍正在迅速消解。越来越多的预训练模型针对医疗、法律、金融、建筑、教育等垂直领域进行了专门优化，使得这些行业特有的知识和语言已被有效编码到AI系统中。
同时，无代码 / 低代码平台使企业能够在几天甚至几小时内部署AI应用，而不是几个月。这些平台提供直观的界面，允许业务专家直接参与AI系统的设计与调整，无需深厚的技术背景。企业可以快速构建概念验证，测试各种业务假设，然后根据实际效果迭代优化。
创新不再限于技术巨头或拥有大量AI人才的企业，而是向所有具有深刻行业洞察和创新思维的组织开放。真正的竞争优势将转向对行业痛点的理解、业务流程的重新设计以及人机协作新模式的构建。
从单一的AI工具到智能体协作，促进规模化、系统化
在2024年，众多科技行业的领袖，都纷纷将目光集中到了“智能体（AI Agent）”。
比如近期，Facebook创始人扎克伯格就表示“未来将会出现数十亿个智能体，数量很可能比世界的人口还多.....每个企业都会拥有自己的智能体，就如同今天的电子邮件和社交媒体账户一样。”
既然企业已经开始从单一环节的效率助手，逐步开始向工作流重构的方向进化，那么一个具备自我规划任务和决策、具备记忆能力、能够协同其它外部工具的智能体将让一切自动化运作起来 - 人类只需要充当业务系统的“设计师”即可。多个智能体之间，甚至还会形成类似部门之间的协作关系。
Google的调查显示，10%的企业已经在使用智能体，82%计划在未来3年内部署智能体，包括：客户支持、员工效率、创意、数据、代码、安全六大主流应用方式。
行业垂直的模型将成为企业的“数字DNA”
能够形成体系化运作、作为企业基因保留下来的 AI 应用，还需要克服现有通用大模型技术的难题：无法深度整合企业专有知识、难以适应特定业务流程、数据安全与隐私风险增加。
随着成功应用的累积，企业逐渐形成对 AI 能力的差异化需求，促使其投入资源进行自主研发。在这一进化过程中，企业自主训练的行业垂直模型正成为最佳选择，它们具有显著优势：
1. 知识适配性：垂直模型能更精准地编码行业特定知识和企业专有信息，减少通用模型的 " 幻觉 " 问题；
2. 资源效率：相比大模型，垂直模型计算成本更低，部署更灵活，更适合企业持续运营；
3. 迭代速度：模型训练和调整周期短，能够快速适应业务变化和新需求；
4. 控制与自主权：企业对自研模型拥有完全控制权，消除对外部服务提供商的依赖。
垂直模型正成为企业的 " 数字 DNA"，它们编码了企业独特的知识体系和运营逻辑。就像生物 DNA 携带着生命体的遗传信息，这些模型包含了企业数十年积累的专业知识、最佳实践和决策模式。
而这种 " 数字 DNA" 具有自我复制和进化的能力：
模型可以不断从新数据中学习，适应业务环境变化
成功的模型架构可以横向扩展到企业其他部门或业务线
模型之间可以组合和协作，形成更复杂的能力网络
企业特定的知识可以通过模型得到保存和传承，不再依赖个别员工的经验
调研显示，虽然当仅有 7% 的企业选择利用自有数据训练私有模型，但有54%的企业认为自己会在2年后升级到“小模型”。
未来，我们还将持续追踪企业 AI 应用的转型路径，深入研究不同类型企业的差异化战略选择，为管理者提供更具针对性的决策参考。无论是传统制造业的数字化转型，还是数字原生企业的商业模式创新，都将成为我们下一阶段研究的重点方向。
