AI 可以是赛博格或半人马，但企业能靠它变现吗？

“仅仅因为你消耗了 token，并不自动意味着那里有一家银行，你可以开始让柜员取钱了。”

萨蒂什·维斯瓦纳坦（Satish Viswanathan）就是这样总结2024年盛行起来的思维——当时企业开始把 token 消耗量当作其 AI 能力的“奖章”。一些组织甚至在招聘方案中规定了 token 消耗承诺。

两年后，企业开始认识到，在没有任何核查的情况下消耗 token 只会花钱，未必能带来收入。

维斯瓦纳坦曾任埃森哲（Accenture）全球旅游数据与 AI 负责人，著有《智能的重量》（The Weight of Intelligence）。在接受 AIM Network 的《Front Page》采访时，他主张企业过于关注改进 AI 模型，而太少关注自身吸收和使用这项技术的能力。

他把这一挑战称为“企业代谢化”。获得能力越来越强的 AI 模型，并不会自动让一个组织更有生产力或更盈利。企业还需要人员、流程和基础设施，才能让这种智能真正发挥作用。

企业采用难题

维斯瓦纳坦指出，有几个因素决定了一家企业能多有效地使用 AI：模型能力、企业数据架构与数据可用性、系统集成与基础设施、人员流程与组织结构、价值经济学，以及治理与监管。

他认为，每家企业都有自己的“技术债、人员债、流程债”和组织结构债。这些约束决定了企业实际上能利用多少模型的智能。

他认为，即便获得了通用人工智能（AGI），也不会让每家企业具备同等能力。“每家企业仍然是独特的。”企业不能假定同样的技术在任何地方都会产生同样的结果。

对商业领袖而言，这意味着要超越 AI 模型的能力，审视自己的组织能否把这些能力用于生产性用途。token 消耗量或许能表明员工在使用 AI，但并不能确定这项技术是在创造收入还是在降低成本。

衡量财务回报

维斯瓦纳坦看到企业对 AI 项目的态度正在转变。竞争压力和供应商合作关系正成为强劲的顺风。

他还观察到企业 AI 采用出现了暂停。企业未必是在放弃这项技术，但一些企业正在同时推进更少的用例，并重新考虑其投资规模。

“我们已经看到非常、非常明智的暂停，”他说，并描述了一些企业如何控制支出，而不是“全速前进”。他把这种重新评估与首席执行官们面临的压力联系起来——他们需要证明 AI 支出能带来回报。

正如他所说，企业仍然需要弄清楚“用例是什么、干预领域在哪里，以及如何从中赚钱”。

生产力提升不等于节省

即便 AI 让一项任务变得更快，节省下来的时间也不会自动成为公司的财务收益。

维斯瓦纳坦用一个例子说明：一名员工利用 AI 完成任务，节省了一个小时。这名员工可以把这段时间用来上瑜伽课。

“我们并不处于那种工厂模式——早上9点打卡的那一刻起，你就一直在工作，”他指出。知识工作者未必把每个小时都花在分配的任务上，AI 腾出的时间也未必会自动转用于其他工作。

财务收益取决于组织如何利用这段时间。企业需要鼓励员工将其用于生产性用途，可能的做法是赋予他们新的职责，或帮助他们培养额外技能。

同样的挑战也适用于技术服务公司。如果 AI 让服务提供商更快完成工作，客户可能会期望由此产生的效率提升反映在合同价格中。因此，提供商可能无法保留全部节省下来的收益。

自动化的风险

提高效率的压力也引发了企业如何培养员工队伍的疑问。

维斯瓦纳坦警告说，因为 AI 能执行常规任务就减少初级岗位招聘，长期来看可能造成问题。员工通过多年参与项目、观察决策和从失败中学习，积累机构知识。这种经验有助于他们为更高级的职责做好准备。

“如果你限制人们从金字塔底部进入，长期来看是一场灾难，”他说。

他承认，减少初级岗位招聘短期内可能改善营业利润率。然而，企业有可能削弱员工获得晋升所需经验的通道。

随着 AI 成为日常工作的一部分，组织还必须决定人与 AI 系统应如何分担职责。维斯瓦纳坦提到大约两年前哈佛大学的一项研究，描述了人机协作的两种模式：“赛博格”和“半人马”。

在半人马模型中，人类与算法之间的职责划分更为清晰。

自主式AI的局限

随着企业采用能够在有限干预下执行任务的AI智能体，人类判断的问题变得更加重要。

维斯瓦纳坦质疑企业为何如此轻易地用“自主”一词来描述AI系统。他观察到，即便是经验丰富的员工，在做出重大决策前也会寻求第二意见。员工在行动前往往会咨询同事或管理者。

让人类参与其中本身并不能解决问题。维斯瓦纳坦将人类监督描述为“你的最后手段”。一个人实际上无法逐一监控数千个智能体或数百万次交互。

相反，他认为，企业将需要观察模型来监控AI交互、识别异常，并将相关案例上报给人类。

“否则，仅仅说‘人类在环’就意味着你得增加更多人手，”他评论道。他认为，这可能会使部署AI最初的投资回报论证不成立。

为AI重新设计企业

维斯瓦纳坦提出的应对之道是重新思考组织如何做决策和开展工作。他将这种方法称为“企业认知”，即人类与AI共同做出决策，人类保持领导地位，AI提供支持。

他并不主张一次性替换整个运营模式。相反，他倾向于渐进式转型，即企业一次重新设计一个流程或一个业务单元，然后再将变革推广到整个组织。

他警告说，仅仅将AI添加到现有流程中，未必能产生企业所期望的财务影响。“如果你只是做零散的使用案例……零散的流程被拿来直接‘AI化’，你就不会获得我们所期望的那种净利润影响，”他解释道。

领导层面临的挑战是理解如何将AI融入组织决策，以及这些变化如何影响业务绩效。

印度的机遇

维斯瓦纳坦认为，印度可以借助其在技术服务与系统集成方面的经验，加强其在企业AI领域的地位。

然而，要实现这一点，需要在教育和研究方面做出改变。他说，培训项目往往侧重于构建AI解决方案。企业还需要能够理解如何将这些解决方案融入业务运营、并将其与商业成果挂钩的人才。

他呼吁开展更多聚焦实际行业问题的研究。他还提议建立一个开源生态系统，让各组织能够共享知识、相互学习，同时保留对其知识产权的所有权。

对于印度的全球能力中心（GCC），维斯瓦纳坦表示，重点应从员工人数转向它们对母公司损益的经济贡献。他希望印度成为企业AI投资回报的中心，帮助企业将AI能力转化为商业价值。

他还强调了在AI日益深入嵌入工作之际保持人类判断力的重要性。他建议，在某些情况下，组织可以有意限制AI的使用，以帮助员工保持批判性思维能力。