为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架

腾讯研究院 2026-06-16 16:00
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图1

李鸿胜  腾讯研究院特约研究员


本文基于一次跨度2个月的深度研究性思想交互，希望能系统回答一个核心问题：AI时代，企业如何建构正确的认知框架并做出高质量的战略判断？研究将原创分析框架与学术研究证据、经营管理理论、技术史规律和当下AI变革实践与思潮等充分融合，有较多推理分析和核心成果，旨在为企业决策者提供一套经过严格思辨检验的，在AI时代思考决策企业变革的认知方法、分析框架和判断依据。
本文约20000字，核心结构如下：


一、问题意识与核心命题

2026年，一个深刻的矛盾摆在所有企业管理者面前。
一方面，AI热潮持续升温。管理咨询公司密集发布转型报告，强调"不转型就死"；全球AI资本支出已超万亿美元，呈现与1990年代电信泡沫相似的模式——超大规模厂商"不敢在同行面前显得投资不足"；AI变革成最热主题，各种新名词层出不穷；"AI Agent将替代80%知识工作""全员AI素养""组织变革是关键"等命题占据话语主流。企业决策者也在这样的背景下面临巨大的判断压力和行动焦虑。
然而，严肃的实证数据呈现了截然不同的画面：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图2
（注：本文标题中的"80%"来自NBER此项调查）
这构成了一个深刻的矛盾：话语体系中的AI无比强大，数据中的AI尚在起步。投入侧同样触目惊心——95%的企业看不到投资回报，仅6%实现了显著利润提升；同时多数企业的AI基础设施成本显著超出初始预算，而驱动投入的动力甚至不是商业判断而是恐惧——多数CEO承认在尚未充分评估AI价值前已加大投入，"害怕落后"成为重要驱动力。
更深层的问题在于：即便AI确实在微观层面提升了个体效率，这种提效也并不一定自动转化为企业的实际价值。从商业逻辑看，效率的真正价值必须体现为公司周转速度的提升——
杜邦公式：ROE = 利润率 × 周转率 × 杠杆率
周转率是直接驱动股东价值的核心因子。但从"1小时因AI提效到1分钟，个体或团队省下59分钟"到"公司周转加速"之间，其实隔着很长的距离，尤其对于大企业更是如此，其中至少存在两个断裂点：
这两个断裂某种程度上解释了"80%+无生产力提升"的深层原因，微观提效≠ 宏观提效。从个体提效到组织周转之间，存在一个曾经被忽视、现在也被很多人低估、且至今难以精确衡量的"传导机制"问题——没有这个机制，提升的效率可能就像水漏进了沙子里，消失了，不体现在任何组织指标上。而这个传导机制的设计，恰恰需要回到一个更根本的问题：
1.1 核心问题意识
面对上述矛盾，一个根本性的问题意识构成了本次研究的出发点：
在AI时代，企业面临的首要挑战不是"如何使用AI"，而是"如何对AI这个新变量建构正确的基本理解和判断"。因为不同的判断所带来的行动和举措有可能差异非常巨大，最终影响到实际效果。
这个问题意识背后有几层含义：
1.当一个新变量正在驱动一次深刻变革时，对它的基本理解和判断可能决定了整个变革一半的成败。
2.基本理解和判断不代表守旧和没有新思维，相反其背后是认知水平和逻辑水平的集中体现。
3.对肤浅认知的警惕是必要的——肤浅认知的危险不是让人什么都不做，而是让人自信地做错误的事。
4.真理不一定掌握在多数人手里——尤其在范式转换的早期，主流共识的错误率历史性地偏高。
1.2 本文的核心命题
经过深度研究和思辨检验，本文确立的核心命题是：
研究AI对企业的影响，仍需回归到"商业持续和商业成功"的基本逻辑，以此为根本支点和起点，而不是以AI本身为起点。如果脱离了这个起点，研究就失去了方向，企业将很可能陷入"AI正确论"或盲目跟随的困境。
这个命题既不是保守主义，更不是对AI的否定。它完全赞同AI将非常深刻地影响和重塑当下的生产方式、管理方式和商业。但它坚持：给AI研究设定一个明确的起点（商业的持续和成功靠什么）和终点（是否可以实现商业的持续和成功），是确保研究有方向、有边界、有评价标准的前提。



二、对AI建构基本理解和判断的重要性

2.1 为什么"基本理解和判断"如此关键
对一个正在驱动变革的新变量，"建构基本理解和判断"这个认知行为本身，可能是决定变革成败的最关键环节。对此的论证基于以下逻辑：
逻辑一：判断是行动的"倍增器"——方向对了执行力才有正回报
最终效果 = 方向正确度 × 执行力 × 环境配合度
如果方向正确度为负值（基本判断错了），执行力越强，偏离正确结果越远。
典型案例：诺基亚在2007-2012年的执行力极强——它高效地执行了一个错误的判断（坚持Symbian系统是未来）。执行力完美，方向致命。
"基本理解和判断"直接决定了"方向正确度"这个乘数。当乘数为正时，一切努力累积价值；当乘数为负时，一切努力累积负债。
逻辑二：基本判断一旦形成，具有极强的锁定效应
认知心理学中大量实验验证的先入为主效应表明：人对一个事物的第一个判断框架，会极大地影响后续所有信息的处理方式。
一旦一个企业领导者形成了对AI的某种"基本理解"：
修正一个已经付诸行动的基本判断，其成本远远高于一开始就做对。这就是为什么在建构环节投入深度认知资源的回报率最高。
逻辑三：在变革期，判断差异产生的结果差异被指数级放大
在稳定期，不同企业对某个变量的理解差异可能只导致5-10%的绩效差异。但在变革期（如当前的AI时代），同样的理解差异可能导致巨大差异。
原因是：变革期打破了旧的平衡状态，各方重新争夺位置。在重新排序的过程中，初始条件的微小差异会被正反馈机制放大为巨大的结果差异。这是复杂系统中的"分岔点"现象——在关键转折点附近，微小的力就能决定系统走向完全不同的轨迹。对AI的基本判断，就是当前这个关键转折点上的"初始条件"。
2.2 "建构基本判断"这个认知行为包含什么
"建构基本判断"不是一个瞬间顿悟或直觉经验，而是一个结构化的认知过程。它可以拆解为四个层次：
层次一：定位——这个新变量在商业逻辑体系中处于什么位置
这是最根本的认知行为：给AI找到它在商业逻辑体系中的位置。它是目的还是手段？它是原因还是条件？它影响哪些基本命题？
定位的质量取决于：你对商业逻辑体系本身理解得有多深。
对新变量的判断深度，永远不可能超过你对它所嵌入的那个体系的理解深度。
如果一个人对"企业持续成功靠什么"只有浅显或偏颇理解（比如只知道或最关注"降本增效"），那他给AI的定位必然也是浅显和偏颇的（"AI用来降本增效"）。如果一个人对商业成功有深刻的多维度理解，他才可能能给AI一个精确的定位。
层次二：区分——什么是本质性的，什么是现象性的
AI现在呈现出大量现象：生成文本、生成图像、写代码、做决策辅助、Agent自动化……浅显的认知可能优先把这些现象并列，然后问"我该用哪个"。而深刻的认知会在所有这些现象背后，找到统一的本质性特征。
关于AI本质，这里提供一个判断（供挑战和检验）：
AI的本质性特征不是"智能"，而是"将认知行为的边际成本降至趋近于零"。
过去，每一次判断、分析、创作、翻译都需要一个人花时间去做。AI让这些认知行为的边际成本从"一个人的一小时"变成了"几元的算力"。
如果这个判断成立，对商业的影响就变得结构性地清晰：
层次三：判断变化的节奏和节点
肤浅的判断只回答"AI会不会改变X"。深刻的判断还要回答"什么时候、以什么条件、以什么顺序"。比如下面的举例，不同判断就有不同的行动计划来应对：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图3
时间判断的精度直接决定行动节奏的合理性。 而时间判断恰恰是最难做、也最容易被主流叙事扭曲的。Roy Amara（罗伊·阿玛拉）定律精确描述了这个陷阱：
"人们倾向于高估一项新技术的短期影响，而低估其长期影响。"
层次四：识别自己的认知边界——知道自己"不知道什么"
这是最高级的认知行为。浅显认知的特征不是"错误"，而是"不知道自己的判断在哪里可能出错"。它表现为一种虚假的确定感。
深刻认知的特征是：在给出判断的同时，精确地知道这个判断依赖哪些前提假设，以及如果这些假设被打破，判断需要如何修正。

2.3 对AI认知的五个层级（L1-L5模型）

为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图4
按这个标准，AI基于公开信息给了一个非严谨的现状判断：
核心启示：
AI技术正在快速民主化（人人可获取），但对AI的深度认知没有民主化（依然极度稀缺）。当工具人人有但判断力少数人有时，判断力就成为了最稀缺的竞争要素。
2.4 当前对AI"基本判断"的四种肤浅模式
在L1-L2层面形成判断的人，通常呈现以下肤浅模式：
肤浅模式1：功能罗列替代本质理解
"AI可以写文章、做PPT、分析数据、生成代码、自动化流程……"——这不是理解，这其实像产品说明书。它回答了"AI能做什么"，但没有回答"AI是什么"以及"它为什么重要"。很多企业的AI战略就建立在这种功能罗列之上——找场景、做POC、计算ROI——但基本不追问更根本的问题。
肤浅模式2：类比替代分析
"AI就像电力/互联网/蒸汽机"——类比提供直觉，但不提供精确性。每一种类比都有成立的部分和不成立的部分。如果不追问"这个类比在哪里破裂"，类比就会变成思维的懒惰工具，而非认知的起点。
肤浅模式3：口号替代判断
"AI时代，不转型就死""拥抱AI，赋能未来""AI First"——这些口号如果不辩证的深究，实际没有多少认知含量。它们既不帮助理解AI，也不帮助做出具体决策。但它们在组织中被广泛使用，制造了一种"我们有方向"的虚假安全感。
肤浅模式4：把"学会使用工具"等同于"理解这个变量"
很多人认为"我会用ChatGPT/Copilot了"就意味着"我理解AI了"。但会开车不等于理解交通系统如何重塑城市形态。工具使用层面的熟练和战略判断层面的洞察是完全不同的认知层级。
2.5 一种特别值得警惕的认知模式：把"最新实践"当作"最佳实践"
在以上四种肤浅模式之外，还有一种在当前AI变革早期特别普遍且特别具有误导性的认知模式，值得单独展开分析。
大量决策者的AI认知输入来自案例分享——某某企业裁员40%、某某公司全员AI认证、某某团队用AI重构了工作流。这些案例被以"启示""规律""最佳实践"的姿态呈现给管理者，暗示"你也应该这样做"。
然而，一个根本性的问题被跳过了：什么条件下，一个企业的做法才有资格被称为"最佳实践"？
严格来说，"最佳实践"必须同时满足五个条件：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图5
商业史上真正被称为"最佳实践"的东西——丰田生产方式、亚马逊飞轮、GE六西格玛——无一不是经过十年以上的结果验证才获得这个地位的。它们是用持续的商业成功"证明"出来的，而非在早期阶段被"宣传"出来的。
当前AI领域被广泛传播的案例，准确地说是"最新实践"（latest practice）或"先锋实践"（frontier practice）——而非"最佳实践"（best practice）。 两者之间存在巨大的差距。
历史反复证明：在每一次技术狂热期，都有一批"先锋实践"被包装成"最佳实践"广泛传播，最终大部分被证明是错误的或至少是过早的——
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图6
这种混淆的危险机制是什么？
先锋企业做了X（尚无结果验证）
+以最佳实践姿态传播
+受众缺乏判断框架
=受众得出结论：我们也应该做X
这中间至少跳过了三个必要的判断步骤：
1.X的结果到底好不好？（未验证）
2.即使X在那家企业有效，在我的情境下是否也有效？（未检验）
3.X是否是唯一选择？有没有更适合我的Y？（未比较）
这种模式的本质：它用"别人做了什么"来替代"我应该做什么"的判断——把模仿当作战略，把跟随当作决策。它制造了一种"我有参照物所以我有方向"的虚假安全感，但实际上回避了真正困难的认知建构工作。
当然，一个必要的客观性是：并非所有"先锋实践"最终都会失败。丰田生产方式在1960年代也是"先锋实践"，后来确实成为了被验证的"最佳实践"。区分的关键不在于排斥先锋实践，而在于对它的态度——把它当作"值得观察的实验"还是"值得模仿的答案"。前者让你保持判断力和选择权，后者让你放弃判断力变成跟随者。当前AI领域的问题不是"有人在做先锋实践"（这是好事，探索本身有价值），而是"先锋实践被以'最佳实践'的姿态呈现给缺乏判断框架的决策者"（这是危险的）。
对"最新实践"的正确态度是：作为观察对象来学习其操作细节，但不作为"方向正确"的证据来指导决策。观察是为了增加选项，不是为了替代判断。
这恰恰是为什么本文坚持"先建构基本认知和判断框架，再审视具体实践"的方法论顺序——没有框架的人看案例，很容易模仿冲动；有框架的人看案例，才能从中提取真正有价值的信息并过滤掉噪音。



三、AI研究的起点与终点

——回归商业成功的基本规律

3.1 从常识出发：企业经营的终极目标
在讨论方法论之前，先确认一个不需要论证的常识：
企业经营的全部目的，就是实现商业的持续和商业的成功。
这在逻辑上很容易理解：企业所有的经营管理活动——无论是战略规划、产品创新、组织变革还是技术投入——都是手段，目的只有一个：让企业持续存活并持续成功。它不因时代、行业或技术环境的不同而改变。
从这个常识出发，一个关键的推论浮出水面：
对于任何外部变量（包括AI），企业需要追问的第一个问题不是"它有多强大"或"别人在怎么用"，而是——"它是否影响了决定我商业持续和商业成功的那些关键要素？如果影响了，影响了哪些？以什么方式？如果没有影响，我为什么要在这上面投入资源？"
这其实也是常识。但在当前的AI热潮中，这个常识恰恰是最先被遗忘的——大量企业在没有回答"AI是否影响了我的核心成功要素"之前，就开始投入资源做AI转型。投入的理由不是"它影响了我的什么"，而是"别人都在做""不做就落后了"。这是用焦虑替代了判断。
举一个极端但有说明力的例子：一个手工家具作坊，其商业持续成功的根本要素是匠人手艺、款式审美和口碑信任。在当下的AI还没有实质性影响这三个要素中任何一个的情况下，这个作坊不关注AI是完全理性的决策——不是落后，而是清醒。反过来，如果有一天AI影响了其竞争对手的成本结构或设计能力，那时它才需要重新审视——原因不是"AI很强"，而是"AI开始触碰到影响我持续成功的变量了"。
确认完常识，那么在逻辑层面我们继续分析：在两条截然不同的路径下思考AI对企业的影响，如果出发点不同，产出质量会有哪些根本差异？
3.2 两种研究路径的根本差异
当前存在两种截然不同的研究AI的路径：
这两条路径不是修辞差异，而是会导致完全不同的研究产出和决策质量：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图7
3.3 为什么路径B更优——三层论证
逻辑层面：它解决了"AI研究没有终点"的问题
当前绝大多数AI研究容易陷入的困境是：
AI能做X → X会改变Y → Y会影响Z → Z又会催生新的AI能力 → ……
这是一个没有终止条件的循环。每一篇AI报告都在往这个链条上加环节，但没有人告诉你在哪里停下来做判断。
路径B提供了一个终止条件：
任何AI的影响链，最终必须映射到"是否增强了企业持续创造客户价值的能力"上。如果映射不上去，这个影响链对决策者而言就是噪音。
这不是简化，这是给认知设定边界。没有边界的研究不是研究，是信息焦虑的放大器。
价值体现：它提供了一个判断"什么重要、什么不重要"的过滤器——在AI信息爆炸的时代，这个过滤器的价值可能是巨大的。
方法论层面：它把AI从"原因"变成了"条件"
主流AI研究的隐含假设是：
AI是原因（因），企业变革是结果（果）。
这个假设下，研究方向容易聚焦在"AI会带来什么"。但路径B把关系反转了：
企业持续成功的逻辑是不变的基准，AI是调节条件——它调节实现这个逻辑的方式、速度和门槛。
这个反转的深刻之处在于：它把主体性还给了企业决策者。不是AI决定企业的命运，而是企业基于自己的核心逻辑来选择性地吸纳AI。
在管理学上，这对应的是"战略选择学派"vs"环境决定论"的根本分歧。路径B站在战略选择一边——承认环境在变，但坚持组织有主动性做出选择。
价值体现：它恢复了"人作为决策主体"的尊严，抵抗了技术决定论的侵蚀。
实践层面：它直接回应了决策者真正面对的困境
企业领导者在AI时代面对的核心困境不是"要不要用AI"（这已经没有争议），而是：
"在资源有限的情况下，我应该把AI投入在哪里、以什么节奏投入、投入到什么深度？"
这是一个优先级排序问题。优先级排序必须有一个衡量标准。
路径B提供了这个衡量标准：哪个AI投入最能强化我持续创造客户价值的能力，就优先做哪个。
这在实践中极具区分度：
价值体现：它为决策者提供了资源配置的判断标准。
3.4 这个起点具有"远见"
一个可能的质疑是：以"商业持续和商业成功"为起点，会不会只是一个"安全的、不出错的、但缺乏前瞻性的"选择？
回答：不是。理由如下——
真正有远见的框架，特征不是"预测未来会怎样"，而是"无论未来怎样都能成立"。
这种在不同未来情景下都站得住的稳健性（robustness），恰恰是远见的定义。远见不是猜对了某个具体结果，而是无论结果如何，你的判断框架都不会让你做出灾难性错误决策。
用Nassim Taleb（纳西姆·塔勒布）的语言说：这个框架是"反脆弱"的——它不依赖于对未来的具体预测来保持有效。
3.5 这个逻辑的学术支撑
这个方法论命题不是孤立的直觉，它在严肃学术研究中有多条独立证据线的支撑（详见附录）：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图8



四、影响商业持续成功的完整变量体系

既然我们主张"以企业持续成功的底层逻辑为起点"，那么首先需要回答：什么决定了企业的持续成功？关键变量有哪些？
建立这个变量体系时，必须遵循一个方法论警告：
如果我们没有把变量考虑得非常完整，我们就有可能会遗漏掉最重要的变量，而把那个我们有限判断和认知范围内知道的变量误以为是最重要的，这有可能会陷入偏颇。
这个警告的具体含义是：
4.1 完整变量体系：三层17个变量 
基于上述前提，笔者通过以下三个原则筛选出17个变量：
然后再将影响企业持续成功的17个变量按其"跨时代稳定性"分为三层：
第一层：底层不变量（跨所有时代成立，经受200多年商业史检验）
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图9
这六个变量的核心特征：它们是"元变量"——任何技术革命都没有推翻它们。蒸汽机时代、电气时代、信息时代、AI时代，这六个变量始终是决定企业持续成功的基础。
第二层：中间层周期变量（跨数个技术周期成立，但在更长历史中会演变）
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图10
第三层：表层时代变量（AI时代新增或权重显著提升）
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图11
4.2 变量之间的逻辑关系与层次结构
这17个变量不是平行排列的，它们之间存在层次和因果关系：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图12
这个结构的关键启示：
组织能力（V9）处于"能力基础层"——它是支撑上层战略和价值创造的底座之一，但它不是唯一的底座，更不是直接产出成功的变量
4.3 不同情境下的关键瓶颈变量
不存在一个在所有情境下都"最重要"的变量。瓶颈因情境而异：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图13
AI时代的独特挑战：它可能同时挑战多个变量，而非仅挑战某一个。这就是为什么单独强调"组织变革"或单独强调任何一个变量，都可能是不够的。


五、AI时代关键变量的变与不变

5.1 没有发生根本变化的变量
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图14
核心结论：这五个变量的逻辑没有变。但"逻辑没变"不等于"玩法没变"——V1的竞争基线在提高，V2的判断难度在加大，V5的领导场景在变（需要领导人机混合团队）。
5.2 发生了根本性变化（质变）的变量
此处区分"量的变化"和"质的变化"：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图15
5.3 三个最本质的变化
在所有变化中，有三个是最深层、最结构性的：
本质变化一：创新供给从稀缺变为丰裕
这是AI带来的最深层结构性变化。在过去所有时代，创新都是稀缺资源——好想法少、实现慢、成本高。AI让创新的供给端发生了质变：
这意味着：创新的瓶颈从"供给不足"转向了"选择过载"和"鉴别困难"。当所有人都能快速产出创新方案时，判断哪个方案真正创造客户价值的能力，就成为了新的关键瓶颈。
战略推论：这直接强化了V1（客户价值创造力）和V2（战略判断力）的重要性——它们没变，但它们的权重反而上升了。不变的变量在AI时代变得更关键了。
本质变化二：规模的定义被重写
过去，"大"本身就是优势——大工厂、大团队、大渠道、大资本。AI时代：
"有效规模"的门槛急剧下降。这不意味着大公司会死，但它意味着：大公司的规模优势必须重新证明自己的价值——不能再仅仅依靠"大"来赢，必须证明"大而智能"优于"小而灵活"。
战略推论：企业不能假设自己的规模是壁垒。需要问："在AI条件下，我的规模优势体现在哪里？它是否可能被一个小而精的AI-native团队绕过？"
本质变化三：人才产出的方差急剧扩大
在过去，一个行业中不同人才之间的产出差异可能是3-5倍。AI时代，这个差异可能变成30-50倍：
战略推论：人才密度（V10）的重要性不是降低了，而是指数级升高了。关键岗位上放对人，比过去任何时候都更重要。"平均人才水平"这个指标的意义在下降，"关键岗位是否有顶尖人才"的意义在上升。
5.4 一个统一的洞察
把三个本质变化放在一起，可以得出一个统一的洞察：
AI时代的悖论：AI让很多事情变得更容易（创新更容易、规模更容易达成、信息获取更容易），但恰恰因为"容易的事"变容易了，"难的事"的价值就被凸显了——判断力、品味、远见、领导力、深度客户洞察——这些AI做不到的事，反而因为AI的存在而变得更稀缺、更值钱。



六、技术平权后的竞争优势构建

当AI发展到一定阶段，如果技术本身对所有企业都是平权和基本一致的（都会操作和熟练使用AI工具，如AI时代前的office一般），那么：AI如何能够帮助企业建立起更强大的竞争力和竞争优势？它如何去发挥作用？
这是一个极其硬核的战略问题。
6.1 首先排除一个错误答案
"用AI降本增效，从而获得成本优势。"
为什么错？因为如果AI对所有企业平权，所有企业都能用AI降本增效，那全行业的成本线同时下降，没有单个企业获得相对优势。你省下的成本，你的竞争对手也省下了。
这就像Michael Porter（迈克尔·波特）分析过的：运营效率的普遍提升只是推动了生产力前沿外移，但没有任何企业因此获得可持续竞争优势。效率提升是参与竞争的门票，不是赢得竞争的武器。
6.2 六个真正的竞争优势机制
在逻辑上，当AI对所有企业平权时，竞争优势只能来自三个方向——这三个方向是穷举的：
1.起点不同——被乘数不同（你既有的商业能力比对手强）→ 对应机制一
2.路径不同——使用AI的方式不同（你用AI做的事和对手不一样）→ 对应机制二、三、四、五
3.终点不同——知道什么时候停止依赖AI（保持人的独特判断力）→ 对应机制六
为什么是穷举的？因为在"工具相同"的条件下，差异只能来自三处：你带进来的东西（起点）、你用工具做的事（路径）、你最终的判断（终点）。没有第四种可能性。
机制一：AI放大既有优势——让强的更强
AI不是创造优势的起点，而是优势放大器。核心公式：
竞争优势 = 既有优势 × AI放大系数
一个在客户洞察、数据积累、品牌信任上已经领先的企业，用AI后这些优势会被放大；一个在这些方面落后的企业，即使用了同样的AI，也无法追上。
具体案例逻辑：
核心含义：AI不改变竞争优势的来源，但改变了竞争优势的乘数。先建立优势，再用AI放大——顺序不能反。
机制二：AI重构价值链——重新定义"做什么"而非"怎么做"
大多数企业用AI的思维是"我现有的业务流程中，哪些环节可以用AI优化？"——这是效率思维。
更有价值的思维是重构思维：在AI可用的条件下，这个行业的价值链应该长什么样？
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图16
效率思维谁都能做（因为AI平权），但重构思维需要V2（战略判断力）和V1（客户价值创造力）——这两个没有变的变量，反而在此处发挥决定性作用。
机制三：AI与专有数据的复合效应——形成"越用越强"的飞轮
虽然AI模型本身是平权的，但喂给AI的数据不是平权的。每家企业拥有的客户数据、行业知识、运营经验是独一无二的。
专有数据→ 训练出更懂自己业务的AI → 更好的服务和产品 → 更多客户 → 更多专有数据 → 更好的AI → ……（飞轮效应）
这个飞轮一旦转起来，就形成了AI时代的新型规模效应：不是物理资产的规模，而是数据-智能的规模。先行者因为先积累了数据，AI效果就更好，吸引更多客户，产生更多数据——后来者即使有同样的AI技术，也缺乏数据来达到同等效果。
机制四：人机协作的独特设计——不可复制的组织知识
V14（人机协作设计能力）是AI时代的全新变量。它之所以能构成竞争优势，是因为"人做什么、AI做什么、怎么衔接"这个设计没有标准答案，且高度依赖具体业务场景。
两个企业用同样的AI工具，但如果：
两者的AI价值提取率可能差10倍以上。
而且这种协作设计一旦形成组织习惯（隐性知识），竞争对手很难复制——因为它嵌入在具体的业务场景、人员能力和工作流程中，不是买一个工具就能获得的。它是一种新型的不可被简单模仿的组织知识。
机制五：AI加速V4（学习速度）——比对手更快地"学会"
如果所有企业都有AI，但使用方式不同：
企业A的V4（学习与适应速度）被AI指数级放大。6个月后，企业A对市场的理解深度远超企业B。12个月后，企业A做出的战略调整已经领先企业B两个周期。24个月后，差距可能不可逆转。
核心洞察：竞争优势不来自"拥有AI"本身，而来自"用AI来做什么"的选择——这个选择取决于V2（战略判断力）。同样的工具，不同的使用方向，产出天差地别。
机制六：V17（认知独立性）——在AI时代保持"人"的独特判断力
这是一个反直觉但极重要的机制。
当所有企业都用AI做决策辅助时，如果所有企业的决策者都在看AI给出的类似建议，行业决策就会出现趋同——大家做出类似的产品、类似的战略、类似的定价。
在这种趋同环境中，能独立于AI建议做出不同判断的领导者，反而可能发现被AI建议忽略的机会。
原因：AI的训练数据来自过去，它的建议倾向于"过去有效的方式"。但颠覆性创新恰恰来自"过去没有人做过的方式"。如果所有人都听AI的，就没有人会做真正创新的事。
在AI平权时代，最大的差异化可能不是"更好地使用AI"，而是"在关键节点上知道什么时候不听AI的"。
6.3 六个机制的统一框架
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图17
6.4 核心结论：AI是乘号
AI是乘号，不是被乘数。被乘数是你既有的商业能力。2×10=20，2×1=2——同样的乘号（AI），结果天差地别，因为被乘数不同。
这个隐喻的完整含义：
一个反面印证：Klarna的AI全替代实验与反转。2024年，瑞典金融科技公司Klarna激进地用AI替代了约700名人工客服的工作量，处理了三分之二的客服对话。CEO公开宣称"AI能做我们人类的所有工作"，整年未招聘任何员工。2025年5月，剧情反转——CEO承认"成本成了过于主导的评估因素，最终导致了质量下降"，公司宣布重新招聘人工客服。
Klarna把AI当作了被乘数——"AI能做什么我就用AI替代什么"——而没有先审视"客户服务的持续成功靠什么"（理解深度、沟通温度、复杂情境下的判断力），再用AI放大这些能力。当被乘数被弱化时，乘号（AI）越大，放大的恰恰是问题本身——不是"做得更好"，而是"更高效地做差了"。
一个正面印证：英伟达的成功精确演示了"AI是乘号"。英伟达2024-2026年的爆发并非源于"AI替代了什么"，而是源于AI浪潮放大了它30年积累的既有商业能力——GPU架构判断、CUDA开发者生态、并行计算认知、对计算密集型场景的产品定位。这些被乘数都不是AI带来的，是AI带来之前就在的。当AI浪潮到来，乘号被启动，被乘数足够强的英伟达就获得了指数级回报；而那些没有相应被乘数的企业，即便同样使用AI，也无法获得类似结果。
这个正面案例和Klarna的反面案例形成镜像——同样的乘号，不同的被乘数，结果天差地别。AI的真实价值是巨大的，但它的价值依附于你的被乘数——这正是为什么"AI能做什么"不是企业最该问的问题，"AI能放大我的什么"才是。



七、组织变革的客观认知——边界、位置与局限

7.1 为什么需要单独讨论组织变革的定位
当前AI转型的主流话语中，从主流咨询机构到商学院再到行业研究人员，"组织变革是关键"、"AI转型的核心是组织变革"等成为高频提出的观点。
然而，基于前面的分析推理，尤其是17个关键变量的详细拆解，我们有理由给出推断：这些观点可能将"组织变革"的位置放得过高了——将一个"必要条件"错误地论证为了"最重要的决定因素"。
那么是否真的放得过高？组织变革应有的位置在哪里？组织变革与企业整体性变革如何建立合理的逻辑关系？澄清这些问题具有现实意义。
7.2 组织变革到底是什么——概念边界的精确界定
"组织变革"在管理学中是一个被严重滥用的词，但实际上并不好理解，界定清楚这个概念对讨论至关重要。
组织变革的三层六维度拆解
第一层：架构层变革
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图18
第二层：运转层变革
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图19
第三层：能力与文化变革
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图20
组织变革"不是什么"——明确的边界
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图21
7.3 组织变革在整个变量体系中的真实位置
基于以上界定，组织变革（V9）的准确定位是：
组织变革是一个"使能条件"（enabler），但它本身不产生方向、不创造客户价值、不替代战略判断。它是"让正确的事情能够被执行"的载体，但"什么是正确的事"不是组织变革能回答的。
更精确地说：
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图22
核心区分：组织变革是"条件"，不是"原因"。
7.4 为什么"组织变革是关键"的说法被过度传播
在研究中，我们识别出这个命题被过度传播的结构性原因：
原因1：知识生产者的利益和专业倾向
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图23
原因2：证据引用中的逻辑滑动
比如：BCG的"10-20-70"法则被广泛引用——70%的价值来自人员/流程/组织协同。但这个数据说的是"实现AI价值的必要条件中，组织侧占最大比例"——这不等于"组织变革是商业成功的最重要因素"。但在传播中却发生了微妙偏移——70%被高频引用为"组织变革是商业成功的最重要因素"。
需要明确的是：主流咨询报告在其精确表述中并未犯逻辑错误，他们的不少观点笔者也很赞同。本文质疑的不是这些研究结论本身，而是这些结论在被企业决策者接收、一些自媒体传播时发生的认知偏差和利用——从"实现AI价值需要组织配合"滑坡为"组织变革是AI成功的关键"，从"必要条件"滑坡为"最重要因素"。问题出在传播链和接收端，不完全在知识生产端。
原因3：二元对立思维的陷阱
"技术不是瓶颈 → 所以组织是瓶颈"——这个排除法的推理跳过了大量其他可能性。决定企业成功的变量有17个之多，不能因为排除了一个就默认剩下的某一个是答案。
7.5 一个极端反例
诺基亚在2007-2012年做了大量的组织变革（多次重组、流程再造、文化项目），但依然失败了。
原因不是组织变革做得不好，而是：
组织变革无法弥补战略和产品层面的根本性失误。如果方向是错的，组织越高效地执行，离正确越远。
7.6 修正后的精确命题
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图24
7.7 对HR组织工作的战略启示
以上分析不是否定组织变革的价值，而是给它一个精确的定位：
1.在AI时代，企业持续成功需要同时做对三件事（有顺序依赖关系）：判断对方向（V2战略判断力——AI改变了什么、不改变什么）
2.找到对切入点（V1客户价值 + V3资源配置——AI应该优先投在哪里）
3.在窗口期内建设对能力（V9组织能力 + V10人才 + V14人机协作——让AI真正嵌入）
三者缺一不可，且有顺序：1→2→3。组织变革属于第3步，它重要，但它依赖于前两步的正确。
HR组织工作的最大战略价值不是"推动组织变革"本身，而是确保组织变革服务于正确的方向和正确的切入点。如果方向和切入点由其他职能确定后"扔"给HR来执行，HR就沦为了执行者而非战略伙伴。真正的战略价值在于参与第1步和第2步的判断过程——从组织和人才视角为战略方向的选择提供输入。



八、对当前AI主流话语体系的审视

把组织变革放回它应有的位置之后，我们可以把视野拉得更宽：不只是组织变革可能被过度传播，整个当前AI话语体系也存在可称之为严重的认知偏差。审视不是质疑AI本身的价值，也不是否定一些研究成果，而是谨慎思考围绕AI形成的话语体系是否准确地反映了AI的真实影响。两者是可以并行的——越是认可AI的真实价值，就越有理由对关于AI的话语保持清醒。
8.1 真理不一定掌握在多数人手里
历史证据表明：在每一次重大技术/商业范式转换的早期阶段，主流共识的错误率极高。
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图25
主流共识错在哪里？ 不是在事实判断上错（他们对当时技术状态的描述是准确的），而是在趋势外推的方向上错——有时是用现状的局限性去否定未来的可能性，有时是用早期的现象去夸大未来的速度，陷入非理性的狂热也盲目乐观（焦虑）。
8.2 当前AI话语中值得质疑的五个"主流共识"
为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图26
8.3 主流共识系统性出错的四个结构性原因
原因1：思维惯性——用旧范式的框架解释新事物
大多数AI研究者的知识框架建立在"数字化转型"时代。他们自然地把AI转型类比为数字化转型——强调变革管理、组织准备度、人才发展等。但如果AI的颠覆性质与数字化转型不在同一个量级上呢？类比本身可能就是错的。
原因2：幸存者偏差——只听到"活下来的人"的经验
能在公开场合分享"AI转型经验"的企业，都是还活着的企业。死掉的企业不会上台演讲。所以我们听到的都是"我们做对了什么"的叙事，而看不到"完全不同的路径是否可能更好"。
原因3：利益驱动的知识生产
当前AI话语体系中最有声量的参与者，恰恰是与AI转型有直接利益关系的人：AI公司要卖产品、咨询公司要卖服务、投资人要维持估值、学者要发论文。几乎没有哪个主流声音的激励机制是"说出不利于AI热度的真话"。
这不是阴谋论——每个人都是真诚的——但系统性的激励偏差会产生系统性的认知偏差。
原因4：复杂系统中的"可说性偏差"
有些深刻的洞察是难以用简洁语言表达的。在公共话语中，能够存活和传播的是简洁有力的命题：
结果是：主流共识天然倾向于简化和极化。真正精确的判断因为"不够有力"而被淹没在话语竞争中。
8.4 什么样的判断更可能接近真理
观察1：最好的判断通常来自"跨界但有实操"的人——纯学者容易过度理论化，纯实操者容易经验主义，纯技术人看不到组织，纯管理人看不到技术可能性的边界。
观察2：最可靠的命题通常是"有条件的"而非"绝对的"——精确的判断几乎总是带条件的。如果一个关于AI的判断没有限定条件就被呈现为普遍真理，它大概率是过度简化的。
观察3：真正有价值的"不同意见"往往不是否定主流，而是修正主流的适用边界——不是说"主流一定错"，而是说"主流在什么条件下成立、在什么条件下不成立"。



九、核心结论与战略启示

回到开篇的数字：80%+的企业AI投入未见生产力提升，95%看不到投资回报，仅6%实现了显著利润提升，且多数CEO承认是"怕落后"在驱动投资。
这些数字可能并非偶然。它们指向一个被忽略的根本问题：大多数企业的AI投入，可能没有完全建立在正确的基本理解和判断基础上。
经过本文前面的论述，可以总结出以下核心判断：
9.1 十大核心结论
结论1：对AI建构高质量的基本理解和判断，可能决定企业AI变革一半的成败
这不是夸张——因为基本判断决定方向正确度，方向正确度是所有后续行动的乘数。方向对了一切努力累积价值，方向错了一切努力累积负债。
结论2：研究AI的正确起点是"企业持续成功靠什么"，而非AI本身
以AI为起点的研究没有终止条件和归宿；以商业逻辑为起点的研究有方向、有边界、有评价标准。AI是条件，不是原因，是关键变量，但不是唯一变量。
结论3：持续成功的底层逻辑没有变——但它变得更稀缺更值钱了
客户价值创造力、战略判断力、领导力、执行纪律、品牌信任——这些"不变项"在AI时代的权重反而上升，因为AI让"容易的事"变容易后，"难的事"（判断力、品味、远见）的稀缺性反而凸显。
结论4：AI时代三个最本质的变化是：创新供给丰裕化、规模定义重写、人才产出方差扩大
这三个变化不是渐进的量变，而是运行逻辑的质变。它们共同指向一个推论：在AI时代，鉴别力和判断力成为新的核心瓶颈。
结论5：AI是乘号不是被乘数
竞争优势 = 既有优势 × AI放大系数。AI不改变优势来源，改变乘数。先建立被乘数（商业基本面），再用乘号（AI）放大——顺序不能反。
结论6：技术平权后的竞争优势来自六个机制
放大既有优势、重构价值链、专有数据飞轮、人机协作独特设计、AI加速学习、认知独立性。其中，"认知独立性"——知道什么时候不听AI的——可能是最反直觉也最有价值的差异化来源。
结论7：组织变革是必要条件但非充分条件，是"条件"而非"原因"
组织变革支撑战略和价值创造，但不产生方向、不创造客户价值、不替代战略判断，并非决定因素。它在"方向正确"的前提下是关键落地瓶颈，但方向错误时无法弥补。
结论8：当前AI主流话语体系存在系统性偏差
利益驱动的知识生产、思维惯性、幸存者偏差、可说性偏差共同作用，使得主流共识倾向于简化和极化。在范式转换早期，主流共识的可靠性历史性地偏低。
结论9：对AI的认知层级从L1到L5递进，当前大多数停在L2-L3
从功能认知到应用认知到战略认知到系统认知到元认知——每一层的跃迁都是质的飞跃。真正稀缺的是L4-L5层级的认知能力。
结论10：AI时代最稀缺的竞争要素是"高质量的认知建构能力"
AI技术正在民主化，但深度认知没有民主化。当工具人人有但判断力少数人有时，判断力就是最稀缺的竞争要素。
9.2 对企业AI转型决策的战略启示
启示1：在一切AI行动之前，先完成认知建构
在选择AI工具、搭建技术平台、推动组织变革之前，先回答一个更根本的问题：AI在我的商业逻辑体系中，到底处于什么位置？它放大的是我的什么？它不改变的是什么？它要求我新增的是什么？
这个认知建构的质量——而非后续的任何技术或组织行动——可能才是决定AI转型成败最关键的前置条件。
启示2：AI投入的优先级应该由商业逻辑决定，而非单一的技术可能性
不是"AI能做什么我就做什么"，而是"我的核心价值创造逻辑中，哪个环节最能被AI强化，我就优先做哪个"。用商业逻辑做过滤器，可以极大地减少无效投入。
启示3：警惕"共识即正确"的思维惯性
在AI领域，"大家都在做的事"不一定是对的。要区分"行业必要动作"（不做就出局）和"战略差异化动作"（做了才领先）。前者跟随即可，后者需要独立判断。
启示4：企业AI变革需要三步走——方向→切入→能力
三者缺一不可，且有顺序依赖：1→2→3。跳过前两步直接做第三步，是当前很多企业AI转型效果不明显的核心原因。
启示5：HR/组织职能的战略价值最大化在于参与"方向判断"
组织变革的执行固然重要，但HR/组织职能的战略杠杆不在执行层，而在方向判断层：

关于作者：腾讯研究院特约研究员，长期深耕组织治理、战略变革与人力资源管理领域，持续关注研究商业逻辑、技术变革与企业经营管理之间的交互关系。相信深度思考和判断力的稀缺性。
本文的适用边界与可能盲区
边界一：抽象性。本框架指向"如何思考"而非"具体做什么"。对需要即时行动指引的决策者，从框架到具体决策之间存在需要基于自身情境填补和延伸。这是笔者有意为之的取舍——提供思考工具而非行动清单。
边界二：证据时效性。引用的实证数据反映的是2024-2026年AI发展初期的快照。随着AI能力演进，某些具体数据点会更新——但框架结构本身（以商业逻辑为起点、三层变量体系）不依赖于这些具体数据，思考方式不因数据更新而失效。
边界三：适用对象。本框架最适用于"AI不是核心产品、而是需要判断AI如何影响核心业务"的企业决策者。对AI基础研究者或纯技术创业者，他们的起点可能确实应该是AI本身！为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图27

主要参考文献：


①Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy, 40(121), 13-58.（NBER WP 32487, 2024年5月首发）--AI对全要素生产率的十年累计贡献仅 0.53%-0.66%，宏观影响被系统性高估。
②Yotzov, I., Bloom, N., Davis, S. J., et al. (2026). "Firm Data on AI." NBER Working Paper 34836.--美/英/德/澳近6,000名CEO/CFO调查；80%+企业报告AI对就业和生产力无影响；高管AI使用平均仅1.5小时/周。
③Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading Digital: Turning Technology Into Business Transformation. Harvard Business Review Press.--数字化转型的成功完全取决于组织如何应对变革，而非技术本身。
④Wingate, D., et al. (2025). "Why AI Will Not Provide Sustainable Competitive Advantage." MIT Sloan Management Review, May 8, 2025.--AI正在变成通用目的技术，孤立部署不构成可持续竞争优势；差异化必须来自AI之外。
⑤ Perez, C. (2002). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Cheltenham, UK: Edward Elgar Publishing.--技术革命的双阶段模型：安装期（资本涌入、泡沫）→ 转折点 → 部署期（真正价值释放）。
⑥Brynjolfsson, E. (2022). "The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence." Daedalus, 151(2). DOI: 10.1162/daed_a_01915--当前AI研究过度聚焦"替代"忽视"增强"；过度依赖AI可能侵蚀人的判断力。（注：本文使用的"Augmentation Trap"为基于此论文逻辑的延伸概念）
⑦ Porter, M. E. (1996). "What is Strategy?" Harvard Business Review, 74(6), 61-78.
--运营效率不等于战略；普遍性的效率提升只推动生产力前沿外移，不构成可持续竞争优势。
⑧ Drucker, P. (1954). The Practice of Management. New York: Harper & Row.
--"企业的目的是创造客户。"Christensen, C. M., & Raynor, M. E. (2003). The Innovator's Solution: Creating and Sustaining Successful Growth. Boston: Harvard Business School Press.--"Jobs to be Done"理论：客户雇用产品来完成具体的"任务"。
⑨ Rumelt, R. (2011). Good Strategy Bad Strategy: The Difference and Why It Matters. New York: Crown Business.--好战略的核心是诊断-指导方针-连贯行动结构；战略的本质是判断"什么做、什么不做"。
⑩ Taleb, N. N. (2012). Antifragile: Things That Gain from Disorder. New York: Random House.--反脆弱框架：好的判断系统不依赖于对未来的具体预测，而依赖于在不确定性下仍稳健成立的结构。
⑪ Amara, R.（曾任Institute for the Future主席，1971-1990）— Amara定律——"We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run."（"我们倾向于高估技术的短期效应，而低估其长期效应"）（注：此格言由科技作家Robert X. Cringely转述传播；在Amara已发表著作中无原始书面出处，但被普遍接受为其核心思想的精确表述）

为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图28
*本文为腾讯研究院「写作者的夏天」活动征文



推荐阅读

袁晓辉、余一：


为何企业80%的AI投入看不到效果？｜AI时代企业变革的认知方法论与战略判断框架图29

👇 点个“在看”分享洞见
声明：内容取材于网络，仅代表作者观点，如有内容违规问题，请联系处理。 
AI
more
奥特曼豪赌1人独角兽，中国CEO：别催了，在水泥厂调AI！
新智元 1天前
奥特曼豪赌1人独角兽，中国CEO：别催了，在水泥厂调AI！
柏拉图进驻硅谷：AI大厂为何争夺哲学家？
澎湃研究所 22小时前
柏拉图进驻硅谷：AI大厂为何争夺哲学家？
刚刚，北京建了一座AI工厂：目标10万P算力，日产10万亿Token！
量子位 22小时前
刚刚，北京建了一座AI工厂：目标10万P算力，日产10万亿Token！
风拂阳澄，来半岛解锁夏日限定AI狂欢！
36氪 23小时前
风拂阳澄，来半岛解锁夏日限定AI狂欢！
OiiOii升级2.0：把AI视频创作技能点满，做爆款更简单
硅星人Pro 1天前
OiiOii升级2.0：把AI视频创作技能点满，做爆款更简单
三年亏3亿，估值却飙到116亿：AI卫星第一股的疯狂与理性
21ic电子网 22小时前
三年亏3亿，估值却飙到116亿：AI卫星第一股的疯狂与理性
九章云极发布AI工厂体系：破解140万亿Token时代的落地悖论｜甲子光年
甲子光年 21小时前
九章云极发布AI工厂体系：破解140万亿Token时代的落地悖论｜甲子光年
微信递来“AI专属卡”，以后能帮咱花钱
IT之家 20小时前
微信递来“AI专属卡”，以后能帮咱花钱
从高考数学满分到AI辅助填志愿，国产大模型走到哪一步了？
智东西 19小时前
从高考数学满分到AI辅助填志愿，国产大模型走到哪一步了？
美团LongCat黄绵秋：EvoCUA — 从离线经验演化到在线强化学习｜AgenticAICon 2026
智猩猩 19小时前
美团LongCat黄绵秋：EvoCUA — 从离线经验演化到在线强化学习｜AgenticAICon 2026
Copyright © 2025 成都区角科技有限公司
蜀ICP备2025143415号-1
  
川公网安备51015602001305号