不卖Token，卖结果：一位CEO亲自下场的AI转型复盘！

  头图：AI生成

  作者：虎嗅智库

当下，企业谈AI落地，关注的已经不再是“要不要用”，而是如何真正用起来，并且产生价值。

一种常见的情况是“技术先行”，企业投入大量资源研究模型和工具，演示效果很惊艳，却迟迟进不了核心业务。另一种情况是“浅层改造”，各部门各自采购AI工具，在原有流程上不断叠加功能，投入不少，产出却并不明显。

对企业经营者来说，真正需要回答的，是几个更具体的问题：AI应该从哪里开始落地？怎样把AI能力变成客户愿意付费的结果？又怎样把一次性的效率提升，变成能够持续兑现的经营成果？

合思创始人兼CEO马春荃提供了一份相对少见的样本。他不是站在技术或管理的外围讨论AI，而是作为企业经营的决策者，亲自下场推动一场AI转型。从业务场景选择、产品设计、商业模式调整，到交付体系、组织分工和风险管理，他都亲自参与其中。在转型过程中的判断、困惑、试错和踩过的坑，也成为他新书《CEO AI挖矿指南》的重要内容。

这份罕见的来自企业一把手的一手AI转型实践，首先呈现了一个很现实的问题，产品能用，不等于客户愿意买单。

2025年5月，合思推出财务+AI产品，技术上已经能够使用，但直到9月，却只卖出3单。问题并不完全出在产品能力上，而在于客户若要使用AI智能审核，就需要先购买合思的费控系统。

对于不少潜在客户来说，系统切换成本太高，最终放弃了尝试。后来，合思把AI能力从费控系统中解耦出来，调整收费方式，尝试按审核结果收费，让客户根据实际使用量付费。商业模式一变，客户的接受度也随之发生变化，首期合同金额达到20余万元。这个过程说明，AI产品的价值不只取决于技术能力，还取决于企业能不能找到客户愿意付费的方式。

但收费方式改变，并不意味着利润自然就会到来。企业还要找到真正有价值的业务场景，把客户的隐性规则转化为AI可以执行的能力，让交付经验沉淀和复用，并重新设计人与AI的分工。

马春荃将这套实践概括为“找矿、采矿、炼矿、分矿”，试图回答如何发现业务价值、形成AI能力、把控成本，并让创造出来的价值真正转化为经营成果。

当然，比产品和商业模式调整更难的，是组织转型。AI能力变化很快，组织也不能只靠一张事先设计好的蓝图。马春荃提出“不做端到端的规划”：先从具体问题入手，快速尝试，发现不合适就调整，再把新的AI能力不断融入组织。此外，他也认为“有时，消灭比改善更有效”。管理者往往习惯于优化现有流程，比如让一个环节提效5%；但有时，更有效的办法是重新审视这个环节是否还有存在的必要，直接把它拿掉。

转型的阵痛不仅来自AI本身的不确定性，也来自人的路径依赖和行动惯性。马春荃坚信，团队的指挥官需要站在队伍最前线，树立标杆，走到客户现场，给团队试错和容错的空间也很重要。他在合思内部探索Harness独立小组、深度现场部等组织形态，思考如何让真正懂业务、能推动变化的人发挥作用。

与此同时，他也在重新审视AI时代人的价值，面对复杂情境时的灰度判断与弹性，人与人之间的情感连接，以及抽象建模、看清问题本质的能力。技术可以不断进步，但这些能力仍然决定着企业如何理解问题、作出判断，以及让人与AI更好地协作。

马春荃也坦言，自己对AI落地的认识，是被一个个具体问题推动着逐渐形成的。因此，合思的实践并不是一套已经定型、可以直接复制到所有企业的方法论，而是一家企业在真实业务中摸索出来的阶段性答案，有已经发生的业务结果，也有仍在探索、需要继续验证的判断。合思这个AI转型案例的价值不在于提供一个正确答案，而在于呈现一个企业CEO如何亲自走进业务现场，寻找AI的价值、验证商业模式，并推动组织随之改变。

AI技术仍在快速变化，但企业经营始终要回答一些朴素的问题：价值在哪里，谁来创造价值，客户为什么愿意付费，创造出来的价值又如何持续留下来？

带着这些问题，虎嗅智库与马春荃展开了一场深入对话，以下是这场对话的摘要整理，enjoy！

图：AI转型中，CEO 最关心的五大模块

Q1：为什么合思要这么坚决地做AI转型？作为CEO，你最初是怎么判断这件事的？

马春荃：我们做AI转型，不是因为觉得AI是个风口，而是有一种“逃亡和求生”的感觉。

生成式AI出来以后，过去很多软件赖以存在的东西正在发生变化。传统管理软件大体上有两类能力，一类是表单加流程，一类是分析和算法。但表单、流程，本质上是建立在原来的分工协作方式之上的。

AI来了以后，分工协作本身会变，很多显性的表单和流程可能会调整、萎缩，甚至塌缩。什么时候塌缩、哪些流程还会留下来，现在没有准确答案。但我觉得，它们会越来越底层化，像地下管网一样，最后只剩必要的主动脉，其他东西可能就不需要了。

所以，企业不能只是在原来的产品上增加几个AI功能，而是要重新思考业务、产品和组织。身后的传统业务像冰川一样在坍塌，你必须跑得更快。

Q2：企业应该如何找到适合AI落地的场景？合思为什么把第一座“矿”选在财务审核？

马春荃：我们不是先有一个AI技术，再到处找场景，而是要先找矿。

判断一个场景值不值得做，核心要看两个维度，一个是规模够不够大，一个是AI的可替代性够不够强。规模大、AI又容易替代的，就是应该优先挖的“金矿”；规模小、又不容易替代的，就不应该一开始投入太多。

图：合思找AI落地场景的四象限法则：可替代性 × 可规模化

此外，还要看数据是不是比较完备，规则是不是相对清晰，结果是不是容易衡量。三项条件缺一项，场景质量都会下降。

我们最早选择财务费控审核，就是因为它比较符合这些条件。发票、消费记录、审批流已经形成了一定的数字化链路，财务制度和合规要求也给AI提供了比较明确的判断边界，而且费用报销是企业里的高频场景。

我们希望AI不是只帮你识别一张发票，而是能够承担完整的审核任务，把信息提取、规则校验、风险判断和结论输出连起来。

Q3：合思的AI产品早期效果不错，为什么还是“叫好不叫座”？这让你意识到了什么？

马春荃：去年4月新品发布以后，产品已经可以让客户上手使用，我们也沉淀了很多真实业务场景、规则和Skill，但从2025年5月到9月，实际只卖出去3单。

当时我们还是按传统软件的方式报价，20-40万都有。客户谈下来，可能就只愿意出数万元，还会拿OA厂商的价格来比较。

这件事让我意识到，产品做得好，不代表客户就愿意按原来的方式付钱。我们觉得自己提供的是很强的AI能力，但客户不一定愿意为模型、技术或者一套软件买单。

客户真正关心的是，这件事到底能帮我做成什么，能省多少钱。

所以，不能只想着把产品做好，还得重新想清楚怎么收费。AI带来的不只是功能变化，也要求我们重新思考价值应该怎么表达。

Q4：后来为什么改成按审核单收费？“AI马力”这个概念是怎么来的？

马春荃：我打个比方，瓦特当年卖蒸汽机，不是只卖机器，而是把“马力”这个客户能感知的价值单位卖了出去。

到了AI时代，也一样。不要卖API、Token或者模型参数，要卖客户能感知的业务结果。客户要的是“马力”，不是“引擎”。我们卖的不是AI，是结果。

图：“AI 马力”定价锚点：卖结果，不卖引擎

合思是把智能审核的价格锚定在每单10元。这个价格不是凭空想出来的，市场上本来就有参照：一些人工审核或外包审核，每单大概15到20元；企业共享财务中心，也会核算每单审核成本。我们大致把价格放在人工作业成本的一半左右，让客户能够理解它的经济性。

从2025年10月中旬调整报价，到12月底，大约卖了70余单，新的模式下，首期合同达到近30万元。

这背后其实是价值单位发生了变化。原来卖的是一套软件，客户会拿它和其他软件比价格；现在卖的是完成一笔审核的结果，客户就会拿它和人工审核成本比较。

Q5：按结果收费是不是所有AI产品都适用？这种模式对企业又提出了什么新要求？

马春荃：不是所有场景都适合按结果收费。如果结果很难衡量，客户本身也愿意为软件功能买单，那就可以继续按软件方式收费。

结果付费更难，因为供应商需要承诺结果。我们承诺审核准确率超过90%才收费，低于这个标准，一分钱不收。客户可以先拿一部分单据试用，不必一开始就购买整年的软件。在AI焦虑、又不敢重投入的To B市场里，这会降低客户的决策门槛。

当然，价格也不能只看单据数量。一次出差报销可能有多个地点、多个附件，简单单据和复杂单据的推理成本不一样。简单单据可以低至约2元，复杂单据就需要更精细地定价。

而且，竞争出现以后，价格还可能更低。结果付费只是把矿挖出来，后面怎么把矿炼成利润，才是经营的问题，重点是持续控制“炼矿”成本。

Q6：AI进入企业真实业务，最难的地方是什么？合思的FDE具体在做什么？

马春荃：很多企业不是没有制度，而是制度分散在不同部门、不同人的经验里。大家觉得有些事情“不言自明”，但你真要让AI执行，就必须把这些上下文和规则讲清楚。

合思的FDE要深入客户现场，理解业务，和财务、业务、人力等部门一起，把客户说不清楚的制度提炼出来，变成AI能执行、能验证、能追责的规则，再嵌入实际工作流。

比如我们服务过的一家新兴科技公司，福利、津贴、奖金名目很多，制度也比较分散。客户希望融资或上市前把风险管控做好，又不想改变原有管理风格。后来，通过访谈、规则梳理和历史样本测算，我们帮助这个客户识别出补贴重叠、政策冲突等问题，找到了约数百万元的降本空间。

我认为客户真正购买的是把管控做成“不打扰员工的后台能力”。员工不需要因为增加管控而多走很多流程，财务却能在后台获得规则检查、风险分流和完整留痕。

Q7：FDE深入客户现场，会不会带来很高的交付成本？怎样才能实现规模化？

马春荃：FDE既可能是护城河，也可能成为成本中心。

如果每来一个客户，就从头做一遍访谈、梳理规则、配置流程，那它就是定制项目，规模做大以后成本也会跟着上去。

所以我们在做的，是把一次次交付里沉淀下来的规则、Skill和方法留下来。比如审核的底层逻辑是证据链验证，预算的底层逻辑是试算平衡。行业表面上不一样，但底层思维模型可能是相通的。

图：合思给AI打造工作环境：FDE把产品交付变成组织变革

当下，我们也正在建设元思维模型，希望把这些底层方法植入不同的细分场景。同时，我们那会把引擎和产品分开，Harness Lab负责引擎能力的验证和提升，FDE结合客户的行业实践，把引擎封装成真正能用的产品。

如果每次只留下一个项目，那它就是定制，如果能留下规则、Skill和可以复用的方法，那就不算是定制了。

Q8：AI能力最终能不能转化成利润，除了产品和交付，还取决于什么？合思内部的组织是怎么变化的？

马春荃：AI转型不是只换一条桌腿，而是产品、组织、销售、交付、人员适配、利益分配都要一起调整。

生产力变了，生产关系也要变。过去很多工作是按照固定流程和岗位分工来组织的，AI能够承担一部分连续性工作以后，人就要重新思考自己的价值在哪里。

我们希望AI不是替代人的工作，而是解放人的工作。CEO的任务，是把组织设计从“管人”变成“放大人的独特价值”。

合思在组织上也在探索AI优先的方式。产品孵化由专门团队承担，各业务线负责人则要探索怎么用AI拿到结果。不是要求每个人都成为同一种AI专家，而是让不同团队各司其职，先跑出来的经验再逐步复制。

小团队如果能驾驭AI、拿到结果，就应该给它更大的空间。大企业也需要小型化，面对个性化市场，需要更灵活的小团队和协作方式。

Q9：AI带来的效率提升，怎样才能真正变成企业利润？

马春荃：我们希望AI带来的不只是流程跑得更快，而是把原来被流程消耗掉的时间和管理资源释放出来。

在我们服务的一个新兴科技公司案例里，经过测算，他们过去一年2200多笔审批事项使用我们的产品后，可以降到100笔左右；审核时效从过去平均3天，缩短到平均5到30分钟；形式化审核步骤减少45%，关键事项自动留痕增加70%。

这背后不是简单地少点几次按钮，而是重新设计哪些事情必须由人决策，哪些规则可以交给AI连续执行，哪些事项只有出现异常时才需要人介入。

人力成本也有相应测算，原有20名审核人员，按每年250个工作日计算，再按节省70%审核人力的基准，折算约3500审核人天/年。

但效率提升和实际利润不是一回事。AI释放出来的时间和管理资源，最终还要看企业怎么重新配置，能不能真正转化成经营结果。

Q10：模型能力越来越普遍，合思未来真正要沉淀的竞争力是什么？

马春荃：我不认为合思有天然优势。模型能力会越来越普遍，过去一些软件开发工作也会越来越便宜。以后不是谁能把软件做出来，谁就一定有竞争力。

更重要的是，你到底懂不懂客户的业务，能不能把业务里的Know-how沉淀下来；能不能把一个场景里有效的方法，变成另一个场景也能用的能力。

我们现在讲元思维模型，就是希望找到不同业务背后可以复用的思考方式。比如审核的证据链验证，不只可以用于财务审核，也可能用于其他需要核验依据、规则和结果的场景。

如果只是手搓一个智能体、堆一些Skill和标签，那换个场景可能又得从头来。如果底层思维模型能够复用，我们就有机会持续提升效率、准确率和成本表现。

Q11：当AI开始承担越来越多工作，管理者应该怎样驾驭它？

马春荃：驾驭AI不能靠经验和直觉，需要一套系统的方法论。

我讲过一个“刹车片理论”：油门决定跑多快，刹车决定跑多远。

AI能自主到什么程度，必须和人工分工清晰；关键输出要持续校验，不能盲目信任；AI决策要留痕、可追溯、可解释；还要准备好脱离AI的备用方案。

核心是把AI当成能力放大器，而不是责任转移器。

组织也要重新建立价值分配机制。比如“分型、分权、分享”：要按照价值创造类型分角色，让听得见炮声的人做决策，再按照结果分享增量价值。

分矿分的是机制，不是分蛋糕—机制对了，蛋糕才会变大。

最后还是回到经营结果。找到收费方式，只是把矿挖出来；后面怎么把矿炼成利润，才是经营的问题。AI不是把流程跑快就结束了，最后还是要看，释放出来的时间和管理资源，有没有真正转化成经营结果。

关注虎嗅智库公众号，在对话框回复关键词“落地案例”，您将获取虎嗅智库最新一手优质企业AI落地案例集～

虎嗅智库AI落地洞察：

基于独家头部企业AI落地案例调研，输出关于场景边界、实施路径与风险陷阱的深度洞察，为决策者提供可验证的一手参考。每期报名审核参与，已发布200+期，成为众多企业AI战略规划的案头标配。

虎嗅智库：

是围绕 AI 产业落地的「行业判断与共识形成平台」，通过长期运行的案例研究、场景拆解与闭门研讨，帮助产业及企业决策者在 AI 关键选择上看清边界、规避误判、降低试错成本。已沉淀超200份深度研究，覆盖制造、零售、金融、医疗等核心赛道。