文/陳永偉

過去幾年中，人工智能（ArtificialIntelligence，以下簡稱AI）技術(shù)日新月異，幾乎每一天都有新的AI模型或應(yīng)用誕生。與此同時，圍繞AI的各種敘事也可謂氣勢磅礴。諸如“AI是新的電力”“AI是新的互聯(lián)網(wǎng)”“AI是‘第四次工業(yè)革命’”這樣的言論幾乎不絕于耳。無論是企業(yè)年會、學(xué)術(shù)論壇，還是資本市場的推介材料，人們談起AI時幾乎都帶著一種近乎宗教般的熱情；而在企業(yè)界，“AI即將全面改造企業(yè)”幾乎成為了一種共識。

然而，不久前，麻省理工學(xué)院（MassachusettsInstituteofTechnology，以下簡稱MIT）“互聯(lián)智能體和去中心化 AI”（NetworkedAgentsandDecentralizedAI，以下簡稱NANDA）項目組的一份報告卻給當(dāng)前的AI熱潑下了一盆冷水。根據(jù)這份名為《商業(yè)領(lǐng)域AI使用狀況》（StateofAIinBusiness）的報告，盡管目前80%以上的企業(yè)已經(jīng)嘗試使用生成式AI，約40%的企業(yè)訂閱了生成式AI服務(wù)，但只有約5%的試點真正進(jìn)入生產(chǎn)階段并帶來了實質(zhì)性的價值，其余95%的項目則未產(chǎn)生任何可見的回報。換言之，已經(jīng)切切實實嘗到AI甜頭的企業(yè)僅是少數(shù)，絕大多數(shù)企業(yè)則陷于“高采用、低轉(zhuǎn)型”的泥潭。報告的作者將這種現(xiàn)狀命名為“AI鴻溝”。

乍看之下，MIT報告的結(jié)論令人頗感意外，但其實，目前AI經(jīng)濟(jì)學(xué)領(lǐng)域的許多研究成果都可以與之相互印證。比如，2024年諾貝爾經(jīng)濟(jì)學(xué)獎得主、MIT經(jīng)濟(jì)系教授達(dá)龍·阿西莫格魯（DaronAcemoglu）曾對AI在宏觀層面上對全要素生產(chǎn)率（TotalFactorProductivity，簡稱TFP）的影響進(jìn)行過研究。根據(jù)他的估算，AI在10年內(nèi)引發(fā)的TFP提升比率大約為0.66%，平均到每年僅為0.066%，可以說是微乎其微。而著名增長問題專家菲利普·阿吉翁（PhilippeAghion）的一項估算則表明，AI每年對經(jīng)濟(jì)增長率的貢獻(xiàn)大約在0.8%到1.3%之間，其影響也不算顯著。

上述研究是否說明AI其實并不像人們想象的那樣有用呢？答案當(dāng)然是否定的。實際上，MIT的報告指出，AI雖然尚未在宏觀層面表現(xiàn)出對生產(chǎn)率的顯著提升，但卻在個人層面悄然引發(fā)了一場效率革命，構(gòu)建了一個“影子AI經(jīng)濟(jì)”。報告顯示，在所調(diào)查的企業(yè)中，有超過九成的員工已經(jīng)通過個人賬戶頻繁調(diào)用ChatGPT、Claude等工具，并借助它們來完成日常寫作、翻譯、檢索、編程等工作。而且，AI工具的使用確實顯著提升了他們的個體工作效率。

那么，AI這項炙手可熱的技術(shù)，似乎并沒有在企業(yè)以及更為宏觀的層面帶來顯著的生產(chǎn)率提升？制約AI影響發(fā)揮的因素究竟有哪些？要讓AI的發(fā)展真正成為推動生產(chǎn)率提升的有效手段，又究竟需要做好哪些工作？對于所有這些問題，且讓我們一一說來。

一、作為通用目的技術(shù)的AI

在漫長的歷史長河中，人類曾發(fā)明過無數(shù)的技術(shù)。然而，不同技術(shù)對經(jīng)濟(jì)和社會產(chǎn)生的影響卻截然不同。其中，一些技術(shù)可能推動人類社會發(fā)生根本性的變化，而另一些技術(shù)則只會在某個狹小的領(lǐng)域起到作用。

在所有技術(shù)中，對經(jīng)濟(jì)社會影響最大的，是“通用目的技術(shù)”（GeneralPurposeTechnologies，以下簡稱GPT）。顧名思義，這類技術(shù)的應(yīng)用范圍通常十分廣泛，對經(jīng)濟(jì)具有整體性影響。根據(jù)學(xué)者們的總結(jié)，這類技術(shù)具有三個重要特點：一是普遍適用性（Pervasiveness），即這類技術(shù)的應(yīng)用范圍應(yīng)十分廣闊，而不應(yīng)局限于某幾個特定領(lǐng)域；二是進(jìn)步性（Improvement），即通過持續(xù)的創(chuàng)新和學(xué)習(xí)，這類技術(shù)的表現(xiàn)會隨著時間推移不斷改進(jìn)；三是創(chuàng)新孕育性（InnovationSpawning），即這類技術(shù)的創(chuàng)新會引發(fā)相關(guān)應(yīng)用技術(shù)的創(chuàng)新，從而提升這些部門的生產(chǎn)率，反過來，應(yīng)用部門的技術(shù)進(jìn)步又會促進(jìn)通用目的技術(shù)自身的改進(jìn)，由此形成一個正向的反饋循環(huán)。

經(jīng)濟(jì)史學(xué)家肯尼斯·卡洛（KennethCarlaw）和理查德·里普賽（RichardLipsey）曾依據(jù)上述標(biāo)準(zhǔn)，對人類歷史上的數(shù)千種技術(shù)進(jìn)行甄別，結(jié)果發(fā)現(xiàn)，僅有二十余種技術(shù)可以被稱為“通用目的技術(shù)”。在這二十余種技術(shù)中，就包括蒸汽機、電力、內(nèi)燃機等支撐前幾輪工業(yè)革命的關(guān)鍵技術(shù)。

值得一提的是，盡管“通用目的技術(shù)”對經(jīng)濟(jì)和社會發(fā)展起著關(guān)鍵推動作用，但通常來說，技術(shù)產(chǎn)生與其影響顯現(xiàn)之間會存在一段時間間隔。比如，電力技術(shù)剛被發(fā)明時，對整個社會的影響微乎其微，直到40多年后，它的力量才真正展現(xiàn)出來。又如，互聯(lián)網(wǎng)應(yīng)用初期，其影響也十分有限。當(dāng)時，2008年諾貝爾經(jīng)濟(jì)學(xué)獎得主保羅·克魯格曼（PaulKrugman）甚至斷言，互聯(lián)網(wǎng)的作用不會超過傳真機。直到十多年后，互聯(lián)網(wǎng)對生產(chǎn)的影響才逐漸顯現(xiàn)，克魯格曼的質(zhì)疑也隨之不攻自破。

為什么“通用目的技術(shù)”的影響往往會滯后顯現(xiàn)？最常見的解釋是：技術(shù)的擴散與相關(guān)基礎(chǔ)設(shè)施的建設(shè)需要時間。“通用目的技術(shù)”的重要性并不在于它在某些特定場合可以展現(xiàn)巨大力量，而在于它能被全社會廣泛使用。這個特點決定了它必須充分?jǐn)U散才能發(fā)揮影響，而要實現(xiàn)這一點，就必須有相應(yīng)的基礎(chǔ)設(shè)施加以支撐。

以電力技術(shù)為例，早在18世紀(jì)中期，人們就在電學(xué)方面取得了一系列成就。1866年，第一臺發(fā)電機就已問世。然而，在此后近半個世紀(jì)中，電力對經(jīng)濟(jì)社會的影響仍非常有限。直到20世紀(jì)初，隨著大量發(fā)電站的建立和大面積輸電網(wǎng)絡(luò)的鋪設(shè)，電力才真正“飛入尋常百姓家”，其對經(jīng)濟(jì)和社會的影響才逐步顯現(xiàn)。

通過簡單比照，我們不難發(fā)現(xiàn)，AI可以被視為一種全新的“通用目的技術(shù)”。從這個角度看，AI技術(shù)當(dāng)前在微觀上表現(xiàn)卓越、在宏觀上影響較小的現(xiàn)象似乎是可以理解的。畢竟，從AI這門學(xué)科出現(xiàn)至今，不過半個多世紀(jì)；而如果從“深度學(xué)習(xí)革命”算起，也僅有區(qū)區(qū)十幾年。按照“通用目的技術(shù)”的一般特征，它還未到充分彰顯其力量的時候。

乍看之下，上述說法似乎自圓其說。但若進(jìn)一步分析，就會發(fā)現(xiàn)它其實還存在一個致命的缺陷。正如前文所述，人們通常認(rèn)為，制約“通用目的技術(shù)”充分發(fā)揮影響的兩種因素是技術(shù)的普及程度和基礎(chǔ)設(shè)施的建設(shè)程度。那么，在當(dāng)前AI技術(shù)的發(fā)展過程中，是否也受到了這兩種因素的掣肘呢？答案顯然是否定的。

先看普及率。如前所述，目前大多數(shù)企業(yè)已經(jīng)嘗試過AI，并有相當(dāng)一部分企業(yè)專門訂閱了AI產(chǎn)品。如果僅看普及率，那么現(xiàn)在的AI早已超過了產(chǎn)生顯著影響的臨界點。

再看基礎(chǔ)設(shè)施的建設(shè)狀況。盡管從理論上說，服務(wù)器和數(shù)據(jù)中心的數(shù)量永遠(yuǎn)也趕不上人們?nèi)找嬖鲩L的AI性能需求，但若從滿足基本AI應(yīng)用的角度看，當(dāng)下社會的基礎(chǔ)設(shè)施已然綽綽有余。更何況，那些進(jìn)行AI轉(zhuǎn)型的企業(yè)，通常也會投入大量資金用于專門的基礎(chǔ)設(shè)施建設(shè)。因此，“基礎(chǔ)設(shè)施不足”這個理由似乎也難以用來解釋當(dāng)前AI在宏觀層面表現(xiàn)不彰的現(xiàn)象。

要理解“生成式AI鴻溝”，乃至更廣義上的“AI鴻溝”的存在，我們必須尋求更新的解釋。

二、AI是怎樣提升生產(chǎn)率的？

那么，“AI鴻溝”究竟為何存在？為探討這一問題，我們必須先理解AI可能通過哪些機制提升生產(chǎn)率。目前文獻(xiàn)中主要有兩種流行理論：“預(yù)測機器”（PredictionMachine）與“自動化”（Au－tomation）。前者解釋傳統(tǒng)“分析式AI”的增效機制，后者適用于“分析式AI”與“生成式AI”。

先看“預(yù)測機器”理論，由AI經(jīng)濟(jì)學(xué)家阿格拉瓦爾（AjayAgrawal）、甘斯（JoshuaGans）和戈德法布（AviGold－farb）提出。該理論認(rèn)為，AI最核心的經(jīng)濟(jì)價值在于顯著降低預(yù)測成本。

所謂預(yù)測，是“利用已知信息生成對世界狀態(tài)的認(rèn)識”?，F(xiàn)實中，人們面對各種不確定性，這些不確定性會對生產(chǎn)生活構(gòu)成干擾。比如，工廠在投產(chǎn)前需投入固定成本形成產(chǎn)能，而此時尚不清楚市場真實需求，只能基于經(jīng)驗和數(shù)據(jù)進(jìn)行預(yù)測。預(yù)測準(zhǔn)確，產(chǎn)能與需求匹配，企業(yè)可能盈利；若預(yù)測失誤，則可能蒙受損失。過去，企業(yè)在預(yù)測上需投入大量資源，如調(diào)研、專家分析等，以提高準(zhǔn)確性。AI的出現(xiàn)大幅降低了這些成本，企業(yè)可借助機器學(xué)習(xí)更精準(zhǔn)地預(yù)測未來情境，既節(jié)省費用，也減少誤判風(fēng)險。

但僅有預(yù)測并不足夠，完整的決策還包括“判斷”。在該理論中，判斷指對特定行為后果的估算。

以銀行放貸為例，員工根據(jù)職業(yè)、收入、信用評分等信息評估違約概率，此為預(yù)測。AI可提升這一效率。但是否批準(zhǔn)貸款，還涉及違約損失、客戶關(guān)系影響等隱性因素，需綜合判斷何種選擇更有利。這類判斷往往涉及難以量化的因素，AI難以完全勝任。

因此，阿格拉瓦爾等人指出，企業(yè)若要借助AI實現(xiàn)轉(zhuǎn)型，必須同步變革組織結(jié)構(gòu)與激勵機制，實現(xiàn)預(yù)測與判斷的協(xié)同?，F(xiàn)實中，AI的普及使各部門具備原本僅限特定團(tuán)隊的預(yù)測能力，具備提出判斷的基礎(chǔ)。這為效率提升提供了潛力。但若缺乏明確承接機制，如標(biāo)準(zhǔn)化流程、分級授權(quán)等，AI的預(yù)測可能停留在報告層面，難以轉(zhuǎn)化為行動。

再來看“自動化”理論。該理論代表人物包括阿西莫格魯（DaronAce－moglu）及其MIT同事。AI在該理論中被視為廣義自動化技術(shù)，其作用是替代人類完成部分任務(wù)，通過兩種機制提升生產(chǎn)率：一是接管低價值但耗時的任務(wù)，提高其效率；二是促進(jìn)人力再分配。例如，某員工兼具策劃與文案能力，因文案更強被安排為文秘；AI替代文案后，該員工可轉(zhuǎn)任策劃，從而在不增加人力的前提下，同步提升兩項職能效率。

根據(jù)該理論，要顯著提升生產(chǎn)率，需滿足兩個條件：第一，AI所替代的任務(wù)本身需存在效率改進(jìn)空間。若任務(wù)已高效，AI的邊際收益有限；第二，AI引發(fā)的人力再配置必須是良性的。只有如此，生產(chǎn)率提升才能從局部擴展至整體，否則可能只是優(yōu)化局部而宏觀效率無增。

三、AI鴻溝究竟是怎樣產(chǎn)生的？

在理解了AI影響生產(chǎn)率的機制之后，我們可以進(jìn)一步對“AI鴻溝”的產(chǎn)生原因進(jìn)行系統(tǒng)分析?？傮w上看，導(dǎo)致“AI鴻溝”的原因可分為技術(shù)性和非技術(shù)性兩類。

先看技術(shù)性原因。在實踐中，至少存在三個主要障礙，導(dǎo)致AI轉(zhuǎn)型效果不明顯。第一個是企業(yè)業(yè)務(wù)和數(shù)據(jù)的專用性。無論是“分析式AI”還是“生成式AI”，要讓模型表現(xiàn)出色，都需要大量優(yōu)質(zhì)數(shù)據(jù)。但現(xiàn)實中，不同行業(yè)、企業(yè)的業(yè)務(wù)結(jié)構(gòu)差異巨大，且出于商業(yè)機密保護(hù)，企業(yè)間很少共享數(shù)據(jù)，給AI模型訓(xùn)練帶來很大障礙。即便企業(yè)經(jīng)營者看到同行通過AI轉(zhuǎn)型實現(xiàn)效率躍升，也無法直接拿來對方的模型使用，而必須從頭開始收集數(shù)據(jù)、訓(xùn)練模型。為了保證模型運行的安全與穩(wěn)定，企業(yè)還往往需要部署專門的硬件設(shè)備，甚至配備維護(hù)人員。若將這些成本計算在內(nèi)，AI的引入未必顯著降低任務(wù)執(zhí)行的總體花費，難以帶來真正的生產(chǎn)率提升。

第二個是“學(xué)習(xí)缺口”的存在。AI雖能完成一次性的預(yù)測或生成任務(wù)，卻缺乏長期經(jīng)驗積累和持續(xù)自我改進(jìn)能力。換言之，AI在“算一次”的時候很聰明，但在“持續(xù)學(xué)習(xí)”過程中卻很笨。它不像人類員工那樣能通過反復(fù)實踐逐步提高，而是始終停留在“永遠(yuǎn)的新人”狀態(tài)，每次交互都要從零開始。根據(jù)MIT報告，許多企業(yè)使用的AI系統(tǒng)缺乏記憶、無法沉淀反饋，“學(xué)習(xí)缺口”嚴(yán)重。在這種特征下，AI的使用成本不會隨任務(wù)次數(shù)增加而遞減，長期來看，基于AI的自動化未必能有效提升生產(chǎn)率。

第三個是“技術(shù)債”的存在。所謂技術(shù)債，是指企業(yè)在過去信息化建設(shè)中，為追求短期上線和局部優(yōu)化積累下來的冗余代碼、碎片化系統(tǒng)和不兼容接口。從當(dāng)時視角看，這些技術(shù)債似乎無傷大雅，甚至被認(rèn)為是提高效率的必要代價。但若企業(yè)長期拖延清理與重構(gòu)，它們就會堆積成難以跨越的技術(shù)屏障，阻礙包括AI轉(zhuǎn)型在內(nèi)的系統(tǒng)性升級。一個典型案例是美國社保體系，其信息化始于20世紀(jì)60年代，COBOL語言被聯(lián)邦政府采納為唯一指定的業(yè)務(wù)處理語言。隨著時間推移，COBOL逐漸無法滿足現(xiàn)代需求。但若更換語言，就需重寫大量程序、遷移海量數(shù)據(jù)，成本與風(fēng)險極高，幾乎沒有一屆政府愿承擔(dān)。結(jié)果，這套陳舊系統(tǒng)只能在“將錯就錯”的慣性下繼續(xù)使用。今年初，馬斯克主導(dǎo)的“政府效率部”嘗試用AI重構(gòu)該系統(tǒng)，卻幾無切入點，最終無果而終。

再看非技術(shù)性原因。實踐中，制約AI轉(zhuǎn)型效果的非技術(shù)性因素也有三個。第一個是組織結(jié)構(gòu)和激勵機制的不匹配。正如“預(yù)測機器”理論所指出，要讓AI轉(zhuǎn)型真正發(fā)揮效力，組織結(jié)構(gòu)和激勵機制必須與新技術(shù)實現(xiàn)良性協(xié)同。但現(xiàn)實中，組織結(jié)構(gòu)惰性大，改革阻力重重。許多企業(yè)雖引入了先進(jìn)AI系統(tǒng)，卻未同步重構(gòu)組織架構(gòu)，潛在問題由此層出不窮。例如，AI輔助決策降低了預(yù)測門檻，使各部門都能獲得預(yù)測能力，并與自身判斷相結(jié)合，作出有利于本部門的決策。但由于部門間利益導(dǎo)向不同，各自最優(yōu)決策可能存在沖突，反而導(dǎo)致組織層面“內(nèi)耗”激增，整體效率下降。

第二個是AI替代目標(biāo)的不當(dāng)。根據(jù)“自動化”理論，只有當(dāng)AI替代的任務(wù)本身效率較低，且人力資源再分配機制健全時，AI轉(zhuǎn)型才可能帶來宏觀層面效率改善。但現(xiàn)實中，AI多替代客服、文案、數(shù)據(jù)錄入等外包或初級崗位，這些崗位對整體效率的邊際貢獻(xiàn)本就有限，且人力成本已被壓縮，即便用AI取代，也難顯著推動生產(chǎn)率提升。與此同時，企業(yè)內(nèi)部那些更復(fù)雜、附加值更高的崗位未被有效重構(gòu)，人力資源再配置也未及時跟進(jìn)。結(jié)果，自動化紅利僅在局部被吸收，未能擴展至組織甚至社會層面，宏觀效率依舊停滯。

第三個是AI轉(zhuǎn)型的表面化傾向。許多企業(yè)的AI戰(zhàn)略投入最熱衷于“客戶看得見的地方”。從自動撰寫文案到智能客服、個性化推薦與營銷腳本，AI最早落地在前臺環(huán)節(jié)。其原因簡單：這些項目最容易展示成效——點擊率、轉(zhuǎn)化率、回復(fù)速度，數(shù)據(jù)亮眼，匯報方便，轉(zhuǎn)型負(fù)責(zé)人能向管理層交差，管理層也能向股東展示成績單。但這些應(yīng)用的投資回報率并不高，邊際收益迅速遞減。相比之下，許多不被注意的后臺環(huán)節(jié)才是真正ROI潛力巨大的領(lǐng)域，如財務(wù)對賬、合同審查、風(fēng)險合規(guī)、供應(yīng)鏈預(yù)測等，雖不顯眼，卻直接關(guān)系到成本控制與風(fēng)險管理。AI一旦深度嵌入這些流程，企業(yè)不僅可節(jié)省人力和外包支出，還能減少差錯、縮短周期，改善現(xiàn)金流與利潤率。但根據(jù)MIT調(diào)查，許多企業(yè)遲遲未重視這些后臺項目，也成為限制AI影響釋放的重要原因。

四、如何跨越AI鴻溝？

通過前面的分析，我們已經(jīng)對“AI鴻溝”的產(chǎn)生原因有了較深入的了解。那么，我們又應(yīng)如何跨越“AI鴻溝”，徹底釋放AI轉(zhuǎn)型的力量？在我看來，以下幾方面尤為關(guān)鍵。

第一，要構(gòu)建決策閉環(huán)，彌補預(yù)測與判斷的斷裂。根據(jù)“預(yù)測機器”理論，提升預(yù)測精度、降低成本，是AI推動生產(chǎn)率的核心機制。但在實際企業(yè)中，即便AI預(yù)測精準(zhǔn)，如果無法與高效判斷協(xié)同，效力也難以發(fā)揮。為此，構(gòu)建決策閉環(huán)、實現(xiàn)預(yù)測與判斷的高效協(xié)同尤為重要。具體而言：首先，應(yīng)科學(xué)分工，使預(yù)測結(jié)果有明確的責(zé)任承接。企業(yè)需明確哪些崗位負(fù)責(zé)解讀預(yù)測結(jié)果并承擔(dān)風(fēng)險，建立制度化“判斷崗位”，避免預(yù)測結(jié)果在各部門之間漂流。其次，應(yīng)推動判斷制度化，而非依賴個別領(lǐng)導(dǎo)拍板。許多企業(yè)仍由少數(shù)高層拍板決策，效率低下，AI價值被浪費。更可行的是建立標(biāo)準(zhǔn)流程：不同風(fēng)險等級對應(yīng)不同機制，小額事務(wù)系統(tǒng)自動批準(zhǔn)，大額事項委員會審議，為預(yù)測與判斷之間建立穩(wěn)定接口。再次，應(yīng)將預(yù)測嵌入流程，讓其不再只是“輔助信息”，而是直接觸發(fā)行動。例如，在供應(yīng)鏈管理中，需求預(yù)測應(yīng)自動生成采購指令進(jìn)入審批，而非僅以報告形式發(fā)送經(jīng)理。

第二，要重構(gòu)員工技能體系，推進(jìn)人力資源再配置。當(dāng)前企業(yè)更傾向用AI替代客服、數(shù)據(jù)錄入、文案等低技能崗位，而這些原本就可通過外包低成本完成，AI轉(zhuǎn)型紅利自然有限。因此，企業(yè)應(yīng)將轉(zhuǎn)型重心轉(zhuǎn)向更高價值業(yè)務(wù)環(huán)節(jié)。一般來說，業(yè)務(wù)含金量越高，任務(wù)越復(fù)雜，AI越難獨立勝任。與其奢望“完全替代”，不如投入“AI+人類”協(xié)作模式，培養(yǎng)員工與AI配合能力，使AI成為能力放大器，從而實現(xiàn)實質(zhì)性效率提升。在此基礎(chǔ)上，企業(yè)還需根據(jù)AI轉(zhuǎn)型后的實際情況調(diào)整崗位配置?，F(xiàn)實中，不少管理者一旦發(fā)現(xiàn)某崗位任務(wù)可被AI取代，便傾向直接裁撤。但員工對企業(yè)流程和文化的理解本身就是一筆寶貴資產(chǎn)。與其淘汰，不如轉(zhuǎn)崗。例如，AI接管基礎(chǔ)核算后，可將會計人員轉(zhuǎn)為財務(wù)分析師，從“算賬”轉(zhuǎn)向“用賬”。他們對數(shù)據(jù)生成機制的理解，往往讓分析更貼近實際。

第三，要克服“學(xué)習(xí)缺口”，實現(xiàn)AI與組織的持續(xù)共進(jìn)。當(dāng)前AI模型普遍缺乏長期記憶，限制了其經(jīng)驗積累與能力進(jìn)化。既然AI無法自我記憶，企業(yè)就應(yīng)為其設(shè)計“外腦”。首先，可構(gòu)建“組織知識庫”，為AI提供長期上下文支持，使其在多次交互中保持一致性。以客服為例，AI應(yīng)記住客戶的歷史行為，實現(xiàn)連續(xù)服務(wù)，而非每次從零開始。其次，應(yīng)建立反饋回路，將員工在使用AI過程中的修正意見沉淀為系統(tǒng)經(jīng)驗，形成“反饋即培訓(xùn)”的機制，支持強化學(xué)習(xí)。再次，應(yīng)將AI深度嵌入團(tuán)隊協(xié)作，將其視作“虛擬成員”，參與項目管理、任務(wù)分配與復(fù)盤。只有這樣，AI才能在組織實踐中不斷積累“準(zhǔn)經(jīng)驗”，逐步彌補學(xué)習(xí)缺口。

第四，要采取漸進(jìn)式系統(tǒng)改造策略，降低技術(shù)阻力?！凹夹g(shù)債”是AI轉(zhuǎn)型的重要障礙，許多企業(yè)在面對遺留系統(tǒng)時常感無從下手。相比“推倒重來”的大拆大建，更務(wù)實的策略是漸進(jìn)式改造。首先，我們可引入“語義層”架構(gòu)，在不觸動底層系統(tǒng)的前提下，實現(xiàn)數(shù)據(jù)抽象與統(tǒng)一。語義層是在底層系統(tǒng)與AI應(yīng)用之間建立的一套標(biāo)準(zhǔn)化業(yè)務(wù)邏輯映射，可將異構(gòu)數(shù)據(jù)整合為統(tǒng)一語言。例如，將“顧客”“用戶”“買方”等統(tǒng)一建模為“客戶”，方便AI系統(tǒng)調(diào)用，規(guī)避底層技術(shù)債。Palantir等領(lǐng)先AI服務(wù)企業(yè)，已在多個項目中成功實踐該策略。其次，可采用模塊化推進(jìn)方式，先選取接口清晰、邊際效益高的模塊（如合同初審、供應(yīng)鏈預(yù)測等）作為試點，通過“局部試點—經(jīng)驗積累—全局推廣”的路徑，逐步推進(jìn)轉(zhuǎn)型。

第五，要調(diào)整資源配置重心，從前臺“炫技”轉(zhuǎn)向后臺深改。企業(yè)常將資源集中于前臺AI項目，以追求可見成果，但其邊際效應(yīng)下降極快。相比之下，后臺流程雖不顯眼，卻往往是決定AI長期效益的關(guān)鍵環(huán)節(jié)。例如，在財務(wù)部門，許多大企業(yè)每月結(jié)賬仍需大量人工核對，特別是在人工審查與Excel制作環(huán)節(jié)，效率低下、差錯頻出，成為流程瓶頸。若在此引入AI，不僅能顯著提升效率，還能降低差錯率和人力成本。盡管這些改進(jìn)難以在展板上做成眩目的案例，卻能帶來真實、持久的效率紅利。

第六，要調(diào)整管理思路，讓一線實踐反哺上層設(shè)計。許多企業(yè)的AI項目采用自上而下模式：高層定調(diào)、成立小組、引入供應(yīng)商、啟動試點。但結(jié)果往往是“上熱下冷”：高層期待宏大成果，一線員工卻因工具“難用”而抵觸，最終項目流于形式。對此，企業(yè)可嘗試自下而上路徑，由一線先行試驗，上層提供資源保障。MIT報告指出，不少員工已自發(fā)使用ChatGPT、Claude等AI工具輔助工作，效果良好。企業(yè)與其禁止，不如順勢而為，調(diào)研員工使用習(xí)慣與痛點，找出這些工具優(yōu)于內(nèi)部系統(tǒng)之處，重新設(shè)計企業(yè)級AI系統(tǒng)，真正服務(wù)于一線實踐。通過這一路徑，企業(yè)可以將“影子AI經(jīng)濟(jì)”正式化，將局部效率提升轉(zhuǎn)化為組織層面的生產(chǎn)率進(jìn)步。

五、結(jié)語

“AI鴻溝”的存在提醒我們：技術(shù)本身從未自動等同于生產(chǎn)率的躍升。歷史上，每一次通用目的技術(shù)的崛起，都伴隨著組織、制度與觀念的深刻重塑，AI亦不例外。它既非萬能靈藥，也非虛妄泡影，而是一種唯有與治理體系、業(yè)務(wù)流程、人才結(jié)構(gòu)深度耦合，才能釋放潛能的力量。

正如電力、互聯(lián)網(wǎng)曾經(jīng)歷漫長的擴散與再造期，AI若要跨越從個體效率到整體生產(chǎn)率的鴻溝，同樣需要企業(yè)與社會付出艱巨的制度性努力。真正的突破，不在前臺的炫技展示，而在后臺的深層改造；不在局部的短期提效，而在全局的長期再造。

只有當(dāng)預(yù)測與判斷形成閉環(huán)，“影子AI經(jīng)濟(jì)”被納入正式流程，技術(shù)債逐步化解、學(xué)習(xí)缺口持續(xù)彌合，我們才可能真正見證AI帶來如電力、互聯(lián)網(wǎng)那般量級的社會變革。跨越“AI鴻溝”，既是一個持續(xù)的過程，也是一場深刻的考驗，不僅考驗技術(shù)能力，更考驗制度智慧。