企业的 AI 转型都会失败，就像煤老板做不了互联网

冰山已经被看见了

这几个月，我在旧金山见到很多来聊企业 AI 转型的老板。

他们的背景很像：80 后、85 后，在上一轮互联网或者移动互联网的红利里抓住过机会，公司还活得不错，有现金流，有客户，有稳定团队，也有一起打过仗的合伙人。按传统标准看，这些人已经很成功了。

但他们聊 AI 的时候，语气里通常不是兴奋，而是焦虑。

外部世界变化太快。一人公司、十人公司、AI-native 团队、人均百万美元级别的能效，天天在新闻和朋友圈里出现。创始人看得见这个东西。他知道如果别人能用十分之一、百分之一的成本交付同样的东西，自己今天引以为傲的组织、渠道和产品，都会变得很危险。

问题是，他回到公司以后，发现整艘船几乎动不了。

合伙人里总有人观望。技术主管说工程团队没有冗余，日常 bug、客户需求、系统维护已经排满。员工愿意用 AI 写 PPT、润色周报、总结会议，但核心业务没有明显变化。Token、账号、插件买了一堆，成本是真涨了，交付没有真变快，士气也没有变好。

三个月前，企业 AI 转型的气氛还不是这样。那时候很多公司的做法很积极：推全员 AI adoption，找内部 AI 先锋，鼓励大家多用 token，甚至搞 token 使用排行榜。更激进一点的公司，会把 AI 和裁员、组织压缩、岗位重组绑在一起。

现在风向冷下来了。

眼见着大多数 Token Maxing 公司都取消了计划，企业从“多用就是先进”，开始转向“用在哪里、花多少钱、有没有业务价值”。

亚马逊那个内部员工自建的 token 使用排行榜，后来被关闭，就是一个很好的小故事。问题不只是成本，而是排行榜一旦出现，人就会优化排行榜。你本来想鼓励大家用 AI 解决客户问题，最后可能鼓励出一堆为了刷 token 的动作。

工具厂商也在把 usage analytics、credit、spend controls 做进企业产品里。比如 OpenAI 的企业后台开始强调按用户、产品和模型看 credit 消耗，GitHub Copilot 也转向更明确的 usage-based billing。这个变化背后的意思很简单：

Token 不是信仰，Token 是成本。
看制度，不要看话术。

更麻烦的是，AI 在公司内部被员工听见的时候，经常不是“工具”，而是“裁员的前奏”。

我在《你不喜欢公司，公司也不需要你》里写过这个逻辑：如果一个工具没有减少人的负担，没有提升人的安全感，只是让人更容易被替代，那它就不是一个单纯的赋能工具，而是一个劳动关系重写工具。

所以很多老板会困惑：我明明买了最好的模型，发了账号，组织了分享，为什么大家不动？

因为员工听见的不是“请你变强”，而是“请你证明自己可以被更少的人替代”。

这不是员工落后，也不是老板冷血。是两边看到的时间尺度完全不一样。老板在看未来三年公司会不会被新的成本结构打穿，员工在看下个月自己的岗位会不会消失。两边都不傻，但这个结构天然不信任。

这就是第一波企业 AI 转型乐观主义退潮的核心。

不是 AI 没用。恰恰相反，是 AI 太有用，所以它不可能只是一个培训项目、一个排行榜、一个内部 chatbot。它一旦真的进入业务，就会碰到岗位、预算、责任、客户、数据、利润和权力分配。

旧组织想把 AI 当插件，AI 却在追问旧组织为什么还存在。

20% 提效为什么进不了损益表

很多创始人最痛苦的地方是：网上天天有人说十倍提效、百倍程序员，但自己的公司连 20% 的业务改善都看不到。

这里要先拆开两个东西。

一个是个人任务的提效。比如写一封邮件快了，写一段代码快了，做一页 PPT 快了。

另一个是企业 P&L 的改善。也就是收入有没有涨，成本有没有降，现金流有没有变好，客户体验有没有提升。

这两个东西中间，隔着组织。

我在《AI 提效已索然无味，下半场是什么？》里讲过：代码、设计、文案这些执行层生产资料正在快速变便宜，但如果这个便宜不能进入收入、利润、现金流和用户增长，它就只是 PPT 数字。

MIT NANDA 那份 2025 年的《GenAI Divide》报告里，有一个被反复引用的结论：他们观察到的大量企业 GenAI 项目里，只有少数真正进入了可衡量的 P&L 影响，报告用的是约 95% 没有产生可衡量财务影响这个说法。这个数字不应该被简单理解成“AI 没用”，它真正说明的是另一件事：个人可以很快从 chatbot 里得到帮助，企业要把这种帮助变成利润，难得多。

难在哪里？

难在旧流程会吞掉局部效率。

一个员工用 AI 把初稿从两小时缩到十分钟，但这篇东西仍然要过主管、法务、客户、品牌、合伙人。一个工程师用 AI 把基础代码写快了，但后面还有 review、测试、部署、回滚、客户支持、遗留系统兼容。单点快了，不代表整条链路快了。

企业真正应该问的不是“谁用 AI 用得多”，而是“哪条业务链路因为 AI 少了一个环节”。

技术团队的保守，很多时候也不是守旧。

METR 在 2025 年做过一个很有意思的实验，让有经验的开源开发者用当时的 AI 工具解决真实 issue。开发者事前以为 AI 会让自己快 24%，但实际测量结果是：使用 AI 后，任务完成时间平均增加了 19%。

这个结果不能外推成“AI coding 没用”。工具迭代很快，场景也不同。但它提醒我们，复杂系统里的 AI 成本不是零。你要写 prompt，要理解生成结果，要调 bug，要处理幻觉，要把一段看起来能跑的代码接回旧系统里。

哈佛商学院和 BCG 那篇关于 jagged technological frontier 的研究，也讲的是同一个问题：AI 的能力边界不是平滑的。有些任务它像神，有些任务它会很自信地把人带沟里。

而企业内部的任务，最麻烦的部分往往都在边界外。

数据不干净，文档不完整，客户需求有历史包袱，责任边界说不清。很多公司上 AI chatbot 失败，不是模型不会说话，而是公司本来就没有一个干净的 source of truth。真正的业务事实散在会议纪要、微信、Slack、Excel、老员工脑子里。你把这些东西丢给 AI，它不会自动变成智能系统，只会更快地暴露混乱。

所以早期 AI 转型常见的失败方式是这样的：

公司买了更贵的工具，员工多了更多账号，内部 demo 看起来很酷，但最后没有减少一个审批节点，没有砍掉一个信息中转岗位，没有让客户更快拿到结果，也没有让销售更容易成交。

这就不是转型。只是旧组织在表面贴了一层 AI 皮。

煤老板为什么做不了互联网

如果局部提效不够，那能不能由创始人亲自挂帅，把公司从上到下改造成 AI-native？

理论上可以。现实里，大概率很难。

我更愿意用一个粗糙但好懂的类比：煤老板做互联网。

假设你是 2000 年前后的煤老板，手里有现金，有稳定现金流，有行业关系，也熟悉煤矿里的各种痛点。你看到互联网来了，觉得这是下一代机会。那你应该怎么做？

如果按照今天很多公司做 AI 转型的方式，你会把矿长、包工头、财务、老工人都叫来，成立一个互联网先锋小组。你给大家发电脑，培训 HTML，设一个增长岗位，搞一个打字速度排行榜，要求每个矿工都写周报汇报自己如何用互联网重构挖煤。

这当然很荒诞。

但今天很多企业做 AI 转型，本质上就是这件事。

他们不是在问“新的生产方式下，应该重新长出什么公司”，而是在问“怎么让旧公司里所有人学会新词”。这不是转型，是把旧系统的自我安慰换了一套话术。

煤矿工人不是不能学习。问题是，煤矿这个组织的客户、设备、薪酬、风险、地方关系、管理方式，都是围绕“把煤从地下挖出来”长出来的。你让它内部自然长出一家互联网公司，几乎是在和它自己的成功作战。

AI 时代也一样。

一个能稳定赚钱的旧公司，不是一堆随机的人凑在一起。它是一台很精密的机器。岗位设计、薪酬结构、晋升路径、客户关系、预算流程、合伙人分工，全部都是为了旧商业模式优化出来的。

克莱顿·克里斯坦森在《创新者的窘境》里讲过一个很残酷的机制：优秀公司会失败，很多时候不是因为它们做错了，而是因为它们太会做旧世界里正确的事。

这个判断放在 AI 转型上尤其难听。

旧组织不是不努力。它会努力把 AI 纳入旧 KPI，努力开会，努力写文档，努力搞培训，努力采购软件。它会做很多看起来正确的动作。但只要不改生产关系，AI 就只能变成旧流程里的一个新工具。

这里最关键的词不是 workflow，而是 production relations。

工作流是“这个步骤怎么更快”。生产关系是“为什么需要这些人、这些岗位、这些汇报线、这些激励”。AI 如果只是改工作流，大家都舒服一点；AI 如果改生产关系，很多人的位置就会消失。

这就是旧组织推不动的真正原因。

中层管理者、PM、项目协调者、信息传递者，他们不是坏人。他们只是很清楚：如果 AI 真的让信息透明，让客户问题直接进入执行系统，让少数 owner 端到端负责结果，那旧组织里很多靠转述、协调、排期、汇报存在的岗位都会被重新评估。

你让这套系统自己删除自己，它当然会变慢。

它会告诉你：这里有风险，这里要合规，这里要再评估，这里要等数据打通，这里要先培训一轮。每一句都可能是真的，但加起来就是一个结果：转型永远在路上，业务永远没变化。

BCG 早在数字化转型时代就说过，大约 70% 的数字化转型没有达到目标。AI 不是第一次让企业转型失败的技术，只是这一次的速度更快，成本结构差距更刺眼。

所以我的判断不是“所有企业都必死”。更准确地说：

如果你所谓的 AI 转型，是让旧组织整体学习 AI、旧岗位整体升级、旧流程整体加速，那它大概率会失败。

煤老板真正可能做对的事，不是把煤矿改造成互联网公司，而是在矿场之外，用自己的钱、客户理解和商业直觉，投一个真正懂互联网的新团队。甚至自己重新下场，换一批人，从零做。

这才是我们要抄的旧作业。

真正危险的是成本结构

很多老板听到这里，会问一个更现实的问题：那我不转型行不行？我守着旧业务，继续赚钱，总可以吧？

短期当然可以。甚至很多情况下，你应该这么做。

但你不能骗自己说旧业务还是未来。

AI-native 小团队带来的威胁，不是它们更会写 prompt，而是它们的成本结构不同。Cursor、Lovable 这些公司的 ARR 和员工数，很多数字来自公司披露或媒体估算，不能当审计财务看。但哪怕打个折，它们传递出来的信号也够清楚：一批新公司正在用远少于传统 SaaS 的团队，跑出过去很难想象的人均收入。

TechCrunch 报道过 Lovable 以很小团队跑到很高 ARR 的说法；SaaStr 也写过 Cursor 在极短时间内冲到 10 亿美元 ARR 的故事。这里不要纠结每一个数字的口径，重点是方向：新公司从第一天就围绕 AI、分发、开发速度和自动化交付设计，它不是在旧流程上加速。

当竞争对手用 1% 的成本交付同样的结果，你的品牌、老客户、渠道和关系仍然有价值，但它们不再是护城河本身。

我在《请不要在泰坦尼克上研究如何升舱》里写过这个比喻：船已经看见冰山了，你还在研究怎么把二等舱升级成头等舱。今天很多公司讨论 20% 人效，就是在研究升舱。

真正要问的是：如果别人用十分之一的人、十分之一的时间、十分之一的价格交付结果，我的业务为什么还成立？

我自己参与过一个全球合规服务类公司的改造，里面有一个很重要的经验。

一开始大家也会自然地想：是不是要把原来的软件修得更好，是不是要让原来的工程团队多用 AI，是不是要把项目经理的工作流自动化。

后来我越来越觉得方向错了。

客户要的其实不是一个更复杂的系统，也不是一个要学习的新 SaaS。客户要的是结果：我这个产品在某个国家怎么合规，能不能注册，多少钱，多久，有什么风险，下一步该做什么。

所以真正有用的不是再做一个漂亮的 AI chatbot，而是把法律条文、SOP、历史项目、专家判断、报价逻辑，变成 AI 能读、能问、能更新的 source of truth。工作方式也随之改变：先问 AI，AI 不确定，再找专家，专家给出答案以后，再把新答案喂回系统。

这个改造的重点不是“大家都用 AI”。重点是中间很多信息传递层不再自然成立。销售可以更早回答客户，交付专家只处理真正需要专业判断的部分，创始人能看到一条从客户问题到业务结果的闭环。

这类事情不是靠培训旧人自然发生的。它需要创始人愿意承认：旧系统里很多复杂性不是客户需要的，是组织自己长出来的。

这句话很刺耳，但很重要。

很多团队会把简单东西做复杂，因为复杂才能证明自己的价值。AI 最残酷的地方，是它让创始人重新看见客户问题本来可以多简单。

创始人的生路不是救船

如果你是一个已经有稳定业务的创始人，真正的选择不是“转不转 AI”，而是“还要不要把最宝贵的时间继续投进旧系统”。

我的建议通常很冷：

旧业务进入 maintenance mode。新业务重新创业。

这不是让你不负责任地抛弃公司、客户和员工。合同要履行，客户要服务，现金流要稳住，必要的交付质量要守住。旧业务不是垃圾，它是你过去成功的结果，也是你未来几年最重要的燃料。

但它不再是你的未来。

你要做的是把旧业务从“增长叙事”里拿出来，放回“现金流资产”的位置。

具体说，就是几件事：

1. 停止在旧范式下继续开新产品。不要再让旧团队写一堆“AI 化升级路线图”来消耗你。
2. 把旧业务推到维护模式，只保留维持客户、收入和基本交付需要的人。
3. 找一个能稳住日常运营的人，给他明确现金流和服务质量指标，让他替你处理旧业务。
4. 创始人本人从旧组织的会议、审批、情绪和内部政治里抽身。

这一步很难，因为创始人最舍不得的，往往不是钱，而是自己过去的身份。那是你一手打出来的公司，有老兄弟，有老客户，有江湖关系，有你证明过自己的历史。

但历史不能替你穿越下一个范式。

抽身以后，你要重新回到创业模式。

这里反而有好消息。你不是一个白手起家的年轻人。你有钱，有行业理解，有真实客户，有对痛点的直觉，也知道哪些需求以前因为成本太高一直没被满足。

你要做的不是把旧系统搬过来，而是围绕这些客户痛点，从零重新做一遍。

我在《勇哥点评餐饮，比很多 AI 创业课更有用》里写过，创业第一步不是产品，是算账。收入、毛利、复购、获客、交付，这些东西算不清楚，AI 再酷也不是 business。

AI 带来的机会，经常不是凭空创造新需求，而是用新的成本结构重新做旧需求。

这也是为什么我不太相信“教育旧人”这条路。不是旧人不聪明，而是时间太贵，惯性太重，利益关系太复杂。二次创业里最好用新人、新工具、新激励，从第一天就按新生产方式来设计。

新人不一定年轻，但一定不能被旧流程绑定。他要默认用 AI 先跑，默认结果导向，默认端到端负责，而不是先问这个事情归哪个部门、需要哪个 title、走哪条审批线。

旧业务里，一个人可能是前端、后端、测试、PM、运营之一。新业务里，一个人首先应该问：我负责哪个客户结果？

这个变化看起来像组织设计，其实是商业常识。

客户不购买你的组织结构。客户购买结果。

新组织里，人不是默认答案

AI-native 公司最难学的，不是工具，而是默认假设。

旧公司的默认假设是：遇到一个需求，先看派给哪个人，哪个部门，哪个岗位。

新公司的默认假设是：这件事能不能先由 AI 跑到 60 分、80 分，再让人补关键判断。

这句话会让很多人不舒服。但它不是说人不重要。恰恰相反，人的重要性被重新集中到了更少、更关键的位置：定义问题、理解客户、判断质量、承担责任、设计系统、拿到结果。

人不再因为“参与过流程”而重要，人因为“对结果负责”而重要。

这也是为什么传统固定薪资体系会越来越拧巴。

如果一个人真的能用 AI 创造过去一个小团队的价值，你还用旧 title、旧级别、旧奖金去衡量他，他为什么要留下？如果一个人只是把信息从 A 传到 B，却不面对客户、不承担结果、不创造增量，他为什么应该继续占据组织的中间层？

未来的组织不一定真的只剩两类人，但方向会很明显：

1. 一类是 partners。他们对业务结果负责，能看客户，能算账，能组织 AI 和人一起完成交付，也应该拿到足够大的 upside。
2. 一类是 contractors。他们提供清晰、标准、可验收的节点能力，按结果或时间结算。

中间那一大层靠 title、汇报、协调、转述、排期存在的人，会越来越难解释自己的价值。

这不是一个温柔的变化。它会带来焦虑、冲突和不安全感。所以我不喜欢把企业 AI 转型讲成“大家一起拥抱新工具”的暖心故事。那不真实。

真实情况是，AI 会让公司重新算账，也会让个人重新算账。

对于创始人，最重要的问题是：我是不是还在把时间浪费在一艘已经调不过头的船上？

对于员工，最重要的问题是：我是不是还在等公司改革，而不是自己先变成能对结果负责的人？

如果你是员工，不要坐在旧船里等船长给你安排未来。更实际的做法是，选一个最强的工具，真正深用它；找一个业务里具体的痛点，自己做出结果；尽量去碰客户、增长、收入、交付这些最终问题，而不是只在岗位说明书里证明自己很辛苦。

不要只学工具。工具会变。你要训练的是用工具创造结果的能力。

在船上造飞机

回到泰坦尼克这个比喻。

很多创始人现在的痛苦，是船长已经看见冰山了，但船上的人还在按原来的节奏工作。有人在演奏，有人在跳舞，有人在整理舱房，有人在研究怎么升舱。每个人都在做自己职责内正确的事。

这才是最可怕的。

大转折里，旧系统经常不是因为所有人都错了而失败，而是因为所有人都在旧规则里做对的事。

所以，船长真正要接受的第一件事是：你大概率救不了这艘船。你能做的是让它继续稳定航行一段时间，别马上沉，别失控，别伤害已经承诺过的客户和伙伴。

然后，你要在船上造飞机。

这件事听起来很疯狂，也确实很难。它意味着你要一边让旧业务贡献现金流，一边把自己从旧身份里拔出来；一边尊重老客户和老团队，一边承认他们不一定能陪你走到下一个时代；一边承受外部竞争的压力，一边重新回到零到一的笨功夫里。

但这就是企业家的工作。

不是每个人都能做到，也不是每家公司都应该被浪漫化地说成一定能重生。绝大多数公司穿越不了范式转移，这在历史里并不罕见。煤老板做不了互联网，不是煤老板不聪明，而是煤矿不能靠内部培训长成互联网公司。

今天的 AI 转型也是一样。

如果你还在旧船上研究升舱，冰山已经越来越近。

如果你能让旧业务 autopilot，拿它产生的现金流、客户理解和行业洞察，重新招人、重新算账、重新设计生产关系，从零做一个 AI-native 的新业务，你才有机会飞出去。

忘掉这艘船，不是忘掉责任。

是承认旧船不是未来。

Let it be. 然后造飞机。