本文深入探討了AI與數字化結合的極限以及在企業應用中遇到的挑戰。文章首先介紹了GPT-4版本的強大功能，隨后分析了AI在企業服務領域的同質化現象，并提出了三個全民性問題：科學素養的缺乏、創新思維的不足和解決問題能力的薄弱。作者提出了兩個AI應用的線索，即用AI建模解決策略問題和用AI改善客戶服務，為企業提供可行的思考方向。

01

每一次GPT的能力革新，總會讓人驚呼。

本周GPT升級到4o版本，重磅更新了各種能力，輸入輸出的格式增多，文本、音頻、圖像都能搞定，能理解畫面和聲音，甚至能讀懂人類面部語言，響應速度和性能也有了很大的提升。學姐也在第一時間體驗了它的文本能力，和4.0相比，無需長串的提示詞，就能基于猜想給出合理的內容。輸出的內容能有效銜接上下文，邏輯嚴密。

第一個感受是：模型創業者又要望GPT興嘆了。這也是這兩年AI創業的難點，原本卡在技術上的難題，自己啃著三五個月，進度條才走到10%，底層能力一更新，原有的問題瞬間消失，真是得唱一句：時間都去哪兒了？當下底層技術確實在一路狂飆，每次出現都帶來全新的面貌，但是我們的應用層已經無限趨同了。企業服務領域，無論是SaaS，還是協同辦公平臺，各自都花了一年時間去探索AI應用，最終卻交出了類似的答卷。

人手配備一個智能小助理，可以用來輔助工作輸出答案，有文檔功能的一定會應用智能擴寫、總結，有聊天窗口的一定會加入上下文總結，視頻會議的記錄和總結也成了標配。面對越來越趨同的數字化應用場景，讓我們拋下這個問題：面對AI的快速發展，人類的想象力是不是黔驢技窮了？先說個結論：把AI應用到企業數字化上，本身就是一個天大的難題。且，這個難題不會隨著技術思維的提升而降低。

SaaS和協同平臺本身就是科技企業，擁有強大的技術能力，但是他們也難，為了找一個契合AI的場景也要絞盡腦汁，也要精心計算企業會不會買單。企業內部自研就更難了，原本技術能力就弱于外部服務商，大量的技術人才又困在業務和技術的匹配中不得解脫。一邊在現實業務發展和復雜的利益關系中左支右絀，一邊要考慮跟上AI的技術發展，賦能業務。懂業務的人不懂技術，懂技術的人又不懂業務，或者說不能越俎代庖地去為業務負責。

02

以上，是AI+數字化難題的表象，但歸根結底，我認為背后還有3個全民性的問題，阻礙AI應用落地。一則是缺乏基本的科學素養，對于技術有畏難心理，或者反向妖魔化技術畏難是說害怕自己搞不好數字化，弄不懂AI，項目會失敗，自己也會承擔責任。

本質上是因為了解得不夠深入，勇氣這件事情，不是來源于自信，而是信息充分下的合理預期。所以只有深入地了解，才能真的解決企業對AI和數字化的深度認識。再說妖魔化。

妖魔化的淺層，是指直接對著新技術說no，凡是不會的不懂的新出現的都是不合理的，思路會被駭人聽聞但毫無邏輯的謠言牽著走。雞會長出9個頭，吃什么都會致癌。換到企業數字化的場景上，也就是使用者會抵觸所有的技術，任何形態的技術，機器，系統，APP，都是亂七八糟的“玩意兒”，“不知道有啥用”。

妖魔化的深層，是騙子太多，特別是在新技術出現以后，一大堆人就忙不迭地來割韭菜了，特別是現在有了短視頻這樣極大的流量工具，只需要做好煽動情緒的預案，再疊加一套緩解焦慮的產品，大量的人看到標題就沖動下單了，買完后從不去看，下一次想起來自己買了這個產品是因為賣家翻了車。這樣的生態，導致我們對于新技術有一窩蜂的焦慮和好奇，又通過購買低質的科普產品快速消滅熱情。

于是乎，大眾表情越來越麻木，越來越順其自然。和多少年前的高速公路收費員也沒有什么兩樣，明知會被顛覆，卻沒有早早儲備新的出路。

二則是沒有創新思維。我們的教育里，天然就缺乏創新的培養。我們有過恢弘的歷史，最雄偉的建筑，最厲害的四大發明，是唯一傳承至今的文明古國，我們不應該缺乏對先進事物的想象，也正由于創新和適應能力讓我們的文化得以延續。但是在企服行業，創新成為了不值一提的事情。

創業者方面，同質化嚴重，像素級抄襲在這個行業里屢見不鮮。在競爭激烈的賽道上，有一度大家都不敢去開發新的功能，上什么能力友商都很快跟進，抄襲的速度比客戶正式使用的速度還快，這是何等諷刺的地獄笑話。

何況SaaS廠商有個更尷尬的難題，創新的成本太高。特別是產品后期的新能力，只能滿足極小部分特定的用戶，卻要及大代價去開發，當創新和生意是否劃算放在天平的兩端，活的兢兢業業SaaS廠商自然也不敢往創新那一端去添加砝碼?？蛻舴矫?，因為沒有創新思維，導致亦步亦趨的學習同行，同行買了什么產品，怎么做數字化也跟著來一套。

客戶總覺得：自己思考自己想方法多難，槍打出頭鳥，照著抄錯了也是大家一起錯。中庸做事的觀點，特別是在大型企業中，體現得淋漓盡致。從數據來說，從軟件時代到SaaS時代，距今那么多年，賣得好的還是ERP、CRM、HCM這些軟件時代的老工具，創業者沒有更廣闊的想象，束手束腳追求確定性，客戶也沒有革新自己的認識，只有一起相伴走老路。

三則是和問題硬碰硬的能力。如何發現問題，如何從多個問題中選擇當前最重要的問題，如何拆解問題逐步解決問題，都是我們不擅長的。反之，我們很擅長一種很圓融的智慧，用巧勁來避開問題，或者軟化問題。也就是說，我們缺少用技術去解決問題的硬碰硬的思維。大家都知道，信息技術的底層，是0，1組成的二進制語言，是一門邏輯語言。

所以技術擅長解決的問題，是清晰簡單的，是有非黑即白的確定性答案的。所以使用技術的前提，是當前做法是標準化流程化，顯現的問題也是清晰可描述，能細化到“A審批流的第一個環節總是卡殼3天”這種問題，技術自然可以挺身而出，提升效率。

技術并不萬能，它能把低效變成高效，但很難把混亂變成有序。就像如果一場會議組織混亂結論不清，AI再如何聰明，最后給出的會議紀要也只能云遮霧繞。說到這里，就不得不提華為何以會成功落地數字化，因為這個企業真的很擅長打硬仗。文化硬，流程硬，作風硬，想好了就落實成總綱，總綱細化成方法論，有了方法論就堅決執行。

僅僅5年，用1年落成愿景，4年完成行動，全公司17萬員工，共同完成了銷售收入翻番但人員未顯著增長的壯舉。同時建設了合作伙伴的數字化和消費者門店的數字化，協同提效至秒級，塑造消費者服務全流程線上化。

所以說，要有這樣和問題硬碰硬的能力，正視問題，把問題逐條梳理清楚，讓機器明白到底從哪個方向輔助，AI才有用武之地。所以我一直認為，企業沒有做到業務的數字化，沒有產生業務數據，去談AI就仿若空中樓閣，不理智也不現實。

03

以上花了不少篇幅，立足于中國企業數字化的土壤，來談AI落地的先天不足。光戳痛點不給結論，從來不是學姐的風格，所以這里給出2個線索，諸位可以結合自身業務，逐一梳理，或許有機會找到AI落地的最佳點位。

1 用AI建模解決策略

問題企業內部，往往有一類角色高度依賴于專業知識和經驗，但是其經驗很難口述和傳遞，也就導致企業高度依賴這類角色。我們把這類角色的專業知識和經驗還有說不清道不明的感覺都稱作【策略】，試著讓AI來學習，看看會發生什么。舉個物流行業中例子，這個行業里有一個核心角色，叫做調度，他會負責訂單和車輛的匹配。

眾所周知，物流是一個利潤率極低的企業，調度角色做的好不好，就直接會影響利潤率，所以好的調度工資是不低的。之前這個崗位的策略，需要調度自己去摸索，甚至有的時候要憑借直覺的預測。最近幾年隨著行業數字化，有了智能調度功能，雖然沒有完全替代調度，但是通過學習調度的分配方式，慢慢把調度無法描述的經驗抽象成了一套模型，并能輔助調度做常規性的調度安排所以，AI應用的第一條路，就是基于數據建模技術摸索出一套策略，來支撐對不確定性業務的決策，提升決策的勝率。

2 用AI解決客戶服務的問題

在數字技術誕生以來，特別是互聯網誕生后，誕生了非常多新的模式，本質上都是源于對個體提供了更好更優秀的服務，服務的背后是以各種模式將信息光速串聯起來。AI在此基礎上，不僅能連接信息，還能理解信息、生成信息，還能一步步引導，幫助人解決問題。

4o的場景里，AI能看到屏幕上的數學題，一步步教導學生，循循善誘的幫助學生解開答案；還可以用語音和人類溝通，比如教美國人學習中文。這些場景，都證明了AI幫助人解決問題的能力提升，人機之間的交互體驗也越來越接近人和人之間的真實觸感。那對于企服企業，有太多客戶服務的工作了。就像SaaS廠商，服務場景多，成本高呀。

有SaaS公司的老板告訴學姐，有的時候，一個大客戶上項目，甚至要部署1年的時間，面對全國那么多的客戶，還要建立多個服務中心隨時支持，模式極重。那能不能通過AI去解決這個問題，AI去教導用戶呢？值得思考。

另外，個人認為阻礙低代碼發展的重要原因，就是客戶認知門檻太高，而便宜的價格注定了不可能去做個性化服務和實施，那AI現在來了，能不能看到一點機會，也值得探索。我們看到上一代互聯網，客戶服務做的最好的是電商，基于此，誕生了全球幾十萬億的市場。

那這一代，客戶服務明顯又可以提升幾個檔次，受益者的名字還未寫下，思考和探索也應該步履不停?；仡櫛疚?，我們聊了中國市場應用AI的3個本質原因，接下來也給出了2個應用AI的思考方向。

最后，學姐要強調的是，應用AI的基礎還是數字化。我們把應用AI當作撫養小孩，小孩是個天分極高的天才，但你需要用數據喂養。說回這幾個概念的關系，學姐用一句話總結。企業數字化的核心在業務數字化，業務數字化的核心在于要素、流程和規則的標準化，而AI的核心就是以上所有標準化后的數據。