你的行业经验，正在被AI“压平”吗？穿越周期，你需要这份指南 | F观点

在AI技术飞速迭代、商业环境瞬息万变的今天，企业如何穿越周期、实现可持续发展？上海交通大学电信学院教授、人工智能研究院总工程师、智慧司法研究院副院长、科技部国家重点研发计划首席科学家金耀辉，在中欧FMBA十五周年庆F-Dialogue科技系列活动中，以“穿越周期：大模型驱动的决策升级与组织重构”为题，结合自身深耕AI领域的实践经验与前沿观察，带来了一场兼具深度、实用性与前瞻性的干货分享。本场内容核心围绕“建立判断框架、升级决策机制、重构组织体系、明确行动路径”四大模块，拆解大模型时代企业决策与组织的变革逻辑，破除AI认知误区，提供了可落地的实践指南。

金耀辉

上海交通大学电信学院教授

人工智能研究院总工程师

智慧司法法研究院副院长

科技部国家重点研发计划首席科学家

01

认知破局：这一轮大模型，

不是数字化的延续，是全新周期的开启

当前大模型带来的变革，绝非上一轮数字化的延伸，而是一场重构商业逻辑、决策模式与组织形态的全新周期。很多管理者仍存在传统认知误区，认为AI只是替代初级执行者的工具，却忽视了其对管理者判断环境的深刻改变——中高层管理者不缺行业经验，缺的是AI变量切入经营、投资与组织决策后，重新校准判断框架的能力。

上一轮数字化周期，技术定位是“工具层”，核心是实现流程数字化、数据化，目的是提升执行效率，却不改变决策逻辑，且多由IT部门牵头实施；而这一轮大模型周期，技术定位升级为“决策层”，直接进入工作链与判断链，影响的不仅是执行环节，更是决策本身，且必须直接进入管理权责域，覆盖研报、投决、战略等核心场景。

结合Anthropic 2026年3月发布的人类技能AI替代率报告可知，目前AI已能高效覆盖数据分析与汇总、报告撰写与生成、日常绩效评估与决策支持等场景，但在战略判断、复杂关系处理、最终责任承担这三大领域，仍无法替代人类。这意味着，AI不是要“取代管理者”，而是要“重构管理者的工作模式”——过去管理者的核心优势是信息差与协调差，凭借更全面的信息、更快的反应速度拉齐团队，形成竞争护城河；而现在，AI强势介入报告汇总、例外识别、方案比较等环节，管理者的旧优势正在被逐步压平、重估，判断环境被大幅压缩，越高层的管理者，需要考虑的边界越复杂，受到的冲击也越明显。

周期里最危险的不是变化，而是把噪音当趋势。当前AI领域热点频发，从“小龙虾”到各类智能体工具，很多企业盲目跟风，却忽视了自身业务实际与组织承接力。企业最稀缺的资源不是外部信息，而是内部的预算、人才和组织承接力，管理者的核心任务，是筛除无效噪音，抓住真正能影响核心业务、主流程、主责任链的真实变量。

02

决策升级：从“经验驱动”到“人机协同”，

建立科学的判断框架

大模型时代，决策升级的核心的是从“经验驱动”转向“数据+模型+人类约束”的组合架构，管理者的角色从“信息汇总者”转变为“例外裁决者”，决策节奏也从“依赖会议的间歇性判断”转向“持续性反馈”。那么哪些变化值得看？哪些动作该落地？可以从以下框架进行判断和决策。

一、判断AI价值的四大核心维度

面对纷繁复杂的AI技术与产品，管理者无需陷入“技术崇拜”，可通过四个核心维度判断其是否值得投入：

1. 能力边界：明确AI能做什么、不能做什么，避免“过度期待”或“盲目否定”。

2. 成本曲线：关注AI能力提升的同时，单位成本是否在快速下行。企业是盈利主体，规模化部署的经济账必须算平，若一项AI技术成本过高，即便能力出众，也难以实现可持续落地。

3. 组织接口：技术能否无缝接入企业现有的业务流程、责任链与协作关系。很多企业引入AI工具后，因无法与现有体系兼容，最终沦为“摆设”，这也是AI落地失败的核心原因之一。

4. 竞争结构：AI技术最终改变的是单点效率，还是行业的相对位置。若只是提升某个环节的效率，无法形成差异化竞争优势，其价值有限；若能重构行业竞争逻辑，才值得重点投入。

二、大模型的核心能力跃迁：从“生成内容”到“处理约束”

今年以来的大模型，已彻底告别上一代“对话、头脑风暴”的核心特征，进入“推理模型”主导的新阶段，其核心能力是“处理约束”，定位是“复杂问题的解题者”——即在给定预算、时间、合规等多重约束条件下，找到最优解，解决真实世界中的多种矛盾。

这种能力跃迁，对管理者的核心要求是“把问题说清楚”：在使用AI时，必须明确目标、输出要求与边界。技术层面的“提示词（Prompt）”，本质上就是对大模型的约束——很多时候AI输出效果不佳，并非模型能力不足，而是管理者未能清晰表达约束条件。

这里需要破除一个常见误解：模型评分的小幅提升，并不代表其更可靠。对企业经营而言，“稳定输出”远比“单次惊艳”更重要。国内主流大模型，如GLM、DeepSeek、千问等……差距仅在几分之间，在多数场景下，当约束条件表达清晰、数据质量过关、错误代价可控时，这种差距几乎可以忽略不计。

三、两大技术突破：多模态与长上下文，重构决策信息边界

大模型的两大关键技术突破，正在持续拓宽决策信息的边界，为决策升级提供支撑：

1. 多模态技术：从“文档”延伸到“物理过程”。过去AI仅能处理文本、表格、代码等办公室场景的信息，而现在，多模态技术已能覆盖图像、音视频、空间信息（如分子结构、化学反应）等，实现从“办公室”到“真实业务前线”的延伸，可应用于生产线监控、门店货架管理、客户电话质检等多个环节。这对管理的启示是：当AI进入业务前线，组织的责任接口必须随之调整，确保技术与业务的深度融合。

2. 长上下文能力：从“单轮问答”到“全局比对”。两年前GPT4的上下文处理能力仅为8K（约六七千字），而现在主流模型已实现100万token的标配，相当于10本书的内容，可轻松处理整本年报、完整合同集、全年经营数据等长链条材料。这意味着，管理者的提问不再是碎片化的，而是可以在全量背景下进行对照、检索与归纳，让决策更具全局性。但长上下文不等于“绝对可靠”，上下文过长会导致注意力摊薄，容易漏抓关键证据，因此必须建立检索、引用、留存与复核机制。

四、决策分层：按责任界定，而非按智力界定

AI时代的决策分工，核心不是“谁更聪明”，而是“谁更适合承担哪一段责任”。我们可以将决策分为三个层级，以明确人机协同的边界：

1.战略层（以人为主导）：涉及新市场进入、组织重构等重大方向选择与取舍，AI仅作为情报支持，不介入最终决策，核心责任由人类承担。

2. 战术层（人机协作）：涉及产品节奏、渠道策略等需要专业判断但可被证据支持的场景，AI负责提供方案推演与备选，人类负责最终定夺。

3. 运营层（AI深度介入）：涉及排班、资源分配、预警调度等高频、规则清晰的场景，AI可自动执行并反馈，人类仅需处理异常情况。

同时，决策升级需遵循“风险优先”的节奏：先从高频、低风险、反馈快、结果可验证的场景入手（如客服、质检），建立组织信心、跑清系统边界；再逐步向高责任、动作不可逆的场景延伸，避免直接重构战略决策，导致失败风险。

03

组织重构：从“单点优化”到“系统重构”，

重塑责任链与工作流

大模型驱动的组织重构，起点不是“采购AI工具”，而是“重塑责任链”。很多企业引入AI后，仅实现了单点效率提升，却未改变整体工作流，环节间的等待与协调成本依然存在，无法实现结构性收益。真正的组织重构，是将工具、权限、审计、异常升级和人类兜底拼接成稳定系统，实现从“人主导、AI辅助”到“AI主导、人兜底”的范式跃迁。

一、智能体（Agent）：组织重构的核心载体

今年大热的“智能体”，是组织重构的关键抓手，但要分辨是否是“概念炒作”——很多企业打着“智能体”的旗号搞项目、套资金，却连智能体的核心逻辑都未搞懂。真正的智能体，核心质变是从传统AI的“你问我答”，升级为“你给目标，系统持续执行”，其核心包含四个步骤：

1.理解意图：将管理者的自然语言目标，转化为可执行的计划，如“为中欧FMBA定制一场贴合听众画像的讲座PPT”。

2.自主规划：将复杂目标分解为多个子任务，明确优先级与执行步骤，如“检索听众画像、筛选讲座核心内容、整合行业案例、优化PPT排版”。

3.调用工具：连接外部系统（数据库、API、文件系统等），获取所需资源，如抓取听众统计数据、检索行业最新案例。

4.自我纠错：执行过程中遇到问题，如无法访问某网页、数据缺失，自动调整策略，确保目标达成。

以“小龙虾”工具为例，其核心价值是让普通人具象化地理解智能体，而非本身有多先进。对企业而言，智能体能否进入生产线，不取决于其调用工具的能力，而取决于三点：权限设定与系统审计，避免触碰财务、人事等核心机密；异常升级机制，发现问题能及时上报；人类兜底责任，最终责任必须由人类承担。

二、工作流重构：追求端到端收益，而非单点优化

过去企业的AI应用，多是“岗位+工具”的单点优化，虽然能提升单个环节10%-20%的效率，但无法消除环节间的等待与协调成本。而大模型时代的工作流重构，核心是实现“端到端”的结构性收益：由AI主导完成数据汇集、并行分析、异常标记等前置处理，人类仅介入两个核心环节——审阅关键例外、承担最终责任。

这种重构，需要借助今年大热的“驾驭（Harness）”理念——将AI比作“野马”，若不加以约束，就会“乱跑”（如不同AI工具输出矛盾答案），而Harness就是“马具”，通过流程编排、规则设定，让AI按照企业的需求稳定输出。企业追求的核心目标是“稳定”，真正的可靠性，不是模型单点能力有多强，而是系统能否回放、复核、追责——这也是企业引入AI时，必须优先考虑的问题。

三、组织形态升级：从“经验型组织”到“证据型组织”

传统组织的核心优势是“依赖专家直觉与速度”，但存在明显弱点：关键判断“黑箱化”，仅掌握在少数人手中，难以复制；而证据型组织的核心动作，是通过AI将散落的个人逻辑显性化、证据化，让关键判断可记录、例外处理可复盘、逻辑可回放，将个人经验转化为组织资产。

以华为Agentic Operations 2026实践为例，其通过智能体重构运营流程，将肯尼亚运营商产品上市时间从数月压缩至一周，核心就是实现了流程的可感知、可回放。同时，组织形态也将向“扁平化+小团队+人机协作”转型：以高密度人类人才（负责目标、边界和高责任判断）搭配AI智能体（负责信息处理和执行监控），提高单位人数的有效产出密度，打破传统层级的信息壁垒与效率瓶颈。

四、不同类型企业的重构剧本

组织重构无需“一刀切”，产业、金融、接班不同场景，有各自不同的重构路径：

1.产业企业：先改流程，再动架构。最务实的起点是锁定高频业务链路，如研发协同、供应链预警、质检闭环，让AI先介入这些场景，实现流程透明化与预警，再逐步调整组织架构，避免“全面铺开、全面悬空”。

2.金融机构：责任边界与审核机制先行。金融行业最敏感的不是效率，而是责任归属，在AI进入客户服务、风控等链路前，必须明确复核机制、责任边界与签字流程，优先跑通“可量化、可预警、可复核”的证据链，而非追求自动化程度。

3.接班场景：以AI实现治理升级。接班的核心矛盾是信息不透明与口传经验难传承，AI可将关键经营信息、业务历史和流程留痕，转化为标准化的治理看板，降低组织对个人经验的依赖，实现平稳交接。

04

行动收束：90天AI起步计划，

从“坐而论道”到“起而行之”

AI落地的核心是“极度克制、单点突破、明确责任”，避免宏大叙事，聚焦具体动作，企业如何在90天完成AI起步计划？仅需做好以下三件事：

1. 选场景：极度克制，只选1-2个高频、高价值、可形成闭环的场景，如产业企业的供应链预警、金融机构的研究支持，避免贪多求全。

2. 画边界：明确数据范围、权限界限、复核要求及失败处理预案，尤其是涉及企业机密或个人隐私的场景，必须做好去隐私化处理，确保风险可控。

3. 定责任：必须指定唯一的项目负责人来承担最终结果，避免集体参与导致的责任真空，同时建立复盘机制，及时优化调整。

对于6-12个月的评估标准，只有满足“三条线同时向前”，才值得深度投入：一是能力线，系统能在真实环境中稳定输出；二是闭环线，AI能进入真实业务流程，持续产出业务结果；三是组织复制线，经验能从一个试点复制到多个团队，沉淀为标准化流程。

此外，管理者要学会“技术祛魅”，将AI术语翻译成决策动作：Prompt（提示词）就是“把任务定义清楚”，Context（上下文）就是“把背景和规则交够”，Harness（驾驭）就是“把工具和流程接起来”——这不是技术团队的专属语言，而是组织能力升级的三个核心步骤。

05

穿越周期，关键是升级决策方法，重构组织规则

第一，这一轮AI变革，不是工具更新，而是管理者的“判断环境更新”——管理者的决策权不会被取代，但决策方法必须升级，否则会在周期中逐渐落后；

第二，面对AI热点，别问“要不要跟”，用“能力边界、成本曲线、组织接口、竞争结构”四大维度的判断矩阵，决定是“保持地图感”“动手试试”还是“深度投入”；

第三，AI落地的核心，不是换一个软件，而是重构“决策链和组织规则”——只有将AI融入业务流程、明确责任边界、建立稳定系统，才能真正实现决策升级与组织跃迁，穿越周期、实现可持续发展。

1分钟了解F-Dialogue科技系列

F4系列活动由中欧FMBA课程部打造，赋予FMBA课堂之外的精彩。这个系列由行业交流、企业参访、专家洞见和职业发展四大板块构建而成，至今已举办167场活动。

2026年，我们给中欧FMBA注入全新科技内核，推出F4科技系列，旨在打通从前沿思想到产业实践的全链路认知，赋能面向未来、具有科技驱动思维管理者。【F-Dialogue科技系列】将搭建一个与顶尖科技大脑对话的平台，本年度平均每月一场，聚焦AI发展与应用、生命科学、新能源新材料、具身智能、可持续发展、量子科学6大领域，邀请知名学府教授、科学家、创业者等，共同解构技术趋势背后的商业逻辑。

1分钟了解AI in 中欧FMBA

AI in 中欧FMBA：不只是“加几门AI课”，而是一次系统性升级。在中欧FMBA，AI不是标签，而是「金融深度×管理广度×科技睿度」三轨融合的系统性表达。

我们构建了4大能力模块+1条应用主轴的AI培养体系：从AI基础认知，到数据、量化与金融应用，再到AI时代的战略、组织与领导力变革，最后延伸至治理、风险与责任——层层递进，覆盖金融领导者所需的完整AI能力地图。实战层面，有AI Lab+旗舰课《金融数据分析与实践》、F-Dialogue科技系列、F-Walk科技系列，以及上海人工智能研究院的战略合作支撑。