李宁：AI让6亿人沉迷短剧，数字员工入职后组织还有必要吗
无论你是否愿意，AI正以前所未有的速度，全面介入人类生活。 2022年底，ChatGPT横空出世，大模型浪潮席卷全球，短短几年，我们充分感受到AI的强大，翻译、P图、写代码，AI短剧让6亿人沉迷。 一个更为现实的冲击是，一大批数字员工加速“入职”，成为人类新同事。这意味着基于工业革命，延续200多年的社会分工制度，正在
AI正以从未有过的速度全面进入人类生活，不管你是否愿意。
2022年底
ChatGPT横空出世，大模型浪潮席卷全球。短短几年，翻译、P图、写代码，AI的强大人们已经充分领教，AI短剧更是让6亿人沉迷其中。
更现实的冲击在于，大批数字员工正加速“入职”，成了人类的新同事。延续200多年、建立在工业革命基础上的社会分工制度，正在悄然瓦解。
AI越来越强，组织还有必要存在吗？普通人又该怎么办？这是每个人都关心的时代命题。
前一阵子，我们走访了清华大学经济管理学院教授、组织研究学者李宁。他是最早一批研究AI原生组织的学者，按他的判断，工业时代那套“岗位、层级、KPI”正在被推翻、被重建，人与组织的关系会由雇佣转向合伙，能独立做判断的“超级个体”会握有更多主动权。
他还回答了一个“扎心”的问题：AI让个人效率提升数倍，但95%的组织却没有获得显著回报。这个回答很有洞见。
以下为采访内容精编，希望对你有所启发。
嘉 宾：李宁 清华大学经济管理学院教授，《AI原生组织》作者访 谈：孙允广 正和岛内容总监编 辑：星辰来 源：正和岛（ID：zhenghedao）
传统组织，正在崩塌
孙允广：在您看来，AI技术加速到来，对传统组织带来了哪些冲击？又是如何动摇了传统组织的根基？
李宁：传统组织的聚焦点是人，主要建立在3个核心假设之上。
其一，人的理性是有限的。谁都不是全知全能，时间和精力就那么多，认知能力自然有边界。分工由此产生：前端工程师盯用户界面，后端工程师管服务器逻辑。在大型组织里，分工提了效率，可代价也跟着来——人要彼此协调，摩擦成本由此产生。到头来，优秀的大企业都躲不开大企业病。
其二是人的不确定性。说白了，人有情绪，会累，也会走神。于是组织搭起一整套管理体系，激励、奖惩之类都算在内，为的是让人有劲头把事干好，也让员工每天按时到岗。
第三个最容易被忽略，是人的成长性。在现有的组织层级体系中，从实习生到资深员工，靠人的成长和经验驱动，提升组织的能力。
所以，管理的核心就是管人，所有管理制度围绕人来设计，泰勒的科学管理就是在解决这些问题。
如今，组织的主体换成了AI。AI的本事越来越大，智能体尤其如此，复杂任务很快就能拿下。举一个直观的例子：过去的组织形态建立在劳动分工上，领导派活给员工，两周才干得完；现在交给AI，一小时就做完，可不少人还是要等两个星期才汇报。人用AI的过程里，个人效率被拉到极致，组织效率却没见明显上涨。
如何衡量新的生产力？人在这个过程当中应该形成怎样的劳动关系？任务应该如何分配？这些都是我们观察到的系统性摩擦。
企业得顺着AI的特点去搭管理体系，把人放进这套体系里，靠约束验证、设计冗余架构来管住AI的不确定性。同时，企业还要把隐性知识转成AI能用的数据，管好skill，让AI智能体的系统持续迭代。
这背后是工作主体的转变，从人到人机共生的模式。
孙允广：个人用AI工具，DeepSeek也好，Claude也好，个人效率是上去了，可并没变成组织系统性的竞争力，整体效率为什么没提高？
李宁：这要回到一个根本问题：组织为什么存在？组织是劳动分工的产物，最早可以追到人的认知带宽有限，分工让每个人都成了某一环节的专家，现代组织的基石就在这里。
分工之后还有一道坎：整合。各环节干完要交接，协调成本随之而来，交接本身就很贵。以前一个团队忙上几周才做完的事，如今一个人配上AI就能拿下，可旧组织还立在那儿，这个人得等同事跟上进度，最后再开统一的大会。结果，AI带来的效率被现有架构“吃”掉了。
孙允广：眼下不少企业正用AI系统性提升组织效率，AI转型被看作关乎未来存亡的一仗。企业该怎么改？落点在技术应用，还是动组织？
李宁：这是系统性工程。技术那一头，门槛和成本都在往下走。早先的大模型靠人来驱动，提升的是单点效率；现在AI能自主把复杂工作做完。我给企业上课时发现，不少一号位对AI的认识还不够，说不清AI到底能做到什么份上。另一个是人的问题，最大的缺口在于能推动组织变革的种子员工太少。
过去组织是金字塔，层级清楚，员工只是其中一环。如今长出了超级个体，一个人就能改变一个团队、一个部门甚至整条流程，把组织内部的变革带起来。这类人和过去的人才画像不一样，未必职级高，也未必经验老到。
变革还牵动激励机制、薪酬机制、岗位竞争机制和统筹。往细里看，管理上的问题说到底还是人的问题。
AI真正的价值是创造，而非降本裁员
孙允广：AI时代到来之前，企业里容易冒出技术官僚，或者被技术人员“绑架”。您在书里说，组织中最懂AI的人常常是AI转型最大的阻力，这是为什么？
李宁：技术官僚通常经验丰富。经验这东西有两面，它改变了人的工作方式，也增强了判断力和品味；可心理上，人总会感到被威胁。
我接触过一些企业，数字化转型由IT部门主导，把物理世界信息化，线下流程搬到线上，业务本身没变，实质是“原子到比特”。
AI一来，技术实现平权。转型就不只是技术的事，而是一场业务驱动的组织变革，和上一波数字化差别很大。说到底，这是谁掌握话语权的问题。
调研里有个有意思的现象：最成功的AI应用，往往不是IT部门的正式项目，而是影子AI——非技术人员为解决手头问题偷偷搞出来的工具。谁离需求更近，谁就能造出新需求，这是AI变革的一个关键转变。
孙允广：孙正义
李宁：我特别想说的是，真正吃到AI红利的企业靠的一定是创新，不是降本增效。企业拿AI去降本增效，这件事很难做成。
孙允广抛出一个问题：眼下不少老板拿AI当裁员工具，搞“降本裁员”，这种用法该怎么看？
李宁的回应先分清两件事：开源还是节流。企业推动AI转型，若动机落在节流上，员工容易起抵触，各方随之博弈。他见过一家公司，20人的部门最后只剩一个人，人力成本看着是省了，可突发情况一来，AI覆盖不到，别的问题就冒出来。
降本增效做的是已经存在的事，新需求靠的是创造力。在李宁看来，真正从AI里拿到红利的企业，做的都是创造新需求——这种需求过去不存在，或者技术达不到、满足不了。AI把门槛降下来之后，企业能做点真东西。小龙虾就是一个全新品类，考验的是组织张力。他还提到，当下不少爆火的APP出自个人之手，原因在于大型组织天然会扼杀创造力，而创造力本身就会偏离现有轨道。
很多企业上AI项目，评估标准是投资回报率（ROI）。这个指标由杜邦公司在1914年发明，前提是世界线性、可预测、可归因。它适合衡量“改进”——换一台更快的机器，优化一条物流线路。李宁认为ROI是历史锚定的指标，新事物很难套进去算。
成功的AI产品里，OpenCore、Cloud Code等，没有一个是先算投资回报率再动手研发的。它们起初都是工程师业余时间的副产品，后来长成了庞然大物。新物种从来不是旧物种“优化”出来的，而是从旧物种无法理解的方向涌现。
由此，组织该考虑的是把AI充分用于创造，而不是优化现有流程、用更少的人完成同样的任务。
孙允广提到索尼前常务理事土井利忠那篇《绩效主义毁了索尼》：索尼部门众多，单项能力顶尖，电视部门有最好的屏幕，Walkman团队有最好的音效，最后却做出一款平庸的手机，原因是部门KPI和短期主义绑架了企业整体的协调效能。他接着问，AI变革中很多部门用了AI工具，或用智能体做人力流程，最终却没形成系统合力，这该怎么看？
李宁说自己写过文章，核心观点是“ROI正在系统性扼杀AI创新”。传统模式下开发成本高，组织靠评审会算ROI来判定创新，层层筛选之后，留下来的往往是平庸的保险方案。
AI时代，企业的成本结构和决策流程都变了。过去十个人开两小时评审会，花掉220个小时，这些时间足够用AI跑出十个原型、拿到试点数据。有价值的创新没法用ROI衡量。
不少组织有个误区，想借AI把员工的工作量填得更满。李宁认为这在AI时代反而拖住生产力，因为没有“留白”。一边是AI迭代极快，员工需要自学新工具；一边是创新需要放空、去探索。DeepSeek内部就有明确要求，员工用50%的时间完成既定项目，剩下50%自由探索。
这其实是泰勒的后遗症——精准利用每一分钟，50%的时间不干活会很难受。进入AI时代，管理思想得变。
孙允广接话：老板要把思路打开，向外看，看到更多新需求，而不是向内收缩，把AI当成降本增效的工具。
李宁表示认同。一家企业降本，其他企业跟着降本，就会造成“内卷”。反过来，企业创造一个新需求，没有竞争，也没有价格锚定，收益反而更高，这就是红海跟蓝海的一个区别。
被AI冲击最大的行业和岗位
孙允广把话题引向行业：游戏、传统制造业等等，哪个行业受AI冲击最大？
李宁说，回到第一性原理看，组织这台机器要完成的是“任务”，不是“工作”，“工作”是后来才出现的说法。任务既不该按难易分，也不该按“是不是简单重复”分，真正的维度只有两个：生成和验证。
拿这两个维度去切，AI短剧属于“高生成、高验证”：用AI原生的能力把短剧做出来，再配一套审核标准去验证，这是低垂的果实，也是AI最容易上手、最卷的行业。高端制造则落在“低生产、低验证”那一头，反倒形成了潜在的壁垒。
这里有个认识得先建立起来：越是直接拿大模型做出来的东西，壁垒越低。反过来，一个行业如果能通过技术整合，把文字、数学、代码这些基础能力以工程化的方式用起来，让原本不能生成的东西自动化、可生成，那才是真正意义上的降维打击。
验证这一端，有些组织已经出现了新变化，瓶颈发生了位移。以AI短剧为例，最大的成本不在生产端，而在最后的投流环节——投哪个平台会更火，这是个验证问题，眼下主要靠人的经验去判断。
所以组织得重新想一遍：哪些任务交给AI，哪些任务用人机结合的方式去做。人要跟大模型保持一个夹角，大模型是给我们提供弹药的，不是直接把人替掉的。
孙允广接着问了一个大家都特别关注的问题：AI最容易取代的岗位有哪些？
李宁的回答是，岗位是任务的集合。他们有一个判断标准：一个任务集合里，自动化任务的含量越高，越容易被AI冲击。比如投行或咨询公司里，整合资料的初阶研究就容易被替代，这恰恰是AI擅长的。
AI擅长的两件事，正好是人类不擅长的。一件是把非结构化信息转成结构化信息——一小时的会议录音扔给AI，它整理出的要点比大多数人做得都好。另一件是从大量文档中精确提取关键信息。
反过来，越是需要主观判断、需要隐性经验，或者与人打交道多、跟物理世界接触多的岗位，越不落在AI生成和判断的那条曲线上，也就越不容易被取代。
AI写段子为什么难？因为段子没有客观真理。脱口秀高度主观、高度动态、高度情景化，取决于观众当下的反应：同一个段子，在北京可能炸场，到上海可能冷场，还跟讲述人的预期、停顿和表情有关。AI知道过去出现过的东西有什么共性，但它预测不了未来的社会反应。
这就造成一个根本性困境：AI没法自我验证。它生成一个段子，却不知道这好不好笑。到了AI写代码的时代，程序员最重要的能力不是写代码，而是定义什么样的代码是对的。
过去我们把大量时间花在执行上，只用少量时间做判断；未来执行交给AI，人的全部价值集中在判断上。验证、判断、定义标准，这些本来就是人的领地。到了AI时代，这些能力不是贬值了，而是急剧升值。
孙允广由此追问：从这个角度看，AI最终是对人的一种解放，还是对人的替代？
李宁认为是一种解放。很多超级个体借助AI把想法变成了现实，就像打游戏通关，这种及时反馈带来愉悦感和满足感。可如果一个人的技能点和AI完全重合，那就变成替代关系了。这是一个重新洗牌的过程。
孙允广接过话说，替代和放大人类主观创造力是同时发生、并行存在的。他提到DeepMind创始人德米斯·哈萨比斯说过一句话：解决智能问题，然后用它解决一切。尤瓦尔·赫拉利在《未来简史》里也提出过一个观点：未来1%的人成为神人，99%的人都是无用之人。他问李宁，AI会不会拉大这种差距，让更多人变成“无用的人”？
李宁的看法是，人与人之间本来就存在原生差异，过去体现在智力、教育、背景上，有些人被动成了那99%的“无用之人”。而AI起到了平权的作用，从这个角度看，大家站上了一条更公平的起跑线，就看你能不能跑出来。
AI基本汇集了人类所有的知识，真正的差别落在内在动因上——能不能发现真实痛点，尽力去解决它。解决的过程中，价值被创造出来，人也实现了自我。
前阵子有个短片叫《丧尸清道夫》，播放量上亿，创作者是一个中专生。从这个角度讲，每个人手里都有了“火药”和“枪”，身体上的差异变小了，要想的是怎么把潜力激发出来。
还有一个问题：未来能不能释放出更多的社会需求。一百年前，很多岗位根本不存在，互联网和信息技术催生出了大量岗位，未来AI或许会创造出更多可做的事情。
孙允广问李宁，是不是偏向乐观。李宁回答说，这是一种希望。短期来看，个人能不能在技术浪潮里获益，依然是很大的挑战。他们观察到，不少人把自己封闭起来，不去获取这样的外挂能力和资源。
孙允广打了个比方：就像当年的马车夫不愿学开汽车。他认为李宁这份希望建立在两个基本点上，一是技术本质上会带来社会总创造的增量；二是人性不断向前，人类文明在持续探索更多外部空间、往前走的过程中，把短期阵痛消化掉。
在李宁看来，AI会催生出怎样的新需求很难测算，毕竟人很难测算自己从未见过的东西。从人的角度讲，现有教育体系并非创新导向，绝大多数人追求稳定，岗位设置是为了就业，个体是社会分工的一部分。而今天的超级个体几乎都是野生的，没被培训过，靠自己去琢磨、去判断。所以AI对教育体系的冲击非常大。
孙允广接着问：未来人类跨过AGI拐点，人人都有一个具身智能或者脑机接口，今天的九年义务教育、大学教育还有用吗？
李宁认为，这取决于大学这个载体是否还是必需的，要看它的定位。眼下不少高校从业者都在琢磨这件事，一些学校已经动手试新的教育研究，他本人也在做这方面的探索。未来教育长什么样，眼下没人能给出定论，但肯定不会是今天这副模样。大学将来未必是唯一的路。他接触过不少超级个体，这些人获取信息靠的不是听讲座，而是带着问题去和AI互动。学习方式变成自上而下：盯住一个目标，把相关知识点全部串起来，跨学科的融合自然就发生了。人在这里起的是催化剂作用，靠直觉、灵感火花和关键性指引去发现问题。
孙允广的看法是，通识教育和AI时代的探索其实不矛盾。通识教育攒够了，才有底气去探索。李宁把这叫做知识升维的过程。AI时代该学什么，问的人很多，他的建议是或许可以学哲学。具体的事务AI能包揽一大堆，可领域越抽象，人的不可替代性反而越强。
AI coding 出来以后，具体的函数怎么写不用人学了，人要去弄懂的是 coding 的指导思想、编程语言的演化史、各种语言的设计逻辑以及它们要解决的核心问题。这些理清楚了，判断一个项目该用哪种编程语言才有依据。人等于被逼着往更高维度的空间里去想问题。
孙允广说，万物大道相通，高维的知识好比登山，你通过哪一条路去登上山顶。
李宁说，跨学科融合因此有了可能。以往的科学训练很具体，各学科的底层和语言体系都不一样。可一旦站到高维视角上，人就能触类旁通，把关键节点打通。
未来AI原生组织，如何分工？
孙允广：说回 AI 和组织，在您看来，AI 原生组织跟传统企业组织有哪些不一样？
李宁：头一点，组织里干活的主体变了，这是本质性的变化。AI 原生组织不再沿用按技能分工、按工作量分工的老形态，科层制的金字塔结构也被丢开了。
第二点，在“生成”和“验证”这两个环节上，尽量把任务交给 AI，人只在关键的边缘场景里做验收。不过人要负责搭系统、配合 AI 系统运转，不是给每个人配一个 AI 工具，让 AI 来配合人，而组织结构却没什么实质改变。
还有决策这一块。以前各种决策都是人来做，由人去处理不确定性，可所有决策里都留着一块模糊空间。生成式人工智能的长处在于概率性，能配合人一起做决策。
眼下不少组织拿 AI 替掉了大量中层岗位，靠上下文（Context）掌握组织状态，把信息流转的损耗压下去。组织形态也会从过去那种大规模兵团作战，转向由超级个体带动的“特种兵模式”。
孙允广：假如把一家企业用 AI 的水平分成青铜、黄金、王者几个段位，您会怎么分？
李宁：最底下那层是不用 AI；上一层是没系统性用 AI，只有少数员工自己在用；再往上是每个人都用上了 AI 工具，可组织方式没变。接着是有业务线起了变化，跑出 AI 落地的试点。更高一层是拿 AI 改造现有流程，做事的方式跟着变了。
最高的段位是 AI 原生组织：围着 AI 把整个组织重新设计，人来配合 AI 运转，而且组织形态时时在变，跟着 AI 技术迭代组织形态。
AI 有点像会进化的活体，新的大模型自带特性，围着它搭的脚手架、Harness 都会变。业内说的 Harness Engineering（管控工程）做的就是这件事。这套体系高度动态。
孙允广：为什么很多企业的 AI 转型是个伪命题？
李宁：一是时间太短。ChatGPT 问世到现在不过四年，AI 大模型还没走到真正的技术收敛，没沉淀出统一标准、成熟架构和最优落地方案。向组织渗透的时间自然更短。
二是任务非常难。AI 组织变革是一种进化，好比用鳃呼吸的水生生物上岸后改用肺呼吸，整个器官功能都变了，旧机制会强烈抵抗。大部分企业是满负荷运转，AI 转型就像在住满人的旧房子里搞装修，住在里面的人还在忙各种事情，装修对他们来说很麻烦，他们不愿走，怕“装修”影响正常业务。
最后是人才问题。有些 AI 成功的案例靠超级个体驱动，却没法形成可复制的方法论。这里头有一系列矛盾要克服。
孙允广：您刚才讲到一个案例，AI 转型好比在住满人的屋子里搞装修，还有一些业务惯性。对于立志进行组织变革的企业家来说，这个事情该怎么推进？是在某个部门做试点，还是重新开展一个新业务，或者彻底推翻重来？
李宁：比较可行的路子是做冗余、搞重建。一个几百人的部门，如果领导或者超级个体判断这条业务线适合上AI，那就先别动原有业务，单独抽两三个人另起一摊，相当于租间房子做AI试点，短期内会多出一笔投入成本。
等这摊子真跑起来，方法论攒下了、人也练出来了，传统业务那边的人再迁过去，裂变出更多业务，加上正常的人员流动，转型就这么一点点完成。关键一点在于，激励机制得跟超级个体对上。眼下组织里有个明显的逆向选择：从前是绩效差的人被末位淘汰，如今反倒是头部人才主动走人。
孙允广：读您的书时我想到一点，AI会让科斯说的“企业的边界”变模糊。可AI自己也有边界，它也在划新的边界——比如一个人要管好几个智能体，注意力终归有限。AI消解老边界的同时，其实也在立新边界。控制论里讲，一个复杂系统的控制系统，得比这个系统本身更复杂。这儿也有个悖论：AI很复杂，可它是人造出来的。
李宁：这牵涉到分工方式的变化。以前的分工按技能、按工作量来：你做美术、我做后端，语言体系不一样，沟通摩擦成本很高。现在前后端的基础活儿由智能体干了，新的分工逻辑就成了“认知分工”，分担的是人的认知资源。在AI原生组织里，核心是驱动智能体：人先负责把需求定义清楚，告诉AI做什么，确保token烧得值；再往后是人来形成验收闭环，交接成本也就降下来了。
孙允广：AI时代照样要分工，只是分工的逻辑和形式被重新搭了一遍。
AI时代，最稀缺的两类人
孙允广：不少人关心，AI时代衡量人才的核心标准是什么？哪些能力会变得格外重要？
李宁：头一条是挖掘真实需求、解决真实问题的本事。这跟环境有关，背后是品位和判断力——能看准哪些问题值得动手，解决完又能创造多大价值。第二条容易被忽略，是目标感和内驱力。认准一个靠谱方向就敢all in，把认知资源全砸进去，借着AI边学边解决，一直往前推。过去的教育体系培养出来的多是盯着短期目标的人，最缺的恰恰是有内驱力的。AI让跨界成了可能，哪怕你数学一窍不通，能不能靠AI硬砸进去，真正解决一个社会需求。
孙允广：更底层的能力变得重要了，愿力、领导力、共情能力、审美能力这些，而不只是语言能力和记忆力。那反过来看，什么样的人会被AI时代淘汰？
李宁：一类是偏封闭的人，不认技术趋势，也不认AI的迭代速度，这信号很危险。另一类是停滞的人。逆水行舟不进则退，人很容易卡在某个节点上，最早那批用上AI的人，也可能停下来不再迭代。
孙允广：马斯克和黄仁勋有过一场著名辩论。马斯克觉得AI会带来极大的创造力，将来人不用工作，发钱就能过日子；黄仁勋认为每轮技术革命都让人更忙，AI医生出来之后医生反倒更忙。您怎么看？
李宁：就我自己的状态说，确实更忙了。过去脑子里无数想法，绝大多数都落不了地。现在有些想法靠AI多少能往前推一推，人自然更忙。放到社会层面，新想法催生新机会，造出新的价值增长点、经济增长点，“盘子”做大了，物质也越来越丰富。回到人本身，人不是爱躺平的动物。有些人躺平是受外部环境影响，是一种习得性无助。现在很多人主动用AI，去做更有成就感、更有影响力的事。
AI越变越强，普通人的路该怎么走？
孙允广：到了AI时代，勤奋还值钱吗？几代人信的那句“努力干活就有回报”，是不是被冲了？
李宁：勤奋照样值钱。从前说的勤奋，多半是重复性的苦力，10个小时干同一件事，人被磨得够呛；眼下这种勤奋，是主动去拓宽认知的边界，真正能突破的创新，往往就是人把两个领域不经意地接到一起，冒出火花。
孙允广：从单纯的重复苦力转到创造性探索，说白了是勤奋使力的方向变了。眼下新冒出来的AI“新内卷”，您怎么看？根子上是什么原因？
李宁：我们和几位企业家聊过，大家有个共识：AI得推动增长。
“新内卷”的根子在于没有出口，没创造出价值。眼下只是把流程AI化，十个人的活让一个人干，总价值没涨，结果就成了新一轮内卷。
我们也看到一些跑通的例子：从前一个20人的团队服务1000个用户是亏的，不划算。如今靠AI就能把这事做成。1000个人释放出很大的需求空间，过去大量被忽略的长尾用户，成了一门“小而美”的生意。AI带来的新增量空间，就在这里。
孙允广：您有个说法：1个人+99个智能体，比100个人更好用。这是为什么？
李宁：组织的边界，说到底就是交易成本均衡的那条线。在不需要太多核心认知资源的场景里，100个人协作，沟通、协调成本高得吓人，本质还是手工作坊那套，靠的是“规模等于能力”这个等式。
AI正把外部交易成本压到无限接近零，那条边界在消融。一个人指挥一群智能体，好比搭了一座自动化无人工厂，你只在关键节点上做决策、给指引，其余的事全自动流转，效率差的是量级。1个人加上99个智能体的能力，可能超过100个人的能力。
一个人能成为一家公司，道理就在这儿。
孙允广：《管理百年》的扉页上有句经典的话，管理没有最终的答案，只有永恒的追问。
李宁：翻过来讲，就是管理一直在打补丁。层级、会议、绩效考核、企业文化，这些都是人发明的，我叫它打“补丁”。
孙允广：隐性知识并不是都能“提取”出来，有些靠的是直觉。您在书里写到，试着给隐性知识打标签，可其实很难。
李宁：显性知识和隐性知识之间并非零一之分，而是一个连续变量。最深处那层隐性知识极难捕捉，比如一个段子为什么能逗人笑；昨天还成立的笑点，今天可能就彻底不灵了。
不少行业顶尖的专家会把潜意识里的判断逻辑整理出来，转成可以传递的规则。即便完全说不出口，靠海量历史数据微调模型，AI最后的判断准确率也能高过行业专家。很多你以为是“纯直觉”的东西，其实只是大脑在潜意识里把思维链推理跑完了，你自己没察觉，说到底仍然可以被传递。
孙允广：最后一个问题，不少企业家对AI的焦虑很重，您想对他们说点什么？
李宁：焦虑的来源有两种。一种是对AI完全不了解，听人说大家都在用就慌了；另一种是太懂前沿，被AI的迭代速度吓到了。对后者来说，要认识到AI在全社会渗透的速度，远比你想的要慢得多。我们做过一个调查，全世界绝大多数人没怎么用过AI，订阅过AI服务的人很少，真正用智能体的人极少，整个社会的进化节奏没那么快。
对完全不了解的人来说，得躬身入局。不能只让助理去研究、拿二手信息，必须自己上手用，建立对AI的真实体感和认知，拿到属于自己的AI时代上下文。这样才能准确判断冲击有多大，制定出适合自己企业的调整策略。
