云九資本合伙人、AI煉金術播客主理人任鑫的AI實戰洞察太有啟發！這篇深度訪談拆解企業用AI的核心邏輯，深挖AI時代的競爭本質：純智力勞動易被替代，自然資源、品牌心智、情緒價值等稀缺資產才是長期護城河瀘深A融通，帶你跳出AI應用的表層誤區，看懂企業與個人擁抱AI的正確姿勢。
見字如面。
近期我們有幸采訪到了任鑫老師，就《企業業務中如何融入 AI》進行了深入交流，下面寫的是我在這次訪談之后的一些認知和洞察。
任鑫是誰，云九資本合伙人、Sky9 Build 孵化器 CEO、前京東O2O副總裁，目前是云九資本合伙人,主要關注AI領域,投資和孵化AI原生應用。同時也是”AI煉金術”公眾號和播客主理人。
結論先行
當下最熱的是各類 Agent，比如投研 Agent、通用 Agent、垂直 Agent，這條賽道有兩大結構性風險：
第一是多步推理帶來極高算力成本，商業模式未必跑得通；
第二是無論通用還是垂直 Agent，都有可能被后續大模型的原生能力直接「吃掉」。
Cursor 是典型例子，它本身只是編輯器殼，真正的飛躍來自 Claude 等模型能力的迭代；反過來，那些通過工程手段把上下文從 5000 字抬到 2 萬字的優化，本質上只買到幾個月時間窗口，下一代模型一升級，這部分投入就被抹平，適合短期套利而非長期布局。做產品時應該假定 GPT-6 已經存在，從未來模型能力出發反推你要占據的“位置”。
今天看似差異化的功能，明天可能就成了模型的默認配置。
投資不能只看眼前產品表現，還要判斷他是否能持續接到大模型升級的紅利。
在企業落地上，真正的難點不是技術，而是組織。很多傳統企業高層對 AI 的感知滯后，又把 AI 當成 IT 項目，讓技術部門去搭AI 中臺或者數據中臺，結果內部系統幾乎沒人愿意用，員工寧可自己開 ChatGPT 干活。要真正落地，往往需要換一批懂 AI 的年輕人，讓他們掌握決策權，同時圍繞新業務、新流程從零設計，用現成工具快速試錯，而不是妄想用 AI 一次性修好所有老問題、改造整個舊組織。
對個人而言，只要愿意重構工作流，AI 已經能帶來十倍甚至百倍效率提升；
但要讓組織整體實現AI 全鏈路驅動，則類似從蒸汽機時代遷移到電動機時代，需要重建流程與分工，否則只是在舊流程上貼個 AI 貼紙。
在長期競爭上看，如果人擁有自然資源等難以復制的稀缺資產，則容易在長期競爭中獲勝。
深度研究，純智力勞動會率先被模型替代，反而是品牌心智，情緒價值，個人IP能夠長時間保持溢價。
01 當前 AI 投資熱點與風險當下資本市場的主風口就是投研 Agent 與各種通用或者垂直agent，Minus 等項目代表了通用型 Agent，大量垂直 Agent 則在不同業務場景中嘗試自動化復雜決策，當前市場上已有約一百個垂類產品問世。
AI Agent也有風險雖然AI Agent是一個大方向，是技術大趨勢，但是開發Agent依然存在兩大風險：
一方面，Agent 的 Token 消耗量極大，多步推理和自動決策會把算力成本放大數百乃至上千倍，在所有人都想用最強模型的前提下，成本壓力很難通過降價彌補，商業模型是否能成立高度不確定。
另外，無論通用 Agent 還是垂直 Agent，未來都有被大模型原生功能吞噬的可能。這點和搜索引擎類似，用戶的遷移成本太低了，且用戶只追求最強的大模型問題解決能力。今天看似有護城河的工具，明天可能就被那些模型自身的代碼生成、搜索與分析能力覆蓋。
比如Cursor 一度被 Claude 的原生 code 能力吃掉，Claude 又被 OpenAI 的 Codex 擠壓。
做大模型的投入，不能只看眼前收益與產品表現，要判斷它能否持續接到大模型升級的紅利。
如何通過技術曲線來吃紅利我們來看看Cursor如何來吃紅利的：Cursor本質上只是一個代碼編輯器的外殼，真正的編輯能力來自后端接入的Claude 模型。
Claude 3.0 發布后，代碼能力大幅躍升，Cursor 用戶體驗突然變得可用。再升級到 3.5、3.7 這樣一路迭代下來，從能用變得非常好用，宛如從一個普通二本大學生升級為清華學生。
Cursor案例很好的說明了，如果產品的核心價值站在技術拐點附近，一旦模型能力溢出，比如Claude有了很大的能力飛躍，那么Cursor就能以極低邊際成本承接紅利；表面上是Cursor變強了，本質上是對接的模型升級帶來的能力紅利。
哪些技術思考方式是錯誤的某些團隊嘗試通過復雜工程手段，例如把模型可處理的文本從 5000 字抬高到 2 萬字，在短期內確實能提供差異化能力。這類項目本質是提前幫模型補了一次課，下一版模型直接把上限拉到 4 萬字，這些工程投入就立刻被抹平。
當然這不是說不能投入，這種投入最多只換來三個月左右的時間窗口，你花 200 萬做出來的能力，很可能三個月后被別人花兩塊錢獲得。因此，如果真要做，也必須把它視為短期套利。
02 AI企業提效，不解決就問題，要去找新機會傳統企業如何擁抱AI最重要是去實踐。理論上大家都在找機會點，找到AI在哪些環節可以降本增效，或者可以驅動企業的業務。
但是實際情況是大量企業在共創項目中，可以發現，真正的第一卡點是組織，而不是技術。
多企業的高層并沒有真正感受到 AI 的沖擊，哪怕在 2025 年初，仍有傳統外企高管用 2022 年底的口吻感嘆“AI 太厲害、要抓住機會”，說明感知嚴重滯后。
相反，一些動作更快的公司會在內部通過較為激烈的方式推動轉型，開掉不愿意擁抱 AI 的老人，規定各業務團隊必須用 AI 完成一定比例的工作，否則按比例淘汰人員，用硬性指標倒逼變革。
在AI驅動企業業務的時候，需要注意的一些風險點瀘深A融通，在溝通中我感覺和很多業務中臺建設類似：
由 IT 或技術部門牽頭搭建 AI中臺，幾乎注定失敗；MIT 的調研顯示這類內部系統的最終實際使用率極低，多數員工寧愿私下使用外部的 ChatGPT 等工具。
更推崇以業務機會為起點，采用現成工具和云服務，直接圍繞新業務從零設計流程，而不是試圖把舊流程貼一層AI。
針對企業來說，要找新的AI應用機會企業經營中的許多老問題之所以長期存在，是因為背后牽涉復雜的歷史、組織和利益結構，指望用 AI來解決很不現實、也不經濟。
與其試圖用 AI 在舊業務上做降本增效，不如圍繞 AI 從零開辟新市場，例如重新設計高客單價服務、或從募資故事或者資本市場溢價角度來倒推新時代的業務布局。
那么基于業務中什么樣的工作容易被AI化。
比如說原本的督導抽檢，輔助性的崗位，比如說原本是抽查多少個人有沒有按照話術來說，這些東西已經全部可以AI化了，相當于他只是一個語義識別。
如果一個活可以被外包或者一個活可以招聘100個一模一樣的人來完成的這些領域的話，其實已經大規模的 AI 已經大規模在替代。
能外包說明你有明確的驗收標準，然后外包公司是有效率的一個套管理方法。那這一類的活應該全部會被 ai 吃掉。
如果確實要幫一家大企業做深度AI轉型咨詢，那就一定要收足顧問費，因為真正把組織、流程、系統全面重構為AI原生組織，這個過程的復雜度遠超管理層的想象。通常管理層和咨詢方都會有意或者無意的忽略很多潛在困難與問題。
若對方不愿為這種復雜度付費，那就干脆不要碰那一大坨舊業務。
03 個體與組織的生產力革命AI 在個體身上產生的影響遠遠的大于組織，因為組織還是會有很多的卡點。
個體層面只要愿意重構工作方法，AI 已經可以帶來 10–100 倍效率提升。比如通過AI完成公眾號文章的撰寫或者初稿，這樣稍加改動既可以發布，極大的提升了效率。
再比如利用AI來提升決策質量，分析數據，或者幫助業務方完善一些策略猜想。這都可以極大地幫助企業中的個體。
但是針對組織層面，要讓一個完整流程從人的驅動”變為AI 全鏈路，需要重新設計組織和工作流程，如果只是局部替換幾段流程，效果提升并不明顯。
有能力衡量它的產出的質量，這是最重要的。如果你能夠有一套標準之后，總能調出 AI 可以源源不斷的生產好案例。但是大部分的公司的話，現在是肯定沒有能力來生產這套標準。
那造不出這套標準就會變成那幾個人要磨，要憑感覺，我們大家的手感，我們的氣味，這就變成一個我們通過相互共處來訓練集體大模型，來調我們自己這些參數，然后調到合理了。
在被AI替代的順序上，低智慧，重復性強的工作，比如客服，助理，基礎物料設計等工作容易被AI優先替代。
高智慧、難以度量產出的工作，并不是AI做不到，而是企業缺乏評估標準，AI缺少上下文，針對這點我不是特別認同。
很多AI狂熱愛好者為AI的辯護是說因為AI做不了，是因為上下文不精確。但是文字只是人類做決策的一種信息載體。采用純文字做決策就會有信息失真，失真就會影響最終的決策質量。
04 從生產效率轉向稀缺資源與 IP職場人如何擺脫和AI的內卷競爭，首先要擺脫低智慧，重復性強的工作，如果大家以這種工作來要求自己，那么從長期來看幾乎沒有出路。
這么難思考問題是因為現代社會把「有用」當作評價人的核心標準，本質上是把人當作工具；
在 AI 充分替代人的生產性價值之后，「有用」的價值觀本身會被動搖。與其繼續把孩子訓練成高效的工具人，不如把教育重點放在體驗、感知與快樂，以及共情能力上。
對于孩子的教育，更在意孩子是否快樂、是否有豐富的體驗，而不是能否在未來勞動市場上成為更有用的生產要素。
如果生產側的所有功能都可能被 AI 替代，那么企業還能擁有什么樣的護城河？
一類是對自然資源的控制，例如農夫山泉通過在全國范圍內占據優質水源，使得后來者想要在“天然水”賽道做全國性品牌就必須支付極高的運輸成本，這種物理資源的稀缺性很難被 AI 改變。
另一類是精神與情緒層面的消費，如泡泡瑪特代表的無用之功，滿足的是審美與情感，而非物理功能。盡管這類 IP 未必能完全抗 AI 替代，但相對生產側的功能型產品而言，其貶值速度更慢。
05 語言模型與語料針對語料問題，任鑫也做了回復，因為之前行業普遍認為英文的上下文的大語言模型是好過中文的大預言模型。
先從技術層面解釋大模型的本質：不同語言在模型內部都被映射到向量空間，模型學習的是概念之間的邏輯關系。例如，只要它在英文中學會了 king 與 queen 的性別與角色關系，就可以把這一結構遷移到中文的「王」與「后」等概念中，因此知識具有跨語言可遷移性。
因此可以把孩子當作大模型訓練，如果希望孩子將來在學術與科研上有較高成就，就應讓他多接觸那些寫論文多、科研強的語種和文化內容；
本文由人人都是產品經理作者【阿潤的商業筆記】，微信公眾號：【阿潤商業筆記】，原創/授權 發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash瀘深A融通，基于 CC0 協議。
炒股配資官網提示：文章來自網絡，不代表本站觀點。
