第二章：99%的企业在用错AI
第二章：99%的企业在用错AI
一、三百万打了水漂
2025年下半年，一个做消费品连锁的老板来找我。叫他老陈吧。 老陈的企业年营收近十亿，全国300多家门店，员工超过四千人。他是那种典型的"不落后"型CEO——数字化转型做过（花了两千万上ERP），私域流量搞过（建了五百个微信群），直播带货试过（签了三个网红但ROI没算过来）。每一次都是行业第一批吃螃蟹的人，但每一次都浅尝辄止，没有真正吃到肉。 AI浪潮起来后，老陈第一时间找了一家头部AI供应商。花了300万，上了一套AI客服系统。核心卖点是"降本增效"——200人客服团队缩减到50人，以每人年均成本8万计算，每年净省1000万，三个月回本。 三个月后，老陈打电话给我，满是疲惫："Leo，客户满意度降了6个点。投诉率升了。复购率也在降。你能来看看吗？" 我去了他公司，花了一天看数据和系统。问题不复杂。 AI客服确实能回答90%的常见问题，响应速度比人快十倍，标准话术比新手客服好一百倍，7x24小时在线。在"问题解决率"和"首次响应时间"这两个传统客服KPI上，AI完胜人工。 但客服的核心价值不是"回答问题"。尤其是对一个连锁餐饮品牌来说。 一个客户打电话说"外卖少了一个菜"。AI完美回复"对不起给您补发"。但客户真正需要的不是这个答案。他需要一种"被认真对待"的感觉——这个品牌在乎我的体验，有人在为我操心。AI的回复永远是完美的模板。但"完美的模板"恰恰是"不被认真对待"的最有力证据。 更深层的问题：AI砍掉了150个人，同时砍掉了150双"耳朵"。这150个客服每天跟客户对话，积累的不只是"怎么回答问题"，还有"客户最近在抱怨什么""哪家门店出问题了""什么新品可能受欢迎"。客服被砍了，这条信息通道也断了。 老陈的问题不是AI不好用。是他把AI放在了错误的位置上。 他让AI做L1的事（替代一线劳动力），但真正需要AI的地方是L3（分析300家门店的海量客诉数据，识别系统性问题的pattern，发现运营管理中的隐藏风险，辅助经营决策）。如果AI在后台默默分析客诉数据，发现"华南区某供应商的食材最近投诉率飙升300%"，然后主动通知老陈——这才是300万该买到的价值。 300万花在了降低成本上，本来应该花在提升能力上。这不是老陈一个人的问题，是90%中国企业的共同病症。
二、NBER的当头棒喝
2026年2月，美国国家经济研究局（NBER）发布了一份让商业界震动的研究报告。对近6000位企业高管（包括CEO和CFO）进行大规模调查，覆盖美、英、德、澳四国。核心发现浓缩成一句话： 约80%的企业报告，AI对其生产率没有产生可衡量的影响。 零。不是"效果一般"，不是"需要更多时间"。是Zero measurable impact on productivity。 自2023年ChatGPT爆发以来，全球企业在AI领域投入了数千亿美元。每一个季度的财报电话会上，CEO们争先恐后宣称"AI是核心战略"。每一家咨询公司——麦肯锡、BCG、贝恩——都出了厚厚的报告说"不拥抱AI的企业将被淘汰"。然后，约80%的实际效果是零。 真相比"AI是泡沫"和"企业能力不行"都微妙，也都残酷：AI确实有巨大的价值，但绝大多数企业获取不了这个价值——因为他们的组织形态和AI的能力之间存在根本性的错配。 你给一个只会骑自行车的人一辆法拉利。法拉利好不好？当然好。但如果这个人不会开车，他大概会把它当一辆非常笨重、非常昂贵的"破自行车"。绝大多数企业就是在用骑自行车的方式开法拉利。不是法拉利不行，是你的"驾驶技能"——也就是组织形态——跟这辆车不匹配。 核心洞察：约80%的企业AI投资对生产率没有可衡量的影响，问题不在AI，在组织——用工具层的方式期待经营层的结果。给员工发ChatGPT账号不是AI转型，就像给每个人一台电脑不是数字化转型。
三、三层成熟度：L1, L2, L3
为了讲清楚"用对"和"用错"的本质区别，我需要引入一个框架。这个框架受曾鸣教授「AI五层冲击模型」和「智能复利」概念启发——前者是本章的分析骨架，后者是核心竞争论证的基础。我在此基础上做了简化和延伸：五层太细了，对战略决策来说三层够用。
L1：工具化——"我有ChatGPT了"
特征：公司给员工买了ChatGPT企业版或其他AI工具的License。员工个人按自己的理解使用。公司层面没有统一的AI策略，没有使用规范，没有效果追踪。 实际场景：市场部小王用ChatGPT写文章，技术部小李用GitHub Copilot辅助写代码，HR小赵用AI润色招聘JD，CEO自己偶尔用AI翻译邮件或写演讲稿。 效果：个别员工的个别任务效率提升了。但碎片化、不可复制、不可积累。小王用AI写出好文章——但他的prompt技巧、对品牌调性的理解、选择AI输出哪些保留哪些修改的判断力——都只在小王脑子里。公司没有从小王的使用中积累任何组织能力。小王离职了，"AI增效"就消失了。 本质问题：L1是"个人增强"，不是"组织增强"。就像给每个士兵发了一把更好的步枪，但不改变战术、编制和指挥系统——单兵战斗力强了一点，整体战斗力不会质变。因为现代战争打的不是单兵，是体系。90%的企业在这里。
L2：流程化——"我们的系统接了AI"
特征：公司把AI嵌入了特定业务流程。不再是员工个人使用，而是在系统层面做了集成。有专门团队负责AI项目实施和维护。 实际场景：客服系统接入AI自动回复，销售CRM加了AI客户评分和跟进建议，供应链加了AI需求预测模块，HR系统加了AI简历筛选。 效果：特定流程效率确实提升了，而且可以量化。客服响应时间从3分钟缩到30秒，简历筛选从每份5分钟降到30秒，需求预测准确度从70%升到85%。 本质问题：流程是死的，AI被锁在预设路径里。AI客服的工作流程是固定的——收到消息→识别意图→匹配知识库→生成回答→发送。如果客户问题超出知识库怎么办？转人工。如果市场环境变了需要重新配置怎么办？找IT提需求，排期开发，一个月后上线。 L2的AI没有"判断力"。它不会说"最近'配送延迟'投诉突然增加200%，可能是配送伙伴出了问题"。它只忠实执行预设流程，哪怕流程已不适用。L2的天花板是"做得更快"——在固定轨道上提速，但只能去轨道通向的目的地。
L3：经营化——"AI是我的经营班子"
特征：AI不只执行流程，而是参与经营决策。有持久记忆、自主推理能力、能主动发现问题和机会、多个Agent能协同工作形成有机整体。AI不是嵌在某个系统里的模块，而是跨越所有系统的"经营层"。 实际场景：AI Agent每天扫描全量经营数据，不只是出报表，而是主动指出——"华东区上周增速放缓，排除季节性因素后仍有12%异常下降，可能原因是竞品X在3月15日上线了新功能。建议：产品团队两周内上线对标功能，市场团队增加定向投放，预算增量20万，预计3周回到正常轨道"。多个Agent形成协同网络——增长Agent发现问题→数据Agent深入分析→内容Agent调整方向→预算Agent重新分配——整个过程自动完成，人只需审批最终方案。 本质：L3不是"AI替代人"，是"AI+人形成新的组织物种"。AI做数据处理、模式识别、方案生成；人做最终判断、价值选择、关系维护。组合体的能力远大于两者之和。 这就是这本书的核心命题：从L1/L2跃迁到L3。 为什么停留在前两层注定遇到天花板？ 工具层（L1）的三个致命缺陷：碎片化（每个人用AI的方式不同，无法复制）、不可积累（小王的经验只在小王脑子里，离职即蒸发）、没有协同（市场部、产品部、财务部的AI互不知道对方存在，跨部门洞察无法涌现）。 流程层（L2）的三个致命缺陷：路径依赖（AI被嵌入现有流程，只能在框架内工作——一个需要五级审批的报销流程，嵌入AI后变成"更快地走完五级审批"，但五级审批本身就是问题）、无法涌现（销售系统的AI只能看销售数据，客服系统的AI只能看客服数据——如果"销售下滑的真正原因"藏在客服数据里呢？流程层的AI看不到全局）、维护成本的隐性增长（每接入一个AI模块，就需要维护一套数据管道、提示词模板、异常处理规则。十个模块之间经常冲突，维护成本可能已超过它们节省的效率）。 经营层从根本上解决了这些缺陷：Agent有记忆——经验可积累；能协同——信息不再是孤岛；有推理——不被预设流程束缚；有全局视角——发现跨部门的关联和机会。从流程化到经营化，不是多接几个API的事情，是组织形态的根本改变——是CEO层面的战略决策，不是CTO层面的技术选型。
四、Klarna的警示
Klarna——瑞典金融科技公司，5500多名员工，估值曾超450亿美元。2023-2024年，CEO Siemiatkowski大举用AI替代客服，AI首月处理了相当于700名客服的工作量，年省约4000万美元。一时间所有人都在引用Klarna。 但故事有下半场。2024年底，客户满意度持续下滑。复杂的支付纠纷、情绪化的投诉、意外状况——AI表现糟糕。Siemiatkowski后来公开承认："We focused too much on efficiency. The result was lower quality." 2025年中，Klarna开始重新招聘人类客服。 Klarna做错了什么？典型的"AI替人"模式——省成本，但没有建能力。当你裁掉700个客服时，你不只失去了700个"回答问题的人"，还失去了700个"听到客户真实声音的触角"。 AI处理了问题，却没有传回洞察。 正确做法：AI处理80%标准化问题；20%复杂场景交给获得AI全面支持的人类客服深度处理。同时让AI在经营层面分析全量客诉数据，识别趋势、发现系统性问题。省成本的路有天花板，建能力的路才是护城河。
五、Agent Washing：2000家里只有130家是真的
2025年到2026年，"AI Agent"成了科技圈最热的概念。每家科技公司都在说自己有Agent能力，每个SaaS官网首页都加了"Agentic AI"标签。 真实数字：市场上宣称提供AI Agent能力的供应商超过2000家，经过严格技术审核，真正具备Agent核心能力的约130家。超过90%的"AI Agent"是伪Agent。 Gartner预测：40%的"Agentic AI"项目将在2027年前被取消或大幅缩减规模。 不是因为AI技术不行，而是这些项目的"Agent"根本不是Agent——只是套了一层Agent外壳的传统自动化。 这个现象我称之为"Agent Washing"——就像十年前的"AI Washing"（把所有带if-else规则引擎的系统都叫"人工智能"），和二十年前的"Cloud Washing"（把所有托管在远程服务器上的软件都叫"云计算"）。同样的套路，同样的包装，只是换了一个新词。 怎么识别真假Agent？ 三个简单标准： 第一，有没有记忆。 真Agent能积累经验。你上周跟它讨论了业务问题，它记得。你告诉过它公司核心客户、竞争策略、最关心的指标，下次不需要你重复。伪Agent没有记忆，每次对话都像第一次见面——一个无状态的函数。 第二，有没有推理。 真Agent能处理模糊的、开放式的问题。你说"最近增长有点奇怪"，它能自己定义"奇怪"意味着什么——是增速下降？是用户结构变化？是某个渠道异常？它自己决定看哪些指标，自己拉数据，自己分析可能的原因，自己提出假设并验证，最后给你一份完整报告。你只需要给出一个模糊的方向，它能自己导航。伪Agent只能执行精确指令——"请明确您要查询的指标和时间范围"。它是一个需要精确输入的函数，不是一个能独立思考的伙伴。 第三，有没有协同。 真Agent能跟其他Agent组成团队。增长Agent发现某渠道ROI下降，不需要人去通知数据Agent——它自己就会发消息请求深入分析。结论自动流转给内容Agent调整方向。伪Agent是孤岛，你得自己当"传话筒"。 我见过最荒谬的"Agent"：一家供应商演示"销售Agent"，自动生成精美的客户画像和个性化跟进策略。一个月后，销售总监质问："为什么给每个客户推荐的策略都差不多？只是措辞不同而已。"因为那个"Agent"内核就是一个if-else决策树加了一层GPT润色。所谓"个性化策略"，只是把固定策略"改写"成看起来个性化的文字。改了皮，没改瓤。 核心洞察：真正的Agent有三个特征：有记忆（能积累经验）、有推理（能处理模糊问题）、有协同（多Agent交叉验证）。缺任何一个，都只是自动化脚本的豪华包装。
六、万A大战：数字员工不是终局
Agent Washing只是表象。更深层的问题是：即便那130家真Agent，绝大多数也走在一条注定拥挤的路上——我称之为"万A大战"。 2025年到2026年，几千家公司拿了几千亿融资，做的几乎是同一件事——数字员工。AI客服、AI销售、AI SDR、AI文案、AI设计师、AI数据分析师……把人力市场上每个岗位前面加个"AI"，就是一家新公司。一万家公司在做一万个"数字XX"。 技术壁垒在哪？当调用大模型API的成本每六个月降一半，做数字员工越来越像制造业——门槛越来越低，利润越来越薄。 但万A大战暴露的问题远比同质化更深刻：绝大多数人在用"岗位"这个旧框架来理解AI。 当你说"AI客服"，你在把人类岗位的职责原封不动搬到AI身上。这就像蒸汽机刚发明时用它来替代马拉车——蒸汽机确实拉得比马快，但真正的革命不是"替代马"，是催生了铁路、轮船、工厂制度。数字员工就是"用蒸汽机拉车"。它是对的，但它是浅的。 这是我最核心的判断：数字员工不是终局，数字组织才是。 所有公司的问题，从来都不是员工问题。本质上是战略方向错了，组织协同出了问题，信息在部门之间流不动，决策链条太长太慢。你给一家战略混乱的公司配上全世界最好的AI客服、AI销售、AI分析师，它还是会混乱——每个数字员工兢兢业业做事，但做的事情之间缺乏协同，甚至互相矛盾。 AI销售在拼命获客，AI客服在拼命处理投诉——但没有一个AI在思考：为什么获客越多，投诉也越多？是不是获客渠道有问题？是不是产品本身有缺陷？这些问题需要的不是更好的"数字员工"，而是一个能看到全局、能做跨领域关联分析的"数字组织"。 我经历过产业互联网的完整周期。2014年到2024年，整整十年，我亲眼看着那一波浪潮从狂热到幻灭再到真正的价值沉淀。那十年给了我们一条清晰路径：早期做工具，中期做业务，最后做咨询。 早期大家做SaaS——CRM、ERP、HR系统。后来发现标准化工具只能解决20%的通用需求，于是进化到业务平台。再后来发现企业的问题不在于缺工具，而在于不知道业务该怎么做——于是最后一波做咨询、做陪跑。价值越高，越不可替代。 今天的AI产业正在快进重演。万A大战本质上还是工具层的泛滥。工具层之后，一定会进入业务层——AI重塑整个业务流程。再之后是战略层——AI参与企业经营的顶层设计。这就是L1→L2→L3的产业版叙事。 大多数万A大战的参与者，会在工具层的红海中消耗殆尽。极少数能触达经营层的公司——做出"数字组织"而非仅仅"数字员工"——才会成为时代的赢家。 这也是为什么这本书不叫《如何用AI替代你的员工》，而叫《涌现：当AI成为你的经营班子》。"经营班子"三个字，比"员工"高了整整两个层级。员工执行任务，班子做经营决策。数字员工只能做前者，数字组织才能做后者。 核心洞察：数字员工不是终局，数字组织才是。所有公司的问题都是战略问题和组织问题，从来不是员工问题。当人人都能拥有好的数字员工，你的护城河在哪里？
七、智能复利：为什么工具层永远追不上经营层
「智能复利」是对AI时代竞争本质最精准的概括。 先从复利说起。100块钱每年增长10%，10年后变成259块，20年后变成673块，30年后变成1745块。前10年只增长159块，后10年增长1072块。前期不起眼，后期指数爆发。 智能复利的核心洞察：未来企业的竞争优势核心来源就一个——智能的复利。智能的本质是学习，学习有累积效应，智能的成长是指数级的。 工具层的企业，员工个人使用ChatGPT。小王的经验只存在于小王脑子里。公司层面没有任何积累。小王离职，一百次分析积累的经验就蒸发。这就像把钱分成十份分别投资——每份复利基数太小，绝对增量微乎其微。智能增长是线性的。 经营层的企业完全不同。Agent有记忆。增长Agent今天发现的渠道策略，被记录在记忆系统中成为组织知识。明天内容Agent制定投放素材时自动参考，后天数据Agent做月度复盘时纳入分析。每一次学习、每一个发现、每一个教训，都不会丢失，都被整个系统吸收利用，成为下一次决策的基础。 智能增长是指数的。 第一年差距可能不大。第二年开始显现。第三年变成鸿沟——经营层的Agent系统已能做出让CEO惊喜的跨领域关联分析，比如发现"华东区销售下滑"和"社交媒体上竞品口碑提升"和"供应链某原料涨价"之间的隐藏关联。工具层的CEO还在开四小时经营会，试图靠人脑把信息拼凑起来。到第五年，这个差距将是不可逆的。技术永远可以追，智能积累追不回来。 三个经济时代的竞争优势形成一个精彩的对比：工业时代靠规模经济（线性增长），互联网时代靠网络效应（面状扩展），AI时代靠智能复利（网状、指数级自我强化）。 "高维碾压低维"——AI时代的竞争不是同维度的效率比拼。工具层CEO看到的是本月销售数据和各部门汇报。经营层CEO看到的是销售数据背后的根因分析、竞品动作与自身业务的关联推演、消费者趋势的提前预判——这些是AI在凌晨三点自动产出的深度洞察。一个在三维空间观察战场的将军，和一个只能在二维平面看地图的将军，打的是完全不同的仗。不是谁的兵更多的问题，是谁的信息维度更高的问题。高维对低维，是碾压，不是竞争。 这就是为什么我反复说"经营层不是可选项，是必选项"。让你好一点没什么意义，竞争对手明天也能好一点。经营层的真正价值在于它把你送到了一个更高的竞争维度。在那个维度上，你看到的机会、你规避的风险、你做出的决策，都是低维竞争者根本感知不到的。 这也解释了为什么"把流程层做到极致"不能替代"跃迁到经营层"。流程层的AI没有记忆、没有协同、没有全局视角——它无法启动智能复利的飞轮。你把流程优化做到极致，也只是把一辆自行车骑到了最高速度。但竞争对手已经开着汽车在高速公路上跑了。 核心洞察："智能复利"揭示了AI时代竞争的第一性原理——谁先把飞轮转起来，谁就有未来增长的势能。工具层的智能增长是线性的，经营层的是指数的。三年之后，差距就是天堑。
八、优秀是卓越最大的敌人
吉姆·柯林斯在《从优秀到卓越》里说："优秀是卓越最大的敌人。" 用在AI转型上，精准得可怕。 我遇到过很多流程层的CEO。客服AI响应时间缩短70%，简历筛选效率翻倍，数据报表自动化了。同行来参观学习，行业论坛邀请分享。他们有理由为自己骄傲。 但正是这种"不错"成了通向卓越的最大障碍。因为他们觉得"够了"。 "AI客服效率提升70%，还能要求什么？"——可以要求AI从十万条客诉中挖掘产品缺陷和市场机会。从"回答问题"跃迁到"发现洞察"。"数据报表自动生成了，省了多少人力！"——AI可以直接告诉你报表里隐藏的三个风险信号和两个增长机会，附带行动建议。从"展示数据"跃迁到"驱动决策"。 流程层的企业像考了85分的学生，坐在教室里对自己的成绩很满意。但85分到95分之间的那10分，其战略价值可能比前85分的总和还大——因为前85分是"基本功"，所有认真准备的学生都能拿到。后面的10分是"差异化"。 最可怕的不是完全不用AI的企业——他们至少知道自己缺什么，有紧迫感。最可怕的是那些"用得还行"的企业——他们以为自己在正确的路上了，殊不知只是在一条通往"更好的平庸"的路上跑得很快。方向错了，速度再快也没用。 核心洞察：流程层最大的陷阱是"还行"。自满消灭了紧迫感，而紧迫感才是跃迁的燃料。
九、从"用AI"到"被AI改变"
让我用一个每个CEO都熟悉的场景来展示三层的区别到底有多大：月度经营分析会。 工具层企业的月会： CEO周五下午发消息："小王，帮我整理本月经营数据，做个PPT。"小王周末加班，从各系统导出数据粘贴到Excel，把关键数据给ChatGPT分析，复制到PPT里。周一会上，CEO念到某个数据停下来问："下降的原因是什么？"小王说："AI说可能是季节性因素。"CEO追问："有没有其他可能？"小王愣住了。大家讨论两小时，决策质量取决于与会者的经验和直觉——跟有没有AI关系不大。 流程层企业的月会： BI系统每月1号自动生成Dashboard。AI模块标注了异常——"华东区销售下降12%"标红。CEO点进详情页，系统展示预设模板的原因分析："可能原因：1.季节性；2.客流量下降；3.客单价下降。"大家围绕这三个可能原因讨论一小时，最终决定"让市场部调研一下"。两周后调研报告出来才发现真正原因是竞品上线了新产品。此时已晚了两周。 经营层企业的月会： CEO周一早上打开飞书，AI经营班子在凌晨三点已发了经营简报。简报不是按部门分的，而是按"经营议题"分的，每个议题包含完整的"问题→原因→方案→预期效果"： "议题1：华东区增长异常——营收环比下降12%，排除季节性因素后仍有8.3%异常。根因：竞品X在3月15日上线新品Y，定价低15%，已分流核心客群约6%份额。建议方案：（A）两周内上线对标功能，预算15万；（B）华东区启动针对性投放，预算20万，预计三周恢复。推荐：先执行A+B止血。" "议题2：供应链风险预警——客服数据Agent发现'配送时间过长'反馈增加180%，关联分析发现华南区某配送伙伴准时率从95%降至78%。建议：立即启动备选伙伴对接。" 看到区别了吗？工具层是"AI帮人做文书工作"。流程层是"AI自动展示数据"——能标红异常，但只告诉你"what"，不告诉你"why"和"how"。经营层是"AI独立发现问题、分析原因、提出方案"——它理解数据背后的含义，能做跨数据源的关联分析，能生成可执行方案。 在前两种模式中，AI是被动的。在经营层中，AI是主动的——你的角色从"提出问题的人"变成"评审方案的人"。你100%的时间都用在"怎么办"上，而不是浪费60%时间在"搞清楚发生了什么"。
十、一个简单的诊断：你的AI在哪一层？
花三分钟回答三个问题： 问题1：如果今天取消所有AI工具和系统集成，你公司的工作方式会发生根本性改变吗？ "大家不太方便，但流程基本不受影响"→L1。"某些流程回到手工，效率明显下降"→L2。"整个经营方式改变，我们甚至不知道没有AI该怎么做很多事情"→L3。 问题2：不同部门的AI之间会自动共享知识和上下文吗？ "每个人用自己的，互不相干"→L1。"特定系统内部会共享，跨部门不通"→L2。"能跨部门积累知识、传递上下文、形成全局理解"→L3。 问题3：你的AI会主动提出你没想到的建议吗？ "不会，它只回答我问的问题"→L1。"有时会，仅限预设规则触发的告警"→L2。"经常会，而且经常让我惊喜"→L3。 大多数CEO回答完会发现：90%以上在L1，少量L2，L3几乎为零。这不丢人，全世界绝大多数企业都在这个位置。但知道自己在哪里，是改变的第一步。你不可能从一个你不承认的起点出发。
十、Gartner的预言与我们的选择
2025年底，Gartner发布了关于Agentic AI的年度预测：到2027年，40%的Agentic AI项目将被取消或大幅缩减规模。 乍一看很悲观。但这恰恰是一个关于选择的预测，不是关于技术的预测。 那40%被取消的项目，绝大多数是Agent Washing项目——用"Agent"外壳包装传统自动化。它们注定失败，因为本来就不是真正的Agent。就像2001年互联网泡沫破裂——互联网技术没问题，被淘汰的是大量没有真实价值的项目。活下来的Google、Amazon后来成了改变世界的巨头。 剩下的60%中，一些会取得渐进式成功。而少数——可能10-15%——会实现真正的经营层突破。这些企业将成为下一个十年的行业领导者。 技术不是它们的优势——你能用的Claude和GPT，竞争对手也能用。它们的真正优势是组织形态率先适应了AI时代。团队学会了与AI协作，流程被重新设计以发挥AI最大价值，文化从"人做事、AI辅助"变成了"人和AI共同经营"。这些不是花钱能买到的。组织进化需要时间、需要试错、需要CEO亲自参与。 而时间是唯一花钱也买不到的资源。 这就是为什么我说"99%的企业在用错AI"。NBER数据显示约80%的企业AI投资对生产率没有影响——它们还在工具层。剩下的大部分在流程层，觉得"挺好的"。真正触摸到经营层的可能不到1%。不是因为选错了AI工具，不是因为预算太少——而是因为没有改变组织来匹配AI的能力。用马车时代的组织架构来驾驭AI时代的引擎。引擎再好，放在马车的车架上，也跑不起来。
十一、这一章的要点
这一章的核心结论只有一个：方向比速度重要。 NBER数据不是在说AI不行——AI的能力毋庸置疑。它说的是绝大多数企业在用错误的方式使用AI。工具化（L1）是碎片化的个人增强，流程化（L2）是预设轨道上的效率优化，经营化（L3）才是让AI真正参与经营决策的组织变革。前两者只是让现有流程跑得更快，后者是让你做到原来做不到的事。 "智能复利"揭示了更残酷的现实：三层之间的差距会随时间指数扩大。工具层的积累是线性的——个人独立摸索，经验不共享；经营层的积累是指数的——Agent网络共享学习，每一次发现都被整个系统吸收。先启动飞轮的企业每天都在加速，后来者追赶的代价越来越大。 最后一个提醒：流程层的陷阱比工具层更危险。工具层的企业知道自己没转型，有紧迫感。流程层的企业以为自己转了，这种自满比无知更致命。从流程化到经营化，不是技术升级，是组织进化——你不能在马车的车架上装发动机。
「CEO明天就能做的一件事」 打开一个空白文档，列出公司目前使用的所有AI工具和应用。一个不漏。然后在每一个后面标注：L1、L2、还是L3。
- 个别员工个人使用，没有系统级集成和管理——L1
- 嵌入了某个业务系统或自动化流程，但只在单一环节内工作——L2
- 能跨部门积累知识、主动发现问题、参与经营决策——L3
这不是批评。这是你的起点。知道自己在哪里，才能规划去哪里。而如何从L1/L2跃迁到L3——具体该怎么想、怎么做——就是接下来几章的内容。 翻页吧。