AI赋能：重塑商业与社会的新篇章

编者按

人类与AI智能体将形成一种新型的协同关系，要求企业采取“数智员工管理”的思维。

人工智能（AI）技术的迅猛发展正以前所未有的深度和广度影响社会，尤其对企业运营模式、商业模式乃至整个社会结构带来深刻变革。2025年以来，关于AI智能体（Agent）的讨论日益增多，其潜在的颠覆性力量引发广泛关注。在这一背景下，深入理解AI的核心概念、应用前景及其挑战，对把握未来发展趋势至关重要。

本刊专访了《AI 赋能》的译者——领英全球前副总裁、领英中国前总裁陆坚，聚焦AI在商业领域对企业商业模式、核心竞争力、长期趋势的影响展开深度探讨，希望为企业更好地理解AI赋能的价值与方式，推动智能化转型提供借鉴。

“超级能动性”，理解AI赋能的关键

探讨AI影响时，“Agent”是核心概念。然而，简单翻译为“代理”未能完全反映其内涵。

本书中文版将作者定义的Superagency翻译为“超级能动性”，因对“Agency”在人类文明史中多重内涵的辨析。区别于日常语境中的“代理”，社会学奠基者安东尼·吉登斯强调：“Agency是行动者改变既定社会规则的能力，是突破结构约束的创造力本源。”这种哲学思辨投射到技术领域，揭示了历次工业革命中人类焦虑的本质。霍夫曼通过硅谷二十年技术观察发现：AI革命的特殊性在于其首次触及人类认知核心领域。书中实证研究表明，79%的受访者担忧AI将削弱人类的决策主导权。“超级能动性”的终极定义正是对这种焦虑的回应：在AI技术赋能下，个体与群体突破生理、认知与社会结构的传统限制，实现潜能最大化。

尽管大模型（LLM）的出现引发对人类能动性限制的担忧，但AI的真正潜力在于其作为“超级能动性”的赋能者。这种赋能不仅提升个体能力，更通过技术手段使个人和群体突破既有局限，最大化自身潜能。这是一种在社会层面累积并使每个人受益的效应。因此，将AI视为增强人类能动性的工具而非替代人类主体性的存在，是理解其积极意义的关键视角。

AI能与人类共情吗

关于大模型的本质，一种观点认为其仅基于海量数据的统计计算和模式匹配，缺乏真正理解与情感。这种质疑在涉及情感交流的应用场景尤为突出。例如，科技开发者罗布·莫里斯使用名为KokoBot的AI助手参与心理健康支持项目，初衷是模拟人类同伴的共情与支持。然而，当AI身份被公开后，引发“模拟共情”的伦理争议。

尽管存在质疑，但实践表明AI在特定情境下表现可能超出预期。研究表明，在医患对话等场景中，经过训练的大模型在共情能力评分上可能超过人类专业人士。这从一个角度说明判断AI价值的标准不应局限于其是否具备“真正”的情感或意识，而应关注其在应用中所产生的效果和价值。当用户在知晓对话对象为AI后仍能感受被理解和支持时，本身就说明AI在情感交流辅助方面的潜力。

当然，AI的局限性也不容忽视，如可能产生“幻觉”。但这并不意味着其在心理健康等领域的应用毫无价值。关键在于明确其定位：AI更适合作为护理辅助工具或支持性服务，而非替代专业医生进行诊断和治疗。随着技术进步和应用模式成熟，人们对AI在情感交流方面的接受度也在提高。

AI原生应用，与商业模式的演进

移动互联网催生了如Uber、抖音等原生应用，创造了新商业模式并造就行业领军企业。AI时代的原生企业有哪些特点？

从技术层面看，AI技术的爆发催生了大量AI原生应用。这类应用的核心在于AI大模型或系统本身就是产品主角而非附加功能。例如直接与用户对话的大型语言模型（如ChatGPT）和生成图像或艺术作品的AI绘画工具（如Midjourney、DALL·E）。这些应用代表AI技术直接驱动产品创新的可能性。

然而与移动互联网时代涌现出如Uber、抖音等利用移动特性创造全新商业模式的“原生APP”相比，当前AI时代的商业模式创新尚处于早期阶段。尽管AI原生应用已大量出现但真正意义上成熟可大规模复制的全新商业模式（如Uber式的共享经济模式）还未完全显现。这可能是因为AI技术从爆发到大规模商业化落地仍需时间沉淀商业模式创新往往滞后于技术发展。

展望未来AI时代的商业模式可能出现以下变化趋势：从“羊毛出在猪身上”到直接用户付费；服务即广告价值驱动付费；雇佣与租赁模式的放大。

尽管收入增长方面当前AI企业普遍面临高投入低（或无）直接收入的局面商业模式仍在探索中但从用户规模和查询量等指标来看AI的增长速度依然惊人。

智能体如何有效融入企业管理

智能体代表了人机交互方式的一次范式转移其意义堪比从命令行到图形界面或从PC到移动设备的转变。它不仅是技术迭代更是交互逻辑和关系的重构。

企业将智能体深度整合进核心业务流程尤其是涉及决策环节时面临一系列复杂且亟待解决的挑战。

首要挑战来自技术本身的不确定性。大模型常被视为“黑箱”其内部推理过程和决策依据难以追溯和解释。其输出存在固有不稳定相同提示在不同时间或环境下可能产生差异化结果。在涉及多步骤长链条任务执行中模型产生“幻觉”风险显著增加这对需要高精度和一致性的业务场景构成威胁。

其次权责归属的模糊地带构成重大管理难题。当智能体基于判断自主执行任务并导致失误甚至损失时追责机制尚未明晰是设计开发者、部署企业、操作员工还是智能体本身承担责任？人类员工与自主AI系统之间的责任边界如何清晰划分？如何确保智能体输出和行为始终符合行业规范公司政策及法律法规（合规性保障）？这些问题目前缺乏成熟解决方案。

再者生态依赖带来的运营风险不容忽视。编程助手Windsurf与OpenAI洽谈收购后其API服务被Anthropic切断的案例突显依赖单一闭源大模型平台提供核心能力的应用提供商面临的脆弱性。虽然开源模型提供了规避供应商锁定的可能性但对大多数企业尤其是中小企业而言自行维护高性能开源模型的开发调优和运维成本高昂且当前开源模型在性能上与顶尖闭源模型尚存差距。

为应对这些挑战领先企业开始构建“企业级AI治理三角框架”：建立严格审计机制实现关键操作全链路追溯和可解释性；设计有效对齐机制通过提示工程微调等手段确保智能体行为符合企业价值观和业务目标；构建信任机制通过透明度提升和技术流程优化缓解员工和客户对AI输出的普遍不信任感。