本文深入探讨了AI与数字化结合的极限以及在企业应用中遇到的挑战。文章首先介绍了GPT-4版本的强大功能，随后分析了AI在企业服务领域的同质化现象，并提出了三个全民性问题：科学素养的缺乏、创新思维的不足和解决问题能力的薄弱。作者提出了两个AI应用的线索，即用AI建模解决策略问题和用AI改善客户服务，为企业提供可行的思考方向。

01

每一次GPT的能力革新，总会让人惊呼。

本周GPT升级到4o版本，重磅更新了各种能力，输入输出的格式增多，文本、音频、图像都能搞定，能理解画面和声音，甚至能读懂人类面部语言，响应速度和性能也有了很大的提升。学姐也在第一时间体验了它的文本能力，和4.0相比，无需长串的提示词，就能基于猜想给出合理的内容。输出的内容能有效衔接上下文，逻辑严密。

第一个感受是：模型创业者又要望GPT兴叹了。这也是这两年AI创业的难点，原本卡在技术上的难题，自己啃着三五个月，进度条才走到10%，底层能力一更新，原有的问题瞬间消失，真是得唱一句：时间都去哪儿了？当下底层技术确实在一路狂飙，每次出现都带来全新的面貌，但是我们的应用层已经无限趋同了。企业服务领域，无论是SaaS，还是协同办公平台，各自都花了一年时间去探索AI应用，最终却交出了类似的答卷。

人手配备一个智能小助理，可以用来辅助工作输出答案，有文档功能的一定会应用智能扩写、总结，有聊天窗口的一定会加入上下文总结，视频会议的记录和总结也成了标配。面对越来越趋同的数字化应用场景，让我们抛下这个问题：面对AI的快速发展，人类的想象力是不是黔驴技穷了？先说个结论：把AI应用到企业数字化上，本身就是一个天大的难题。且，这个难题不会随着技术思维的提升而降低。

SaaS和协同平台本身就是科技企业，拥有强大的技术能力，但是他们也难，为了找一个契合AI的场景也要绞尽脑汁，也要精心计算企业会不会买单。企业内部自研就更难了，原本技术能力就弱于外部服务商，大量的技术人才又困在业务和技术的匹配中不得解脱。一边在现实业务发展和复杂的利益关系中左支右绌，一边要考虑跟上AI的技术发展，赋能业务。懂业务的人不懂技术，懂技术的人又不懂业务，或者说不能越俎代庖地去为业务负责。

02

以上，是AI+数字化难题的表象，但归根结底，我认为背后还有3个全民性的问题，阻碍AI应用落地。一则是缺乏基本的科学素养，对于技术有畏难心理，或者反向妖魔化技术畏难是说害怕自己搞不好数字化，弄不懂AI，项目会失败，自己也会承担责任。

本质上是因为了解得不够深入，勇气这件事情，不是来源于自信，而是信息充分下的合理预期。所以只有深入地了解，才能真的解决企业对AI和数字化的深度认识。再说妖魔化。

妖魔化的浅层，是指直接对着新技术说no，凡是不会的不懂的新出现的都是不合理的，思路会被骇人听闻但毫无逻辑的谣言牵着走。鸡会长出9个头，吃什么都会致癌。换到企业数字化的场景上，也就是使用者会抵触所有的技术，任何形态的技术，机器，系统，APP，都是乱七八糟的“玩意儿”，“不知道有啥用”。

妖魔化的深层，是骗子太多，特别是在新技术出现以后，一大堆人就忙不迭地来割韭菜了，特别是现在有了短视频这样极大的流量工具，只需要做好煽动情绪的预案，再叠加一套缓解焦虑的产品，大量的人看到标题就冲动下单了，买完后从不去看，下一次想起来自己买了这个产品是因为卖家翻了车。这样的生态，导致我们对于新技术有一窝蜂的焦虑和好奇，又通过购买低质的科普产品快速消灭热情。

于是乎，大众表情越来越麻木，越来越顺其自然。和多少年前的高速公路收费员也没有什么两样，明知会被颠覆，却没有早早储备新的出路。

二则是没有创新思维。我们的教育里，天然就缺乏创新的培养。我们有过恢弘的历史，最雄伟的建筑，最厉害的四大发明，是唯一传承至今的文明古国，我们不应该缺乏对先进事物的想象，也正由于创新和适应能力让我们的文化得以延续。但是在企服行业，创新成为了不值一提的事情。

创业者方面，同质化严重，像素级抄袭在这个行业里屡见不鲜。在竞争激烈的赛道上，有一度大家都不敢去开发新的功能，上什么能力友商都很快跟进，抄袭的速度比客户正式使用的速度还快，这是何等讽刺的地狱笑话。

何况SaaS厂商有个更尴尬的难题，创新的成本太高。特别是产品后期的新能力，只能满足极小部分特定的用户，却要及大代价去开发，当创新和生意是否划算放在天平的两端，活的兢兢业业SaaS厂商自然也不敢往创新那一端去添加砝码。客户方面，因为没有创新思维，导致亦步亦趋的学习同行，同行买了什么产品，怎么做数字化也跟着来一套。

客户总觉得：自己思考自己想方法多难，枪打出头鸟，照着抄错了也是大家一起错。中庸做事的观点，特别是在大型企业中，体现得淋漓尽致。从数据来说，从软件时代到SaaS时代，距今那么多年，卖得好的还是ERP、CRM、HCM这些软件时代的老工具，创业者没有更广阔的想象，束手束脚追求确定性，客户也没有革新自己的认识，只有一起相伴走老路。

三则是和问题硬碰硬的能力。如何发现问题，如何从多个问题中选择当前最重要的问题，如何拆解问题逐步解决问题，都是我们不擅长的。反之，我们很擅长一种很圆融的智慧，用巧劲来避开问题，或者软化问题。也就是说，我们缺少用技术去解决问题的硬碰硬的思维。大家都知道，信息技术的底层，是0，1组成的二进制语言，是一门逻辑语言。

所以技术擅长解决的问题，是清晰简单的，是有非黑即白的确定性答案的。所以使用技术的前提，是当前做法是标准化流程化，显现的问题也是清晰可描述，能细化到“A审批流的第一个环节总是卡壳3天”这种问题，技术自然可以挺身而出，提升效率。

技术并不万能，它能把低效变成高效，但很难把混乱变成有序。就像如果一场会议组织混乱结论不清，AI再如何聪明，最后给出的会议纪要也只能云遮雾绕。说到这里，就不得不提华为何以会成功落地数字化，因为这个企业真的很擅长打硬仗。文化硬，流程硬，作风硬，想好了就落实成总纲，总纲细化成方法论，有了方法论就坚决执行。

仅仅5年，用1年落成愿景，4年完成行动，全公司17万员工，共同完成了销售收入翻番但人员未显著增长的壮举。同时建设了合作伙伴的数字化和消费者门店的数字化，协同提效至秒级，塑造消费者服务全流程线上化。

所以说，要有这样和问题硬碰硬的能力，正视问题，把问题逐条梳理清楚，让机器明白到底从哪个方向辅助，AI才有用武之地。所以我一直认为，企业没有做到业务的数字化，没有产生业务数据，去谈AI就仿若空中楼阁，不理智也不现实。

03

以上花了不少篇幅，立足于中国企业数字化的土壤，来谈AI落地的先天不足。光戳痛点不给结论，从来不是学姐的风格，所以这里给出2个线索，诸位可以结合自身业务，逐一梳理，或许有机会找到AI落地的最佳点位。

1 用AI建模解决策略

问题企业内部，往往有一类角色高度依赖于专业知识和经验，但是其经验很难口述和传递，也就导致企业高度依赖这类角色。我们把这类角色的专业知识和经验还有说不清道不明的感觉都称作【策略】，试着让AI来学习，看看会发生什么。举个物流行业中例子，这个行业里有一个核心角色，叫做调度，他会负责订单和车辆的匹配。

众所周知，物流是一个利润率极低的企业，调度角色做的好不好，就直接会影响利润率，所以好的调度工资是不低的。之前这个岗位的策略，需要调度自己去摸索，甚至有的时候要凭借直觉的预测。最近几年随着行业数字化，有了智能调度功能，虽然没有完全替代调度，但是通过学习调度的分配方式，慢慢把调度无法描述的经验抽象成了一套模型，并能辅助调度做常规性的调度安排所以，AI应用的第一条路，就是基于数据建模技术摸索出一套策略，来支撑对不确定性业务的决策，提升决策的胜率。

2 用AI解决客户服务的问题

在数字技术诞生以来，特别是互联网诞生后，诞生了非常多新的模式，本质上都是源于对个体提供了更好更优秀的服务，服务的背后是以各种模式将信息光速串联起来。AI在此基础上，不仅能连接信息，还能理解信息、生成信息，还能一步步引导，帮助人解决问题。

4o的场景里，AI能看到屏幕上的数学题，一步步教导学生，循循善诱的帮助学生解开答案；还可以用语音和人类沟通，比如教美国人学习中文。这些场景，都证明了AI帮助人解决问题的能力提升，人机之间的交互体验也越来越接近人和人之间的真实触感。那对于企服企业，有太多客户服务的工作了。就像SaaS厂商，服务场景多，成本高呀。

有SaaS公司的老板告诉学姐，有的时候，一个大客户上项目，甚至要部署1年的时间，面对全国那么多的客户，还要建立多个服务中心随时支持，模式极重。那能不能通过AI去解决这个问题，AI去教导用户呢？值得思考。

另外，个人认为阻碍低代码发展的重要原因，就是客户认知门槛太高，而便宜的价格注定了不可能去做个性化服务和实施，那AI现在来了，能不能看到一点机会，也值得探索。我们看到上一代互联网，客户服务做的最好的是电商，基于此，诞生了全球几十万亿的市场。

那这一代，客户服务明显又可以提升几个档次，受益者的名字还未写下，思考和探索也应该步履不停。回顾本文，我们聊了中国市场应用AI的3个本质原因，接下来也给出了2个应用AI的思考方向。

最后，学姐要强调的是，应用AI的基础还是数字化。我们把应用AI当作抚养小孩，小孩是个天分极高的天才，但你需要用数据喂养。说回这几个概念的关系，学姐用一句话总结。企业数字化的核心在业务数字化，业务数字化的核心在于要素、流程和规则的标准化，而AI的核心就是以上所有标准化后的数据。