今天读到一篇里德·霍夫曼的访谈整理。里面有一个数字让我停下来想了好一会儿。
霍夫曼说：大多数公司只走到了 AI 的 5%。
不是 50%，不是 10%。是 5%。
他在领英联合创始人、OpenAI 早期投资人这个位置上，见过上千家公司在做 AI 转型。他的判断是：买几个 AI 软件、用 AI 写几篇文章、接个大模型客服——这些都不算。AI 没有长到业务里，就还是 5%。
我做了 20 多年 IT，见过太多"5%时刻"。
2000 年代初，企业上 ERP，买了 SAP/Oracle，装好了，业务照旧。那是 ERP 的"5%"。
2010 年代，大数据来了，搭了 Hadoop 集群，建了数据中台，决策还是拍脑袋。那是大数据的"5%"。
2020 年代初，云计算上云了，服务器搬到了 AWS，运维流程没变。那是云的"5%"。
每一轮技术浪潮，真正拿到红利的从来不是"先用上"的公司，而是"被技术改变了业务逻辑"的公司。
AI 这轮也不例外。而且因为 AI 的落地门槛看起来太低了（注册一个 ChatGPT 账号就能用），"5%幻觉"比以往任何一轮都严重。
霍夫曼说 AI 原生公司要重做三套系统：判断系统、人才系统、数据系统。
这三套系统放在一起看，有一个共同指向——从"人干活，工具辅助"变成"系统干活，人做判断"。
以前公司的决策流程是：数据 → 人分析 → 人判断 → 人执行。
AI 时代的决策流程变成：数据 → AI 分析 → AI 给出多个方案+依据 → 人做选择。
区别在哪？以前人既是分析师又是决策者，信息和判断权捆绑在一起。现在信息分析交给 AI，人只保留"判断权"——选哪个方案，承担什么风险。
这对企业来说是一个组织层面的权利转移。不是"装个软件"那么简单。
霍夫曼说"个人独立贡献者"这个概念会消失。每个人都将以一批 AI 为工具开展工作。
| 传统角色 | 做法 | AI 时代的角色 |
|---|---|---|
| 工程师 | 一行一行写代码 | 指挥多 AI Agent 执行 |
| 市场 | 手动做竞品分析 | AI 做研究+初稿，人定策略 |
| 销售 | 手动研究客户 | AI 模拟异议+生成方案 |
| 管理者 | 靠经验做判断 | AI 整理信息+方案辅助 |
霍夫曼说"AI 需要上下文，组织的数据就是上下文。没有上下文，AI 无法理解你的公司。"
很多公司觉得自己有数据——进销存系统跑了好几年、CRM 里几万条客户记录。但真去看看那些数据的质量，大部分是一团乱麻。客户数据在销售手里，交付数据在项目经理手里，投诉数据在客服系统里——它们从来没有被连接过。
霍夫曼说的都对。但以我的观察，企业 AI 转型卡在 5%，还有一个更深层的原因他没展开讲：企业的组织惯性被严重低估了。
一个公司做了 20 年的业务，有 200 个"老人"，每个人的工作方式已经被打磨了十年。突然说要 AI 转型——让销售用 AI 写客户方案、让财务用 AI 做对账、让管理者参考 AI 的方案做决策——这不是技术问题，是人的问题。
惯性的第一个表现：中层管理者的安全感危机。 如果 AI 能自动生成报告、自动做数据分析、自动出方案，那"要你经理干嘛"？这是激励机制问题。当一个人的价值建立在"信息不对称"上，AI 抹平信息差的同时就抹平了他的存在感。
惯性的第二个表现：流程的"自动驾驶困境"。 传统企业的流程是为"人执行"设计的。AI 插进来之后，流程变成了"人审→AI 做→人审→AI 做"的交替模式。每个接口处都在问"这是该人做还是 AI 做？"——这种模糊地带就是摩擦的来源。
惯性的第三个表现：数据债。 没有哪家企业是"数据准备好了才开始 AI 转型"的。数据债是 10 年积累的，不可能 3 个月还清。AI 的效果又高度依赖于数据质量——数据越乱、AI 越蠢。结果就是"先还数据债还是先上 AI"的死循环。
这三个惯性加起来，才是"5%"的真正根因——不是技术买不起，是组织改不动。
1. 不要做"5%公司"。 买了 AI 工具、让员工用 AI 写文档——这不叫 AI 转型。真正要做的是：把 AI 嵌到你的业务链条里，让它改变你做决策的方式。
2. 从最痛的一个场景开始。 霍夫曼的原话：从足够具体、足够痛、能衡量结果的业务问题开始。不要同时做 10 件事，先做 1 件走通。
3. 组织惯性是最大的敌人。 别低估了"老人"的阻力、流程的惯性、数据债的沉重。AI 转型 30% 是技术问题，70% 是组织问题。如果你不能解决那 70%，技术投资大概率会打水漂。
💬 评论