如果说过去几年企业面对 AI 时最典型的情绪是兴奋，进入2026 年之后，更真实的感受已经变得复杂：一方面，技术能力仍在快速迭代，模型成本持续下降，生成、推理、检索、智能体等能力不断刷新管理者的想象；另一方面，绝大多数企业并没有因此自然进入高质量转型，反而在试点、治理、组织协同和人才准备上感受到越来越强的张力。

AI 已经不再是一个单纯的系统升级问题，也不是某个部门的数字化项目。它正在演化成为一种新的生产范式，既改变知识工作的完成方式，也重写企业内部的职责边界、价值分配和风险承担机制。真正值得管理层关注的，不是“AI 会不会替代一切”，而是“企业准备以什么结构、什么速度、什么规矩去吸收 AI”。

对于AI，今天最容易制造误判的一点是，人们往往把注意力放在模型排行榜和单点能力突破上，却忽视了企业真正需要感知的是“范式变化”。我们将AI 变化概括为三个关键词：规模化、代理化、制度化。

第一，规模化仍然是主旋律。无论是训练效率的不断提升，还是推理成本的显著降低，均表明 AI 的边际成本在不断降低。对企业来说，这意味着 AI 不再只是少数高价值场景中的“稀缺能力”，在越来越多的业务流程中也都具备普遍部署的条件。在金融行业，这种规模化趋势已经开始显现。例如在银行的信贷审核、反洗钱监测、客户服务和投研辅助等场景中，大模型正在从“单点工具”逐步走向“流程组件”，开始嵌入核心业务流程。AI的问题已经从“能不能用”转向“如何大规模地、 负责任地使用”。

第二，AI 正从“回答问题的模型”走向 “ 执行任务的系统”，这是代理化。过去企业使用大模型，更多是把它当成问答引擎、写作助手或代码副驾驶；而随着工具调用、工作流编排和代理系统的发展，AI 已开始具备跨步骤完成任务的能力。模型不再只是生成一段对话，而是在特定边界内调取数据、 调用工具、生成方案、 触发审批，甚至参与流程闭环。企业面对的对象，不再只是一个工具，而是一类真正的“数字员工”。

第三，制度化正在成为决定 AI 能否从热潮走向价值的分水岭，苹果公司关于“思考的幻觉”的研究提醒我们，推理模型在中等复杂度任务上能够表现出惊艳能力，但在更高复杂度下仍可能出现系统性失稳。也就是说，企业不能把模型能力的进步误读成“责任的自动转移”。越是高风险、高复杂度、高外部影响的场景，越需要重新界定人机分工、责任边界与可追溯机制。在金融领域，推理失稳所带来的并非只是运营上的偏差，更可能是系统性风险与监管事件，因此对人机分工与审计追踪的制度化要求将显著高于一般行业。

如果把过去企业推进 AI 应用的状态概括为“广泛试点”，那么接下来更关键的课题将是“深度重构”。

需要看清的第一个现实是，AI 的“理论能力”和“现实应用”之间仍然存在明显差距。Anthropic 的研究提出，AI 的“现实覆盖率”远低于其“理论能力”。也就是说，从技术上看，大模型已经能够完成相当比例的知识型任务，但在现实企业环境中，这些能力并没有被大规模转化为自动化生产力。造成这种落差的原因并不在于技术，而更多来自组织、流程与制度的滞后。因此，许多企业今天感受到的压力，并不是“AI 已经全面替代人类工作”，而是“AI 已经具备改写工作方式的潜力，但企业的组织和流程还没有准备好真正承接这种变化”。

第二个现实是，企业普遍陷在 ROI 的时间错配中。资本市场与舆论环境按月变化，模型演进按季度推进，流程改造、 系统连接、权限设计、治理落地、 绩效重构往往以年为单位。于是，企业很容易出现一种错觉：技术进展非常快，为什么业务价值没有同步显现？问题并不在于 AI 有没有价值，而在于多数企业仍把 AI 放在“附着于旧流程”的工具位上，而没有进入“围绕 AI 重新设计流程与决策机制”的组织位。德勤《企业人工智能现状：未被开发的优势》延续了这一观察：员工对 AI 工具的需求显著提升，真正能把大量试点推进到生产环境的企业仍然非常有限，这恰恰说明组织吸收能力远慢于技术扩散的速度。在金融机构，一方面面临短期成本与监管考核的压力，另一方面 AI 改造需要跨年度的流程重构与系统联通，这种短期指标与长期能力建设之间的张力常常导致项目停留在演示层面。

第三个现实是，高风险场景中的人机分工必须更精细，而不是更激进。对于标准化、高频、 低外部风险的任务，例如基础文档生成、 初步合规核对、规则清晰的数据处理，企业可以提高自动化程度；对于需要跨部门判断、 涉及声誉风险或对外责任的任务，AI 更适合担任 “分析助理”“二次审核”“异常提示”，而非最终裁决者。企业的成熟度，不在于是否让 AI 做得更多，而在于是否知道在何处必须让人继续承担责任。对于金融机构而言，这意味着在推动 AI 项目时，需要同步设计模型风险管理框架，包括模型准入、持续监控、事后复盘和监管沟通机制，而不是把AI 仅仅视为 IT 项目。

第四个现实是，人才问题已经从“培训议题”升级为“经营议题”。 Anthropic 的报告还有两个发现值得放到中国企业的语境下进一步理解：其一，受AI影响大的职业，长期增长前景并不乐观；其二，截至目前，受 AI 影响大的职业还没出现大面积失业，但企业招聘新人进入这类职业岗位的速度，已经明显放慢。 这个信号非常关键，它提示我们，AI 对劳动力市场的影响不一定先表现为“大规模裁员”，更可能先表现为“入口变窄、成长链条变短、初级岗位消失得比中高级岗位更快”。

对企业来说，这比简单的替代更值得担心。因为一旦学徒链条断裂，组织会在几年后发现：低年级岗位省掉了，但中坚力量没有长出来；报告生成得更快了，但真正理解业务、理解风险、能够在复杂场景中承担判断责任的人反而变少了。我们认为，中层管理者和年轻专业人才将成为AI 转型成败的关键变量。前者决定 AI 是否能被真正嵌入流程，后者决定组织是否还有可持续的人才供给。

因此，企业下一阶段推进 AI，至少需要同时做好下面四件事：把岗位设计从“谁被替代”转成“哪些岗位被放大、 哪些能力必须重建”；把培训从“教员工用工具”升级为“帮助管理层重新理解决策、监督与协作”；把“可信赖的 AI” 从合规文件变成可执行的运营机制，包括权限管理、 审计追踪、 异常干预和版本回滚；把AI 项目从“技术部门的试验田”转成“业务与治理共同负责的经营工程”。