对于“企业在多大程度上应应用人工智能”这一问题，最有价值的答案并非“尽可能多地应用”，而是“应用到能够提升价值，同时又不削弱判断力、质量和差异化优势的程度”。
这一点如今的重要性远超表面所见。据《Il Foglio》援引意大利国家统计局（Istat）的数据，意大利企业采用人工智能的比例已从2024年的8.2%上升至2025年的16.4%。这一比例在短短一年内翻了一番，说明了一个简单的事实：问题已不再是“是否要行动”，而是“如何调整力度”。
作为一家面向欧洲中小企业的人工智能平台的首席执行官，同时也是一位致力于语言模型输出商品化研究的学者，我看到同样的错误一再重演。企业将人工智能视为一个开关：要么对其置之不理，要么试图将一切自动化。这两种选择都会破坏价值。前者会让你行动迟缓；后者则会让你被大量表面正确但实质薄弱的输出结果所淹没。
行之有效的框架更为简单且更有章法：在能够减少机械性工作的领域使用人工智能，而在需要责任感、情境判断和人工干预的领域则停止使用人工智能。
大多数企业要么因过度投入，要么因行动迟缓而犯错。关键不在于是否采用人工智能，而在于找到那个临界点——一旦超过该点，运营收益的增长将无法抵消所引入的风险。
巴拉吉·斯里尼瓦桑对此的总结比任何人都更精辟：“0%的人工智能太慢，但100%的人工智能则是垃圾。”作为首席执行官，我是这样理解的：人工智能运用不足会导致企业产生无谓的成本；而过度依赖人工智能则会用看似合理但可互换的输出结果取代人的判断。
其逻辑类似于将拉弗曲线应用于知识型工作。起初，人工智能的每一点提升都能带来高回报：减少在重复性任务上浪费的时间，提高执行速度，提升流程标准化水平。 随后便会达到一个临界点。一旦超过该临界点，边际收益便会下降，而成本却开始攀升——许多管理者往往未能及时察觉这一点：精心包装的错误、管控力减弱、责任归属模糊、内容千篇一律。
维持零增长并非审慎之举。这相当于选择支付高薪，让专业人才去做那些无法带来竞争优势的工作。
这种情况每天都在发生。财务团队手动重组文件；销售人员重新撰写几乎一模一样的邮件；运营团队在不同系统间转移数据；市场部则手动准备初稿和格式调整。这些工作既无法优化战略，也无法强化品牌定位，更无法提升客户感知价值。它们只是消耗了管理层的精力，白白浪费了宝贵的时间。
正因如此，市场正在发生变化。正如开篇所述，采用率之所以不断上升，是因为不作为的代价日益凸显——先是体现在时间上，随后体现在利润率上。
如果没有AI，执行速度会变慢。如果AI用得太多，就连本应保持独特性的部分也会变得千篇一律。
另一个错误则更为隐蔽，因为起初它看起来像是一次效率上的胜利。
一份完全由人工智能撰写的财务报告，看起来可能正确、条理清晰，甚至颇具说服力。但一位负责任的首席财务官绝不会仅仅因为文件“听起来不错”就签字。他会将其与订单、收款、库存、运营延误以及商业异常情况进行比对。如果省略这一步，就说明企业并未做好自动化工作，而只是将风险推到了产业链的下游。
销售和营销领域也是如此。一封100%由AI生成的邮件可以符合语气、结构和语法要求。但它往往缺乏那些独有的细节：对客户实际困境的提及、对其所在行业动态的把握，以及通话中暴露出的具体障碍。正是这些细节促成了转化。而这也正是完全自动化开始削弱差异化的地方。
这就是“敷衍了事”。内容通俗易懂、制作迅速、形式上尚可，但缺乏责任感和竞争优势。我在此处更全面地分析了这一风险：企业如何应对人工智能。
经验法则是这样的：
人工智能并不能很好地实现整个流程的自动化。它能很好地实现流程核心部分的自动化。其运作方式是“中间到中间”。
起初，需要由人来界定问题、背景、约束条件以及相关数据。最后，也需要由人来验证输出结果、将其置于具体语境中，并承担相应责任。而在中间环节，人工智能则能大幅缩短工作时间。
以商业分析为例。管理层首先明确需求：哪些客户的业务增速放缓，哪些产品线在增长，哪些领域的利润率正在压缩。人工智能负责汇总数据、清理数据表、识别模式并生成报告。随后，由专家审阅分析结果，判断该模式是真正的异常现象，还是暂时的波动。
在客户服务、财务、运营和市场营销领域，同样的情况也适用。人工智能在数据转换、分类、摘要、格式调整以及生成初稿方面表现出色。但仅凭人工智能本身，在设定业务优先级和承担最终决策风险方面则表现欠佳。
许多企业家关注API或许可证。这固然是成本的一部分，但很少是决定性因素。真正的成本在于需要投入的专业时间——这些时间用于制定有效的指导方针并验证输出结果。
这里有一组数据，我经常与团队分享。正如Archimedia在其实用指南中所总结的，AI价值的10%来自算法，20%来自数据，而70%则来自人员、流程和企业文化。如果组织架构、治理机制和责任划分出现问题，即使拥有最优秀的模型，也难以取得显著成效。
管理准则：人工智能并不会消除对专业能力的需求。它只是将专业能力的作用从机械性的操作转向了明智的判断。
正因如此，试图“取代人力”的企业往往会感到失望。相反，那些重新设计岗位职责的企业则能获得更多收益：减少手工生产的时间，增加用于核查、分析及决策的时间。
三个实际意义：
在推广人工智能时，最容易犯错的方式就是将人工智能的局限性视为暂时性问题。其中许多并非如此。它们是结构性限制，其作用正是为了决定该止步于何处。
第一个限制是经济方面的。大规模应用人工智能并非免费。每次调用、工作流、协调、集成和控制都会增加成本。如果任务价值较低或需要过多的审核步骤，自动化可能会使利润状况恶化，而非改善。
第二个限制是数学层面的。人工智能无法神奇地解决那些系统不稳定、混沌或难以观测的问题。模型可以帮助解读信号，但无法将根本性的不确定性转化为确定性。
第三个局限是实践层面的。即使模型设计得很好，整个任务也无法完全实现自动化。必须有人来提出问题，也必须有人来验证答案。
第四个限制，即物理层面的限制。AI并不存在于你的工厂里，不会拜访客户，感受不到谈判中的紧张气氛，也无法察觉机器的异常振动——除非有人将这些信息纳入数据中。
如果该流程需要隐含的背景知识、直接感知或强有力的法律责任，那么人工智能就应充当助手，而非主导者。
最被低估的瓶颈是内部技能。在意大利，68%的员工人数少于50人的企业认为，内部技能不足是采用人工智能的主要障碍；根据这份关于人工智能应用、数据、技能和培训的分析报告，员工平均需要接受4至6周的培训才能实现自主使用。
这一数据比许多令人惊叹的演示更有说服力。如果公司里没有人懂得如何控制产出，那么自动化就不是优势，而是运营风险。
对于一名管理者来说，正确的检验标准并不是“人工智能能做到吗？”，而是：
如果上述任何一个问题的答案是否定的，请提高“人性”的比重。
最微妙的战略问题并非重大失误，而是优质方案逐渐趋于平庸。我将这种现象称为“B+陷阱”。
主流生成式模型生成的结果越来越常达到“足够好”的水平。文本通顺，摘要通俗易懂，分析条理清晰，结构正确。但当所有人都使用相同的模型、相同的提示模式和相同的流程时，结果往往趋于雷同。
对于许多企业而言，这一点起初是难以察觉的。它们只看到速度和表面上的质量，却未能察觉到品牌声音的缺失、定位的模糊以及竞争优势的丧失。在营销层面，这表现为千篇一律的内容；在分析层面，这表现为任何人都能获得的洞察；在战略层面，这表现为决策依据的是市场上的普通智慧，而非你独有的竞争优势。
那些将常规工作交给人工智能处理，同时融入内部专业知识、行业背景、专有数据和管理层判断的公司，所产生的成果会有所不同。这种成果未必更耗时或更复杂，但会更有价值。
这就是为什么100%依赖AI是一条竞争死胡同。并非因为AI本身不够好，而是因为如果让AI在没有人类参与的情况下包办一切，最终得到的结果会越来越接近其他所有人的结果。能创造利润空间的，正是那些非同质化的特质。
对于希望从研究角度深入探讨这一观点的人，我推荐阅读这些关于人工智能驱动分析的文献。
2026年的优势不在于能否使用人工智能，而在于知道在何处停止自动化，并加入你自己的专有层。
当有企业家问我公司应该采用多少人工智能时，我会从两个变量入手，而不是从工具本身入手。
首先是任务的性质。它是机械性的、分析性的还是决策性的？
第二点是错误的代价。如果输出结果有误，你会因此损失几分钟、一位客户、利润，还是信誉？
这种做法之所以合理，还有一个非常实际的原因。生成式人工智能（Gen AI）最直接的影响体现在对重复性工作的自动化处理上，例如邮件管理和标准报告的生成，从而释放人力资源，使其能够投入到更高价值的任务中，正如Huware在其关于企业生产力的深度分析中所指出的那样。
| 任务类型 | 低错误成本 | 平均错误成本 | 错误代价高昂 |
|---|---|---|---|
| 机械且重复的 | 近90%由AI完成。数据格式化、排程、标签标注、内容分发。 | 约70%由AI完成。高度自动化，并进行最终检查。 | 约50%由AI生成。AI负责起草，人类逐行核对。 |
| 分析性与解释性 | 约70%由AI完成。AI识别模式，人类进行确认。 | AI占比约50%。对于管理报告而言，这是一个不错的平衡点。 | AI占比约为40%。需要进行系统性的专家审查。 |
| 决策与战略 | 约40%的AI。支持各种场景和选项。 | AI占比约为30%。AI起到辅助作用，而非最终决定者。 | 接近30%由AI处理。定价、战略、招聘、敏感沟通。 |
这些比例并非自然法则，而是一个操作上的起点。它们旨在避免两种常见的错误：一是过早地将高风险流程自动化；二是让本应由软件处理的流程仍保持手动操作。
实际上，最好定期审查自动化水平。最有用的指标往往很简单。
如果你想将这一步骤制度化，在将AI应用推广至整个公司之前，先思考如何评估AI的投资回报率会很有帮助。
关键要点
要理解这一框架的最佳方式，是观察其在实际应用中的表现，而非空谈理论。从内部来看，这一进程并非始于关于“AI层级”的抽象设想，而是源于一条简单的规则：仅在未被发现的错误成本较低的情况下进行自动化，而在错误成本较高时则保持人工控制。
最明显的例子就是内容发布流程。最初的尝试很简单：将整个流程实现自动化，从初稿到各渠道的分发，包括格式调整、图片处理和发布排期。这确实行得通。但生成的内容只是表面上正确。
语气到位了，形式也到位了。但缺少了资深读者一眼就能察觉的那部分：独特的视角、评判以及观点。
通过在仅两个环节重新引入人工干预——即审核核心信息和选择各平台的展示角度——实现了流程优化。AI仍负责格式调整、创意素材制作及发布工作。由此，每个周期的人工处理时间从3小时缩短至约30分钟，最终形成了AI与人工各占约80%和20%的工作比例。
最佳点并非在于AI能够包揽一切，而在于团队不再过度修正，且输出结果依然可信。
实现这一目标的方法在任何中小企业中均可复制。
我们关注的三项内部指标分别是：纠正干预率、端到端总时长以及最终用户感知质量。当其中任何一项指标恶化时，就需要将滑块调回原位。
这种做法也很好地体现了我认为很合理的产品理念：人工智能应该取代分析师在重复性且结构化工作中的角色，而非取代企业家的判断力。换句话说，它是为取代你的分析师而设计的，而非取代你的判断力。
竞争优势并非源于更多地使用人工智能，而是源于在自动化开始侵蚀利润率、信任以及工作的独特性之前，懂得设定界限。
因此，关键问题不在于是否采用人工智能，而在于企业在每个相关流程中应使用多少人工智能。人工智能的拉弗曲线（Laffer Curve）正是为此而存在的：找出自动化既能提高生产力和速度，又不会将团队推入“B+陷阱”的平衡点——即产出虽足够过关，却过于平庸，无法让企业脱颖而出。
实际上，人工智能应应用于能够节省时间、减少重复性工作且验证成本较低的场景。而在以下情况下应停止使用：错误造成的损失大于节省的时间；上下文比格式更重要；以及决策涉及商业或声誉风险。
这体现了管理上的成熟。
在下一轮竞争中，能够为人工智能划定明确边界的企业将脱颖而出。胜出的并非那些将人工智能无处不用的企业，而是那些将判断权留给人类，并有条不紊地将其余工作实现自动化的企业。
如果您希望通过一款既能自动化分析，又不剥夺您决策控制权的平台来应用这种方法，不妨了解一下ELECTE——一款专为中小企业打造的AI驱动型数据分析平台。您可以亲眼见证它如何将原始数据转化为可操作的洞察、自动生成的报告以及有助于更快决策的有用信号，同时避免完全依赖AI。准备好根据数据采取行动了吗？立即开始免费试用 →
.svg)
.svg)
.svg)
