为何企业80%的AI投入看不到效果？

本文基于一次跨度2个月的深度研究性思想交互，希望能系统回答一个核心问题：AI时代，企业如何建构正确的认知框架并做出高质量的战略判断？研究将原创分析框架与学术研究证据、经营管理理论、技术史规律和当下AI变革实践与思潮等充分融合，有较多推理分析和核心成果，旨在为企业决策者提供一套经过严格思辨检验的，在AI时代思考决策企业变革的认知方法、分析框架和判断依据。

本文约20000字，核心结构如下：

问题意识与核心命题

对AI建构基本理解和判断的重要性

AI研究的起点与终点——回归商业成功的基本规律

影响商业持续成功的完整变量体系（ V1-V17）

AI时代关键变量的变与不变

技术平权后的竞争优势构建

组织变革的客观认知——边界、位置与局限

对当前AI主流话语体系的审视

核心结论与战略启示

01 问题意识与核心命题

2026年，一个深刻的矛盾摆在所有企业管理者面前。 

一方面，AI热潮持续升温。管理咨询公司密集发布转型报告，强调"不转型就死"；全球AI资本支出已超万亿美元，呈现与1990年代电信泡沫相似的模式——超大规模厂商"不敢在同行面前显得投资不足"；AI变革成最热主题，各种新名词层出不穷；"AI Agent将替代80%知识工作""全员AI素养""组织变革是关键"等命题占据话语主流。企业决策者也在这样的背景下面临巨大的判断压力和行动焦虑。 

然而，严肃的实证数据呈现了截然不同的画面： 

（注：本文标题中的"80%"来自NBER此项调查） 

这构成了一个深刻的矛盾：话语体系中的AI无比强大，数据中的AI尚在起步。投入侧同样触目惊心——95%的企业看不到投资回报，仅6%实现了显著利润提升；同时多数企业的AI基础设施成本显著超出初始预算，而驱动投入的动力甚至不是商业判断而是恐惧——多数CEO承认在尚未充分评估AI价值前已加大投入，"害怕落后"成为重要驱动力。 

更深层的问题在于：即便AI确实在微观层面提升了个体效率，这种提效也并不一定自动转化为企业的实际价值。从商业逻辑看，效率的真正价值必须体现为公司周转速度的提升——

杜邦公式：ROE = 利润率 × 周转率 × 杠杆率

周转率是直接驱动股东价值的核心因子。但从"1小时因AI提效到1分钟，个体或团队省下59分钟"到"公司周转加速"之间，其实隔着很长的距离，尤其对于大企业更是如此，其中至少存在两个断裂点： 

时间去向断裂：省下来的时间如果没有被组织机制导向更高价值的活动，就会消散——员工可能用剩余时间做与核心业务无关的事。微观提效变成了个人时间的释放，而非组织产能的提升。

质量突破断裂：如果AI只是让人 （或AI主导） 更快地产出差不多同等质量的工作 （一小时的数据分析变成一分钟，但洞察深度无质变） ，那么速度提升将不会带来创新和增长——而创新和质量恰恰是公司经营增长的另一个关键引擎。

这两个断裂某种程度上解释了"80%+无生产力提升"的深层原因，微观提效≠ 宏观提效。从个体提效到组织周转之间，存在一个曾经被忽视、现在也被很多人低估、且至今难以精确衡量的"传导机制"问题——没有这个机制，提升的效率可能就像水漏进了沙子里，消失了，不体现在任何组织指标上。而这个传导机制的设计，恰恰需要回到一个更根本的问题： 

核心问题意识

面对上述矛盾，一个根本性的问题意识构成了本次研究的出发点： 

在AI时代，企业面临的首要挑战不是"如何使用AI"，而是"如何对AI这个新变量建构正确的基本理解和判断"。因为不同的判断所带来的行动和举措有可能差异非常巨大，最终影响到实际效果。

这个问题意识背后有几层含义：

1.当一个新变量正在驱动一次深刻变革时，对它的基本理解和判断可能决定了整个变革一半的成败。 

2.基本理解和判断不代表守旧和没有新思维，相反其背后是认知水平和逻辑水平的集中体现。 

3.对肤浅认知的警惕是必要的——肤浅认知的危险不是让人什么都不做，而是让人自信地做错误的事。 

4.真理不一定掌握在多数人手里——尤其在范式转换的早期，主流共识的错误率历史性地偏高。 

本文的核心命题

经过深度研究和思辨检验，本文确立的核心命题是： 

研究AI对企业的影响，仍需回归到"商业持续和商业成功"的基本逻辑，以此为根本支点和起点，而不是以AI本身为起点。如果脱离了这个起点，研究就失去了方向，企业将很可能陷入"AI正确论"或盲目跟随的困境。

这个命题既不是保守主义，更不是对AI的否定。它完全赞同AI将非常深刻地影响和重塑当下的生产方式、管理方式和商业。但它坚持：给AI研究设定一个明确的起点 （商业的持续和成功靠什么） 和终点 （是否可以实现商业的持续和成功） ，是确保研究有方向、有边界、有评价标准的前提。

02 对AI建构基本理解和判断的重要性

 为什么"基本理解和判断"如此关键

对一个正在驱动变革的新变量，"建构基本理解和判断"这个认知行为本身，可能是决定变革成败的最关键环节。对此的论证基于以下逻辑： 

逻辑一：判断是行动的"倍增器"——方向对了执行力才有正回报

最终效果 = 方向正确度 × 执行力 × 环境配合度 

如果方向正确度为负值 （基本判断错了） ，执行力越强，偏离正确结果越远。 

典型案例：诺基亚在2007-2012年的执行力极强——它高效地执行了一个错误的判断 （坚持Symbian系统是未来） 。执行力完美，方向致命。 

"基本理解和判断"直接决定了"方向正确度"这个乘数。当乘数为正时，一切努力累积价值；当乘数为负时，一切努力累积负债。 

逻辑二：基本判断一旦形成，具有极强的锁定效应

认知心理学中大量实验验证的先入为主效应表明：人对一个事物的第一个判断框架，会极大地影响后续所有信息的处理方式。 

一旦一个企业领导者形成了对AI的某种"基本理解"： 

与这个理解一致的信息会被自动接收和强化。

与这个理解矛盾的信息会被自动过滤或合理化。

组织资源会围绕这个理解进行配置。

人才招聘、KPI设定、投资决策都会沿着这个理解展开。

修正一个已经付诸行动的基本判断，其成本远远高于一开始就做对。这就是为什么在建构环节投入深度认知资源的回报率最高。 

逻辑三：在变革期，判断差异产生的结果差异被指数级放大

在稳定期，不同企业对某个变量的理解差异可能只导致5-10%的绩效差异。但在变革期 （如当前的AI时代） ，同样的理解差异可能导致巨大差异。 

原因是：变革期打破了旧的平衡状态，各方重新争夺位置。在重新排序的过程中，初始条件的微小差异会被正反馈机制放大为巨大的结果差异。这是复杂系统中的"分岔点"现象——在关键转折点附近，微小的力就能决定系统走向完全不同的轨迹。对AI的基本判断，就是当前这个关键转折点上的"初始条件"。

"建构基本判断"这个认知行为包含什么

"建构基本判断"不是一个瞬间顿悟或直觉经验，而是一个结构化的认知过程。它可以拆解为四个层次： 

层次一：定位——这个新变量在商业逻辑体系中处于什么位置

这是最根本的认知行为：给AI找到它在商业逻辑体系中的位置。它是目的还是手段？它是原因还是条件？它影响哪些基本命题？ 

定位的质量取决于：你对商业逻辑体系本身理解得有多深。 

对新变量的判断深度，永远不可能超过你对它所嵌入的那个体系的理解深度。

如果一个人对"企业持续成功靠什么"只有浅显或偏颇理解 （比如只知道或最关注"降本增效"） ，那他给AI的定位必然也是浅显和偏颇的 （"AI用来降本增效"） 。如果一个人对商业成功有深刻的多维度理解，他才可能能给AI一个精确的定位。 

层次二：区分——什么是本质性的，什么是现象性的

AI现在呈现出大量现象：生成文本、生成图像、写代码、做决策辅助、Agent自动化……浅显的认知可能优先把这些现象并列，然后问"我该用哪个"。而深刻的认知会在所有这些现象背后，找到统一的本质性特征。 

关于AI本质，这里提供一个判断 （供挑战和检验） ： 

AI的本质性特征不是"智能"，而是"将认知行为的边际成本降至趋近于零"。

过去，每一次判断、分析、创作、翻译都需要一个人花时间去做。AI让这些认知行为的边际成本从"一个人的一小时"变成了"几元的算力"。 

如果这个判断成立，对商业的影响就变得结构性地清晰： 

任何以认知行为作为核心交付物的行业，都将面临成本结构的根本性重塑。

任何以认知行为的稀缺性作为定价基础的服务，都将面临价值重估。

但认知行为所服务的目标 （客户需求被满足、问题被解决） ——这个目标本身不变。

层次三：判断变化的节奏和节点

肤浅的判断只回答"AI会不会改变X"。深刻的判断还要回答"什么时候、以什么条件、以什么顺序"。比如下面的举例，不同判断就有不同的行动计划来应对： 

时间判断的精度直接决定行动节奏的合理性。 而时间判断恰恰是最难做、也最容易被主流叙事扭曲的。Roy Amara （罗伊·阿玛拉） 定律精确描述了这个陷阱： 

"人们倾向于高估一项新技术的短期影响，而低估其长期影响。"

层次四：识别自己的认知边界——知道自己"不知道什么"

这是最高级的认知行为。浅显认知的特征不是"错误"，而是"不知道自己的判断在哪里可能出错"。它表现为一种虚假的确定感。

深刻认知的特征是：在给出判断的同时，精确地知道这个判断依赖哪些前提假设，以及如果这些假设被打破，判断需要如何修正。

对AI认知的五个层级（L1-L5模型）

按这个标准，AI基于公开信息给了一个非严谨的现状判断：

大多数企业领导者停在L2-L3

大多数管理咨询报告停在L3

大多数学术研究在L3-L4

能同时做L4和L5的人——既构建体系又质疑体系——是真正稀缺的

核心启示：

AI技术正在快速民主化 （人人可获取） ，但对AI的深度认知没有民主化 （依然极度稀缺） 。当工具人人有但判断力少数人有时，判断力就成为了最稀缺的竞争要素。

当前对AI"基本判断"的四种肤浅模式

在L1-L2层面形成判断的人，通常呈现以下肤浅模式： 

肤浅模式1：功能罗列替代本质理解

"AI可以写文章、做PPT、分析数据、生成代码、自动化流程……"——这不是理解，这其实像产品说明书。它回答了"AI能做什么"，但没有回答"AI是什么"以及"它为什么重要"。很多企业的AI战略就建立在这种功能罗列之上——找场景、做POC、计算ROI——但基本不追问更根本的问题。 

肤浅模式2：类比替代分析

"AI就像电力/互联网/蒸汽机"——类比提供直觉，但不提供精确性。每一种类比都有成立的部分和不成立的部分。如果不追问"这个类比在哪里破裂"，类比就会变成思维的懒惰工具，而非认知的起点。 

肤浅模式3：口号替代判断

"AI时代，不转型就死""拥抱AI，赋能未来""AI First"——这些口号如果不辩证的深究，实际没有多少认知含量。它们既不帮助理解AI，也不帮助做出具体决策。但它们在组织中被广泛使用，制造了一种"我们有方向"的虚假安全感。 

肤浅模式4：把"学会使用工具"等同于"理解这个变量"

很多人认为"我会用ChatGPT/Copilot了"就意味着"我理解AI了"。但会开车不等于理解交通系统如何重塑城市形态。工具使用层面的熟练和战略判断层面的洞察是完全不同的认知层级。

一种特别值得警惕的认知模式：把"最新实践"当作"最佳实践"

在以上四种肤浅模式之外，还有一种在当前AI变革早期特别普遍且特别具有误导性的认知模式，值得单独展开分析。 

大量决策者的AI认知输入来自案例分享——某某企业裁员40%、某某公司全员AI认证、某某团队用AI重构了工作流。这些案例被以"启示""规律""最佳实践"的姿态呈现给管理者，暗示"你也应该这样做"。 

然而，一个根本性的问题被跳过了：什么条件下，一个企业的做法才有资格被称为"最佳实践"？

严格来说，"最佳实践"必须同时满足五个条件： 

商业史上真正被称为"最佳实践"的东西——丰田生产方式、亚马逊飞轮、GE六西格玛——无一不是经过十年以上的结果验证才获得这个地位的。它们是用持续的商业成功"证明"出来的，而非在早期阶段被"宣传"出来的。 

当前AI领域被广泛传播的案例，准确地说是"最新实践" （latest practice） 或"先锋实践" （frontier practice） ——而非"最佳实践" （best practice） 。 两者之间存在巨大的差距。 

历史反复证明：在每一次技术狂热期，都有一批"先锋实践"被包装成"最佳实践"广泛传播，最终大部分被证明是错误的或至少是过早的——

这种混淆的危险机制是什么？

先锋企业做了X （尚无结 果验 证） 

+以最佳实践姿态传播

+受众缺乏判断框架

=受众得出结论：我们也应该做X

这中间至少跳过了三个必要的判断步骤： 

1.X的结果到底好不好？ （未验证） 

2.即使X在那家企业有效，在我的情境下是否也有效？ （未检验） 

3.X是否是唯一选择？有没有更适合我的Y？ （未比较） 

这种模式的本质：它用"别人做了什么"来替代"我应该做什么"的判断——把模仿当作战略，把跟随当作决策。它制造了一种"我有参照物所以我有方向"的虚假安全感，但实际上回避了真正困难的认知建构工作。 

当然，一个必要的客观性是：并非所有"先锋实践"最终都会失败。丰田生产方式在1960年代也是"先锋实践"，后来确实成为了被验证的"最佳实践"。区分的关键不在于排斥先锋实践，而在于对它的态度——把它当作"值得观察的实验"还是"值得模仿的答案"。前者让你保持判断力和选择权，后者让你放弃判断力变成跟随者。当前AI领域的问题不是"有人在做先锋实践" （这是好事，探索本身有价值） ，而是"先锋实践被以'最佳实践'的姿态呈现给缺乏判断框架的决策者" （这是危险的） 。 

对"最新实践"的正确态度是：作为观察对象来学习其操作细节，但不作为"方向正确"的证据来指导决策。观察是为了增加选项，不是为了替代判断。

这恰恰是为什么本文坚持"先建构基本认知和判断框架，再审视具体实践"的方法论顺序——没有框架的人看案例，很容易模仿冲动；有框架的人看案例，才能从中提取真正有价值的信息并过滤掉噪音。

03 AI研究的起点与终点—回归商业成功的基本规律

从常识出发：企业经营的终极目标

在讨论方法论之前，先确认一个不需要论证的常识： 

企业经营的全部目的，就是实现商业的持续和商业的成功。

这在逻辑上很容易理解：企业所有的经营管理活动——无论是战略规划、产品创新、组织变革还是技术投入——都是手段，目的只有一个：让企业持续存活并持续成功。它不因时代、行业或技术环境的不同而改变。

从这个常识出发，一个关键的推论浮出水面： 

对于任何外部变量 （包括AI） ，企业需要追问的第一个问题不是"它有多强大"或"别人在怎么用"，而是——"它是否影响了决定我商业持续和商业成功的那些关键要素？如果影响了，影响了哪些？以什么方式？如果没有影响，我为什么要在这上面投入资源？"

这其实也是常识。但在当前的AI热潮中，这个常识恰恰是最先被遗忘的——大量企业在没有回答"AI是否影响了我的核心成功要素"之前，就开始投入资源做AI转型。投入的理由不是"它影响了我的什么"，而是"别人都在做""不做就落后了"。这是用焦虑替代了判断。 

举一个极端但有说明力的例子：一个手工家具作坊，其商业持续成功的根本要素是匠人手艺、款式审美和口碑信任。在当下的AI还没有实质性影响这三个要素中任何一个的情况下，这个作坊不关注AI是完全理性的决策——不是落后，而是清醒。反过来，如果有一天AI影响了其竞争对手的成本结构或设计能力，那时它才需要重新审视——原因不是"AI很强"，而是"AI开始触碰到影响我持续成功的变量了"。 

确认完常识，那么在逻辑层面我们继续分析：在两条截然不同的路径下思考AI对企业的影响，如果出发点不同，产出质量会有哪些根本差异？

两种研究路径的根本差异

当前存在两种截然不同的研究AI的路径： 

路径A （以AI为起点） ：AI能做什么？→ 别家在干嘛？→评估要不要做→找场景落地 

路径B （以商业逻辑为起点） ：企业持续成功靠什么？→ AI如何影响每个要素 → 找出关键要素→做出选择

这两条路径不是修辞差异，而是会导致完全不同的研究产出和决策质量： 

为什么路径B更优——三层论证

逻辑层面：它解决了"AI研究没有终点"的问题

当前绝大多数AI研究容易陷入的困境是： 

AI能做X → X会改变Y → Y会影响Z → Z又会催生新的AI能力 → ……

这是一个没有终止条件的循环。每一篇AI报告都在往这个链条上加环节，但没有人告诉你在哪里停下来做判断。

路径B提供了一个终止条件：

任何AI的影响链，最终必须映射到"是否增强了企业持续创造客户价值的能力"上。如果映射不上去，这个影响链对决策者而言就是噪音。

这不是简化，这是给认知设定边界。没有边界的研究不是研究，是信息焦虑的放大器。 

价值体现：它提供了一个判断"什么重要、什么不重要"的过滤器——在AI信息爆炸的时代，这个过滤器的价值可能是巨大的。

方法论层面：它把AI从"原因"变成了"条件"

主流AI研究的隐含假设是： 

AI是原因 （因） ，企业变革是结果 （果） 。

这个假设下，研究方向 容易聚焦在"AI会带来什么"。但路径B把关系反转了： 

企业持续成功的逻辑是不变的基准，AI是调节条件——它调节实现这个逻辑的方式、速度和门槛。

这个反转的深刻之处在于：它把主体性还给了企业决策者。不是AI决定企业的命运，而是企业基于自己的核心逻辑来选择性地吸纳AI。 

在管理学上，这对应的是"战略选择学派"vs"环境决定论"的根本分歧。路径B站在战略选择一边——承认环境在变，但坚持组织有主动性做出选择。 

价值体现：它恢复了"人作为决策主体"的尊严，抵抗了技术决定论的侵蚀。

实践层面：它直接回应了决策者真正面对的困境

企业领导者在AI时代面对的核心困境不是"要不要用AI" （这已经没有争议） ，而是： 

"在资源有限的情况下，我应该把AI投入在哪里、以什么节奏投入、投入到什么深度？"

这是一个优先级排序问题。优先级排序必须有一个衡量标准。 

路径B提供了这个衡量标准：哪个AI投入最能强化我持续创造客户价值的能力，就优先做哪个。 

这在实践中极具区分度： 

花大量资源开发内部AI聊天机器人给员工用 → 强化了哪个基本命题？答案模糊 → 可能是追热点

用AI重构产品推荐逻辑使客户满意度提升 → 直接强化客户价值创造力 → 优先级清晰

价值体现：它为决策者提供了资源配置的判断标准。

这个起点具有"远见"

一个可能的质疑是：以"商业持续和商业成功"为起点，会不会只是一个"安全的、不出错的、但缺乏前瞻性的"选择？ 

回答：不是。理由如下—— 

真正有远见的框架，特征不是"预测未来会怎样"，而是"无论未来怎样都能成立"。

如果AI发展超出预期 → 框架依然成立 （只是说"回到基本逻辑来审视AI"，不是说"AI不重要"）

如果AI发展不及预期 （泡沫破裂）  → 框架更加成立 （那些没有立足基本逻辑的企业是最大受害者）

如果AI发展出全新商业模式 （颠覆性创新）  → 框架需要做的只是更新基本命题的列表，结构不变

这种在不同未来情景下都站得住的稳健性 （robustness） ，恰恰是远见的定义。远见不是猜对了某个具体结果，而是无论结果如何，你的判断框架都不会让你做出灾难性错误决策。 

用Nassim Taleb （纳西姆·塔勒布） 的语言说：这个框架是"反脆弱"的——它不依赖于对未来的具体预测来保持有效。

这个逻辑的学术支撑

这个方法论命题不是孤立的直觉，它在严肃学术研究中有多条独立证据线的支撑 （详见附录） ： 

04 影响商业持续成功的完整变量体系

既然我们主张"以企业持续成功的底层逻辑为起点"，那么首先需要回答：什么决定了企业的持续成功？关键变量有哪些？

建立这个变量体系时，必须遵循一个方法论警告： 

如果我们没有把变量考虑得非常完整，我们就有可能会遗漏掉最重要的变量，而把那个我们有限判断和认知范围内知道的变量误以为是最重要的，这有可能会陷入偏颇。

这个警告的具体含义是： 

不预设任何一个变量"最重要"

承认不同情境下瓶颈变量不同

承认变量之间存在复杂的相互关系

警惕专业背景带来的可得性偏差 （HR容易高估组织，技术人容易高估技术）

完整变量体系：三层17个变量 

基于上述前提，笔者通过以下三个原则筛选出17个变量： 

穷举性：覆盖从"为谁创造价值"到"用什么方式创造"的完整链条，确保不遗漏；

独立性：每个变量代表一个不可被其他变量替代的独立解释力；

可检验性：每个变量都能对应可观察的企业行为或结果，而非纯粹的抽象概念。

然后再将影响企业持续成功的17个变量按其"跨时代稳定性"分为三层： 

第一层：底层不变量（跨所有时代成立，经受200多年商业史检验）

这六个变量的核心特征：它们是"元变量"——任何技术革命都没有推翻它们。蒸汽机时代、电气时代、信息时代、AI时代，这六个变量始终是决定企业持续成功的基础。 

第二层：中间层周期变量（跨数个技术周期成立，但在更长历史中会演变）

第三层：表层时代变量（AI时代新增或权重显著提升）

变量之间的逻辑关系与层次结构

这17个变量不是平行排列的，它们之间存在层次和因果关系： 

这个结构的关键启示：

直接产出成功的是"价值交付层"——V1、V7、V11

决定方向的是"战略决策层"——V2、V3、V8

提供支撑的是"能力基础层"——V5、V9、V10

组织能力 （V9） 处于"能力基础层"——它是支撑上层战略和价值创造的底座之一，但它不是唯一的底座，更不是直接产出成功的变量 

不同情境下的关键瓶颈变量

不存在一个在所有情境下都"最重要"的变量。瓶颈因情境而异： 

AI时代的独特挑战：它可能同时挑战多个变量，而非仅挑战某一个。这就是为什么单独强调"组织变革"或单独强调任何一个变量，都可能是不够的。

05AI时代关键变量的变与不变

 没有发生根本变化的变量

核心结论：这五个变量的逻辑没有变。但"逻辑没变"不等于"玩法没变"——V1的竞争基线在提高，V2的判断难度在加大，V5的领导场景在变 （需要领导人机混合团队） 。 

发生了根本性变化（质变）的变量

此处区分"量的变化"和"质的变化"： 

量的变化 = 速度更快、成本更低、规模更大，但本质逻辑没变

质的变化 = 运行逻辑本身发生了改变

三个最本质的变化

在所有变化中，有三个是最深层、最结构性的： 

本质变化一：创新供给从稀缺变为丰裕

这是AI带来的最深层结构性变化。在过去所有时代，创新都是稀缺资源——好想法少、实现慢、成本高。AI让创新的供给端发生了质变： 

创意的边际成本趋近于零 （AI可以生成数百个方案）

原型实现的边际成本趋近于零 （AI可以快速写代码、做设计）

测试验证的边际成本趋近于零 （AI可以模拟和A/B测试）

这意味着：创新的瓶颈从"供给不足"转向了"选择过载"和"鉴别困难"。当所有人都能快速产出创新方案时，判断哪个方案真正创造客户价值的能力，就成为了新的关键瓶颈。 

战略推论：这直接强化了V1（客户价值创造力）和V2（战略判断力）的重要性——它们没变，但它们的权重反而上升了。不变的变量在AI时代变得更关键了。

本质变化二：规模的定义被重写

过去，"大"本身就是优势——大工厂、大团队、大渠道、大资本。AI时代： 

Midjourney约11人团队 （截至2024年） 即支撑约10亿美元估值

2个人的AI SaaS公司可以服务10万用户

1个人+AI可以完成过去一个部门做的事

"有效规模"的门槛急剧下降。这不意味着大公司会死，但它意味着：大公司的规模优势必须重新证明自己的价值——不能再仅仅依靠"大"来赢，必须证明"大而智能"优于"小而灵活"。 

战略推论：企业不能假设自己的规模是壁垒。需要问："在AI条件下，我的规模优势体现在哪里？它是否可能被一个小而精的AI-native团队绕过？" 

本质变化三：人才产出的方差急剧扩大

在过去，一个行业中不同人才之间的产出差异可能是3-5倍。AI时代，这个差异可能变成30-50倍： 

一个深刻理解AI能力边界、善于设计人机协作的专家 × AI = 极高产出

一个只会使用AI工具的普通员工 × AI = 中等产出

一个不会/拒绝使用AI的员工 = 低产出

战略推论：人才密度（V10）的重要性不是降低了，而是指数级升高了。关键岗位上放对人，比过去任何时候都更重要。"平均人才水平"这个指标的意义在下降，"关键岗位是否有顶尖人才"的意义在上升。

一个统一的洞察

把三个本质变化放在一起，可以得出一个统一的洞察： 

AI时代的悖论：AI让很多事情变得更容易 （创新更容易、规模更容易达成、信息获取更容易） ，但恰恰因为"容易的事"变容易了，"难的事"的价值就被凸显了——判断力、品味、远见、领导力、深度客户洞察——这些AI做不到的事，反而因为AI的存在而变得更稀缺、更值钱。

06 技术平权后的竞争优势构建

当AI发展到一定阶段，如果技术本身对所有企业都是平权和基本一致的 （都会操作和熟练使用AI工具，如AI时代前的office一般） ，那么：AI如何能够帮助企业建立起更强大的竞争力和竞争优势？它如何去发挥作用？

这是一个极其硬核的战略问题。 

首先排除一个错误答案

"用AI降本增效，从而获得成本优势。" 

为什么错？因为如果AI对所有企业平权，所有企业都能用AI降本增效，那全行业的成本线同时下降，没有单个企业获得相对优势。你省下的成本，你的竞争对手也省下了。 

这就像Michael Porter （迈克尔·波特） 分析过的：运营效率的普遍提升只是推动了生产力前沿外移，但没有任何企业因此获得可持续竞争优势。效率提升是参与竞争的门票，不是赢得竞争的武器。

六个真正的竞争优势机制

在逻辑上，当AI对所有企业平权时，竞争优势只能来自三个方向——这三个方向是穷举的： 

1.起点不同——被乘数不同 （你既有的商业能力比对手强） → 对应机制一

2.路径不同——使用AI的方式不同 （你用AI做的事和对手不一样） → 对应机制二、三、四、五

3.终点不同——知道什么时候停止依赖AI （保持人的独特判断力） → 对应机制六

为什么是穷举的？因为在"工具相同"的条件下，差异只能来自三处：你带进来的东西 （起点） 、你用工具做的事 （路径） 、你最终的判断 （终点） 。没有第四种可能性。 

机制一：AI放大既有优势——让强的更强

AI不是创造优势的起点，而是优势放大器。核心公式： 

竞争优势 = 既有优势 × AI放大系数

一个在客户洞察、数据积累、品牌信任上已经领先的企业，用AI后这些优势会被放大；一个在这些方面落后的企业，即使用了同样的AI，也无法追上。 

具体案例逻辑：

一个有推荐算法优势的企业 × AI = 更精准的内容分发，用户黏性进一步提升

一个拥有20年客户行为数据的企业 × AI = 极其精准的个性化服务

一个没有数据积累的企业× 同样的AI = 通用的、无差异的服务

核心含义：AI不改变竞争优势的来源，但改变了竞争优势的乘数。先建立优势，再用AI放大——顺序不能反。

机制二：AI重构价值链——重新定义"做什么"而非"怎么做"

大多数企业用AI的思维是"我现有的业务流程中，哪些环节可以用AI优化？"——这是效率思维。 

更有价值的思维是重构思维：在AI可用的条件下，这个行业的价值链应该长什么样？ 

效率思维谁都能做 （因为AI平权） ，但重构思维需要V2 （战略判断力） 和V1 （客户价值创造力） ——这两个没有变的变量，反而在此处发挥决定性作用。

机制三：AI与专有数据的复合效应——形成"越用越强"的飞轮

虽然AI模型本身是平权的，但喂给AI的数据不是平权的。每家企业拥有的客户数据、行业知识、运营经验是独一无二的。 

专有数据→ 训练出更懂自己业务的AI → 更好的服务和产品 → 更多客户 → 更多专有数据 → 更好的AI → …… （飞轮效应） 

这个飞轮一旦转起来，就形成了AI时代的新型规模效应：不是物理资产的规模，而是数据-智能的规模。先行者因为先积累了数据，AI效果就更好，吸引更多客户，产生更多数据——后来者即使有同样的AI技术，也缺乏数据来达到同等效果。 

机制四：人机协作的独特设计——不可复制的组织知识

V14 （人机协作设计能力） 是AI时代的全新变量。它之所以能构成竞争优势，是因为"人做什么、AI做什么、怎么衔接"这个设计没有标准答案，且高度依赖具体业务场景。 

两个企业用同样的AI工具，但如果： 

企业A设计了高效的人机协作流程——人负责判断和创意，AI负责生成和筛选，两者无缝衔接

企业B只是让人"用AI工具"——人把AI当搜索引擎用，协作无设计

两者的AI价值提取率可能差10倍以上。 

而且这种协作设计一旦形成组织习惯（隐性知识），竞争对手很难复制——因为它嵌入在具体的业务场景、人员能力和工作流程中，不是买一个工具就能获得的。它是一种新型的不可被简单模仿的组织知识。

机制五：AI加速V4 （学习速度） ——比对手更快地"学会"

如果所有企业都有AI，但使用方式不同： 

企业A用AI来持续监测市场变化、分析客户反馈、识别新机会、模拟战略选项

企业B用AI来让员工写邮件更快、做PPT更漂亮

企业A的V4 （学习与适应速度） 被AI指数级放大。6个月后，企业A对市场的理解深度远超企业B。12个月后，企业A做出的战略调整已经领先企业B两个周期。24个月后，差距可能不可逆转。 

核心洞察：竞争优势不来自"拥有AI"本身，而来自"用AI来做什么"的选择——这个选择取决于V2（战略判断力） 。同样的工具，不同的使用方向，产出天差地别。 

机制六：V17 （认知独立性） ——在AI时代保持"人"的独特判断力

这是一个反直觉但极重要的机制。 

当所有企业都用AI做决策辅助时，如果所有企业的决策者都在看AI给出的类似建议，行业决策就会出现趋同——大家做出类似的产品、类似的战略、类似的定价。

在这种趋同环境中，能独立于AI建议做出不同判断的领导者，反而可能发现被AI建议忽略的机会。

原因：AI的训练数据来自过去，它的建议倾向于"过去有效的方式"。但颠覆性创新恰恰来自"过去没有人做过的方式"。如果所有人都听AI的，就没有人会做真正创新的事。

在AI平权时代，最大的差异化可能不是"更好地使用AI"，而是"在关键节点上知道什么时候不听AI的"。

六个机制的统一框架

6. 核心结论：AI是乘号

AI是乘号，不是被乘数。被乘数是你既有的商业能力。2×10=20，2×1=2——同样的乘号 （AI） ，结果天差地别，因为被乘数不同。 

这个隐喻的完整含义：

AI放大你的优势，也放大你的劣势

先有被乘数 （商业基本面） ，再有乘号 （AI） ——顺序不能反

把AI当起点的人，最终会拥有最好的工具和最模糊的方向

把商业逻辑当起点的人，最终会让AI成为最强竞争力的指数级放大器

一个反面印证：Klarna的AI全替代实验与反转。2024年，瑞典金融科技公司Klarna激进地用AI替代了约700名人工客服的工作量，处理了三分之二的客服对话。CEO公开宣称"AI能做我们人类的所有工作"，整年未招聘任何员工。2025年5月，剧情反转——CEO承认"成本成了过于主导的评估因素，最终导致了质量下降"，公司宣布重新招聘人工客服。 

Klarna把AI当作了被乘数——"AI能做什么我就用AI替代什么"——而没有先审视"客户服务的持续成功靠什么" （理解深度、沟通温度、复杂情境下的判断力） ，再用AI放大这些能力。当被乘数被弱化时，乘号 （AI） 越大，放大的恰恰是问题本身——不是"做得更好"，而是"更高效地做差了"。 

一个正面印证：英伟达的成功精确演示了"AI是乘号"。英伟达2024-2026年的爆发并非源于"AI替代了什么"，而是源于AI浪潮放大了它30年积累的既有商业能力——GPU架构判断、CUDA开发者生态、并行计算认知、对计算密集型场景的产品定位。这些被乘数都不是AI带来的，是AI带来之前就在的。当AI浪潮到来，乘号被启动，被乘数足够强的英伟达就获得了指数级回报；而那些没有相应被乘数的企业，即便同样使用AI，也无法获得类似结果。 

这个正面案例和Klarna的反面案例形成镜像——同样的乘号，不同的被乘数，结果天差地别。AI的真实价值是巨大的，但它的价值依附于你的被乘数——这正是为什么"AI能做什么"不是企业最该问的问题，"AI能放大我的什么"才是。

07 组织变革的客观认知——边界、位置与局限

为什么需要单独讨论组织变革的定位

当前AI转型的主流话语中，从主流咨询机构到商学院再到行业研究人员，"组织变革是关键"、"AI转型的核心是组织变革"等成为高频提出的观点。 

然而，基于前面的分析推理，尤其是17个关键变量的详细拆解，我们有理由给出推断：这些观点可能将"组织变革"的位置放得过高了——将一个"必要条件"错误地论证为了"最重要的决定因素"。

那么是否真的放得过高？组织变革应有的位置在哪里？组织变革与企业整体性变革如何建立合理的逻辑关系？澄清这些问题具有现实意义。 

组织变革到底是什么——概念边界的精确界定

"组织变革"在管理学中是一个被严重滥用的词，但实际上并不好理解，界定清楚这个概念对讨论至关重要。 

组织变革的三层六维度拆解

第一层：架构层变革

第二层：运转层变革

第三层：能力与文化变革

组织变革"不是什么"——明确的边界

组织变革在整个变量体系中的真实位置

基于以上界定，组织变革 （V9） 的准确定位是： 

组织变革是一个"使能条件" （enabler） ，但它本身不产生方向、不创造客户价值、不替代战略判断。它是"让正确的事情能够被执行"的载体，但"什么是正确的事"不是组织变革能回答的。

更精确地说： 

核心区分：组织变革是"条件"，不是"原因"。

 为什么"组织变革是关键"的说法被过度传播

在研究中，我们识别出这个命题被过度传播的结构性原因： 

原因1：知识生产者的利益和专业倾向

原因2：证据引用中的逻辑滑动

比如：BCG的"10-20-70"法则被广泛引用——70%的价值来自人员/流程/组织协同。但这个数据说的是"实现AI价值的必要条件中，组织侧占最大比例"——这不等于"组织变革是商业成功的最重要因素"。但在传播中却发生了微妙偏移——70%被高频引用为"组织变革是商业成功的最重要因素"。

需要明确的是：主流咨询报告在其精确表述中并未犯逻辑错误，他们的不少观点笔者也很赞同。本文质疑的不是这些研究结论本身，而是这些结论在被企业决策者接收、一些自媒体传播时发生的认知偏差和利用——从"实现AI价值需要组织配合"滑坡为"组织变革是AI成功的关键"，从"必要条件"滑坡为"最重要因素"。问题出在传播链和接收端，不完全在知识生产端。 

原因3：二元对立思维的陷阱

"技术不是瓶颈 → 所以组织是瓶颈"——这个排除法的推理跳过了大量其他可能性。决定企业成功的变量有17个之多，不能因为排除了一个就默认剩下的某一个是答案。 

 一个极端反例

诺基亚在2007-2012年做了大量的组织变革 （多次重组、流程再造、文化项目） ，但依然失败了。

原因不是组织变革做得不好，而是： 

战略方向判断错误 （坚持Symbian） ——V2失败

产品创新能力不足 （触屏体验远逊于iPhone） ——V1/V8失败

领导层未能做出关键决断——V5失败

组织变革无法弥补战略和产品层面的根本性失误。如果方向是错的，组织越高效地执行，离正确越远。

修正后的精确命题

对HR组织工作的战略启示

以上分析不是否定组织变革的价值，而是给它一个精确的定位：

1.在AI时代，企业持续成功需要同时做对三件事 （有顺序依赖关系） ：判断对方向 （V2战略判断力——AI改变了什么、不改变什么） 

2.找到对切入点 （V1客户价值 + V3资源配置——AI应该优先投在哪里） 

3.在窗口期内建设对能力（V9组织能力 + V10人才 + V14人机协作——让AI真正嵌入） 

三者缺一不可，且有顺序：1→2→3。组织变革属于第3步，它重要，但它依赖于前两步的正确。

HR组织工作的最大战略价值不是"推动组织变革"本身，而是确保组织变革服务于正确的方向和正确的切入点。如果方向和切入点由其他职能确定后"扔"给HR来执行，HR就沦为了执行者而非战略伙伴。真正的战略价值在于参与第1步和第2步的判断过程——从组织和人才视角为战略方向的选择提供输入。 

08 对当前AI主流话语体系的审视

把组织变革放回它应有的位置之后，我们可以把视野拉得更宽：不只是组织变革可能被过度传播，整个当前AI话语体系也存在可称之为严重的认知偏差。审视不是质疑AI本身的价值，也不是否定一些研究成果，而是谨慎思考围绕AI形成的话语体系是否准确地反映了AI的真实影响。两者是可以并行的——越是认可AI的真实价值，就越有理由对关于AI的话语保持清醒。

真理不一定掌握在多数人手里

历史证据表明：在每一次重大技术/商业范式转换的早期阶段，主流共识的错误率极高。

主流共识错在哪里？ 不是在事实判断上错（他们 对当时技术状态 的描述是准确的），而是在趋势外推的方向上错——有时是用现状的局限性去否定未来的可能性，有时是用早期的现象去夸大未来的速度，陷入非理性的狂热也盲目乐观 （焦虑） 。 

当前AI话语中值得质疑的五个"主流共识"

主流共识系统性出错的四个结构性原因

原因1：思维惯性——用旧范式的框架解释新事物

大多数AI研究者的知识框架建立在"数字化转型"时代。他们自然地把AI转型类比为数字化转型——强调变革管理、组织准备度、人才发展等。但如果AI的颠覆性质与数字化转型不在同一个量级上呢？类比本身可能就是错的。 

原因2：幸存者偏差——只听到"活下来的人"的经验

能在公开场合分享"AI转型经验"的企业，都是还活着的企业。死掉的企业不会上台演讲。所以我们听到的都是"我们做对了什么"的叙事，而看不到"完全不同的路径是否可能更好"。 

原因3：利益驱动的知识生产

当前AI话语体系中最有声量的参与者，恰恰是与AI转型有直接利益关系的人：AI公司要卖产品、咨询公司要卖服务、投资人要维持估值、学者要发论文。几乎没有哪个主流声音的激励机制是"说出不利于AI热度的真话"。 

这不是阴谋论——每个人都是真诚的——但系统性的激励偏差会产生系统性的认知偏差。 

原因4：复杂系统中的"可说性偏差"

有些深刻的洞察是难以用简洁语言表达的。在公共话语中，能够存活和传播的是简洁有力的命题： 

"AI将重塑一切" ✓ 容易传播

"AI在某些维度的某些条件下会深刻改变某些环节但在另一些条件下影响有限且取决于多个交互变量" ✗ 无法传播

结果是：主流共识天然倾向于简化和极化。真正精确的判断因为"不够有力"而被淹没在话语竞争中。

什么样的判断更可能接近真理

观察1：最好的判断通常来自"跨界但有实操"的人——纯学者容易过度理论化，纯实操者容易经验主义，纯技术人看不到组织，纯管理人看不到技术可能性的边界。 

观察2：最可靠的命题通常是"有条件的"而非"绝对的"——精确的判断几乎总是带条件的。如果一个关于AI的判断没有限定条件就被呈现为普遍真理，它大概率是过度简化的。 

观察3：真正有价值的"不同意见"往往不是否定主流，而是修正主流的适用边界——不是说"主流一定错"，而是说"主流在什么条件下成立、在什么条件下不成立"。 

09 核心结论与战略启示

回到开篇的数字：80%+的企业AI投入未见生产力提升，95%看不到投资回报，仅6%实现了显著利润提升，且多数CEO承认是"怕落后"在驱动投资。 

这些数字可能并非偶然。它们指向一个被忽略的根本问题：大多数企业的AI投入，可能没有完全建立在正确的基本理解和判断基础上。

经过本文前面的论述，可以总结出以下核心判断： 

十大核心结论

结论1：对AI建构高质量的基本理解和判断，可能决定企业AI变革一半的成败

这不是夸张——因为基本判断决定方向正确度，方向正确度是所有后续行动的乘数。方向对了一切努力累积价值，方向错了一切努力累积负债。 

结论2：研究AI的正确起点是"企业持续成功靠什么"，而非AI本身

以AI为起点的研究没有终止条件和归宿；以商业逻辑为起点的研究有方向、有边界、有评价标准。AI是条件，不是原因，是关键变量，但不是唯一变量。

结论3：持续成功的底层逻辑没有变——但它变得更稀缺更值钱了

客户价值创造力、战略判断力、领导力、执行纪律、品牌信任——这些"不变项"在AI时代的权重反而上升，因为AI让"容易的事"变容易后，"难的事" （判断力、品味、远见） 的稀缺性反而凸显。 

结论4：AI时代三个最本质的变化是：创新供给丰裕化、规模定义重写、人才产出方差扩大

这三个变化不是渐进的量变，而是运行逻辑的质变。它们共同指向一个推论：在AI时代，鉴别力和判断力成为新的核心瓶颈。 

结论5：AI是乘号不是被乘数

竞争优势 = 既有优势 × AI放大系数。AI不改变优势来源，改变乘数。先建立被乘数（商业基本面），再用乘号（AI）放大——顺序不能反。 

结论6：技术平权后的竞争优势来自六个机制

放大既有优势、重构价值链、专有数据飞轮、人机协作独特设计、AI加速学习、认知独立性。其中，"认知独立性"——知道什么时候不听AI的——可能是最反直觉也最有价值的差异化来源。 

结论7：组织变革是必要条件但非充分条件，是"条件"而非"原因"

组织变革支撑战略和价值创造，但不产生方向、不创造客户价值、不替代战略判断，并非决定因素。它在"方向正确"的前提下是关键落地瓶颈，但方向错误时无法弥补。 

结论8：当前AI主流话语体系存在系统性偏差

利益驱动的知识生产、思维惯性、幸存者偏差、可说性偏差共同作用，使得主流共识倾向于简化和极化。在范式转换早期，主流共识的可靠性历史性地偏低。 

结论9：对AI的认知层级从L1到L5递进，当前大多数停在L2-L3

从功能认知到应用认知到战略认知到系统认知到元认知——每一层的跃迁都是质的飞跃。真正稀缺的是L4-L5层级的认知能力。 

结论10：AI时代最稀缺的竞争要素是"高质量的认知建构能力"

AI技术正在民主化，但深度认知没有民主化。当工具人人有但判断力少数人有时，判断力就是最稀缺的竞争要素。 

对企业AI转型决策的战略启示

启示1：在一切AI行动之前，先完成认知建构

在选择AI工具、搭建技术平台、推动组织变革之前，先回答一个更根本的问题：AI在我的商业逻辑体系中，到底处于什么位置？它放大的是我的什么？它不改变的是什么？它要求我新增的是什么？

这个认知建构的质量——而非后续的任何技术或组织行动——可能才是决定AI转型成败最关键的前置条件。 

启示2：AI投入的优先级应该由商业逻辑决定，而非单一的技术可能性

不是"AI能做什么我就做什么"，而是"我的核心价值创造逻辑中，哪个环节最能被AI强化，我就优先做哪个"。用商业逻辑做过滤器，可以极大地减少无效投入。

启示3：警惕"共识即正确"的思维惯性

在AI领域，"大家都在做的事"不一定是对的。要区分"行业必要动作" （不做就出局） 和"战略差异化动作" （做了才领先） 。前者跟随即可，后者需要独立判断。 

启示4：企业AI变革需要三步走——方向→切入→能力

第1步：判断对方向 （AI改变了什么、不改变什么？） ——需要V2战略判断力

第2步：找对切入点 （AI应该优先投在哪里？） ——需要V1客户价值 + V3资源配置

第3步：建设对能力 （如何让AI真正嵌入？） ——需要V9组织 + V10人才 + V14人机协作

三者缺一不可，且有顺序依赖：1→2→3。跳过前两步直接做第三步，是当前很多企业AI转型效果不明显的核心原因。 

启示5：HR/组织职能的战略价值最大化在于参与"方向判断"

组织变革的执行固然重要，但HR/组织职能的战略杠杆不在执行层，而在方向判断层： 

从人才和组织视角为战略方向选择提供输入

从经营出发判断组织变革举措的真实价值、承受力和节奏

识别哪些AI投入是在强化核心逻辑，哪些是在追逐热点

在L4-L5层级为高管团队提供认知输入，而非仅在L2-L3层行动

关于作者：腾讯研究院特约研究员，长期深耕组织治理、战略变革与人力资源管理领域，持续关注研究商业逻辑、技术变革与企业经营管理之间的交互关系。相信深度思考和判断力的稀缺性。 

本文的适用边界与可能盲区

边界一：抽象性。本框架指向"如何思考"而非"具体做什么"。对需要即时行动指引的决策者，从框架到具体决策之间存在需要基于自身情境填补和延伸。这是笔者有意为之的取舍——提供思考工具而非行动清单。 

边界二：证据时效性。引用的实证数据反映的是2024-2026年AI发展初期的快照。随着AI能力演进，某些具体数据点会更新——但框架结构本身（以商业逻辑为起点、三层变量体系）不依赖于这些具体数据，思考方式不因数据更新而失效。 

边界三：适用对象。本框架最适用于"AI不是核心产品、而是需要判断AI如何影响核心业务"的企业决策者。对AI基础研究者或纯技术创业者，他们的起点可能确实应该是AI本身！ 

主要参考文献：

①Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy, 40(121), 13-58.（NBER WP 32487, 2024年5月首发）--AI对全要素生产率的十年累计贡献仅 0.53%-0.66%，宏观影响被系统性高估。 

②Yotzov, I., Bloom, N., Davis, S. J., et al. (2026). "Firm Data on AI." NBER Working Paper 34836.--美/英/德/澳近6,000名CEO/CFO调查；80%+企业报告AI对就业和生产力无影响；高管AI使用平均仅1.5小时/周。 

③Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading Digital: Turning Technology Into Business Transformation. Harvard Business Review Press.--数字化转型的成功完全取决于组织如何应对变革，而非技术本身。 

④Wingate, D., et al. (2025). "Why AI Will Not Provide Sustainable Competitive Advantage." MIT Sloan Management Review, May 8, 2025.--AI正在变成通用目的技术，孤立部署不构成可持续竞争优势；差异化必须来自AI之外。 

⑤ Perez, C. (2002). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Cheltenham, UK: Edward Elgar Publishing.--技术革命的双阶段模型：安装期（资本涌入、泡沫）→ 转折点 → 部署期（真正价值释放）。 

⑥Brynjolfsson, E. (2022). "The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence." Daedalus, 151(2). DOI: 10.1162/daed_a_01915--当前AI研究过度聚焦"替代"忽视"增强"；过度依赖AI可能侵蚀人的判断力。（注：本文使用的"Augmentation Trap"为基于此论文逻辑的延伸概念） 

⑦ Porter, M. E. (1996). "What is Strategy?" Harvard Business Review, 74(6), 61-78. 

--运营效率不等于战略；普遍性的效率提升只推动生产力前沿外移，不构成可持续竞争优势。 

⑧ Drucker, P. (1954). The Practice of Management. New York: Harper & Row. 

--"企业的目的是创造客户。"Christensen, C. M., & Raynor, M. E. (2003). The Innovator's Solution: Creating and Sustaining Successful Growth. Boston: Harvard Business School Press.--"Jobs to be Done"理论：客户雇用产品来完成具体的"任务"。 

⑨ Rumelt, R. (2011). Good Strategy Bad Strategy: The Difference and Why It Matters. New York: Crown Business.--好战略的核心是诊断-指导方针-连贯行动结构；战略的本质是判断"什么做、什么不做"。 

⑩ Taleb, N. N. (2012). Antifragile: Things That Gain from Disorder. New York: Random House.--反脆弱框架：好的判断系统不依赖于对未来的具体预测，而依赖于在不确定性下仍稳健成立的结构。 

⑪ Amara, R.（曾任Institute for the Future主席，1971-1990）— Amara定律——"We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run."（"我们倾向于高估技术的短期效应，而低估其长期效应"）（注：此格言由科技作家Robert X. Cringely转述传播；在Amara已发表著作中无原始书面出处，但被普遍接受为其核心思想的精确表述） 

本文来自微信公众号 “腾讯研究院”（ID：cyberlawrc），作者：李鸿胜，36氪经授权发布。