我们从企业领导者那里最常听到的关于生成式AI的问题包括：
生成式AI何时才能和我最优秀的员工一样聪明？它的准确度是否足以创造商业价值？公司CIO领导AI转型的步伐够快吗？竞争对手如何运用生成式AI？但这些问题都问错了方向。他们关注的是生成式AI的智能水平及其发展轨迹（即技术的性能优劣和提升速度），而非对商业战略的影响。领导者真正该问的是：即便生成式AI存在局限，当下公司应如何有效应用该技术？我们又该如何借此打造竞争优势？
基于我们与数百位管理者合作、领导生成式AI项目以及研究数字化转型与战略的经验，本文提出了一个从战略角度思考生成式AI的框架，并给出了实用建议。我们认为，因生成式AI存在幻觉等缺陷而采取谨慎的观望态度可能带来风险，但这并不意味着速度即胜利。实际上，战略才是关键。企业在应用生成式AI时，需要与竞争对手及价值链伙伴有所区别。以下是我们主张企业应积极行动的理由。
如今非技术背景员工无须专家支持也能使用生成式AI。数十年来，AI的应用主要局限于工程师、程序员和数据科学家的领域。但以OpenAI的ChatGPT为代表的生成式AI通过自然语言交互改变了这一局面。它的突破不仅在于智能水平的提升，更在于可及性的显著提高。如今企业中的每个人都能使用生成式AI工具，无须具备深厚技术背景，也无须受到数据科学团队的支持或总部IT部门的审批。此外，生成式AI正日益融入人们日常使用的工具，比如电子邮件、视频会议、电子表格、客户关系管理（CRM）软件、企业资源规划（ERP）系统，这使应用门槛进一步降低。
当下人机交互领域的进步，类似于从早期命令行界面（CLI）向图形用户界面（GUI）的转型。20世纪80年代，Windows系统彻底改变了个人计算体验。这项变革并不在于大幅提升计算机性能，而是让用户无须掌握MS-DOS（微软磁盘操作系统）命令即可使用这些强大功能。同样地，生成式AI使复杂的机器学习模型变得简单好用，任何人都能通过文字或语音与其对话。
价值创造的机遇已然存在。等待完美无缺、无所不能的代理式AI（Agentic AI）出现，并不是明智之举。尽管存在缺陷，生成式AI仍能节省时间、降低成本并释放全新价值。因AI输出结果不够完美而迟疑不前，是对机遇的误解。生成式AI已经能够在企业诸多方面带来实质改进与效率提升。衡量标准不应是绝对完美的，而应是相较于现有工作方式的相对效率提升。
竞争优势源于更具战略性的应用方式，而不只是更快的部署速度。唯有通过差异化应用，才能从生成式AI中获得持久优势。当前人人皆可使用这种技术。若你与竞争对手使用相似工具来处理类似任务，那么当新的竞争者不断压缩利润空间时，大部分收益终会流向价值链中的其他参与者。更危险的是，你的客户和供应商可能会绕过你，因为他们能够使用生成式AI来处理你曾为其承担的任务。这意味着竞争优势取决于应用方式的独特性：选择将哪些任务交由AI完成并重新设计任务，如何让人类专长与AI形成互补，以及能开辟哪些新的可能性。
生成式AI的应用场景与时机
生成式AI的应用十分广泛且具有多种功能，这也带来了新的挑战：当决定开始应用该技术时，如何从众多可能性中筛选出最佳切入点。与其纠结生成式AI的表现能否达到人类水平，不如先将工作分解为具体任务，并思考：当前哪些任务适合由生成式AI来处理？
以这几个活动为例：招聘重要员工、诊断癌症，以及为高危人群提供心理治疗。这些领域常被视为生成式AI工具开始接近人类智能水平和复杂程度的范例。然而，对于这些岗位，用AI取代人类的想法通常会遭到强烈抵制，且理由充分。这些场景中的工作失误可能引发严重后果：癌症误诊或对脆弱患者的不当治疗将带来终身影响；若关键领导岗位选错了人，将长期损害企业文化。
再来看看另一组任务：总结学生的课程评价、筛选求职者简历以及分配医院病床。这些例子与前一组的区别，未必在于AI的智能程度，而在于错误的代价。如果课程评价总结遗漏了一些细节，或简历初筛漏掉了录用可能性不大的候选人，风险都较为有限。而病床分配主要依赖明确的结构化数据（如空床情况、患者需求和预计出院率），AI系统能可靠地处理这类数据。
这揭示了一个重要原则：生成式AI对特定任务的适用性，不仅取决于其自身能力，更取决于两个更深层次的因素。首先是“错误的代价”，即生成式AI出错后果的严重程度。若任务中的失误会导致重大伤害、经济损失或声誉损害，那么在无人监督的情况下，企业就必须在用生成式AI执行任务时保持高度谨慎。第二个因素是任务的“所需知识类型”。依赖显性数据（explicit data，即可被采集和处理的结构化或非结构化信息）的任务，如筛选简历和总结课程评价，就非常适合由生成式AI处理。而其他任务，如心理治疗、招聘具有软技能的人才和复杂的领导决策，则需要隐性知识（tacit knowledge），即通过人类经验积累而成的同理心、道德推理、直觉和情境判断能力。其实，生成式AI本质上更难完成这些任务，因为这不仅涉及信息检索，还要求理解细微差异、灵活应对情境变化，并在模糊不清的情况下作出判断。
“错误的代价”与“所需知识类型”这两大维度，构成了我们识别生成式AI有效应用场景与方法的框架基础（参见图表“生成式AI应用场景与方式的选择框架”）。
框架的应用方法
应用框架的第一步是提出正确的问题。与其关注生成式AI的智能程度（有多聪明以及进步多快），组织更应考察其实用性，而这在很大程度上取决于具体任务。人们应该问的问题是：当前在哪些领域应用生成式AI，“错误的代价”足够低且可以接受？即便需要人类的洞察力与创造力，这些流程中是否存在可由生成式AI处理的环节？应用该框架时，首先要将工作拆解为若干具体活动，并根据“错误的代价”与任务“所需知识类型”将其定位于框架中。将任务置于对应象限后，便能清晰识别哪些部分可由生成式AI更快、更低成本或更好地完成。
现在让我们来逐一讨论这四个象限。
投入无悔区。左下象限是错误代价低且需要显性知识的区域，反映出AI能为组织带来的最清晰、最直接的机遇。这正是当前应部署生成式AI的领域，也是未来AI智能体最具发展潜力的场景。该象限的任务依赖清晰、记录在案的数据，即便出错也影响甚微。此处无须追求绝对的准确性，真正的价值在于以更快的速度、更低的成本或更大的规模完成任务。
来看这样几个例子。生成式AI能筛选简历，可根据明确标准快速标记出哪些候选人应被考虑录用。它能审批小额报销，这项工作虽烦琐但风险低。还能快速撰写对常见客户咨询的回复，比如关于退款政策或发货时间的问题。用生成式AI代替人类处理这些任务有助于节省时间，而原先负责这些任务的人可重新投入到价值更高的工作中。此外，这个象限还包含一些人们此前因过于烦琐、耗时或成本高昂而未曾开展的重要任务，比如为每场会议安排速记人员。而当下，生成式AI能在数秒内记录对话内容，并提炼出核心主题、行动事项及决策要点。
当你考虑是否在此象限用生成式AI来处理任务时，不必纠结其输出内容是否能达到人工水平，也不必问如何用它来完成现有工作。因为真正的突破不仅在于用AI代替人来执行原有工作，更在于开辟以往无法实现的全新领域。关键问题是：
•使用生成式AI所带来的成本节约与效率提升是否足够显著，使我们能够容忍其输出质量的轻微瑕疵？
•我们如何利用生成式AI来完成当前尚未开展或成本过高的任务？
创意催化区。左上象限因错误代价低且需要隐性知识，正是生成式AI发挥创意催化剂作用的领域，它能协助人类完成那些原创性任务。关键在于，对生成式AI输出内容的优化以及对最终方案的选择判断，仍需由人类来完成。这些领域的错误是可以容忍的，因为输出结果的质量标准具有主观性：不存在绝对的“最佳”营销标语或“完美”的产品设计，因为人们对“最佳”或“完美”的看法具有个人主观性。由于这个象限里的任务出错的代价较低，生成式AI能够通过加速实验、产生更多创意并让更多人参与到创意过程中，从而有效增强人类的创造力。生成式AI让所有人——从初级员工到自认为缺乏创意的团队成员，再到资深创意人员——都能像创新者那样思考和工作（参见本刊2023年8月发表的文章《AI“生成”你独有的创造力》）。
在该象限中探索如何应用生成式AI的关键，是将创造性任务进行分解，并确定生成式AI能在哪些环节拓展人类通过创造力增加价值的能力。例如，营销人员可利用生成式AI即刻生成20条备选广告语，为创意团队提供更丰富的选项以便进一步优化。设计师能够快速生成视觉或功能不同的多个版本，随后自行筛选并完善最具潜力的概念方案。PPT制作者可要求生成式AI提炼要点、设计叙事框架或生成演示模板，从而腾出时间和精力专注于创作最符合受众需求的内容。在培训场景中，生成式AI能快速生成模拟面试或情景演练所需要的信息，为面试的练习和准备提供丰富素材。
不必纠结生成式AI能否像人类一样富有创造力或原创能力，它从来就不是为达到这个标准而设计的。你应该问的关键问题是：
•生成式AI能否为创意工作者节省时间？
•它能否让非创意工作者也更容易参与到创意任务中？
人类优先区。右上象限是风险最高的区域。生成式AI可作为赋能工具，但不能成为决策者。此类任务涉及主观判断、辨别情境差异和作出复杂决策——一旦出错，无论在财务、法律、声誉还是个人层面都将产生严重后果。在此领域，信任、伦理与长期战略往往面临着更多考验。因为出错的后果将带来长久影响：一次糟糕的高管选聘会损害企业文化，一次战略失误可能导致公司数十亿价值受损，一次错误的医疗诊断甚至可能危及生命。
诸如招聘重要员工、制定战略、整合复杂的企业级系统、应对危机以及处理敏感的人力资源管理干预等任务，都属于这个象限。这类工作风险高，需要判断力、情境理解力、道德推理能力和情商——这些特质难以通过编码或可靠的自动化程序来获得。
在这些领域，生成式AI的应用须极其谨慎。它无法取代人类在这些决策中的核心地位，其作用应严格限定于辅助支持层面，而非占据主导。然而，通过对该象限任务进行明智的分解，人们可以发现，生成式AI所能提供的重要支持与机遇是拓展人类执行任务的能力，并不会削弱人们对决策的掌控权。例如，在招聘环节，生成式AI可协助优化职位描述或设计面试问题；在战略制定中，它能整合市场数据并揭示新兴趋势；在组织治理中，它能构建声誉风险模型；在危机管理中，它可起草初步的对外沟通内容并监测公众反应；在医疗领域，它能协助临床医生计算风险评分，以便分情况判断患者的病情，决定谁需要紧急救治、谁可延后治疗；在员工管理中，它可提出绩效改进计划的具体元素。领导者和知识工作者的部分任务都属于此范畴。
在评估任务时，不必浪费时间去猜测，生成式AI何时能聪明到足以自主完成这些任务。真正关键的问题在于：
•当前生成式AI能协助处理哪些任务来提升人类判断的有效性？
质量控制区。右下象限包含知识密集型任务，对此生成式AI在技术上完全能胜任，因为这些任务具有显性的结构化信息。但是，即便是微小失误也可能带来严重后果。这一象限属于高度问责（high-accountability）领域，如法律、金融和软件开发，信息虽清晰规范，但准确性标准极为严苛。对于该象限的任务，最适合采用“人机回环”（human-in-the-loop）模式：生成式AI提供速度与规模，人类则负责判断、监督并承担最终责任。
以法律协议的起草为例。在过去，合同的准备涉及多个阶段：理解客户需求、拟定条款、协商条件、修改措辞以及批准最终文件。如今，律师可使用Harvey等生成式AI工具，在短短几分钟内生成优质的合同初稿，并将更多时间用于谈判和最终审核。类似地，在软件开发领域，GitHub Copilot等生成式AI工具可生成样板代码（boilerplate code）或提供调试与修复建议，从而加速开发周期，尽管经验丰富的开发者仍需执行质量保证并验证功能是否正常。在金融领域的尽职调查中，生成式AI能快速浏览海量文件，并识别出异常问题或机会，但人类分析师必须结合具体情境解读结果。医疗领域中，生成式AI可依据结构化标准推荐患者床位分配方案，但仍需临床医护人员作出最终决策，同时需要他们权衡算法无法捕捉到的细微差异。对于高风险且需要显性知识的任务，应让生成式AI处理重复、数据量大的部分，而人类则负责那些需要把握细微差异、解读结果或承担最终责任的关键步骤。
要确定哪些任务属于此范畴，请思考以下问题：
•在哪些领域人类的专业知识至关重要？
•工作流中的哪些部分可安全地交由生成式AI处理？
人们常说，不用AI的人终将被会用的人取代。但现实更为复杂：正如框架所示，某些任务最好由AI单独完成，另一些则需通过“人智协同”（human-AI collaboration）来实现，还有些完全依赖人类的判断。相对于争论人类与AI的关系是取代还是互补，更关键的是要理解哪些任务只有人类才能完成。
生成式AI对行业的可预见影响
客户、供应商和竞争对手都能获取相同技术的事实，造就了“获取悖论”（paradox of access）：正因为人人都能使用技术，通过它获取价值反而变得极其困难。若你与竞争对手在相似任务中应用相同技术并采取一样的最佳做法，那么所有人的效率都会提升，却无人能从中获得长期利润。竞争压力最终会使收益流向客户和供应商，因为企业纷纷选择降价或提升质量。这种模式与互联网1.0时代的情况如出一辙：早期技术采用者曾获得短暂的优势，但随着数字技术普及，最终受益方是消费者而非企业。不妨回顾21世纪初航空电子客票的兴起历程。航空公司在竞争中都采用了相同的技术，乘客因此享受到了更低廉的机票。自20世纪90年代以来，CAD和ERP软件曾简化了制造和供应链流程，但如今它们已成为基本配置，而非竞争优势的来源。这些案例提醒我们，必须为以下情况做好准备。
“AI优先”（AI-first）的新势力即将登场。在不久的将来，你最强劲的竞争对手或许不再是熟悉的同行，而是新一代的独立创业者和小型团队。试想如今从零开始创办一家营销公司：与其雇用数十人开展市场调研、撰写文案、设计图表并回答客户问题，一支小型专家团队（甚至只是一位勇敢的创业者）最终完全可以依靠AI完成所有任务。这类坚持“AI优先”的市场新势力，能以远低于对手公司的人员规模，实现同等的业务范围与运营速度。实现这一愿景的基础已然存在，软件开发智能体与AI销售代表便是例证，而更多工具即将上线。
客户和供应商也可能利用生成式AI来增加企业的压力。他们对生成式AI的使用，可能颠覆企业的议价能力。自20世纪90年代以来，律师事务所就一直在应对类似问题。曾经需要数十名律师助理搜集整个法律图书馆的资料才能完成的工作，如今仅需一名配备联网电脑的律师即可完成。企业现在可以聘请内部法务处理常规事务，而不必将所有事务都交给专业律所处理。1997年至2020年间，美国担任企业法务的人数增加了两倍；目前法务人员规模已超过美国前500家大型律所雇员的总和。这种转变从两方面挤压着大型律所的生存空间：客户开始抵制曾经不容置疑的计时收费模式——使得如今近90%的大型律所提供固定收费模式或其他更有利于客户的计价方式。而那些曾经在顶级律所不得不每周工作100小时的律师，如今可转入企业法务部门或开启个人执业生涯。这是因为数字工具能代替大型律所的资源设施，赋予他们这样的能力。
生成式AI正加速这一趋势。借助法律研究机器人和合同撰写智能体，企业能够将更多法律工作交由内部处理。其他专业服务领域也呈现出相同趋势，比如软件开发外包、并购咨询和广告等。这些公司的顶尖人才和有创业精神的员工将拥有越来越多的就业选择。
构建以AI为基础的竞争优势
正如我们前文所指出的，快速行动固然重要，但企业仅凭速度不足以在即将到来的竞争中领先。领导者需要制定相应战略，明确企业如何以差异化的方式利用生成式AI创造价值。我们建议按照以下步骤采取行动。
确保技术人人可及。公司每位员工的任务都可对应到框架的四个象限，因此每个人都有潜力通过使用生成式AI来提升工作效能。组织中的每位成员都应评估哪些任务可由生成式AI更高效地处理（或至少达到基本水平）。同时，领导者应引导员工思考有哪些因成本过高或耗时过长而被搁置的任务，如今却能借助生成式AI以较低成本快速完成，例如向过去一年内所有商业联系人发送个性化节日问候，或总结参与过的每场会议。领导者应广泛鼓励开展实验和培训：通过自上而下的信息传达突出其重要性，同时建立自下而上的交流平台供员工分享经验。实现这些目标需要为一线团队搭建更快捷的通道，使其能够测试并推广生成式AI工具。
首先要消除阻碍员工使用这些强大工具的瓶颈因素。如果AI工具的使用权限被IT部门限制，或被合规要求制约，那就意味着这家企业将机会拱手让给那些允许员工进行实时实验的竞争对手。IT部门在应对不断迭代升级的模型和专用应用软件时，难免力不从心。但将生成式AI的完全控制权交给CTO，无论其能力多强，反而会拖慢进展。2023年，摩根大通（JPMorgan Chase）在其安全团队进行第三方审查期间，暂时禁止员工使用ChatGPT——这一谨慎的预防措施却阻碍了6万名用户开展实验。每个组织都面临这样的权衡取舍：网络安全风险确实存在，但如果员工听到最多的信息是“不该尝试”，那么创新的进展只能和最慢的审批流程一样慢。许多IT领导者希望采取最大限度的预防措施来防范所有风险。但他们应将重点放在防范最关键的风险上，例如受监管数据或高度敏感数据（如个人身份信息）的泄露。企业可通过精准设计防护措施以抵御这些威胁，比如提供有针对性的员工政策和开展供应商安全审查。
完成这些工作后，就该制定战略了。要想借助生成式AI实现组织的差异化优势，须推行两项长期举措。
将所有资产重新定义为数据资产。早期几代生成式AI的能力受限于其所依赖的公开数据。如今，越来越多的企业为员工提供丰富的专有数据——这些数据既可通过生成式AI检索获取，也可用于训练融入企业知识的模型。若要跟上这一趋势，你必须做到以下几点。
→确定当前数据在组织中的分布位置，并进行集中管理。所有企业都需要开始整合原本分散于不同业务单元、职能部门及地区间的数据。企业的数据基础设施将成为构建竞争优势的基石。在生成式AI时代尚未到来的21世纪初，美国赌场运营商哈拉斯娱乐公司（Harrah’s Entertainment）便已将每台老虎机的操作记录、酒店入住数据及餐饮小票信息汇总至统一数据库。哈拉斯从海量数据中获取的洞察，使其营收增长得比竞争对手更快——其他公司或许能复制哈拉斯赌场的豪华场面，却无法复制其数据基础设施或快速运用数据的企业文化。如今，长期坚持整合数据的做法变得更为关键，且不局限于客户分析领域。通过借助生成式AI，企业能够从海量、杂乱无章的非结构化数据中提炼洞见（包括来自合作伙伴及并购业务的数据），从而推动整个组织的决策。一般而言，构建收集并分析数据的基础设施需要数年时间，因此现在就应开始行动。
→明确有哪些尚未收集的数据。从客户互动到运营流程、从内部邮件到会议记录，企业的一切活动都是可挖掘利用的专有数据源。今日尚未收集的数据，如同未曾播下的种子；只有从现在开始收集关键数据流，才能在未来需要时收获丰硕成果。
对组织进行重新设计。从长远来看，仅在现有工作流程中叠加生成式AI技术远远不够。企业需要围绕“生成式AI优先”（gen AI–first）的愿景，重新设计自身的运作方式。为此，企业必须在组织层面进行调整，以充分释放数据和人才的价值。
让我们先来看看数据。即便是专有数据，其价值最终也会趋于同质化。但是，一个专为持续挖掘数据价值而打造的组织体系却难以被复制。20世纪90年代，美国第一资本金融公司（Capital One）通过整合营销、风险与IT团队，每年开展数千次微型实验，围绕数据彻底重构了银行体系。运营、客服及HR团队共同为这个“学习引擎”提供支持。其最著名的实验——“余额代偿”（balance transfer）通过提供优惠利率，促使客户将其他银行信用卡的未偿余额转至Capital One信用卡。这一优惠活动带来了账户数量的爆发式增长。该公司长期密切追踪用户行为，随着时间推移，数据发出警示信号：新申请者的信用风险更高。这使管理层得以预见性地逐步淘汰该产品。与此同时，缺乏此类反馈回路（feedback loop）的竞争对手持续模仿Capital One的产品方案，直至蒙受灾难性损失。这意味着，当今企业需要建立数据与持续学习过程之间的反馈回路，将生成式AI洞察转化为市场领先的行动方案。
你还需要重新考虑如何最大程度发挥员工的潜力。生成式AI工具虽能节省大量时间，但早期研究表明，这些省下来的时间可能被浪费在无谓的尝试、低价值琐事或无所事事的状态中（参见本刊2025年3月发表的文章《AI省出的“新时间”，怎么用？》）。为防止省出的时间流失，请像管理任何战略资源那样精心管理时间。此外，管理者应与员工协作，估算并追踪AI为关键任务节省的时间，明确对如何重新利用这些时间的预期，并将认可或激励与时间的利用效率挂钩（参见图表“为何生成式AI产生的收益没能体现在利润表上？”）。这些举措必须与技术同步发展，确保AI驱动的效率提升能转化为企业的实际收益，并为员工带来实质性的成长。
即便变革以后才会发生，今天就要开始思考“AI优先”的组织架构图应当是什么样子，因为对组织的重新设计往往需要较长时间才能落实。AI将淘汰部分现有岗位，最可能被取代的是那些工作内容高度集中于“投入无悔”象限（错误成本低并需要显性知识）的岗位。在其他象限中，生成式AI将对组织人员的工作起到补充作用——但未必是当前执行这些任务的同一批人。你需要重新构思整个组织架构图。例如，部分从事单一职能工作的员工可能承担跨职能工作。中层管理者不必监督工作中使用软件的员工，而可以自己直接运用软件开展工作。或许会有一些人只需要专注于“人类优先”象限的任务。
简而言之，战略差异化（strategic differentiation）优势源于三个方面：(1) 在各项任务中快速、精准地部署生成式AI，这在短期内具有重要价值，尤其是当竞争对手固守传统智能技术或因AI幻觉等问题停滞不前时； (2) 专有数据能提升生成式AI的性能，或通过改进流程来避免价值因组织瓶颈而流失；(3) 独特的人才、流程与文化，这些“互补性资产”（complementary assets）使生成式AI在一些组织中的价值远超其他机构。
普遍存在的误解，使许多企业无法充分发挥出生成式AI的潜力。一些领导者认为当前生成式AI的智能水平尚未达到实际应用的程度，他们关注的是缺陷，却未能认识到即便产出质量不完美，生成式AI也具有降低成本的潜力。另一些人则担心其出错率过高导致应用风险太大，却忽略了关键区别——最重要的不是错误，而是“错误的代价”。还有人坚持认为生成式AI必须达到完全准确的程度才能加以部署，却未能意识到在许多任务中，百分百准确并非必要条件。还有人对此感到沮丧，因为他们从任务中省出的时间尚未通过利润表体现出来；但他们忘记了：若缺乏有意识的管理，省下的时间并不会自动转化为省下的金钱；仅仅采用了生成式AI并不会带来可持续优势，而是要以差异化的方式利用它。那些能够识破这些陷阱、重新考虑自身假设、有意识地把生成式AI从一种通用能力转变为竞争优势真正来源的企业，终将获得成功。
巴拉特·阿南德是纽约大学斯特恩商学院Richard R. West院长兼工商管理教授。
安迪·吴是哈佛商学院战略系工商管理副教授，同时担任沃顿商学院麦克创新管理研究所（Mack Institute for Innovation Management）高级研究员。
巴拉特·阿南德（Bharat N. Anand） 安迪·吴（Andy Wu）| 文
DeepL、DeepSeek | 初译 周静怡 | 编校