KeyFrame內部研究專用

最强AI进厂竟是“摆设”?不敢碰核心业务,砸再多钱也白烧!

算力女粉丝8 min中文
觀看原始影片

三句話摘要

企業 AI 轉型的真實困境:不是 AI 不夠聰明,而是企業不敢把核心業務交給 AI,更缺乏將 AI 融入業務流程的深度改造。 企業 AI 轉型的核心不在工具而在流程改造——整合模型、數據與業務才能释放 AI 的真正價值,這也是現階段企業最缺乏的能力。 工作流程重構而非工具疊加:企業目前只是把 AI 套用到既有流程以加速(發票快 20%、文案快等),但真正的價值在於從零設計 AI 參與的新流程——招聘系統從被動存儲變成主動判斷候選人、推薦面試問題。

重點整理

  1. 工作流程重構而非工具疊加:企業目前只是把 AI 套用到既有流程以加速(發票快 20%、文案快等),但真正的價值在於從零設計 AI 參與的新流程——招聘系統從被動存儲變成主動判斷候選人、推薦面試問題。

  2. 企業 AI 應用須有深度與專業性:通用大模型只有「廣度」,能寫文章、查資料;企業需要「深度」——AI 懂公司業務、識別風險點、可靠可控。特斯拉自動駕駛也是靠積累真實駕駛數據與極端情況訓練,單靠最新模型遠不夠。

  3. SaaS 無觀點轉向 AI 有觀點:傳統軟件是中立容器(你定義輸入輸出);未來 AI 應用會主動給意見——告訴你文案不達標、應該這樣改、建議問這些問題,讓普通員工變聰明,企業需要更少的人。

  4. Token 成本下降是長期遊戲:現在 Token 價格是 2 年前的 2-4 倍,因為算力服務免費用戶、企業成本被抬高。未來 3-5 年晶片效率提升、模型優化,價格可能跌至十分之一,那時拼的就是誰能真正改造業務流程。

實用技巧與重點

  • 時間框架:未來 3 年內
  • 人員削減預測:G&A 型部門(行銷、財務、人資)員工減少 50%
  • 現有效率提升:發票處理快 20%
  • 企業員工現狀:約 90% 不懂真正用 AI
  • AI 使用量差異:最會用 AI 的員工 Token 消耗量可能是普通員工的 20 倍
  • 成本參考:現在 Token 價格約為 2 年前的 2-4 倍;未來 3-5 年預計降至現在的十分之一
  • 具體案例:特斯拉自動駕駛需要大量實際路況數據與極端情況訓練(突然出現行人、前車緊急制動等)
  • 招聘流程改造示例:AI 直接分析所有履歷 → 推薦面試候選人 → 提示應問的問題 → 標記前輪遺漏的重點 → 通知面試官執行方案

結論

企業 AI 轉型的核心不在工具而在流程改造——整合模型、數據與業務才能释放 AI 的真正價值,這也是現階段企業最缺乏的能力。

完整解析

現在的企業 AI 轉型面臨一個尷尬現實:嘴上說要大力用 AI,但真正涉及發工資、財務決策、網路安全漏洞這類真金白銀的事,沒有幾家公司真敢交給 AI 決策。全球最大網路安全公司的領導人尼特使在最近的論述中指出,問題並非 AI 不夠聰明,而是企業在用 AI 的思路上根本就沒入行。

企業對 AI 的誤解可以分為兩個層面:廣度與深度。消費級 AI 拼的是廣度——什麼都能做,寫文章、查資料、畫圖。用 ChatGPT 寫投資備忘錄,銀行家可能要花好幾天,AI 幾分鐘搞定,人工檢查修改一下就行。但企業場景完全不同。一旦 AI 開始做決策,犯錯代價就會迅速擴大。比如 AI 負責招聘或網安審核,一個決策錯誤可能直接讓公司虧錢。所以企業需要深度定制的 AI——它要懂公司的流程和數據,知道哪些環節容易出問題。特斯拉的自動駕駛就是最好的例子:不是單靠最新的視覺模型,還需要積累大量真實駕駛數據,不斷訓練應對各種極端情況(突然出現行人、前車急煞車等)。這些經驗在公開訓練集根本找不到。

現在很多企業的做法都踩了坑。管理者看到 AI 就想:能不能讓現有工作快一點?於是發票處理快了 20%、會議總結快了、文案生成也快了。這些當然有價值,但尼特使認為真正的機會在於徹底重新設計工作流程。拿招聘舉例,以前的招聘軟體就是存儲系統——收集履歷、安排面試、記錄評價。未來的 AI 招聘系統可以直接分析所有候選人,告訴招聘官哪些人更值得見面、應該問什麼問題、前面幾輪面試遺漏了什麼重點。這時 AI 做的已經不只是整理數據,而是參與判斷和決策。這也是傳統 SaaS 和 AI 應用的本質區別:SaaS 沒有觀點,AI 應用有觀點——它會直接告訴你東西不合格應該怎樣改。這樣員工的工作方式自然改變,以前需要好幾個人協作的事,未來可能一個人配合 AI 就能做完。

不過更深層的問題是,企業目前還處於 AI 轉型的最早期。現在 Token 價格很貴,是因為算力供應不足——購買算力成本是兩年前的 2 到 4 倍。同時,大量算力正在服務免費或低價用戶(ChatGPT、Claude、Gemini),模型公司很難從普通用戶賺夠錢,導致企業端成本被抬高。但尼特使預測,未來 3 到 5 年晶片性能提升、模型效率改進、算力供應增加,Token 價格可能降至現在的十分之一。一旦成本足夠低,企業不會少花錢,反而會用得更多。那時真正的競爭就不是誰能買到最強模型,而是誰能真正推翻舊流程、重新設計公司運營方式。

12 min
企業管理中文10月8日

The Most Important Skill for Entrepreneurs Can't Be Taught—A Conversation with Yu Ying, Vice Dean...

凯莉彭 Kelly Peng看原片 ↗
  • 反思能力決定成長天花板:講者發現職場只有兩種人——遇到問題時,一種向外求(怪環境),一種向內求(找自己的因)。前者無論如何調整職位都不會進步,後者才有迭代與改善的機會。這種能力在青少年階段仍可塑,成人後幾乎無法逆轉。
  • 審美感必須靠大量接觸累積:審美是不可替代的創業必備素質,但不是天生的。看過百件、兩百件產品後自然能感知共性。此能力需要浸潤式學習,短期內無法突擊。
11 min
AI 技術中文10月8日

2026年10月8日|24小時世界AI新聞台-重溫|OpenAI 合約 AI 測試、Reka Rho-1、Google Earth AI

文恩澄 Rannes Man看原片 ↗
  • AI 代理從輔助進化到流程參與:OpenAI 與 Ironclad 的研究表明 AI 代理已能設定表單、建立審批規則並確保多步驟工作流合規,但人工監督仍不可或缺。這標誌著 AI 在企業軟件中的角色從簡單任務輔助升級到複雜業務流程的參與者。
  • 多模態統一正成為主流方向:Reka 的 Rho-1 展示單一模型處理文字、圖像、影片和動作的可行性,減少使用者在不同工具間切換的負擔。但技術仍面臨長時間生成穩定性與跨影片物件定位的挑戰,目前輸出解析度上限為 672×384 像素。
13 min
AI 技術中文9月26日

万亿美元AI资本开支的回报在哪里 | 黑石Jon Gray | 数据中心 | AI算力 | 工业革命 | 投资回报 | 超大规模云厂商 | 芯片短缺 | 电力基础设施 | 生产率 | AI应用场景

最佳拍档看原片 ↗
  • AI不是泡沫,而是範式轉移:喬恩·格雷用1870-1900年工業革命類比今日AI浪潮,強調這是勞動生產力翻倍、GDP與製造業產出成倍增長的機遇期,但並非所有公司都能從中獲利。
  • 投資報酬率已被驗證:黑石旗下公司已看到實際案例——印度鑽石公司提效、通訊鐵塔公司租約處理快五倍、軟體編碼模型每投1美元回報18美元,證明AI開支的合理性。