云九资本合伙人、AI炼金术播客主理人任鑫的AI实战洞察太有启发！这篇深度访谈拆解企业用AI的核心逻辑，深挖AI时代的竞争本质：纯智力劳动易被替代，自然资源、品牌心智、情绪价值等稀缺资产才是长期护城河，带你跳出AI应用的表层误区，看懂企业与个人拥抱AI的正确姿势。

见字如面。

近期我们有幸采访到了任鑫老师，就《企业业务中如何融入 AI》进行了深入交流，下面写的是我在这次访谈之后的一些认知和洞察。

任鑫是谁，云九资本合伙人、Sky9 Build 孵化器 CEO、前京东O2O副总裁，目前是云九资本合伙人,主要关注AI领域,投资和孵化AI原生应用。同时也是”AI炼金术”公众号和播客主理人。

结论先行

当下最热的是各类 Agent，比如投研 Agent、通用 Agent、垂直 Agent，这条赛道有两大结构性风险：

第一是多步推理带来极高算力成本，商业模式未必跑得通；

第二是无论通用还是垂直 Agent，都有可能被后续大模型的原生能力直接「吃掉」。

Cursor 是典型例子，它本身只是编辑器壳，真正的飞跃来自 Claude 等模型能力的迭代；反过来，那些通过工程手段把上下文从 5000 字抬到 2 万字的优化，本质上只买到几个月时间窗口，下一代模型一升级，这部分投入就被抹平，适合短期套利而非长期布局。做产品时应该假定 GPT-6 已经存在，从未来模型能力出发反推你要占据的“位置”。

今天看似差异化的功能，明天可能就成了模型的默认配置。

投资不能只看眼前产品表现，还要判断他是否能持续接到大模型升级的红利。

在企业落地上，真正的难点不是技术，而是组织。很多传统企业高层对 AI 的感知滞后，又把 AI 当成 IT 项目，让技术部门去搭AI 中台或者数据中台，结果内部系统几乎没人愿意用，员工宁可自己开 ChatGPT 干活。要真正落地，往往需要换一批懂 AI 的年轻人，让他们掌握决策权，同时围绕新业务、新流程从零设计，用现成工具快速试错，而不是妄想用 AI 一次性修好所有老问题、改造整个旧组织。

对个人而言，只要愿意重构工作流，AI 已经能带来十倍甚至百倍效率提升；

但要让组织整体实现AI 全链路驱动，则类似从蒸汽机时代迁移到电动机时代，需要重建流程与分工，否则只是在旧流程上贴个 AI 贴纸。

在长期竞争上看，如果人拥有自然资源等难以复制的稀缺资产，则容易在长期竞争中获胜。

深度研究，纯智力劳动会率先被模型替代，反而是品牌心智，情绪价值，个人IP能够长时间保持溢价。

01 当前 AI 投资热点与风险

当下资本市场的主风口就是投研 Agent 与各种通用或者垂直agent，Minus 等项目代表了通用型 Agent，大量垂直 Agent 则在不同业务场景中尝试自动化复杂决策，当前市场上已有约一百个垂类产品问世。

AI Agent也有风险

虽然AI Agent是一个大方向，是技术大趋势，但是开发Agent依然存在两大风险：

一方面，Agent 的 Token 消耗量极大，多步推理和自动决策会把算力成本放大数百乃至上千倍，在所有人都想用最强模型的前提下，成本压力很难通过降价弥补，商业模型是否能成立高度不确定。

另外，无论通用 Agent 还是垂直 Agent，未来都有被大模型原生功能吞噬的可能。这点和搜索引擎类似，用户的迁移成本太低了，且用户只追求最强的大模型问题解决能力。今天看似有护城河的工具，明天可能就被那些模型自身的代码生成、搜索与分析能力覆盖。

比如Cursor 一度被 Claude 的原生 code 能力吃掉，Claude 又被 OpenAI 的 Codex 挤压。

做大模型的投入，不能只看眼前收益与产品表现，要判断它能否持续接到大模型升级的红利。

如何通过技术曲线来吃红利

我们来看看Cursor如何来吃红利的：Cursor本质上只是一个代码编辑器的外壳，真正的编辑能力来自后端接入的Claude 模型。

Claude 3.0 发布后，代码能力大幅跃升，Cursor 用户体验突然变得可用。再升级到 3.5、3.7 这样一路迭代下来，从能用变得非常好用，宛如从一个普通二本大学生升级为清华学生。

Cursor案例很好的说明了，如果产品的核心价值站在技术拐点附近，一旦模型能力溢出，比如Claude有了很大的能力飞跃，那么Cursor就能以极低边际成本承接红利；表面上是Cursor变强了，本质上是对接的模型升级带来的能力红利。

哪些技术思考方式是错误的

某些团队尝试通过复杂工程手段，例如把模型可处理的文本从 5000 字抬高到 2 万字，在短期内确实能提供差异化能力。这类项目本质是提前帮模型补了一次课，下一版模型直接把上限拉到 4 万字，这些工程投入就立刻被抹平。

当然这不是说不能投入，这种投入最多只换来三个月左右的时间窗口，你花 200 万做出来的能力，很可能三个月后被别人花两块钱获得。因此，如果真要做，也必须把它视为短期套利。

02 AI企业提效，不解决就问题，要去找新机会

传统企业如何拥抱AI

最重要是去实践。理论上大家都在找机会点，找到AI在哪些环节可以降本增效，或者可以驱动企业的业务。

但是实际情况是大量企业在共创项目中，可以发现，真正的第一卡点是组织，而不是技术。

多企业的高层并没有真正感受到 AI 的冲击，哪怕在 2025 年初，仍有传统外企高管用 2022 年底的口吻感叹“AI 太厉害、要抓住机会”，说明感知严重滞后。

相反，一些动作更快的公司会在内部通过较为激烈的方式推动转型，开掉不愿意拥抱 AI 的老人，规定各业务团队必须用 AI 完成一定比例的工作，否则按比例淘汰人员，用硬性指标倒逼变革。

在AI驱动企业业务的时候，需要注意的一些风险点，在沟通中我感觉和很多业务中台建设类似：

由 IT 或技术部门牵头搭建 AI中台，几乎注定失败；MIT 的调研显示这类内部系统的最终实际使用率极低，多数员工宁愿私下使用外部的 ChatGPT 等工具。

更推崇以业务机会为起点，采用现成工具和云服务，直接围绕新业务从零设计流程，而不是试图把旧流程贴一层AI。

针对企业来说，要找新的AI应用机会

企业经营中的许多老问题之所以长期存在，是因为背后牵涉复杂的历史、组织和利益结构，指望用 AI来解决很不现实、也不经济。

与其试图用 AI 在旧业务上做降本增效，不如围绕 AI 从零开辟新市场，例如重新设计高客单价服务、或从募资故事或者资本市场溢价角度来倒推新时代的业务布局。

那么基于业务中什么样的工作容易被AI化。

比如说原本的督导抽检，辅助性的岗位，比如说原本是抽查多少个人有没有按照话术来说，这些东西已经全部可以AI化了，相当于他只是一个语义识别。

如果一个活可以被外包或者一个活可以招聘100个一模一样的人来完成的这些领域的话，其实已经大规模的 AI 已经大规模在替代。

能外包说明你有明确的验收标准，然后外包公司是有效率的一个套管理方法。那这一类的活应该全部会被 ai 吃掉。

如果确实要帮一家大企业做深度AI转型咨询，那就一定要收足顾问费，因为真正把组织、流程、系统全面重构为AI原生组织，这个过程的复杂度远超管理层的想象。通常管理层和咨询方都会有意或者无意的忽略很多潜在困难与问题。

若对方不愿为这种复杂度付费，那就干脆不要碰那一大坨旧业务。

03 个体与组织的生产力革命

AI 在个体身上产生的影响远远的大于组织，因为组织还是会有很多的卡点。

个体层面只要愿意重构工作方法，AI 已经可以带来 10–100 倍效率提升。比如通过AI完成公众号文章的撰写或者初稿，这样稍加改动既可以发布，极大的提升了效率。

再比如利用AI来提升决策质量，分析数据，或者帮助业务方完善一些策略猜想。这都可以极大地帮助企业中的个体。

但是针对组织层面，要让一个完整流程从人的驱动”变为AI 全链路，需要重新设计组织和工作流程，如果只是局部替换几段流程，效果提升并不明显。

有能力衡量它的产出的质量，这是最重要的。如果你能够有一套标准之后，总能调出 AI 可以源源不断的生产好案例。但是大部分的公司的话，现在是肯定没有能力来生产这套标准。

那造不出这套标准就会变成那几个人要磨，要凭感觉，我们大家的手感，我们的气味，这就变成一个我们通过相互共处来训练集体大模型，来调我们自己这些参数，然后调到合理了。

在被AI替代的顺序上，低智慧，重复性强的工作，比如客服，助理，基础物料设计等工作容易被AI优先替代。

高智慧、难以度量产出的工作，并不是AI做不到，而是企业缺乏评估标准，AI缺少上下文，针对这点我不是特别认同。

很多AI狂热爱好者为AI的辩护是说因为AI做不了，是因为上下文不精确。但是文字只是人类做决策的一种信息载体。采用纯文字做决策就会有信息失真，失真就会影响最终的决策质量。

04  从生产效率转向稀缺资源与 IP

职场人如何摆脱和AI的内卷竞争，首先要摆脱低智慧，重复性强的工作，如果大家以这种工作来要求自己，那么从长期来看几乎没有出路。

这么难思考问题是因为现代社会把「有用」当作评价人的核心标准，本质上是把人当作工具；

在 AI 充分替代人的生产性价值之后，「有用」的价值观本身会被动摇。与其继续把孩子训练成高效的工具人，不如把教育重点放在体验、感知与快乐，以及共情能力上。

对于孩子的教育，更在意孩子是否快乐、是否有丰富的体验，而不是能否在未来劳动市场上成为更有用的生产要素。

如果生产侧的所有功能都可能被 AI 替代，那么企业还能拥有什么样的护城河？

一类是对自然资源的控制，例如农夫山泉通过在全国范围内占据优质水源，使得后来者想要在“天然水”赛道做全国性品牌就必须支付极高的运输成本，这种物理资源的稀缺性很难被 AI 改变。

另一类是精神与情绪层面的消费，如泡泡玛特代表的无用之功，满足的是审美与情感，而非物理功能。尽管这类 IP 未必能完全抗 AI 替代，但相对生产侧的功能型产品而言，其贬值速度更慢。

05 语言模型与语料

针对语料问题，任鑫也做了回复，因为之前行业普遍认为英文的上下文的大语言模型是好过中文的大预言模型。

先从技术层面解释大模型的本质：不同语言在模型内部都被映射到向量空间，模型学习的是概念之间的逻辑关系。例如，只要它在英文中学会了 king 与 queen 的性别与角色关系，就可以把这一结构迁移到中文的「王」与「后」等概念中，因此知识具有跨语言可迁移性。

因此可以把孩子当作大模型训练，如果希望孩子将来在学术与科研上有较高成就，就应让他多接触那些写论文多、科研强的语种和文化内容；