抓住未來10年最大的機會，建議你看看這場閉門會

AI時代，越來越多的企業有股強烈的焦慮。

這背后，是大家對“AI”普遍的困惑和擔心，生怕自己趕不上AI這波浪潮，被甩在后面。我的建議是，看看那些正在用AI、已經有充足AI實戰經驗的頭部企業，都在怎么做。

正好，瓴羊上周末在杭州辦了件大事：“Data × AI超級公司年會暨第三屆數據同學會?！鼻皝韰⒓拥?，都是各行各業的頭部企業。跟去年比，規模從50人擴到80人。不光有企業CTO、CIO，還有不少CEO、CMO。在今年的嘉賓里，還有我很尊敬的吳曉波老師。

這場閉門會，每年都會有大量干貨，去年我還參加了，收獲非常大。但今年因為行程安排不過來，很遺憾沒能去到現場。所以我找到瓴羊的伙伴，問他們能不能給我些資料學習。很感謝他們毫無保留地分享給我，也很高興他們允許我發出來跟大家分享。

我們之前說過，AI是未來十年的機會。這次閉門會上，瓴羊CEO朋新宇甚至更激進，說這是30年、50年的機會。

既然這是一個長達半個世紀的命題，那當下的每一步就變得尤為關鍵。為了幫大家看清眼前的路，我試著梳理了這場大會里，最重要的7個觀察。每一個，都是在試著解答那些非常實際的問題。

我的生意該怎么跟AI結合？企業增長上不去了怎么辦？我的業務未來該怎么往下推？

今天，分享給你，希望給你啟發。

01

AI時代的分水嶺：不拼數據量，改拼Token消耗量

不同時代，衡量一家企業是否“先進”，標準不同。

工業時代，我們看企業燒了多少煤、用了多少電，從工廠的自動化率看一家企業的生產力。互聯網時代，我們看互聯網企業有多少數據資產，比較的是MAU（月活躍用戶數）、DAU（日活躍用戶數）。

那么，AI時代又該看什么？在瓴羊的CEO朋新宇看來：

AI時代對企業的衡量標準，要看Token的消耗量。

你可以把Token理解為AI的計量單位，像是AI時代的“電”。對企業來說，Token就是AI工作量的證明。誰燒的Token越多，說明誰把越多的業務給了AI，在AI上的投入成本越高，AI干的活也就越多。

Token消耗量，本質上就是一家企業的“含AI量”。

但是，會上很多企業發現，雖然買了AI，但很多項目僅僅是流于表面的“AI包裝”，實際的Token消耗并沒有多少。比如，AI客服系統只用來處理最基礎問題，核心業務還是靠人。比如搭建了AI中臺，卻沒人調用。這就像辦了卡卻不去健身房，你再怎么喊我要減肥，身上的肉永遠不會少，肌肉永遠長不來。

好在，瓴羊在這個問題上看得很透徹：在AI時代，要把Token當作企業的一項“經營指標”。甚至，他們給出了一個新的人效公式：

1名人類文案+1000萬Token/月>2名正式員工產出。

簡單說，就是更少的人力，配合AI算力，產出的成果遠超單純的人工。

這不只是帶大家一起算賬，更是逼著各大企業去審視自己：你的核心業務里，到底有多少“含AI量”？

如果到今天還不把AI當回事，未來，很可能會被淘汰出局。

02

把AI重押“超級節點”，而不是分散資源

好了。知道Token很重要了，那么問題來了：我買的Token，應該花在哪兒？全線鋪開嗎？

不是。千萬別。

AI轉型，本身就是一場資源有限的高風險豪賭。既然想贏，就一定要先算好賠率。

朋新宇建議：集中資源，找到一個“超級節點”，狠狠地砸下去。

什么是“超級節點”？

簡單來說，就是企業里活最累、話最多、最花錢的那個地方。

那個地方有三個主要特征：

首先，人力最密集。

全公司看一眼，哪個部門人最多，幾百號人整天干的是打電話、回信息、審圖片這樣的重復性工作。如果用上AI，立馬能幫你省下一大筆“人力費”。這就叫“人力密集”。

其次，數據最豐富。

那里每天產生大量的聊天記錄、錄音、文檔，以往，這些都是占內存、占文件柜的“垃圾”，但對AI來說，這些都是“訓練數據”。只要喂給AI，它就能學會怎么干活。這叫“數據豐富”。

最后，效果最可測。

你用AI寫了句廣告語，到底讓公司賺了多少錢，你根本說不清楚，只有一個模糊的感覺。這叫“數據不可測”。如果原本人工審核退款資料要3分鐘，AI只要3秒鐘，時間縮短2分57秒。原本要10個人專門負責退款，現在只要1個人。這種有直觀數據展示的效果，就叫“效果可測”。

最符合這三個標準的，就是客服。

目前中國約有500萬到600萬名客服人員，平均每月成本大約是500億元。什么概念？等于說接近新加坡（總人口611萬）的規模，每秒2萬塊，每天接電話、回咨詢、退換貨。

可能你還記得，去年我在海信石家莊的客服中心體驗了一天客服。那次體驗，讓我記憶猶新。不管客戶說什么，必須15秒內回復。同一時間，要跟十幾個客戶溝通。既要專業做事，還要化解客戶情緒。哎，想把客服做好，真的很不容易。

印象最深的，是瓴羊為海信開發的AI智能助手，能接手客服絕大部分的重復工作。比如用戶退款，以前全靠人工審核，要走100多個步驟，有時可能得拖上幾天。用上AI后，2分鐘自動搞定。最終客服工作量減少了60%，資損率降低了94%。

用上AI后，客服這塊業務，直接從過去純花錢的“成本中心”，變成了既能省錢還能留住客戶的“利潤中心”。

把寶貴的AI，用在你的“超級節點”上。這樣的建議，是一種精準的投資人思維。

在這場大會上，沒有誰在兜售空泛的AI概念。我感受到的，是瓴羊真正在教企業：怎么在這場跟AI的碰撞中，打贏第一仗。

03

今天的廣告營銷，正從“拼靈感”，變成“拼算力”

除了客服，還有哪里也值得下注呢？

廣告營銷。

根據中國廣協的統計，2025年全中國廣告市場規模，是1.5萬億元（線上+線下）。

盤子巨大，但規則在變。

AI時代的廣告營銷，正從過去的“拼靈感”，變成“拼算力”。

為什么？

第一，AI把創意變成了“流水線工業品”。

傳統廣告營銷，拼靈感。一個金句、一張海報，可能要磨一周。但是，創意靠人，而人的靈感是不可能空的，這也是營銷產能的瓶頸。而AI把創意變成了“流水線工業品”，一分鐘直出10套方案，讓過去緊缺的創意不再昂貴。這就意味著，誰能調用大量算力生成千萬組素材，誰的產能就會領先。

第二，從猜用戶喜好，變實時篩選最優解。

以前做營銷就像開盲盒，投出去才知道行不行。要是不行，過去那些天花在腦暴、文案、修圖上面的時間精力，全都作廢?，F在只要算力夠足，你可以讓AI針對一萬個人做出1萬個不同的創意，并實時測試。想想看，同時做1萬個，總有一個是最優解。本質上，這是消耗Token換來的營銷生產力。

第三，未來的營銷就是Agent自動化的“流水線”。

朋新宇也強調了，現在的AI做的還是基本工作，你要去看自己的工作，能不能拆解為“AI可直接、AI可掌控、AI可協同”的鏈路。未來的營銷，就像一個由許多Agent組成的自動化工程。拼的就是誰的算力更強、Agent協同更絲滑，誰就能在信息流中淹沒對手。

這，才是未來的廣告營銷，會展現的圖景。

04

制造業的“不可能三角”，正在被AI消除

如果說，營銷是“軟”的。那么，制造業就是“硬”的。AI能改變制造業嗎？

在大會上，吳曉波老師說，能。而且是顛覆性的改變。

傳統制造業有個“不可能三角”：大規模生產、極致性價比、個性化定制。這三者沒辦法同時實現。

過去，你想定制個印你名字的酒瓶，得加錢。因為要單獨開模、設計包裝、新開一條生產線，價格不菲。這是“個性化”和“性價比”沖突。你想先做個10套，能不能便宜點？能便宜，但得1000套打底，打8折。這是“大規模”和“個性化”沖突。

今天，AI正在改變這個局面。

比如，海天醬油。以前，一家連鎖餐飲店想找海天定制1000斤醬料，還保持低成本，很難很難。因為需要單獨安排人力選豆、發酵、研發，成本根本控制不住。但現在，AI解決了這個問題。它實現了全鏈路閉環：需求端下單，數據直達生產線，AI精準控制選豆、發酵、質檢等參數，出廠時，AI“電子鼻”代替人工質檢，確保風味達標。

這是AI用算力數據打通了物理世界，僅僅是在現有流水線插入“定制單”，同時保持低成本。

在吳曉波看來，今天的AI，已經讓制造業的“不可能三角”消失了。

然后呢？

也許，未來你買的醬油不再是“標準品”，而是AI根據你個人喜好的“定制品”。也許，積滿商品的大倉庫會消失，當你提出需求時，生產線才會為你轉動。也許，進入新行業將變得空前容易，今天你的工廠能定制醬油，明天就能定制香水，因為你的核心變成了AI控制的那些參數。

這很像吳曉波說的那樣：

這個是工業革命250年來，中國第一次有機會讓制造業的傳統模型發生變化。

今天的企業都要意識到，AI不再只是用來生圖寫字的工具，它正在改變整個產業的底層邏輯。

05

把AI當“同事”，而不是“模型”，才能徹底重構生產關系

那么，既然AI這么厲害，為什么很多企業還是推不動？

因為絕大部分企業，都沒有把AI當作“CEO一號位工程”。

什么意思？

今天的很多企業，管理邏輯還停留在工業時代。所謂的工業時代管理邏輯，是科層制，一層管一層，逐級匯報，事事按流程。一旦哪一層卡住，這事就辦不了，至于到底卡在哪兒，可能CEO都不知道。如今用過去管人的邏輯去管AI，是最大的錯配。

這就會帶來新的問題：技術已經很先進了，但組織里的人會“阻止”技術。

我一直覺得，所謂的擁抱AI，是一定要老板親自上陣的。

因為，只要你站在員工的角度稍微想一下，就不難想象，他們會有一些擔憂。

中層管理會覺得，AI改變了流程，豈不是顯得我能力不足？一線員工會覺得：這AI這么好用，豈不是將來搶我飯碗？

所以，真正阻礙企業推進AI的，是中層的抵觸情緒和一線的認知鴻溝。

同樣的故事，可能還會在更多企業上演。這次同學會上，大家試著找出一個解法。

不要簡單把AI看作組織里的輔助工具，而是一位“工作伙伴”。

在企業內建立起一個“人機協作網絡”，人和AI都是其中的節點。你要給AI定KPI，比如一天要接多少電話，降低多少資損，挽回多少客戶。給AI的“工資”，就是Token。

更重要的是，要讓AI在組織中和組織一起不斷進化。

AI不是說，企業花了大價錢買了一個機器人，就完了。而是要你不斷給它算力，把最新的知識庫、行業判斷、企業決策判斷，統統喂給它，讓AI充分了解你的企業。

只有這樣，AI才能知道你的企業，到底要在哪里重點發力，又要在哪里查漏補缺。最終，給你帶來業務的增長。

所以，你不妨問問自己，企業的組織架構里，到底有沒有給AI留出位置？

這是一個值得每一位企業家、創業者思考的問題。

06

AI幻覺下降50%，但還要警惕“胡說八道”

好了。我們都知道AI很強，甚至此時此刻，它又比昨天更強了。

但是。越是這種時候，我們越要保持清醒。

AI，不是完美的。

可能你也有過這樣的經歷。有時候用AI找資料，乍一看，信息給得又快寫得又全。但如果你去核驗，卻發現有很多論文資料完全不存在。AI自己編了假信息給你。這種問題叫作“AI幻覺”。

這是個巨大的商業隱患。如果AI給的東西，連最基本的準確無誤都保證不了，那么誰還愿意用你呢？更別說讓它承載核心業務。

所以，這些年各大模型也都在拼命解決“AI幻覺”的問題。大會現場分享了一個數據：從2024年到2025年，AI的不準確度已經降低了50%。

進步很大。但，要注意，“AI幻覺”還沒有完全消失。

在商業世界里，哪怕是1%概率的錯誤，造成的影響都可能是致命的。也許，僅僅是一次同名同姓的誤判。也許，是對某個行業術語的張冠李戴，AI很可能言之鑿鑿地給你一個錯誤結論。如果不去人工二次核驗，那么這個“AI幻覺”很容易把你帶偏。

這很危險。

今天的AI，已經從“玩具”變成了“工具”，但這不代表它成了“先知”。你越依賴它，越要警惕它。

它的一條錯誤信息，可能讓你所有努力付之東流，可能讓你的品牌信譽一落千丈。那怎么辦？

或許，可以給AI再加一道“護欄”。

未來，可能會出現“人類專家”，幫你的企業構建一套“人機協同”的過濾機制。專門幫你篩掉AI的“胡言亂語”，確保交付你的結果，可信且安全。

這樣，企業才敢放心地把后背交給AI。

07

AI的“訂閱生意”，正在取代傳統的“流量生意”

最后，我們回到所有生意的最底層，看看商業模式。

這次大會里，很多企業都提到了一個普遍問題：增長乏力。圍繞這個問題，大家達成了一個共識：

如果你的商業模式本身就落后，只靠AI優化，是救不了的。

AI，就像是個放大器。如果你本來是0，用AI放大10倍，那你還是0。但如果你是1，放大10倍，你就是10。

“0”和“1”都是什么模式？可以看看宏觀趨勢，眼下AI已經劃出了那道分水嶺。

“0”，就是絕大部分互聯網企業做的“流量生意”。

告訴你免費試用，靠標題黨誘惑你點擊，在頁面里塞滿廣告。只要你看了、點了，對這些企業來說，就是流量就是錢。像谷歌、Meta這樣的傳統互聯網企業，約90%的收入靠廣告。

“1”，是AI帶來的“訂閱生意”。

你提問，它直接在對話框給你結果。不需要你在十幾個頁面里跳來跳去，也不用你看廣告。你唯一要做的，就是付“訂閱使用AI”的錢。像OpenAI、Perplexity這樣的AI企業，85%以上的收入靠收“訂閱費”。

就在我們眼皮子底下，商業模式正從“流量變現”，轉變為“訂閱付費”。

對所有企業來說，這是一次提醒：別再想著怎么用廣告彈窗騙點擊，而要去考慮怎么幫用戶省時間，交付給他們一個確定的結果。不盲目跟風，為了AI而AI，而真的去思考，怎么用AI重構你的生意。

這，或許才是賺取增長的正確姿勢。

最后的話

呼。說完了。

最后，我想回到瓴羊舉辦的這場閉門會本身。

看著數據同學會辦到第三年，我越來越有種強烈的感覺：它不僅僅是一場行業高端閉門會，更像是一個信號。

它在告訴所有人，AI不再是虛無縹緲的算力競賽，而是Token消耗量、超級節點、經營指標這些看得見、摸得著的生意邏輯。

這場數據同學會，就像是在給中國企業畫出一張AI時代的“航海圖”：AI不是為了減成本的“擰毛巾”，而是在通過重構生產關系，讓企業找到新的增長點。

我很佩服這份定力和前瞻。當大家都在焦慮如何前進時，瓴羊已經在試著帶大家一起解決組織適配、AI幻覺、尋找超級節點等深水區難題，一起把AI從“CEO的愿景”變成“企業的血肉”。那句“進化吧，同行者”，不只是口號，更是一種十分落地的擔當：

任何一個擁抱未來的企業，都不該在巨浪中孤軍奮戰。

常說，一個人走得快，一群人走得遠。

既然AI這條路，將是一場長達30年、50年的漫長征途，又何必非要一個人孤獨地踏上前路。

祝福，所有在AI時代求變求新的企業。

加油。

觀點/ 劉潤主筆/ 海鹽編輯/ 歌平版面/ 黃 靜

這是劉潤公眾號第2855篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途