AI很熱，但真的能用它賺到錢嗎

　　/朝聞通/AI很熱，但真的能用它賺到錢嗎?企業如何将AI能力轉化為利潤?10月22日，「AI掘金 · 将AI能力轉化為企業利潤」大會北京站圓滿落幕，合思攜手飛書、豆包工作，在機械工業出版社、北大信研院、上海國家會計學院的支持下，圍繞AI轉型的落地路徑與企業實戰展開深度交流。

　　會上，由合思創始人兼CEO馬春荃著、機械工業出版社出版的《CEO AI挖礦指南：将AI能力轉化為企業利潤》正式發布。會前，合思創始人兼CEO馬春荃與媒體朋友們做了一場深度溝通。

　　馬春荃表示，“AI到來以後，我幾乎是抱着重新創業的心态去All in AI。但真正做起來，會發現每一步都有問題：有了技術，去哪裡找值得做的場景?産品做出來了，客戶為什麼叫好卻不買單?客戶願意買了，原來的組織和流程能不能承接?效率提高以後，人的價值怎麼衡量，收益又怎麼分?企業AI轉型的完整路徑，就是找礦、采礦、煉礦、分礦和駕馭AI的過程。希望這本書能給正在推動AI轉型的企業一些啟發，把技術的可能，變成經營的成果。”

　　以下為訪談實錄(有精簡)：

　　Q1：您寫《CEO AI挖礦指南》的初衷是什麼?您用“找礦、采礦、煉礦、分礦”描述企業AI轉型，這條路徑應該怎麼走?

　　馬春荃：寫這本書的初衷，來自一次客戶拜訪。當時我帶去了一本參與編寫的數字化主題書籍，客戶的财務總監讀完其中的章節，說“我們要的就是這個東西”。這讓我發現，相比宣傳資料，一本書能讓客戶更深入地理解我們的理念。

　　後來準備寫AI，我首先想的是：我要寫給誰看?我希望打動的是企業老闆。他們最關心的，是AI能不能創造經濟價值，能不能降本增效、帶來利潤。

　　所以，我把合思自己的轉型經曆、踩過的坑和獲得的經驗整理下來，希望給企業經營者提供一面可以參考的鏡子。我把這條路徑概括為“找礦、采礦、煉礦、分礦”。找礦，是找到值得投入的場景，優先選擇數據相對完備、規則清晰、工作量足夠大的業務;采礦，是把技術能力變成收入，合思從賣軟件轉向按審核結果收費，就是這一步的探索;煉礦，是通過崗位重塑和組織變革，讓AI真正形成生産力;分礦，是調整利益分配機制，讓承擔判斷、創造和經營責任的人，能夠分享自己創造的價值。

　　而駕馭AI貫穿始終，我們需要明确AI能做什麼、不能做什麼，持續校驗，保證過程可審計，在需要的時候由人接手。隻有把這些環節連起來，AI才有機會從一個技術熱點，變成企業持續創造價值的能力。

　　Q2：您說合思做AI轉型是“逃亡和求生”。AI對傳統軟件公司的沖擊已經這麼大了嗎?

　　馬春荃：坦率地說，我并不認為傳統SaaS公司天然有優勢。過去的管理軟件，很大一部分是“表單加流程”，它建立在原有的分工協作方式之上。AI到來以後，分工協作方式變了，這些表單和流程也會大幅調整、收縮，有些會沉到底層，像地下管網一樣，成為不可見的基礎設施。

　　具體什麼時候發生、收縮到什麼程度，我還沒有确定答案，但我認為這個方向會發生。所以，我們轉型的動力就是逃亡和求生。後面的陸地像冰川一樣在坍塌，你隻能往前跑。跑得比它快，就有機會活下來。

　　對合思來說，軟件也不再是唯一的核心，軟件會更多成為AI的腳手架。我們要重新思考自己交付的到底是什麼。

　　Q3：大家都在談“全員用AI”，但企業老闆真正應該從哪裡開始?

　　馬春荃：企業老闆最關心的，不是技術講得多精彩，而是AI到底能不能創造經濟價值，能不能降本增效、帶來利潤。

　　選場景，我會看三個條件：數據是否相對完備，規則是否足夠清晰，需求是否有足夠規模。數據就像電線。哪裡已經數字化，哪裡才有條件把AI接進去。規則不清楚，靠口傳心授、靠臨場解釋，AI就很難穩定執行。如果工作量很小，即使做得出來，也未必值得優先投入。

　　既有工作規模、又能替代的，就是企業應該優先開發的“金礦”;規模很大但暫時替代不了的，可以持續觀察，等能力成熟，不必現在就死磕。合思在選擇AI産品時，先做報銷審核、發票管理、差旅管理，就是因為這些場景規則相對明确，工作量也足夠大。

　　Q4：您說合思的AI産品曾經“叫好不叫座”，從賣不動到打開銷路，合思做了哪些改變?

　　馬春荃：AI産品準備好了，商業模式不變，仍然可能賣不出去。我們是應用廠商，賣token顯然不合理。客戶不會為你不經濟的token消耗埋單，也不會為你無法衡量價值的軟件埋單，但他一定會為你所帶來的業務結果付費。

　　後來合思的轉折點是推出了“按結果收費”，我們不再問客戶願意花多少錢買一套軟件，而是告訴他，幫你審核一單多少錢。客戶對人工審核的成本、财務共享中心的單據處理成本是有概念的。這就建立了一個他能理解的價值參照。

　　我們将合思審核Agent的價格按照審核單據量計價，每單10元，達不到90%準确率不收費。從10月份到12月份，成交70家客戶，AI銷售業績突飛猛進。所以，隻有一個好的AI産品還不夠，我們必須要設置與之匹配的商業模式設計。瓦特賣的不是蒸汽機，是馬力，合思賣的不是AI，是結果。

　　對于合思而言，最關鍵的變化，是供應商要對交付質量作出承諾。我們在現場談到的智能審核模式，是達到約定的準确率要求才收費，低于約定标準就不收錢。客戶買的不是一個“你自己拿去用”的工具，而是供應商承諾完成的工作。這也意味着，技術能不能穩定運行、規則能不能被正确執行，都變成我們必須解決的問題。不能隻把産品交過去，效果好壞都由客戶自己承擔。

　　Q5：财務審核容錯空間很小，把工作交給AI，怎麼保證它可靠?

　　馬春荃：駕馭AI，不是隻讓它跑得快，還要讓它能停下來。油門決定跑多快，刹車決定跑多遠。

　　首先要明确邊界：哪些工作AI可以自主完成，哪些必須交給人判斷。邊界由人來掌握。其次要持續校驗，做在線檢查、定期抽檢，确認它仍然按要求執行。不能上線以後就放任不管。還有一個關鍵就是：過程能夠審計。隻給一個答案，卻不告訴你依據什麼規則、經過什麼過程，這在企業場景裡是不夠的。

　　對于拿不準的内容，需要AI标注出來，交給人做有針對性的複核。例如某些手寫内容、需要專業判斷的事項，就不應該勉強讓AI處理。人的精力應該放在這些異常和特殊問題上。

　　Q6：您說“要把AI當新員工，而不是新工具”。您認為新員工和新工具最根本的區别是什麼?

　　馬春荃：工具是人拿來用的;把AI當員工，就要重新設計它承擔什麼工作、擁有什麼權限，以及怎樣和人協作。

　　這首先要求我們重新審視工作：哪些内容可以标準化，哪些規則清楚，可以交給AI;哪些還很模糊，需要人來處理。不能把原有崗位整個搬過去，就期待AI自動做好。

　　很多企業的難點在于，一線人員知道怎麼幹，卻未必說得清為什麼這麼幹;管理層知道邏輯，卻未必了解現場的異常情況。這兩端接不上，工作就很難交給AI。因此，企業需要形成适合AI工作的環境，把流程節點、數據關系、崗位權限重新定義清楚，讓AI有崗位、有權限、有記錄，過程能夠追溯。買産品隻是其中一步。

　　Q7：合思推出的FDE深度現場部門，和傳統實施顧問有什麼不同?合思為什麼要專門建立這樣的團隊?

　　馬春荃：傳統軟件實施面對的是兩個相對确定的東西：企業原有的規則，以及軟件固定的邊界。顧問主要是把客戶需求配置進系統。FDE面對的是兩個不确定：企業的規則和流程可能需要調整，AI最終能發揮什麼作用，也需要在部署過程中探索。它不完全是在産品出廠時就決定的。

　　建立FDE深度現場部門是合思自身的組織變革，我們從傳統的現場集成交付，轉向由IT專家、财務專家和産品經理組成的複合型FDE團隊，全面承擔系統交付、業務咨詢、規則設計和落地陪跑。同時，客戶側也需要組織變革，因為客戶使用AI産品後，要重新定義責任邊界、流程節點和數據關系，讓AI有崗位、有權限、有記錄，并能被審計和追責。我們交付的不是一個孤立産品，而是一套能在組織中持續運行的AI工作環境。

　　所以，交付要從“給人配置系統”，轉向“給AI配置崗位”。不僅要知道怎麼做，還要追問為什麼這樣做。

　　例如，我們通過現場調研和數據回溯，發現一家客戶不同版本的福利規則存在沖突，測算出約800萬元的潛在節省空間。但最終采用哪套補貼标準，必須由客戶自己決定。我們要把問題找出來、提出建議，企業也要真正推動改變。

　　Q8：大模型廠商都在做企業Agent，合思憑什麼不被平台“吃掉”?

　　馬春荃：大模型廠商把基礎設施鋪得更好，對我們也是機會。專業化工具可以更快到達客戶桌面，不必所有基礎設施都自己建設。但真正進入生産場景，會發現每個細分領域都有大量具體問題。通用能力強不等于在每一個場景裡都好用。你在家擰一兩個螺絲可以用瑞士軍刀;到了生産線上就需要專門的工具。

　　應用的價值在于行業經驗，以及圍繞具體場景搭建的規則、技能和運行環境。我們也在沉澱“元思維模型”。比如審核更側重證據鍊推導，預算更側重在多個條件下尋找最優組合。這些解題方式可以沉澱為組件，在适合的場景中組合複用，而不是每做一個智能體都從頭再來。不過，方法能夠複用，不代表所有場景都已經跑通。新的應用仍然要回到現場，用實踐驗證。

　　Q9：AI接走了重複工作，人應該做什麼?企業還适合沿用原來的KPI嗎?

　　馬春荃：人仍然要做幾類重要的工作：面對模糊問題作出判斷，建立情感和信任、談判和領導團隊，以及把業務問題抽象成可以計算的結構。

　　這些工作，很難再用簡單的動作數量衡量。打一個螺絲多少錢，容易計算;但一個人花很長時間想清楚一個關鍵問題，價值可能很大，思考過程卻不可見。

　　所以，AI不僅改變崗位，也會改變組織和分配機制。我們需要讓小團隊獲得更多授權，讓人更像經營者，為最終創造的價值負責。推動轉型，老闆自己也要持續使用AI，用真實案例形成共識。不能隻把它變成一項KPI，要求别人完成。

　　Q10：您說合思的未來不再是一家财務AI公司，而是以元思維模型驅動泛化的公司。為什麼合思的能力可以被泛化，壁壘是什麼?

　　馬春荃：财務的場景能不能泛化，關鍵要看底層的思維方式是否相通。比如，審核的核心是證據鍊推導：根據材料找到适用規則，再判斷證據能不能支撐結論。這個思維方式可以用于費用審核，也可以用于審計。但預算不同，它需要在多個條件和約束下尋找最優組合。

　　我們已經沉澱了多種元思維模型，可以把它們理解為“思維組件”。進入一個新場景，不必每次都從零搭建，而是組合适用的思維組件，再配上這個場景特有的技能、知識和數據，經過驗證，讓它穩定運行。AI可以複用的是解題方法，具體場景仍然要逐個打通。我們也在探索新的方向，但不能把尚未驗證的可能性當成已經實現的成果。

　　合思的壁壘也在這個過程中形成。一部分是對業務的理解：我們不隻知道客戶怎麼做，還要知道為什麼這樣做;另一部分是技術和工程的沉澱，讓這些思維組件在實際運行中，準确率、效率和成本不斷優化。隻做一個智能體，卻沒有沉澱可複用的方法，進入下一個場景仍然要重做，就很難形成規模效益。

　　相比通用大模型，合思能否持續創造價值，最終取決于能不能把模型能力、業務規則和客戶現場結合起來，穩定交付結果。這需要深入一線，把行業經驗變成可執行、可驗證、可持續優化的能力，而不是僅僅接入一個大模型。