（11月2日，專訪Arvind Krishna： AI的價值，是創造新工作方式）AI 能幫企業省下多少錢？這是所有人都想知道的問題，但在大多數企業裡，答案往往模糊。部署 AI 之後，卻很少有人能明確說出：它真正帶來了什麼價值。但 IBM CEO Arvind Krishna 在最近專訪中給出的答案簡單、明確：IBM 預計，到 2025 年底可實現年化 45 億美元的效率節省。這是他在與《引爆點》作者 Malcolm Gladwell 對談中透露的資料。但相比這個數字，他更關注三個本質問題：AI 是不是你的員工？你的組織結構跟得上 AI 嗎？真正能落地的 AI 商業模式是什麼？省不省錢，創造多大的價值，不在模型有多強，而在你有沒有用新的組織方式去迎接它。第一節｜AI 不是工具，是員工AI 是工具，這是很多企業負責人腦子裡的定式思維。像當年引入 ERP、CRM 一樣，採購一套系統、部署上線，然後等著提高效率、節省成本。但 Krishna 表示，這樣的思路，很容易讓 AI 項目停留在表面，難以落地。我們不是把 AI 當成工具，而是當成組織裡的一位員工。——Arvind Krishna，IBM CEO這句話，是整個對話的中心思想。那既然是員工，就要給 AI 安排崗位，明確職責，就像對待一個新同事。他說，IBM 在自己內部用了很多 AI 工具，但不是交給 IT 部門去裝軟體，而是讓業務團隊直接參與、把 AI 融入流程。“我們用 AI 幫開發者提高效率，現在已經提升了 30%-45%。但這不是因為模型強，而是我們自己先重構了工作方式。”換句話說，不是用 AI 寫程式碼，而是讓 AI 變成開發團隊的一部分。誰提需求、誰寫 prompt、誰判斷產出、誰整合結果，這些都提前明確下來就像為 AI 設定了一個崗位說明書。他提醒大家別掉進一個坑：很多公司在 AI 上花了很多錢，但組織結構、職責流程、激勵方式一點沒變，然後發現 AI 不起作用。這並非模型本身存在問題，而是如同招聘了一名新員工，卻未明確其工作職責，導致其工作產出無法融入現有工作流程，難以形成價值閉環。Krishna 的建議是：“如果你只是把 AI 當成一個外部採購的工具，那它的效果也只能停留在工具層。但如果你把它放進組織中，把它看作團隊成員，它才會真正釋放出價值。”對他來說，AI 項目的第一步不是寫程式碼，而是改流程；不是挑模型，而是安排好誰負責什麼。歸根結底，組織不變，AI 再強也白搭。第二節｜做好一件事，全公司配合在很多企業裡，AI 項目一啟動，第一反應是加人、投錢、堆資源。搞一個 AI 小組、成立創新部門、招幾個資料科學家，然後等著看結果。但在 Krishna 看來，這種做法常常走偏。他的做法，是全公司只推進少數幾件事，其他人都為這幾件事服務。在這場訪談中，他提到：OpenAI 成功的一部分，是他們把所有人集中在一條主線上。這點我們也一樣。“IBM 不再做十個方向的 AI 項目，而是聚焦三四個最核心的。”這背後，不是精簡人手，而是重新安排每一個人該負責什麼，圍繞主目標組織資源。這種聚焦戰略，最典型的例子就是 Red Hat，一家企業級開源解決方案供應商。2018 年，Krishna 拿出一個被普遍質疑的提案：IBM 要以 340 億美元收購開放原始碼軟體公司 Red Hat。當時連內部都難以接受，股價一度大跌 15%。但五年後，這成為 IBM 被普遍認可的最成功戰略之一。Red Hat 做到的，就是提供一種跨平台的通用能力，讓客戶能在任何雲平台、任何系統上統一部署。而這，也成了 Watsonx （IBM發佈的企業級人工智慧與資料平台）的設計基礎。他認為：“Watsonx 不是為了展示 AI 的能力，而是為了助力客戶實現規模化落地。我們先自己用，再交給客戶。不是讓客戶試錯，而是用我們自己的經驗給出確定性。”也就是說，IBM 在內部先用 AI 做項目管理、軟體開發、文件總結，流程跑通之後，才作為服務給客戶使用。而這個“先自己用”的過程，就是讓業務團隊直接參與，確保每個人都清楚自己在 AI 流程中的角色。Krishna 說：成功不是因為你有 AI 部門，而是因為你全公司都知道 AI 應該幹什麼。Red Hat 讓 IBM 從產品公司變成平台型企業；而 Watsonx 讓這個平台從能用變成可複製。這中間，沒有用更大團隊壓過對手，也沒有依賴更強模型。他們只是讓每個人都為核心目標服務，而不是各做各的 AI。第三節｜AI 回報看產出，不是省人當許多企業在討論 AI 投資時，最常見的第一問是：能不能省掉一些人？但 Krishna 給出的回答，完全相反：AI 成功，不是看你節省了幾個人，而是看你能不能產出更多。他多次重申一個觀點：AI 的作用，不是替代人，而是讓原本做不完的事變得可完成。舉例來說，IBM 在內部部署 AI 最早的場景，並不是為了精簡人員，而是為了釋放開發者、營運團隊、服務團隊的時間，讓他們能完成更多工，完成以前做不到的事情。具體來說：今天如果企業的客戶服務還和 10 年前一樣，那你已經落後了。如果你沒有用 AI 幫開發者提升 30% 的效率，甚至 70%，那你就沒跟上。換句話說，不是裁人，而是讓人幹得更快、更好。IBM 做到這一點的前提，是重新審視回報這兩個字。很多人以為回報等於節省成本，Krishna 則轉換了視角：你有沒有創造新價值？他舉了個例子：“今天我們每周都會用 AI 訓練文件系統、更新知識庫，不是出於盲目跟風，而是為了讓每一個服務人員都能更快響應。”AI 如果沒有連接到具體業務結果，只是省了幾個人工時，那不叫成功。他還指出一個關鍵誤區：很多企業追著最先進的大模型，但忽視了部署效率。我們可以用更小的模型完成任務，甚至效果更好，因為目標明確、場景清晰、訓練資料貼合。大不是價值，准才是。真正重要的，是你有沒有用這些效率，撬動更大的產出。AI 的價值，不是讓人變少，而是讓人做得更多。第四節｜CEO 的判斷，不靠拍腦袋說到這，一個問題自然浮現：Krishna 怎麼判斷那些 AI 投資能帶來產出？他的決策依據是什麼？主持人問他：你怎麼判斷 Red Hat 收購是對的？Krishna 的回答非常務實。他說：我們不去追趕別人，而是問自己“有沒有一條我們能站穩的差異化路線？我們追不上別人，那為什麼還要在他們已經領先五年的方向上繼續燒錢？”他觀察到，當時很多科技公司都在爭搶雲基礎設施。但大多集中在同一條路線上。而 Red Hat 的價值，在於它的中立性和可復用性，這是別人沒走但客戶真的需要的一條路。Krishna 的判斷力，並不是來自某種靈光一現的預判，而是一種組織思考法：他會主動找到 CFO、人力負責人、客戶、產品線的人，一起討論，反覆推演。“我不是財務背景出身，但我願意反覆問 CFO：這個帳怎麼看？這個項目如果失敗，代價是什麼？”他說：“我學判斷，不是看書，是在組織裡問人。我會主動去找人說：這件事我不懂，你給我解釋一下。”他不在意自己的專業不對口，在意的是能不能把各種專業知識整合成一個更全面的判斷。所有大決策，他都會先找十幾個人聊，先提風險，再看有沒有人能破題。如果沒有，他就壓一壓；如果有人能提供新角度，他就再往前走一步。“我不需要他們都認同我，只要他們能告訴我我沒看到的地方。”這就是他說的“判斷網路”：你要在企業內部，建立一百人的判斷網路；在企業外部，也建立一百人的判斷網路。Red Hat、Watsonx、量子的成功，都源於這種集體判斷力。結語｜不是 AI 強不強，而是你準備得夠不夠AI 是工具還是員工？是省成本還是放大能力？Krishna 的回答都指向同一個判斷：AI 的成功，不在模型，而在架構；不靠功能，而靠協同。IBM 能實現年化 45 億美元的生產力提升目標，不是因為建構了多高的技術壁壘，而是因為它敢於從流程、崗位、平台到底層組織邏輯全部重構。Krishna 沒有講產品路線圖，講的是怎麼把人、流程與工具，關鍵在於為 AI 的產出明確責任主體，確保其真正落地。今天的很多企業不缺模型、不缺預算，缺的是駕馭 AI 的全域意識。答案不在技術有多強，而在組織準備得夠不夠。 (AI深度研究員)
