新眸原创·作者 | 鹿尧

今年8月，旧金山一家实验性零售店因为“AI店长解雇员工”登上全球头条。

但值得注意的是另一个细节：AI店长Luna最初忘记了自己制定的考勤规则，在人类团队提醒它重新检查员工手册后，才改变判断，建议解雇一名多次迟到17次（共23班次）的员工。这个最终决定，仍由人类审核执行。

这可能比“AI能不能当店长”更接近企业今天真正面对的问题：当AI开始进入真实业务、做出真正影响人的判断，谁来确认它是对的？谁有权批准它的决定？如果出了问题，又由谁负责？

9月15日，飞书未来无限大会的科技创新企业专场上，极客公园、四维图新、亚信和新航道的嘉宾从发展趋势、战略落地、组织变革和业务重塑四个视角就AI在企业的工程化落地给了启发性的输入。

过去的技术红利靠的是技术壁垒，掌握核心技术就能形成护城河享受溢价。而AI时代下随着大模型、Agent的普及，技术红利在从“拥有技术”向“用技术重构业务场景”去转移，考验的是谁能把技术更快更高质量地落地到具体的行业与业务流程里。

大家普遍认为，2026年是科创企业把技术红利转化为增长复利的关键时期。

飞书商业化北区总经理刘宗元做了开场分享，清晰地说明字节将集豆包、飞书和火山引擎之力来服务好企业兑现AI生产力。

豆包工作提供智能，飞书承载企业上下文和工具，火山引擎提供模型、算力和全套开发工具。AI时代下科创企业实现技术红利到增长复利的路径是把产品做对做快实现技术产品化、把市场跑通跑赢实现技术产品化和把成功沉淀可复制实现增长复利化。

难在哪里？极客公园创始人张鹏把企业AI转型拆成了L1到L5五个阶段，这个框架比单纯讲技术更接近真实的组织状态。

L1是单兵狂欢，老板动了公司没动，AI 没有真正嵌进日常工作里。L2是降本减肌，成本动了收入没动，局部替代、降本增效，财务报表短期变亮眼，但减脂容易增肌难。张鹏的判断是，L2是积极拥抱AI组织的中位数状态，大部分企业卡在这里。

L2到L3的分水岭，是从“用AI”变成“经营AI”，开始算每一分钱的ROI，AI从玩具变成生产资料。这时岗位定义出现变化，开始有些「端到端」岗位。张鹏举了个例子，影石Insta360每天要处理数万封海外合作邮件，AI助手做分类、分发到合适的人，每月节省重复性工作时间两百小时，市场响应时间缩短一到两天。

这个例子的关键不只是省时间，它强调的是人和AI的重新分工——“目标是让人能够更聚焦在今天AI不能有效解决的问题上，而AI在关键位置发挥作用，解放更大的生产力。”L2的重心是减脂，L3的重心在增肌。

张鹏说，到L3时，老板不能再把 AI 只当员工，AI还应该是你的合伙人，此时给出完整的“上下文”就尤为重要。“上下文”，即一家企业沉淀下来的、独有的数据和信息将逐渐走向核心资产地位。比如东方空间，他们用多维表格搭了一个数字化柔性指挥中心，把过去固化在几个关键人身上的know-how沉淀成可复用的工作流，从而带来显著的效率提升。

“L3 的终极理解，就是岗位职责在变化，上下文作为资产被大家认知。”但事实上，L3本质上还是效率问题，是用AI加速了原有的工作流。

真正难的是L3到L4。张鹏认为，L4在今天基本都是AI原生的公司。比如做通用Agent的Genspark，70人的公司一年ARR接近3亿美金，一个人花一周时间、1.5万美金Token就能重写几十万行代码的Office，公司里人人都是端到端的Product Engineer。

这种组织形态不是买几个AI工具、调几条流程就能达到的——它涉及谁有权批准AI的输出、谁为错误承担责任、跨部门的数据和流程怎么打通，甚至涉及生产关系和分配方式的重构。

换句话说，从L3走到L4，组织里开始出现一套明确的机制，决定AI的输出在什么条件下可以直接进入业务流程、在什么节点必须由人来判断和放行。

这里有一个容易被忽略的区分。L2到L3是效率问题，买工具、做培训、调流程，基本上能解决。L3到L4是制度问题，没有一个是技术部门能单独推动。大多数企业把这两件事混为一谈，以为多买几个AI工具就能走到L4，结果在L3原地打转。

一个值得关注的趋势是，未来三年衡量企业AI能力的核心指标，可能不再是用了多少模型、花了多少算力，而是L3到L4的跨越率。能跨过去的企业，AI会变成真正的竞争力。跨不过去的，AI只能是成本项。

四维图新CEO程鹏的分享，是整场下午场里最硬的部分。

四维图新走过的弯路有代表性。工具部署了，组织没有自然改变，个人提效不等于组织提效，每个AI只懂局部任务，信息仍然割裂。所以程鹏把AI转型定位成一号位工程，因为AI要进入的不只是某一个孤立环节，它要撞穿四道墙，文化墙、数据墙、组织墙、系统品质墙，每一道都是公司级难题。

他给的核心分工逻辑有三句话，AI负责把事情做快，人负责把事情做对，合规体系把事情做可信。这三句话恰好对应AI决策闭环的三个环节：AI在授权范围内快速执行，人在关键节点做最终判断和放行，合规体系确保整个过程有标准、有记录、有证据。

拿四维图新的质量审核实践来说，汽车行业有三大合规体系，IATF16949、Automotive SPICE、ISO26262，这些标准没有成为AI的束缚，反而为AI提供了清晰的规则和边界。他们把标准嵌入工作流程，AI先做检查，再由人做最终确认和放行。这套基于飞书的SmartQMS体系，让审核从过去人工8小时缩短到AI辅助3小时。

这里有一个反直觉的观察。汽车行业是容错率最低的行业之一，高精地图错了不是体验不好的问题，是安全问题。但恰恰是这个行业，最早建立起了成熟的AI责任机制。原因不复杂，要求高倒逼制度创新。那些容错率高、出错了也没法追责的行业，AI反而长期停留在玩具阶段。

程鹏把未来的工作方式叫做碳硅协同，碳负责方向、判断和责任，硅负责执行、连接、跟踪和复用。这些变化最终体现在经营结果上，人均产出从2024年的130万到2026年预计350万，两年多增长2.7倍，研发周期缩短到三分之一。

亚信副总裁杨立的分享，则把这个话题拉到了更长的时间维度里。

这家做了三十多年电信数字化的公司，正在经历第三次转型，以AI为中心重新设计公司的运行方式。杨立坦言一开始也不顺，七十多套自建系统数据割裂，智能体搓出来效果差强人意。对应的解决路径有三步，先做数据治理把所有系统接口改成CLI，再让业务和技术坐在一起工作坊共创，最后内部开源沉淀复用。

杨立表示，智能体治理要抓两件事，身份和安全。身份解决的是"AI能做什么"的授权问题，安全解决的是"出了问题能追溯到谁"的责任问题。每个智能体要有明确的权限边界，关键操作必须由人兜底。这是智能体规模化的前提。

把四维图新和亚信放在一起看，AI进入真实业务系统不是一个简单的"找人背书"的动作，而是一套完整的决策闭环：授权边界划定AI能走多远，人工判断在关键节点介入，最终决策者为结果负责，可追溯机制让整个过程有据可查。

这套机制的建立，本质上是在重建人与AI之间的协作体系。

历史上每一次重大技术革命都伴随这个过程，电气化时代重新设计流水线，信息化时代重新设计审批流。AI时代也一样，只是这次重建的难度更大，因为AI的能力边界比以往任何技术都宽。

除了四维图新和亚信，另一家公司“新航道”代表的是离普通人更近的教育行业。

教育一直面临一个不可能三角，高质量、个性化与规模化很难同时实现。越个性化越依赖老师，越依赖老师越难规模化。

新航道从作文批改切入，以往老师每天上五六小时课，桌上摞着几十篇作文，精细批改一篇要三四十分钟，学生等拿到结果往往要两三天。现在学生刚提交完作文，一分钟左右，二十多页的批改报告就已经完成。

背后的原因是，AI批改的专业性与全面性，已经能达到甚至超过大多数老师的水平，还能保留学生自己的观点生成个性化高分作文。

但新航道的在线教育总经理赵梓豪认为，AI的批改报告并不直接等于教学决策。最终理解学生、判断方案并对学习效果负责的，仍然是面向学生的老师。最了解学生细微差别的，是每天和学生相处的人，这是AI无法取代的地方。

这里发生了一个微妙的价值转移。

过去老师的核心价值是传授，把知识讲清楚、把作文改仔细。AI接手这部分后，老师的核心价值转向了理解和承担，理解这个学生此刻需要什么，为这个学生的学习结果负责。

AI做得越多，老师的判断和责任反而越重。因为AI输出的是标准化建议，老师要做的是针对这个具体学生的教学决策——决策权和责任，始终在人这一边。

为了让数据围绕学生连接起来，新航道做了一个大胆的决定，ALL in 飞书。二三十套内部系统、超过一亿的数据，连同招生CRM、教务、订单和学服的全部家底一起搬上飞书。从入学测试到结课测试，每一次上课、每一份作业都被完整记录。

老师的角色也在变。过去老师即使知道该怎么教，也难把想法迅速变成工具。现在通过豆包工作伙伴，老师发现学生在某个知识点反复出错，通过与AI几轮对话，就能把教学方法变成一套练习甚至一个应用，给学生针对性教学。

赵梓豪把组织升级的经验总结成三个Ready，认知上不要为了AI而AI，能力上让一线都参与进来，机制上不能让创新止步于一次比赛。而推动组织升级首先是业务一号位的责任，不能把AI简单交给技术部门。一号位要做的，是为整个组织的AI应用划定方向、配置资源、明确责任归属。

把汽车、电信、教育三个行业放在一起看，会发现一个共同的趋势。AI没有替代人，但人的角色确实在变。从执行转向判断，从操作转向承担。

四维图新的人做最终放行，营业员改最后一句话，新航道的老师为学习效果兜底，他们讲的都是同一件事，AI进入组织的真正门槛，是组织有没有建立起一套让AI的输出安全转化为业务决策的机制。

三个行业容错率不同，但决策闭环的结构是一样的：事前把人和 AI 的权责边界划清楚，AI在授权范围内输出，人在关键节点判断，组织用规则和流程保证全过程可追溯、可复盘。

模型决定AI能够做什么，组织决定AI能不能上岗。而下一个十年，企业之间的差距不会是用没用AI，在于有没有建立起这样一套让AI安全、高效、可追溯地运转的组织机制。