在一些实践中，AI不仅提升了执行效率，更直接影响商业结果。例如，在销售与市场领域，AI可以通过语言模型优化客户触达方式，从而显著提升转化率；在研发领域，则能够探索传统方法难以覆盖的创新路径。讨论中，投资人指出，资本市场已经逐渐从过去关注“成本改善型技术”，转向更青睐“可规模化收入创造”的技术机会。另外，历史上成功的跨领域投资（如互联网时代的新浪投资阿里巴巴的投资案例）往往重塑了企业估值结构，本质就在于突破了原有业务边界。
由此带来的，是企业估值逻辑的变化，企业的价值不再完全取决于当期利润，而更多取决于其未来通过AI放大增长的潜力，这对企业投资决策提出更高要求：既要参与，又不能盲目。因此，对于企业面对AI投资时，需要回答的核心问题不是“是否投入”，而是投入是否能够影响收入与商业模式？是否形成内部能力与外部生态的组合？能否在长期投入与短期回报之间保持纪律？
二、传统企业的AI应用：真正的障碍来自组织，而非技术
与资本端的热度相比，大部分传统企业在AI应用上仍处于探索阶段。从实践来看，企业已经在多个场景中尝试AI应用，比如，供应链质量识别、营销内容生成、用户洞察分析等，这些场景均取得了一定效率提升。但整体而言，这些应用更多是“点状的效率优化”，而非“系统性的业务重构”。
在深入讨论中，一个反复出现的结论是AI项目难以规模化，并不因为技术不成熟，而是因为企业自身准备不足。一个案例是，有团队在新产品开发中引入AI，希望加快创意与验证流程，但由于原有流程中存在大量历史遗留步骤，AI反而使问题更加复杂。只有在对流程进行简化后，AI技术才真正发挥作用。另一个普遍问题是数据基础。许多企业拥有多个独立系统，数据口径不一致，使AI难以形成可靠输出。换言之，AI应用有时遇到的挑战并不是技术缺陷，而是管理基础问题。
更具挑战性的，是组织层面的阻力。员工对岗位被替代的担忧、管理层对ROI的不确定性，使AI推进常常陷入停滞。一些成功经验显示，只有当AI被重新定义为“辅助决策”的工具，而非“替代人”的工具时，组织才会真正接受。
我们从成功案例看到，AI应用落地不仅是技术项目，需要以解决业务问题为导向，人机协同，先小范围验证，再逐步放大。一个重要共识是AI带来的不是简单的效率提升，而是一次深层次的组织分工重构 -- AI承担执行与分析，人转向判断与决策。AI不会消灭人，而会重构人的角色，从“执行者”转向“判断者”。
三、跨国企业中国区：在“速度与体系”之间寻找中间路径
对于跨国公司而言，AI转型呈现出更加复杂的结构性矛盾。一方面，中国市场在AI应用上具有更快的节奏。无论是消费者数字化程度，还是本地技术生态的成熟度，都使得中国成为AI创新的重要前沿。但另一方面，总部在推进AI时，往往更加注重数据安全、治理规则与全球一致性。这种节奏差异，使得中国区在实际推进中面临现实张力。
在一个典型情境中，中国团队希望利用本地数据与技术资源，开发面向本地消费者的AI应用，但全球系统架构与数据政策却难以支持这一灵活性。最终，不得不建立相对独立的本地系统。
一些企业形成了更加务实的做法，在全球层面保持统一原则，在中国区允许有限的独立试点，通过“先试点再推广”的方式，实现局部创新与整体控制之间的平衡。一方面，本地业务可以快速创新，另一方面，全球整合与风险控制变得更加复杂。
与此同时，中国区的角色也在变化，不再只是执行总部决策，而逐渐成为AI实践的重要来源与创新输入。这种转变，对管理层提出了新的要求，不仅要推动本地落地，更要具备将经验“翻译”为全球标准的能力。
四、AI原生公司：以数据与模型为原点的组织范式，用新逻辑重新定义效率与规模
如果说传统企业是在原有体系中“嵌入AI”，那么AI原生公司则是“围绕AI构建体系”。这些企业从一开始就以数据和模型为核心设计组织，因此在多个方面具备明显优势：流程天然标准化且可自动化；数据结构适配模型训练与应用等。在实践中，这意味着一个很小的团队，就可以完成过去需要大型组织才能完成的工作，例如快速生成产品原型、构建营销方案甚至完成数据分析闭环，实现传统企业难以想象的效率与创新速度。
其投入方式也不同于传统企业，一般前期集中投入、快速迭代、高容错率、更低的边际成本并追求非线性回报。相比之下，传统企业更强调ROI证明，这在某种程度上限制了AI投入的力度与速度。
这种差异带来的直接结果，是竞争格局的重构，使竞争不再局限于既有行业内部，而是来自结构完全不同的“新物种”。AI原生企业以“轻结构+高效率”切入细分领域，而传统企业则面临“高成本+低灵活性”的压力。
五、CFO角色的重塑：在不确定中建立确定性
在整个AI转型过程中，CFO的角色正在发生根本变化。一方面，CFO 仍需承担风险控制职责，包括数据安全与合规、投资回报评估、财务透明性等。另一方面，CFO首先需要重新定义投资逻辑，影响AI投入方向。由于AI投资回报往往呈现长期性与不确定性，传统以短期ROI为核心的决策方法，难以适用于AI投入。这要求CFO在“理性约束”与“战略大胆”之间找到新的平衡。
其次，CFO正在成为跨部门的“价值整合者”，连接业务与技术。AI应用往往跨越财务、业务、IT等多个领域，而财务部门因其对数据与流程的掌控，往往成为推动AI落地的重要切入点。例如，在一些企业中，财务已成为AI试点的首选领域，通过打通数据实现跨部门分析能力。再次，CFO需要参与组织变革，推动跨部门协同。AI项目的失败，往往不是因为技术，而是因为组织未能改变。因此，CFO不仅要评估项目可行性，还要推动流程优化、数据治理与变革管理。同时，讨论会的一个重要共识是：即使AI参与决策，最终责任仍必须由人承担。。
面向未来，AI对CFO提出了更高的能力要求：
- 技术与数据理解能力：理解模型边界与数据质量对结果的影响
-
战略判断力：在不确定性中做出资源配置决策
-
组织推动力：跨部门协调合作，推动AI落地
-
沟通能力：在总部与本地、技术与业务之间建立共识
在讨论中，有观点提出，未来管理层对技术的理解，可能会像对英语的掌握一样，成为基础能力。
小结
AI不会替代企业，但会重新排序企业。
传统企业的AI转型是在“不确定性中行动”的战略选择。
当AI从工具演变为基础设施，企业真正的分化才刚刚开始。一部分企业，将完成从传统组织向“AI驱动组织”的转变；一部分企业，将被AI原生公司快速超越；还有企业，将在不确定中寻找路径。
企业面临的关键选择，不在于完美规划，而在于尽早开始尝试，在实践中迭代，在不确定中建立能力。对于传统企业而言，最可行的路径不是一次性转型，而是从关键业务场景切入，引入外部成熟工具，同步推进数据与组织能力建设。在这一过程中，最关键的不是是否拥有技术，而是是否能够将技术转化为组织能力与商业结果。最终，决定企业位置的，不是是否“拥有AI”，而是是否真正用AI，重新构建了自己的价值创造方式。