文 | 沈素明
一、导向：关于 AI，企业到底想要什么？
这是 AI 战略规划的起点，也是最容易被糊弄过去的一步。很多企业在启动 AI 项目时，甚至没有一个诚实的“ 导向”。如果你去问一位 CEO：“ 为什么要搞 AI？” 可能会说：“ 为了降本增效。” 这听起来没错，但这是一句正确的废话。
Related articles
如果把 AI 仅仅定义为“ 降本增效” 的工具，那么 AI 战略规划在第一天就封顶了。顶多是给现在的马车装了一个电动雨刮器，而不是换上内燃机 。在做规划之前，决策层必须要在内部达成共识，把 AI 的“ 战略导向” 钉死在以下三个层级中的某一个。注意，这不是多选题，是单选题 。
1. 做“ 工具”（效率导向）
如果企业的护城河非常深，业务模式极度成熟，仅仅是人手不够用，或者流程太繁琐，那么导向就是“ 工具”。 这时候，AI 就是一个超级实习生。规划重点在于采购现成的 AI 工具，解决具体的、局部的痛点。比如客服忙不过来，买个客服机器人；写代码太慢，买个 Copilot。 这叫“ 战术导入”。它的特点是见效快，但也意味着天花板很低。只是给你现有的业务打补丁，不会改变命运 。
2. 做“ 能力”（业务导向）
这层导向更有野心。希望 AI 不仅是帮员工省力，而是要改变业务的逻辑。 比如，以前供应链决策是靠老采购员的经验，加上几张 Excel 表拍脑袋定的。现在，希望 AI 能整合天气、物流、历史销量，给出库存建议 。这时候，AI 不再是一个工具，它成了企业的一种“ 核心能力”。 如果选这个导向，AI 战略规划就不再是买软件那么简单，需要治理数据，需要重构流程。
3. 做“ 武器”（竞争导向）
这是最高维度的导向。目标不是“ 更好”，而是“ 不同”。 希望利用 AI 重构商业模式，创造出竞争对手无法复制的体验。比如，原本是一家卖英语教材的出版社，通过 AI，变成了一家提供“1 对 1 苏格拉底式教学” 的教育科技公司。 这时候，AI 是核心竞争力，是手里的一把枪 。
我的建议是：不要一上来就喊口号说要“ 做武器”，但也绝不能满足于“ 做工具”。大多数中大型企业，最务实的导向是从“ 工具” 切入，快速向“ 能力” 跃迁。只有定好了这个调子，后面所有的投入、预算、甚至是流血牺牲，才值当。一把手必须清楚：这笔钱，买的是“ 省事”，还是“ 未来”？
二、范畴：涵盖 27 个器官的手术
导向定好了，接下来就是“ 范畴”。这是容易被低估的环节。绝大多数管理者认为，AI 规划的范畴就在“IT 部” 或者“ 数字化中心”。
大错特错。
AI 不是一个外挂软件，它是一柄“ 重力锤”。当它砸向企业时，它震碎的不是服务器，而是组织运转最底层的 27 个系统要素。AI 规划的范畴，必须覆盖 27 个点。为了方便理解，我把它们归纳为三个战场。
战场一：权力的再分配 （结构与决策）
你以为 AI 只是在处理数据？不，它在动摇权力。
-
中层管理的消亡：在传统的金字塔结构里，中层管理者的核心价值是“ 上传下达”。但 AI 让信息实现了扁平化流动，高层能直接看到前线炮火，基层能直接获取战略指令，企业的规划里，有没有考虑过，这些丧失了“ 信息差” 的中层该去哪？
-
决策权的移交：以前审批靠人，是为了风控。现在 AI 能基于规则瞬间完成低风险审批，那么，在这个范畴里，必须界定：哪些权力必须给人？哪些权力可以给 AI？如果 AI 批错了，谁坐牢？
战场二：利益的重定义 （人才与薪酬）
这是最棘手的部分，也是人性的深水区。
-
薪酬：如果一个员工用 AI 把三天的工作在三分钟内做完了，该给他发三天的工资，还是三分钟的工资？ 如果薪酬体系还是基于“ 工时” 或“ 苦劳”，那就是在惩罚使用 AI 的人。战略规划必须包含薪酬机制的重构：从为“ 动作” 付费，转变为为“ 价值” 付费
-
人才的筛选：现在的招聘标准里，写满了对过去经验的要求。但在 AI 时代，经验是最容易贬值的。战略规划的范畴必须包含对“AI 协同力” 的考核—— 哪怕是招一个文员，也要看他会不会用 AI 解决非结构化问题
战场三：效率的硬着陆 （流程与数据）
这是基础建设，是把地基打穿。
-
流程的“ 去人化”：现在的 SOP（标准作业程序） 是为人写的，充满了为了防范人类犯错而设置的繁琐步骤。AI 规划要求我们重新审视每一个环节：这里真的需要人吗？能不能让 AI 直接闭环？
-
数据的孤岛爆破：没有数据，AI 就是个傻子。但数据都锁在各个部门的抽屉里。规划必须包含一项“ 暴力拆迁” 工程—— 打破部门墙，建立统一的数据底座
所以，当公司列 AI 战略规划的“ 范畴” 时，不要只列出“ 采购 XX 模型”、“ 部署 XX 服
务器”。而要列出：组织架构怎么调？薪酬怎么改？流程怎么变？数据怎么通？
如果这 27 个要素只动了其中一两个，剩下的旧要素就会像免疫系统一样，把 AI 项目当作病毒杀手。
27 个要素，如下：
-
组织架构的“ 信息枢纽” 崩塌
-
汇报关系的价值迁徙
-
决策机制的速度与理性
-
人与 AI 的权责分配
-
部门协作的“ 数据墙”
-
薪酬激励：AI 产出的收益权
-
绩效管理：从“ 产出量” 到“ 价值创造”
-
人才发展：核心人才的重新定义
-
招聘选拔：AI 协同能力的识别
-
培训体系：AI 与业务的融合
-
员工关系：焦虑的透明沟通
-
业务流程的“ 可 AI 化” 识别
-
审批流程的分级与提速
-
制度规范与“AI 行为边界”
-
标准体系的“AI 质量”
-
合规管理与实时监控
-
数据管理的孤岛与平台
-
信息系统的互联互通
-
知识管理的“ 沉淀与调用”
-
文档管理的智能检索
-
客户管理的画像与预测
-
项目管理的排期与预警
-
供应链管理的库存与决策
-
质量管理的实时监控
-
战略规划的敏捷性
-
企业文化的“AI 融合”
-
变革管理的“ 小步快跑”
三、任务：
把“ 虚” 的战略翻译成“ 实” 的清单
有了导向，划定了范畴，现在我们面临的是：怎么干？战略是抽象的，执行是具象的。管理者最头疼的就是怎么把“ 我们要全面拥抱 AI” 这句话，变成员工周一早上 9 点能执行的任务。
这里，我要引入一套“ 任务体系化方法论”。这套方法论原本是用来梳理客户需求的，但它也适合用来梳理企业内部的 AI 战略任务 。我们需要像对待客户一样，对待自己的战略落地。把“AI 战略” 当成一个模糊的需求，然后通过四个步骤，把它翻译成一张可执行的“ 任务清单”。
第一步：结构化整合 （把碎片拼成图）
企业内部关于 AI 的需求往往是碎片的。财务说要自动报销，销售说要自动写邮件，老板说要个驾驶舱。 这时候，不能来一个做一个。规划组必须把这些零散诉求按管理维度 （战略/运营/职能/监督） 进行归类 。 比如，把“ 客服机器人”、“ 销售话术辅助”、“ 售后工单分析” 全部打包进“ 营销服务一体化” 这个大任务包里。这样你看到的不再是满地的碎片，而是几个清晰的战役。
第二步：分层拆解 （给不同的人派不同的活）
任务打包好后，不能直接丢给执行层，必须进行分层拆解 。
-
高层战略级任务：比如“ 重构供应链决策模型”。这是给 VP 级别的人背的指标，关注的是商业模式的优化。
-
中层执行级任务：比如“ 建立供应链数据中台”、“ 统一各仓库数据口径”。这是给部门总监的活，关注的是流程协同。
-
基层操作级任务：比如“ 采购员使用 AI 助手进行比价”、“ 库管员使用 AI 识别货物”。这是给一线员工的活，关注的是工具落地。 每一层都有 AI 的任务，每一层的逻辑都不一样。
第三步：链路闭环补全 （不留死角）
这是最关键的一步。很多 AI 项目烂尾，是因为只有“ 动作”，没有“ 闭环”。 我们在规划每一个任务时，必须强行补全它的执行链路和价值链路 。
-
输入是什么？（数据从哪来？质量够不够？）
-
执行规则是什么？（AI 怎么处理？谁来监督？）
-
输出是什么？（生成什么结果？怎么交付？）
-
兜底方案是什么？（AI 挂了或者算错了怎么办？） 如果不把兜底方案写进任务书，一旦出事，全公司都会质疑 AI 的可靠性。
第四步：隐性任务延展 （丰富原初的想象）
真正的战略规划，不能只听业务部门喊饿，还要知道他们缺什么营养。 业务部门通常只关注“ 好用”，而规划者要关注“ 合规” 与“ 安全”。需要强制加入一些业务部门未提及但必须做的隐性任务。比如：数据隐私保护机制、AI 伦理审查委员会、知识产权合规性检查 。这些任务平时不显山露水，但决定了 AI 能走多远。
通过这四步，就得到了一份 《AI 战略落地任务执行清单》。它不再是虚无缥缈的说辞，而是甚至可以精细到“ 下周三之前完成财务数据清洗规则制定” 的具体指令。
四、部署：智能应当栖息何处？
有了任务清单，很多管理者认为下一步就是“ 买服务器” 或者“ 开通云账号”。且慢。
在这里，绝大多数规划会犯一个隐蔽的错误：错配。
我们往往以为 AI 部署是纯技术架构问题，是 CTO 的事。但作为决策者，必须意识到，这是关于“ 智能应当在何处栖息” 的问题。需要决定的，是把算力资源和数据资产，放在云端 （Cloud）、边缘 （Edge），还是终端 （End）？
这不单是技术问题，这是成本、效率与安全的权衡。
1. 别被 SaaS 惯坏了思维
过去十几年，我们习惯了 SaaS 模式—— 一切上云。但在 AI 时代，这个逻辑行不通了。 想象一下，一辆自动驾驶汽车看到前方有障碍物，如果它必须把图像传到千里之外的云端，等云端分析完再传回刹车指令，这几百毫秒的延迟就是生与死的距离 。 所以，你的部署规划不能只有“ 云”。
2. 三个栖息地的选择逻辑
在规划具体的任务时，要为每一个任务匹配它最适合的“ 栖息地”：
-
云端 （Cloud）：帝国的图书馆。
-
适用场景：需要海量历史数据、不需要毫秒级响应的任务。比如年度财务审计、新药分子筛选、全渠道销售预测
-
代价：高昂的带宽费、隐私泄露风险、以及不可避免的网络延迟 。
-
边缘 （Edge）：前线的哨所。
-
适用场景：需要快速反应、但又不想把所有垃圾数据都传上云的任务。比如工厂流水线的质检。你在产线旁放一台服务器 （边缘），它能实时判断良品与次品，只把次品数据上传云端。这样既保证了速度，又节省了 80% 的带宽成本
-
核心价值：就近服务，数据过滤。
-
终端 （End）：贴身的侍卫。
-
适用场景：极致隐私、或者没有网络的地方。比如手机里的相册分类、矿井下的监测设备。数据不出设备，这是对隐私最极致的保护，也是对稳定性的最大保障
3. 决策的“ 灰度”：混合部署
在真实的规划中，很少有纯粹的单选题。公司的规划图纸通常是“ 混合部署” 的交响乐。 举个例子，如果规划的是一个智慧巡检系统：
-
端：无人机上的芯片负责实时避障 （保命）；
-
边：降落后的地面站负责分析细微裂纹 （保质）；
-
云：总部数据中心负责根据所有数据优化算法，第二天再推送到无人机上 （保智）。
所以，在 AI 战略规划中，必须有一张明确的“ 端-云-边布局图”。要清楚地标出：哪些脑子长在云端？哪些脑子长在设备上？
五、运维：不是修电脑，是治理生态
最后，我们谈谈“ 运维”。在传统的 IT 语境里，运维就是保证服务器不宕机。但在 AI 战略里，运维的含义要深远得多。AI 不是死物，它更像是一个不断进化的生物体。如果用“ 交钥匙” 的心态做 AI，交付那天就是它死亡的开始。AI 战略的运维，本质上是组织生态的治理。
1. 治理：从“ 一把手工程” 到“ 委员会制度”
我们在启动期强调“ 一把手” 必须懂逻辑，但在运维期，必须有人负责整体协调。 不能让战术导入变成各部门的私事。必须建立一个跨部门的 AI 治理委员会。这个委员会不负责写代码，负责“ 定规矩”：
-
数据标准怎么定？
-
跨部门的数据墙怎么拆？
-
AI 算力资源怎么分配？
-
当销售部的 AI 需要财务部的数据时，谁来拍板？
2. 度量：从“ 关注上线” 到“ 关注价值”
不要用“ 上线了多少个 AI 应用” 来考核运维成果，那是虚荣指标。 要建立一套针对 AI 的价值评估体系。
-
效率指标：它真的把项目交付周期缩短了 15% 吗？
-
质量指标：它对客户需求的预测，真的比老销售更准吗？
-
成本指标：库存成本真的下降了吗？ 运维的核心动作，就是不断地用这些指标去拷问每一个 AI 项目。不达标的，要么优化，要么下架 。
3. 文化：焦虑管理与小步快跑
这是最容易被忽视的“ 软运维”。 AI 来了，员工会恐慌。他们担心饭碗，担心被监控。如果这种情绪在组织里蔓延，员工就会下意识地给 AI“ 喂毒”，或者阳奉阴违。 运维计划里必须包含“ 变革管理”：
-
透明沟通：告诉大家 AI 是副驾驶，不是替代者
-
利益共享：设计机制，让使用 AI 效率高的人先富起来，而不是先失业。
-
小步快跑：不要搞大跃进。用一个个小的成功案例 （比如某个小组用 AI 准时下班了），去诱惑其他人主动加入。
4. 迭代：给战略留出呼吸孔
AI 技术迭代太快了。今天规划的模型，半年后可能就淘汰了。 所以，运维计划中必须包含战略的动态调整机制。把五年规划改成“ 三年滚动+年度敏捷”。每半年复盘一次，如果外面出了新的技术 （比如视频生成、推理模型），我们的战略要不要微调？我们的任务清单要不要更新？
所谓的“AI 战略规划”，根本不是一份技术采购清单。
它是一份关于权力、利益、流程、认知的重构契约。我们正处在一个巨大的分水岭上。左边是依然迷信“ 大力出奇迹”、试图用战术勤奋掩盖战略懒惰的旧世界；右边是那些愿意把组织拆碎了、揉烂了，再用 AI 的逻辑重新组装起来的新物种。
这份方法论，五个维度：导向是罗盘，范畴是地图，任务是路书，部署是营地，运维是补给。不要指望这件事情能在三个月内完成。如果想建立的是“ 能力”，而不是贴个“ 补丁”，请做好打持久战的准备。这是一场长征，但值得庆幸的是，我们已经有了出发的图纸。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
