传统企业无法将自己转变为人工智能原生企业。然而，它们必须保持警觉，因为这些新兴的人工智能企业正在抢占新的市场机遇。通过积极学习人工智能原生企业如何将AI融入其运营和技术的核心，传统企业可以借鉴这些新兴竞争对手的思维方式和行动模式，从而获得竞争优势。
还记得 Monster.com 吗？在 90 年代末期，这个在线求职平台的诞生对于全球求职者来说如同福音，他们兴奋地抛弃了报纸上的分类广告，转而拥抱这个全新的无纸化网络平台。然而，几年之后，一系列新的颠覆者如 Indeed、LinkedIn 和 Glassdoor 相继出现，它们各自带来了更为创新的功能。但不久的将来，我们或许会提出一个全新的问题：还记得那些在线招聘平台吗？
随着生成式人工智能的兴起，我们可能即将见证一种全新的求职、约会、规划路线或预订酒店的方式。这些似乎是在昨天才成为新常态，而现在，它们又将面临新一轮的颠覆。想象一下，一个由人工智能驱动的职业顾问。求职者无需亲自搜寻工作，只需向顾问阐述自己的技能、职业目标，乃至理想中的公司文化。作为回报，这位顾问不仅能提供职位匹配，还能深入分析招聘广告、新闻报道和社交媒体数据中的潜在模式，揭示那些尚未公开招聘的公司机会。更令人称赞的是，它还能量身定制求职信、进行模拟面试，并根据潜在雇主的情况量身定制谈判策略。
虽然目前还没有所谓的人工智能原生企业，但它们很快就会出现。这些以人工智能为先的企业将把人工智能（尤其是生成式人工智能）融入他们业务的每一个环节。他们的整个思维模式都围绕人工智能驱动的能力展开，技术将指导他们的思考和行动方式。由于不受传统系统和根深蒂固方法的束缚，人工智能原生企业不会将人工智能视为附加工具，而是将其视为业务运营的根本基石。这种纯粹的人工智能思维模式将使他们能够充分发挥生成式人工智能的优势，无论是满足客户对定制体验的渴望，还是实现内部流程的极速提升，或是构建在传统企业看来颠覆性的商业模式。正如之前的数字原生企业（如 Uber、Netflix、Venmo）一样，人工智能原生企业也将改变消费者的行为模式。消费者将开始以不同的方式选择产品、获取信息和评估选项，最终改变他们与数字世界的互动方式。这正是传统企业需要关注AI原生企业的原因。随着消费者行为的转变，企业需要适应这些新的选择、参与和交易方式。这些变化也将为人工智能原生企业提供机会，无论是合作还是竞争，它们都能渗透到企业的核心职能中：为了使新孵化的商业模式得以实施，企业必须建立新的治理政策、组织架构和运营流程，以适应大规模、动态且自主加速的运营环境。至关重要的是，他们还需重新审视和强化技术基础设施，以支撑其新提供的人工智能驱动功能。
这就是模仿人工智能原生企业思维模式的关键所在。虽然现有企业在逻辑上无法彻底转变为人工智能原生企业，但他们完全可以，也应当借鉴这些新兴企业的运营之道。
通过深入研究这些创新者的前沿方法，洞悉他们的技术架构，并调整自身的人工智能战略，成熟企业就能开始像那些将人工智能置于业务核心的颠覆性企业一样思考和行动。
企业采用生成式AI的三个关键阶段
虽然生成式人工智能的颠覆性影响不会立即显现，但它们必将在不久的将来成为现实。为了深入理解这项技术如何塑造工作的未来，我们与牛津经济研究院合作，开发了一个经济模型，旨在分析生成式人工智能对企业生产力和劳动力的影响。
基于我们对企业采纳生成式人工智能速度的调研以及对历史技术进步的分析，我们预测生成式人工智能的采纳将遵循S型曲线轨迹：从初步的缓慢增长，到快速的急剧上升，最终进入技术成熟和广泛普及的稳定阶段。这一显著的增长预计将在未来十年内发生，并分为三个关键阶段（详见图1）。
特别是在2026至2030年这个被我们称为“自信采纳”的时期，我们预见真正的变革将到来。根据我们最乐观的预测，届时将有31%的企业采纳生成式人工智能。虽然这一目标近在咫尺，仅剩两年时间，但若企业能从现在开始准备，仍将有充足的时间来适应这一变化。
在这个关键转折点，目前分散的人工智能监管环境可能会趋向统一，技术也将从简单的任务自动化转变为业务转型战略的核心。试想一个由人工智能代理几乎完全接管日常客户咨询的世界：这些自治系统将协同作业，执行特定任务以实现更宏大的目标。这些人工智能代理将提供全天候的个性化支持。
销售团队将不再依赖于通用的销售策略，而是利用由生成式人工智能驱动的潜在客户开发和客户分析工具，实现精准的目标定位。甚至调度、报告和数据输入等后台功能也将越来越多地实现自动化。
但我们的研究不仅揭示了这些变化。作为分析的一部分，我们为美国劳动力当前从事的1000个职位分配了“暴露分数exposure scores”。
这个分数并不是用来反映工人失业的比例或者他们失业的风险。相反，它代表的是，从理论上讲，到2032年，有多少比例的工作任务可以通过生成式人工智能来实现自动化或得到辅助，同时这个比例还考虑了这些任务的相对重要性，并进行了相应的加权处理。我们的暴露分数揭示了随着生成式人工智能的出现，哪些职业群体将面临最大的变化，并代表了人工智能原生企业进入新市场和成为精益企业的主要领域。例如，到2032年，客户服务代表的暴露分数将达到63.7%，销售代表65.6%，办公室和行政工作人员85.9%。这就是为什么——从接下来的两年开始，当生成式人工智能的自信采纳开始时——具有前瞻性的公司将需要一个强大的技术基础设施，一个重新定义业务模式的战略，以及一个鼓励持续创新的文化。为此，我们可以向人工智能原生企业学习，它们可以提供如何以及在何处进行这些重要转变的宝贵经验。 AI原生企业的三种主要形态
在我们看来，人工智能原生企业将以三种主要形态出现，每一种都有可能重塑传统行业格局。首先是利基/细分市场专家（Niche specialists）——他们将专注于以极高的精确度解决特定的问题。比如，一个AI工具可能辅助技术娴熟的医生，以超越整个医疗团队的准确性诊断罕见疾病。或者，一个制造工具可能与装配线的节奏高度同步，能够预测并防止即将发生的故障，从而避免昂贵的停机时间，提高效率。这些定制化的AI代理很可能是人工智能原生企业首先出现的领域。但这仅仅是冰山一角：对于所有三种类型的人工智能原生企业而言，幕后的许多工作也将由AI代理协作完成，它们将成为团队中不可或缺的成员，减少对大量人力的依赖，并实现快速决策。其次，平台构建者（Platform builders）将扮演建筑师的角色，打造基础技术，让其他企业能够利用人工智能的力量。这些创新者将构建旨在提升员工和客户体验的生态系统。一些平台将专注于预测客户需求，甚至在客户提出要求之前就提供个性化的建议和解决方案。其他平台则将专注于决策，将原始数据转化为可操作的见解，远远超越简单的仪表板。然而，最具影响力的或许是游戏规则改变者（Game changers）。这些有远见的人不会看到界限——他们只会看到无限的可能性。他们将利用人工智能打破传统限制，颠覆整个行业：为偏远社区提供负担得起的医疗保健，利用人工智能驱动的算法重塑金融投资，或者利用生成式人工智能的力量释放个性化教育的全部潜力，使之成为每个人都能获得的资源。让我们探讨三个假设的例子，说明每种类型的人工智能原生企业如何重塑日常体验并颠覆工作方式：利基/细分市场专家（Niche specialists）这种人工智能原生企业将彻底颠覆传统的供应链规划。它不会被动地解决问题，而是会预测放缓和风险，并提出避免它们的方法。该平台将吸收大量看似混乱的数据流：天气模式、港口拥堵、原材料价格、当地事件、政治不稳定，甚至社交媒体情绪。然后，它会发现人类分析师看不见的相关性，比如有关特定成分的在线讨论激增，这表明企业寻找替代品的时间即将短缺。它还将主动提出机会，确定因地缘政治局势变化而新开通的剩余库存或运输路线。不同的利益相关者将获得量身定制的报告：高管的关键风险、采购团队的采购选择以及现场经理的物流路线调整。有了这样的平台，运输、存储和配送领域的管理角色（到2032年，所有这些的曝光度得分将达到38.1%）可能会发生重大变化。对人类直觉的需求仍然存在，但人工智能可以简化数据分析和场景规划。即使是高度体力的角色，例如库存员和订单填写员（暴露分数为26.4%），一般来说，生成式人工智能的干扰相对较小，但人工智能优化的库存管理和仓库导航可能会增强他们的工作。指导性的供应链预测工具的优势在于持续学习和适应性。随着全球形势的发展，该平台也随之发展。该人工智能原生初创公司将抓住生成人工智能能力所创造的机会，承担教育管理或教学角色中至少三分之一的任务，并挑战一刀切的教育模式。在我们的研究中，到2032年，教育管理者的暴露分数将达到36.3%，教师的暴露分数将达到30.8%。忘记标准化测试和严格的课程计划——这些工具将会过时。相反，该平台将从交互式评估开始，揭示学生的知识差距、学习风格和兴趣。在此基础上，人工智能将制定个性化的学习路径，以多种格式（视频、文本、交互式模拟）引入概念，并根据学生的反应进行实时调整。你正在为数学问题而烦恼吗？人工智能可能会提供视觉解释或将概念分解为更小的步骤。在某一科目上表现出色？它可能会引入先进的材料来让学生保持挑战。但这不仅仅是内容；人工智能分析学生的参与度，调整课程的节奏甚至语气，以优化学习。我们的目标是让教育真正以学生为中心，培养对学习的热爱，并持续一生。这种类型的工具也将进入商业世界，充当员工的个人导师，因为持续学习成为人工智能时代劳动力的关键技能。这种人工智能原生业务将通过将生成式人工智能与可持续的定制生产相结合，颠覆快时尚的浪费模式。人工智能驱动的设计助理将帮助客户阐明他们的风格偏好和身体尺寸，并提出初始设计变化建议，并根据客户反馈实时调整它们。逼真的可视化将使客户能够虚拟地“试穿”服装，在不同的照明条件下在自己的身上看到它。一旦设计完成，该平台将优化服装图案，最大限度地减少浪费，并直接连接到按需制造设施。单独制作的服装将消除困扰该行业的生产过剩，取而代之的是，可持续面料、供应链透明度和优先考虑寿命的设计元素将得到强调。随着人工智能的不断发展，传统上由时装设计师（到2032年曝光得分为43.5%）和模特（曝光得分为41.6%）执行的任务可以通过这样的平台进行简化。该平台不仅仅是销售服装，还将提供完全个性化和道德的时尚体验。为了实现这些创新功能，人工智能原生企业将构建一种技术栈，这种技术栈在许多方面对现今企业来说是难以识别的。这是因为，与传统企业通常将新技术视为提升现有工作的手段不同，人工智能原生企业将技术，尤其是生成式人工智能，视为开拓前所未有的新领域的关键。从人工智能原生企业的视角来看，技术栈不是一个偶尔调整或更新的静态实体。它是一个活跃的、持续进化的存在，专为一个以敏捷和持续创新为生存关键要素的世界而设计。通过揭示人工智能原生技术栈可能的面貌，传统企业可以开始思考他们需要做出哪些改变，以便将生成式人工智能的能力引入自己的工作场所，并最终融入他们的业务和运营模式。对于人工智能原生企业来说，用户界面（UI）是对用户（包括客户和员工）如何与企业提供的人工智能服务互动的一次根本性反思。它不仅仅关注按钮布局和屏幕设计，而是由精心设计的提示驱动，这些提示能够跨多个系统启动复杂操作或生成丰富的多面输出。UI设计将促进一种新的人类与人工智能的互动方式，确保用户能够有效地引导人工智能代理，并保持对结果的可见性和控制。- 传统企业应该开始尝试这种UI设计范式的转变。它不再是点击菜单，而是更多地通过对话交互来实现目标。为了实现这种思维转变，企业可以自问：
- 在我们的现有工作流程中，基于提示的UI可以在哪些方面简化客户和员工的体验？
- 我们如何设计一种以人为本且引人入胜的基于提示的交互？
- 我们如何设计一个UI，在生成式人工智能的力量与有效的用户控制和清晰的输出反馈之间取得平衡？
- 直接与操作相关的对话式人工智能界面可以通过哪些方式从根本上改变用户与我们的业务和我们提供的服务的交互方式？
人工智能原生企业不会考虑单一的、庞大的AI模型。相反，他们会策略性地运用一系列模型，每个模型都专门针对不同的任务。这些任务可能包括文本、图像和流程的生成，以及结构化数据建模、预测和决策优化、不确定性建模、可解释性和代码优化。例如，diffusion model可能用于创造令人惊叹的产品视觉效果，而大语言模型（LLM）则用于生成定制化的营销信息。此外，传统的机器学习（ML）模型将被智能地集成，以解决特定问题并利用不同AI方法的独特优势。同样，传统企业应该避免将AI模型视为万能解决方案。了解每种模型类型的优势并为工作选择正确的工具至关重要。企业应该投资于所需的专业知识，以确定这些模型真正服务的目的以及如何最好地部署它们。- 我们是否因为只关注最新、最流行的生成AI模型而限制了自己？我们业务中的哪些具体问题最适合通过各种AI技术解决？
- 我们是否拥有内部专业知识或合作伙伴关系来了解不同模型（包括传统机器学习）的优缺点？
- 如何战略性地整合各类模型？生成模型的见解如何与其他AI或分析工具的输出相结合？
人工智能原生企业将依靠信息而蓬勃发展——它们的网络撒得越广，它们就会变得越强大。这就是为什么人工智能原生企业将优先考虑访问结构化和非结构化数据，而不是担心数据清洁度。一旦他们就如何使用数据建立了明确的同意和透明度，他们可能会利用大量的公共数据集、第三方资源和客户数据。此外，他们将使用知识图（一种表示数据、实体及其相互链接的方式）和向量数据库（经过优化，可以与LLMs一起使用，以实现快速、轻松的搜索和数据检索）来掌握数据点之间的复杂关系。对于成熟的企业来说，利用大量结构化和非结构化信息至关重要。无论他们如何做到这一点，确保数据采集的透明度至关重要。然而，获取大量数据集可能具有挑战性。这是企业可以发挥创造力的地方。他们可以使用合成数据生成等技术，创建真实但人工的数据集，通常使用生成式人工智能本身。他们还可以使用半监督学习，其中模型从标记和未标记数据的组合中学习。通过优先访问不同的信息并采用这些技术，企业将使其生成模型发挥最佳性能。从计算能力的角度来看，生成式AI模型的要求非常高，尤其是在训练和微调期间。人工智能原生企业将明白，他们的基础设施需要既可扩展又具有成本效益，通常会选择混合云方法。这使他们能够为密集型任务增加资源，并在使用量减少时缩减资源，从而在成本控制和性能之间实现最佳平衡。利用专用图形处理单元 (GPU) 或张量处理单元 (TPU) 的硬件加速将至关重要。成熟的企业需要主动制定战略，以实现这种程度的灵活性和敏捷性。通过在扩展人工智能项目之前充分考虑基础设施的影响，企业可以防止成本超支并确保平稳运营。对于人工智能原生企业来说，机器学习运营（MLOps）是保持竞争优势的基石。它不是奢侈品，而是让这些企业保持敏捷和响应能力的框架。强大的 MLOps 管道可实现实验、快速部署新模型和改进模型以及全面的生产监控。这些管道将确保人工智能驱动的员工不断学习，在新数据可用时自动进行再培训，并无缝更新以优化性能。成熟的企业需要将其思维转变为将人工智能视为一个动态系统，而不是一次性项目。通过投资 MLOps，他们可以实现流程自动化并缩短现实结果和模型改进之间的关键反馈循环。这样做将确保他们的人工智能系统不断发展，以适应动态的市场格局。最终，人工智能原生企业将本能地掌握一种开发、评估、理解和部署人工智能系统的全新方式。他们不会以构建刚性的、确定性的、旨在完美复制结果的机器的心态来处理人工智能解决方案。相反，他们将把人工智能代理视为不断发展的合作者，其潜力远远超出单纯的工具。这种方法将从根本上塑造他们的战略。人工智能原生企业将优先考虑构建能够持续学习的系统，并理解“培训”永远不会真正结束。他们将设计利用提示和迭代反馈的力量的交互，以与高技能的人类专家合作时可能使用的技巧来指导他们的人工智能代理。同样，成熟的企业应该寻求真正利用生成式人工智能的力量，而不是将人工智能强塞进现有流程或通过旧指标的视角来评估它。这样做将要求技术团队以全新的方式思考：不断实验的意愿，从对完全可解释性的需求中转变，并接受对人工智能代理的信任将通过严格的观察而不是预先编程来获得。
老牌企业不仅要像人工智能原生企业那样思考和行动，还应寻求与这些企业建立合作伙伴关系。虽然少数传统企业可能选择自主发展人工智能能力，或分拆出自己的人工智能原生部门以成为颠覆者，但更多的企业会通过合作来引入人工智能原生的新视角。大多数企业可能会采取混合策略：与人工智能原生企业合作，通过API将新的AI服务整合进自己的环境，并确定在哪些领域必须自主构建AI能力。在任何情况下，成熟企业都可以利用AI来转型现有流程、创造新的价值提供，并整合传统和人工智能原生模式的优势，以确保成功。自主构建AI解决方案能够确保与企业需求的完美对接。但这也意味着高成本：吸引顶尖人才、构建强大的基础设施以及更长的市场进入时间。当AI成为竞争优势的关键，或高度敏感的数据需要内部保护时，选择自主构建是有意义的。与人工智能原生企业合作是获取前沿算法、强大数据集和专家支持的快速通道。尽管需要考虑集成问题和供应商锁定风险，但当速度至关重要且缺乏AI专业知识时，这一策略尤为重要。人工智能原生企业也依赖于合作伙伴来处理专业功能，以便专注于核心创新。通过API和服务利用预构建的AI解决方案，适合那些希望加速开发、快速原型设计以及无需从头开始就添加AI能力的企业。在测试新市场或产品增强时，速度和成本效益通常超过了有限定制的权衡。大多数成熟企业将通过战略性地结合这三种方法来实现成功。这意味着为核心差异化构建定制模型，并依赖预构建的解决方案来处理常见任务。随着需求的演变而灵活调整，这是人工智能原生商业思维的一个标志。
人工智能原生企业尚未完全到来，但它们正在逐步成形。一旦它们崭露头角，将彻底改变我们的日常生活，无论是我们寻求信息和采取行动的方式，还是我们接收反馈的形式。在这一切背后，是一支由AI代理组成的大军，它们将协作和协调，以一种比现今所见更为高效、成效显著且出人意料的方式完成工作。
成为原生企业，意味着它们自诞生之日起就与最新技术同步——没有需要改造的遗留技术、无需重新培训的庞大劳动力，也没有不用转变的根深蒂固的思维模式。成熟的企业可以向这些新兴力量学习，将生成式人工智能融入他们的运营之中，并最终以一种全新的方式进行业务运作。
通过这样的努力，现有企业将不再只是怀旧的对象。它们将与人工智能原生企业一道，成为共同构筑未来、激发新想象、创造全新常态的主力军。关于作者：
Duncan Roberts ；Cognizant 研究副总监
Duncan Roberts是Cognizant研究的副总监。他于2019年加入公司，担任数字战略和转型顾问，服务的行业包括卫星通信和教育评估等。他为客户提供了如何利用技术实现战略目标的建议，并通过创新探索可能性的艺术。
在加入Cognizant之前，邓肯曾在欧洲最大的出版社之一工作，在数字出版革命中扮演了领导角色，帮助出版社实现从端到端的运营转型，并推出了新的创新产品。他拥有圣安德鲁斯大学哲学和古典学硕士学位。
粤ICP备17114055号
支持私有云部署
