AI很热，但真的能用它赚到钱吗？

　　AI很热，但真的能用它赚到钱吗?企业如何将AI能力转化为利润?10月22日，「AI掘金 · 将AI能力转化为企业利润」大会北京站圆满落幕，合思携手飞书、豆包工作，在机械工业出版社、北大信研院、上海国家会计学院的支持下，围绕AI转型的落地路径与企业实战展开深度交流。

　　会上，由合思创始人兼CEO马春荃著、机械工业出版社出版的《CEO AI挖矿指南：将AI能力转化为企业利润》正式发布。会前，合思创始人兼CEO马春荃与媒体朋友们做了一场深度沟通。

　　马春荃表示，“AI到来以后，我几乎是抱着重新创业的心态去All in AI。但真正做起来，会发现每一步都有问题：有了技术，去哪里找值得做的场景?产品做出来了，客户为什么叫好却不买单?客户愿意买了，原来的组织和流程能不能承接?效率提高以后，人的价值怎么衡量，收益又怎么分?企业AI转型的完整路径，就是找矿、采矿、炼矿、分矿和驾驭AI的过程。希望这本书能给正在推动AI转型的企业一些启发，把技术的可能，变成经营的成果。”

　　以下为访谈实录(有精简)：

　　Q1：您写《CEO AI挖矿指南》的初衷是什么?您用“找矿、采矿、炼矿、分矿”描述企业AI转型，这条路径应该怎么走?

　　马春荃：写这本书的初衷，来自一次客户拜访。当时我带去了一本参与编写的数字化主题书籍，客户的财务总监读完其中的章节，说“我们要的就是这个东西”。这让我发现，相比宣传资料，一本书能让客户更深入地理解我们的理念。

　　后来准备写AI，我首先想的是：我要写给谁看?我希望打动的是企业老板。他们最关心的，是AI能不能创造经济价值，能不能降本增效、带来利润。

　　所以，我把合思自己的转型经历、踩过的坑和获得的经验整理下来，希望给企业经营者提供一面可以参考的镜子。我把这条路径概括为“找矿、采矿、炼矿、分矿”。找矿，是找到值得投入的场景，优先选择数据相对完备、规则清晰、工作量足够大的业务;采矿，是把技术能力变成收入，合思从卖软件转向按审核结果收费，就是这一步的探索;炼矿，是通过岗位重塑和组织变革，让AI真正形成生产力;分矿，是调整利益分配机制，让承担判断、创造和经营责任的人，能够分享自己创造的价值。

　　而驾驭AI贯穿始终，我们需要明确AI能做什么、不能做什么，持续校验，保证过程可审计，在需要的时候由人接手。只有把这些环节连起来，AI才有机会从一个技术热点，变成企业持续创造价值的能力。

　　Q2：您说合思做AI转型是“逃亡和求生”。AI对传统软件公司的冲击已经这么大了吗?

　　马春荃：坦率地说，我并不认为传统SaaS公司天然有优势。过去的管理软件，很大一部分是“表单加流程”，它建立在原有的分工协作方式之上。AI到来以后，分工协作方式变了，这些表单和流程也会大幅调整、收缩，有些会沉到底层，像地下管网一样，成为不可见的基础设施。

　　具体什么时候发生、收缩到什么程度，我还没有确定答案，但我认为这个方向会发生。所以，我们转型的动力就是逃亡和求生。后面的陆地像冰川一样在坍塌，你只能往前跑。跑得比它快，就有机会活下来。

　　对合思来说，软件也不再是唯一的核心，软件会更多成为AI的脚手架。我们要重新思考自己交付的到底是什么。

　　Q3：大家都在谈“全员用AI”，但企业老板真正应该从哪里开始?

　　马春荃：企业老板最关心的，不是技术讲得多精彩，而是AI到底能不能创造经济价值，能不能降本增效、带来利润。

　　选场景，我会看三个条件：数据是否相对完备，规则是否足够清晰，需求是否有足够规模。数据就像电线。哪里已经数字化，哪里才有条件把AI接进去。规则不清楚，靠口传心授、靠临场解释，AI就很难稳定执行。如果工作量很小，即使做得出来，也未必值得优先投入。

　　既有工作规模、又能替代的，就是企业应该优先开发的“金矿”;规模很大但暂时替代不了的，可以持续观察，等能力成熟，不必现在就死磕。合思在选择AI产品时，先做报销审核、发票管理、差旅管理，就是因为这些场景规则相对明确，工作量也足够大。

　　Q4：您说合思的AI产品曾经“叫好不叫座”，从卖不动到打开销路，合思做了哪些改变?

　　马春荃：AI产品准备好了，商业模式不变，仍然可能卖不出去。我们是应用厂商，卖token显然不合理。客户不会为你不经济的token消耗埋单，也不会为你无法衡量价值的软件埋单，但他一定会为你所带来的业务结果付费。

　　后来合思的转折点是推出了“按结果收费”，我们不再问客户愿意花多少钱买一套软件，而是告诉他，帮你审核一单多少钱。客户对人工审核的成本、财务共享中心的单据处理成本是有概念的。这就建立了一个他能理解的价值参照。

　　我们将合思审核Agent的价格按照审核单据量计价，每单10元，达不到90%准确率不收费。从10月份到12月份，成交70家客户，AI销售业绩突飞猛进。所以，只有一个好的AI产品还不够，我们必须要设置与之匹配的商业模式设计。瓦特卖的不是蒸汽机，是马力，合思卖的不是AI，是结果。

　　对于合思而言，最关键的变化，是供应商要对交付质量作出承诺。我们在现场谈到的智能审核模式，是达到约定的准确率要求才收费，低于约定标准就不收钱。客户买的不是一个“你自己拿去用”的工具，而是供应商承诺完成的工作。这也意味着，技术能不能稳定运行、规则能不能被正确执行，都变成我们必须解决的问题。不能只把产品交过去，效果好坏都由客户自己承担。

　　Q5：财务审核容错空间很小，把工作交给AI，怎么保证它可靠?

　　马春荃：驾驭AI，不是只让它跑得快，还要让它能停下来。油门决定跑多快，刹车决定跑多远。

　　首先要明确边界：哪些工作AI可以自主完成，哪些必须交给人判断。边界由人来掌握。其次要持续校验，做在线检查、定期抽检，确认它仍然按要求执行。不能上线以后就放任不管。还有一个关键就是：过程能够审计。只给一个答案，却不告诉你依据什么规则、经过什么过程，这在企业场景里是不够的。

　　对于拿不准的内容，需要AI标注出来，交给人做有针对性的复核。例如某些手写内容、需要专业判断的事项，就不应该勉强让AI处理。人的精力应该放在这些异常和特殊问题上。

　　Q6：您说“要把AI当新员工，而不是新工具”。您认为新员工和新工具最根本的区别是什么?

　　马春荃：工具是人拿来用的;把AI当员工，就要重新设计它承担什么工作、拥有什么权限，以及怎样和人协作。

　　这首先要求我们重新审视工作：哪些内容可以标准化，哪些规则清楚，可以交给AI;哪些还很模糊，需要人来处理。不能把原有岗位整个搬过去，就期待AI自动做好。

　　很多企业的难点在于，一线人员知道怎么干，却未必说得清为什么这么干;管理层知道逻辑，却未必了解现场的异常情况。这两端接不上，工作就很难交给AI。因此，企业需要形成适合AI工作的环境，把流程节点、数据关系、岗位权限重新定义清楚，让AI有岗位、有权限、有记录，过程能够追溯。买产品只是其中一步。

　　Q7：合思推出的FDE深度现场部门，和传统实施顾问有什么不同?合思为什么要专门建立这样的团队?

　　马春荃：传统软件实施面对的是两个相对确定的东西：企业原有的规则，以及软件固定的边界。顾问主要是把客户需求配置进系统。FDE面对的是两个不确定：企业的规则和流程可能需要调整，AI最终能发挥什么作用，也需要在部署过程中探索。它不完全是在产品出厂时就决定的。

　　建立FDE深度现场部门是合思自身的组织变革，我们从传统的现场集成交付，转向由IT专家、财务专家和产品经理组成的复合型FDE团队，全面承担系统交付、业务咨询、规则设计和落地陪跑。同时，客户侧也需要组织变革，因为客户使用AI产品后，要重新定义责任边界、流程节点和数据关系，让AI有岗位、有权限、有记录，并能被审计和追责。我们交付的不是一个孤立产品，而是一套能在组织中持续运行的AI工作环境。

　　所以，交付要从“给人配置系统”，转向“给AI配置岗位”。不仅要知道怎么做，还要追问为什么这样做。

　　例如，我们通过现场调研和数据回溯，发现一家客户不同版本的福利规则存在冲突，测算出约800万元的潜在节省空间。但最终采用哪套补贴标准，必须由客户自己决定。我们要把问题找出来、提出建议，企业也要真正推动改变。

　　Q8：大模型厂商都在做企业Agent，合思凭什么不被平台“吃掉”?

　　马春荃：大模型厂商把基础设施铺得更好，对我们也是机会。专业化工具可以更快到达客户桌面，不必所有基础设施都自己建设。但真正进入生产场景，会发现每个细分领域都有大量具体问题。通用能力强不等于在每一个场景里都好用。你在家拧一两个螺丝可以用瑞士军刀;到了生产线上就需要专门的工具。

　　应用的价值在于行业经验，以及围绕具体场景搭建的规则、技能和运行环境。我们也在沉淀“元思维模型”。比如审核更侧重证据链推导，预算更侧重在多个条件下寻找最优组合。这些解题方式可以沉淀为组件，在适合的场景中组合复用，而不是每做一个智能体都从头再来。不过，方法能够复用，不代表所有场景都已经跑通。新的应用仍然要回到现场，用实践验证。

　　Q9：AI接走了重复工作，人应该做什么?企业还适合沿用原来的KPI吗?

　　马春荃：人仍然要做几类重要的工作：面对模糊问题作出判断，建立情感和信任、谈判和领导团队，以及把业务问题抽象成可以计算的结构。

　　这些工作，很难再用简单的动作数量衡量。打一个螺丝多少钱，容易计算;但一个人花很长时间想清楚一个关键问题，价值可能很大，思考过程却不可见。

　　所以，AI不仅改变岗位，也会改变组织和分配机制。我们需要让小团队获得更多授权，让人更像经营者，为最终创造的价值负责。推动转型，老板自己也要持续使用AI，用真实案例形成共识。不能只把它变成一项KPI，要求别人完成。

　　Q10：您说合思的未来不再是一家财务AI公司，而是以元思维模型驱动泛化的公司。为什么合思的能力可以被泛化，壁垒是什么?

　　马春荃：财务的场景能不能泛化，关键要看底层的思维方式是否相通。比如，审核的核心是证据链推导：根据材料找到适用规则，再判断证据能不能支撑结论。这个思维方式可以用于费用审核，也可以用于审计。但预算不同，它需要在多个条件和约束下寻找最优组合。

　　我们已经沉淀了多种元思维模型，可以把它们理解为“思维组件”。进入一个新场景，不必每次都从零搭建，而是组合适用的思维组件，再配上这个场景特有的技能、知识和数据，经过验证，让它稳定运行。AI可以复用的是解题方法，具体场景仍然要逐个打通。我们也在探索新的方向，但不能把尚未验证的可能性当成已经实现的成果。

　　合思的壁垒也在这个过程中形成。一部分是对业务的理解：我们不只知道客户怎么做，还要知道为什么这样做;另一部分是技术和工程的沉淀，让这些思维组件在实际运行中，准确率、效率和成本不断优化。只做一个智能体，却没有沉淀可复用的方法，进入下一个场景仍然要重做，就很难形成规模效益。

　　相比通用大模型，合思能否持续创造价值，最终取决于能不能把模型能力、业务规则和客户现场结合起来，稳定交付结果。这需要深入一线，把行业经验变成可执行、可验证、可持续优化的能力，而不是仅仅接入一个大模型。