【对话】企业AI体系的设计与应用——机会与陷阱

许定波：罗总您好，谢谢您接受《中国管理会计》的对话邀请。您目前担任百度集团的执行副总裁，之前还担任过百度和几家高科技公司的总会计师。讨论人工智能对企业战略管理，特别是对管理会计的影响，您是非常合适的一位专家。我非常期待通过这次对话学习您的经验和洞见，并与我们的读者分享。在我们开始专业话题讨论之前，首先请您简要介绍一下您的学习与职业经历。

罗戎：许教授好，非常感谢您的邀请。简要回顾一下，我在千禧年前后进入北京大学和清华大学学习管理学和经济学，后面在北大完成了博士的进修，同时也在剑桥大学国王学院学习了EMBA。职业上，我的第一份工作是在微软，回国后加入了国内的互联网企业。十多年前开始担任上市公司CFO，五年前加入百度，并于两年前从财务转向了业务，负责移动生态事业群（MEG）的工作。应该说，我很幸运地经历了中国从互联网到人工智能发展的最重要阶段，这是激荡的二十年，水阔鱼跃。

许定波：我读了您最近写的一篇文章。在过去一段时间，您深度访谈了国内互联网企业和硅谷科技公司的管理者与一线员工，覆盖电商、短视频、本地生活、企业服务四大核心赛道，其中既有千亿元市值的头部大厂，也有垂直赛道的腰部企业。您的一个发现很有意思：大模型已成为行业的通用基础设施，超90%的企业都完成了AI工具的初步落地，但仅有不到17%的企业实现了可量化的业务增长，只有不足10%的企业通过AI实现了组织能力的实质升级。请您介绍一下这项调研中发现的企业普遍存在的AI转型困境的原因是什么。

罗戎：AI的发展非常快。一方面，我们看到，过去两年AI彻底改写了行业的竞争逻辑。作为较为成熟的互联网行业，从产品写需求、研发写代码，到运营做活动、增长投流量，AI工具已经渗透到互联网公司的每一个环节。但另一方面，我们也看到，绝大多数企业的AI转型还都没跳出“工具思维”的怪圈。大家都在盯着“买什么模型、上什么工具”，却完全忽略了一件最核心的事——AI真正的价值释放，从来都离不开组织创新的支撑。脱离了组织、人、流程的重构，再先进的AI技术，也只是给旧的管理模式打补丁，根本带不来本质的改变。这个问题其实不只是会在AI创新的时候遇到，在以前的技术革命中也曾碰到。在第一次工业革命中，机器代替了手工劳动，工厂制度开始代替家庭作坊。在第二次工业革命期间，随着电力普及和流水线生产方式的引入，制造业实现了规模化与标准化，从而催生了现代工业体系。当前的AI变革必然也需要组织流程上的底层进化。这个变化不仅要反映在底层业务流程上，更要反映在管理者的思维结构上。当前我们正处于AI“福特时刻”的前夜，真正的变革不仅是用AI提升旧流程的效率，更是用AI重新定义价值创造的方式。

许定波：AI在管理中的应用深度，不仅取决于工具本身的先进性，更取决于企业是否利用AI重构了底层的业务流程和管理者的思维结构，这点非常关键。请您为我们的读者提供几点避免这种“工具思维”困境最关键的建议。

罗戎：您的总结非常准确。应对工具思维最好的方法是自我进化，这个进化可以分为几个层面：技术进化、个体进化和组织进化。

首先是技术进化，这不只是技术层面的进步，更是从使用工具进化到与智能共生。第一，技术理解要升维。要超越“会用提示词”或者“简单接入API”，要清楚地理解模型能力优势、边界、数据依赖、幻觉风险等底层逻辑，从效果、成本和速度等不同维度平衡地牵引任务安排和资源分配，实现最终目标。第二，人机交互的重构。要积极拥抱从“人操作机器”转向“人与AI协同决策”。比如美国现在比较流行的OpenEvidence，医生+AI诊断系统共同制定治疗方案，这是一个还在初级阶段的探索，但是很值得市场关注。第三，将AI能力深度集成到产品、服务和运营中，形成“智能原生”流程。如智能客服已经开始实现从“人工+知识库”到“主动预测用户问题+实时生成解决方案+高风险人工复核”的底层流程转变。第四，持续迭代。我们最近看到的一个剧本创作公司就是一个很好的案例，他们实现了“数据—模型—产品—数据”的反馈机制。简单地说，技术进化的终点，是让智能成为组织的“神经系统”，而非“外挂插件”。

其次是个体进化。除了人们常说的超级个体，更重要的是在AI承担大量信息处理与执行任务后，人的价值转向更高阶的认知与情感维度，实现从“执行者”到“意义创作者”的转变。一是个体认知要升级，要强化批判性思维、系统性思考、共情、愿景塑造、激励、跨域连接能力（这些是AI难以替代的），要减少重复劳动，学会提问、判断和整合。二是角色的再定义。从单纯的信息获取到任务完成，从任务完成到问题定义和价值判断都需要重新定义。三是每个个体都要尝试建立AI增强型的终身学习机制，用AI快速掌握新领域知识，聚焦深度理解与应用创新。个体进化的关键是在“可被自动化”的世界里，坚守“不可被替代”的人性内核。

最后是组织进化。在AI时代，组织不再是“命令—控制”的机械结构，而是能感知、学习、自适应的有机体，能从控制走向授权，从管理走向赋能。AI大模型智能体的Harness理论由米切尔・桥本（MitchellHashimoto）在2026年2月正式定名。通过任务拆解、工具调度、错误修正与记忆管理，Harness将原始语言推理能力转化为自主闭环任务执行能力，成为释放AI实用价值的“智能管控桥梁”。借助Harness观点，我们要建立的不是一套固化的AI自动化系统，而是一套以“释放人的创造力、放大组织创新能力”为核心的人机协同运营框架。这个框架的核心不是用AI替代人，而是把AI从零散的辅助工具，升级成支撑组织“创意孵化—高效落地—能力沉淀—持续迭代”全链路的底层支撑，最终实现“人拿主意、AI干活、组织进化”的良性循环。具体来说，我们要用AI重构端到端流程：自动识别瓶颈、动态调配资源、实时优化路径。组织管理形态也应柔性化，从管理全职员工到人和AI的混合劳动力体系，从用了上百年的“人岗匹配”静态管理，转向“技能—任务—智能体”的动态组合配置，动态技能图谱将会变成企业人才管理的核心基础。当然，组织进化也包括了企业组织文化的重塑，这可能是最难的一步。企业必须建立AI准则，倡导实验文化。组织进化的标志，是能像生物一样，在不确定环境中持续学习、适应并创造新价值。当然，这种组织进化比生物进化要快得多。

许定波：我完全同意，AI的设计与应用应该是释放人的潜能，而不是替代和限制员工的创造力。我也听到了来自人们的担忧：AI的大规模应用很有可能会限制和阻碍企业的创新。这是不是一个现实风险？企业如何才能避免这种风险？

罗戎：您的这个问题非常重要，从某种意义上讲，AI的大规模应用确实可能抑制企业创新，但这并非技术本身的必然结果，而是取决于AI如何被设计、部署和嵌入组织之中。

首先，从现实的风险来源说起。第一，大模型基于海量历史数据训练，其本质是“对过去模式的统计归纳”。如果每个人都只是做简单的提示词输入，而且提示词本身又不具备独特性，这必然会带来结果的平庸。而且大模型结果常常要显得“主流”和“平均”，同质化输出就很难避免，这就会削弱多样性和创造性。我推荐大家读一读《创新者的解答》这本书，真正颠覆行业的创新，几乎都发源于市场边缘、低端市场、非消费人群，而非行业主流中心。基于过去的平均和平庸是不能带来创新的。第二，很多企业会很自然地把AI嵌入传统的标准化流程里，但传统流程是相对固化的，对传统流程的过度优化会压缩试错空间。还有一个可能的风险是，目前大多数AI变革都是总部从上到下推动的，在某种意义上会削弱一线员工的参与。创新常来自边缘洞察，而AI若设计为“中心控制工具”，会扼杀这种自下而上的活力。

应对这种风险就要建立一个企业Harness的新型组织结构，不搞强制管控的集权中台，而是做一个“能力共享的赋能平台”。当前台团队想做创新试点时，他们可以随时从平台里调用现成的AI能力、数据资产、流程模板，不用从零开始搭架子；同时，前台跑通的有效方法、工具，会自动沉淀在平台里，全公司都能复用。具体来说，第一，AI应该成为思维的催化剂，而不是最终决策者，要拓展人类的边界而不是取代判断。要关注利用AI探索多种可能性，而不是一味地强调单一的正确答案，要允许并鼓励一线员工质疑和向上反馈。第二，要推动建立一个分布式智能化组织，而不是一个中心化管控系统。要允许和鼓励一线团队拥有定制和微调AI的权限，比如允许电话直销团队用自己的客户对话数据微调客服模型等。在AI大模型时代，高质量的数据建设，其意义不亚于算法升级。要鼓励建立内部AI创新市场：不同团队可共享、竞合、改进彼此的AI应用，让AI成为“赋能基层的杠杆”，而非“总部管控的工具”。第三，弱化对AI革新组织的传统KPI考核，鼓励新颖和多样性以及“不完美的尝试”，追求长期收益而不是短期结果。

简单说，AI是一面镜子，它能照出组织的本质。AI不会自动带来创新，也不会必然扼杀创新——它放大组织已有的倾向。如果一个企业本就崇尚控制、规避风险、追求短期效率，AI会加速其僵化；如果一个企业相信人的价值、容忍试错、鼓励异见，AI将成为其创新的倍增器。因此，避免AI抑制创新的关键，不在于技术本身，而在于领导者是否愿意把“释放人的潜能”作为AI战略的起点与终点。

许定波：确实，如何平衡赋能与控制一直是管理会计机制设计的核心，过去是这样，在AI时代尤其重要。

美国有一位经济学家曾经说过，从历史经验来看，一项颠覆性技术对实体经济的影响往往比大多数人所预期的来得要迟；但是一旦开始，要比大多数人所预期的来得更快、更猛烈。在您看来，人工智能影响实体经济和企业的高潮什么时候会到来？

罗戎：您说的很对，当前我们正处在这样一个临界点上：AI的影响虽尚未全面显现，但一旦爆发，将极其迅猛且深刻。这种技术红利的滞后效应，是通用技术发展扩散的规律。蒸汽机真正实现工业化应用经历了几十年，发电机1870年就被发明了，但直到20世纪20年代才大规模应用，最近的一次计算机和互联网也是在发明后的30年左右才爆发。基于下面的原因，对AI我更乐观一些。AI爆发的时间应该会更早一些，我估计会在未来的3～5年（2028～2030年）。

首先，AI的技术成熟度正在跨越从“可用”到“可靠”的门槛：多模态大模型已从实验室走向生产场景；智能体（AIagents）开始具备任务分解、工具调用、自主协作能力，可嵌入真实业务流程；端侧AI（edgeAI）与国产算力基础设施的加速普及，降低了AI部署成本与延迟；ClaudeCode在编程领域、Seedance在视频生成领域、百度一镜在数字人领域正在从试用（demo）逐步走向可应用、可集成、可运维。

其次，行业应用也正在从试点进入小规模复制的阶段。比如，在多媒体内容生产创作领域，当前在抖音等短视频平台已经有超过10%的发布来自AI生成的内容。在制造业领域，AI已用于预测性维护、工艺优化、柔性排产。医疗领域正在将AI技术用于辅助诊断、药物研发、手术机器人。AI已应用于金融领域的风控模型、智能投研、合规自动化。甚至农业领域也在用遥感+AI实现精准灌溉、病虫害预警等。咱们国家最大的优势就是端对端场景的开发，利用应用和数据优势，推动AI技术与实业的融合。在这一点上如果我们能持续领先，AI在中国爆发的时间可能会更早到来。

最后，回到前面说的组织和个体进化。一个全新的AI时代需要突破性的人才结构和组织结构。技术突破是可以预期的，但企业流程原生性重构、组织能力重建、人才结构调整都需要3～5年的时间。新一代“AI原生”劳动力将进入职场，成为推动变革的主力。

总的来说，我对AI在未来深刻改变实体行业谨慎乐观。我们需要强调的是，AI的真正影响不在于它能做什么，而在于它将如何重塑我们思考价值、组织工作、定义创新的方式。

许定波：我很高兴听到您的乐观判断。AI对实体经济的影响将会以什么样的方式发生？

罗戎：AI对实体经济的影响将会是一场持续10～15年的系统性变革。我认为未来会经过以下几个阶段。

第一，效率变革：从个体效率提升到组织效率优化，从局部优化到全要素效率跃升。对个体来说，AI可以替代重复性劳动，实现降本增效。与过去的自动化不同，这次的变革会先从知识密集型行业开始（金融、法律、媒体、软件），再向制造业和服务业扩散。这个阶段的特点是企业运营成本下降，人均产出提升，而且超越传统的自动化，实现决策级别的提效。这个阶段不涉及业务核心逻辑和组织结构的改变。

第二，流程变革：从单点改造到端到端业务闭环重构，AI嵌入业务全流程，重构工作方式和价值链。传统数字化仅解决“信息在线”，而AI驱动的流程革命将重构业务逻辑本身。AI工具和智能体将深入到越来越多的领域场景，如自主研发系统、智能供应链、无人化工厂、个性化医疗等。这个阶段的标志是从人驱动流程进化到智能体驱动流程，流程从为人设计进化到智能体自我驱动。组织结构也会发生变化，企业开始按照场景组织团队，按任务分配角色。传统的金字塔型组织会转变为人机协同的扁平组织，直接为智能体输出的结果负责。

第三，范式变革：从工具赋能到新经济形态的底层重构。先是生产要素发生了根本变化，传统模式下的资本、劳动力等转变为算力、数据和算法。组织形态也会发生变化，传统的相对封闭的价值链将转化为智能体网络定义的产业协作网络，组织的边界越来越模糊，网络链接的节点越来越多。而且在这个过程中，数据反馈闭环创造可持续的价值。从某种意义上讲，AI将定义产品和商业模式，创造全新的经济形态。世界模型与物理智能的结合、人形机器人的大规模商用等都是范式变革的标志和里程碑。范式变革也将推动经济逻辑的根本转换。当一个企业不再以传统资产数量或者规模估值，而是以数据资产质量和智能体网络密度或者AI原生的智力密集程度来估值，当竞争优势不再以规模而是以“数据—模型—产品—数据”的生态闭环来衡量时，这个阶段就达到了。在组织结构上，绝大多数组织会是AI原生的授权赋能型组织，组织内部扁平化，人和智能体混合劳动力形成合理的“任务—技能—智能体”的组合。劳动力市场将发生结构性变化，新职业大量涌现，收入分配格局也将重塑。

总之，这一轮变革的标志是范式变革完成对效率与流程变革的统合，AI会逐渐从“可选项”变为“必选项”。而且我也相信，中国因超大规模市场与政策协同优势，将在汽车、内容生产消费、制造、能源等领域率先出现“范式革命”主导的产业生态。当然问题也还很多，障碍也比比皆是，道路是曲折的，前途是光明的。

许定波：您的AI时代范式变革对组织边界、企业扁平化与赋能影响的观点非常有意思，我想更深入讨论一下这个问题。经济学家认为技术和交易成本决定企业的边界。以海尔的人单合一和共赢增值表为代表的经营模式变革还在推动打破企业内外部的边界。您认为人工智能对企业的边界有什么影响？AI如何能更好地协调企业部门之间以及企业在整个生态体系中的经营活动？

罗戎：您说的这个理论是1937年科斯提出的企业边界理论。他认为：企业存在是为了节约市场交易成本，当内部边际管理成本等于外部边际交易成本时，企业达到最优边界。而人工智能正在从根本上改变这一公式的两边，创造出前所未有的组织形态。如果我们毫无顾忌地畅想，则未来的企业边界很可能会是“不存在又无处不在”。简单地说，传统的组织形态会瓦解和液态化，而网络连接的节点会几十倍提高。这样说比较抽象，我们先从成本出发。首先，AI会将传统交易成本极限压缩到趋近于能源费用或者趋近于零。传统交易里的信息搜寻、谈判签约、履约监督、协调执行等环节在AI智能体对智能体的组合里，效率会大幅度提高，信息不对称下降，交易成本快速降低。而同时，AI对企业内部成本管理也会产生结构性的改变。AI会使跨部门协作的隐性成本（如会议耗时、数据清洗）下降80%以上。传统企业组织以功能划分，依据的是对某种资源的占有，而AI原生化的组织取决于能否主导关键数据流的闭环迭代。人工智能对企业边界的终极影响，是使企业从“科斯式交易成本最小化单元”进化为“动态价值创造节点”。其协调价值不在于替代人类决策，而在于将协作成本压缩至可忽略水平，使企业能专注于更高阶的创新与价值创造和分配。

未来的企业边界的形态具有很大的想象空间，可能也不是我们这些人可以定义的。全新的AI生态会带来全新的原生商业模式，也会带来全新的组织模式，这些很可能是跨时代的。我们只能踮起脚尖，尽力眺望。一个可能的方向是液态化。所谓液态化，就是以后的企业可能不匹配固定的法律主体边界，而是呈现出液态化的特征，边界逐渐模糊，浸润的范围和节点越来越大。股权控制肯定会退场，能力订阅会广泛出现。人和组织之间不是委托代理关系而是能力订阅，需要的时候就即时连接，完成后自动解散。前面我说到，以后人岗匹配可能会转变为“任务—技能—智能体”的组合，这就意味着不需要固定不变的组织关系，而是根据场景确定任务，根据任务确定需要的技能，根据技能要求组织人和智能体的混合劳动力，完成任务后解耦。这个时候，就不再有内部外部二元论，而是智能体生态网络。在这个网络里，企业成为由人类员工、AI智能体、外部合作伙伴共同构成的动态网络节点。企业通过类似API接口开放核心能力，各种合作伙伴或者其他节点按需调用而不是一定要并购整合，企业的边界不再是控制范围，而是能力辐射半径。企业的经营收益和风险，从单一主体承担转变为生态网络共担和共享。

许定波：我估计很多企业老板看了咱们的这段对话后会失眠了，当然睡不好觉的肯定还包括我们这些管理会计教授。管理会计的一个常识是“考核决定战略”（Yougetwhatyoumeasure）。在AI时代，从考核的角度来看，企业的组织结构需要做什么调整？对百度这样的互联网企业，对员工的考核与激励需要做什么样的改变？

罗戎：您提的非常对，企业组织调整是所有执行的基础。针对传统组织在AI原生化转型过程中的痛点，我们应考虑重新定义企业组织的Harness体系，循序渐进地做好AI组织转型。

首先，对组织内部创新分类梳理、分层引导，搭建一个三层孵化的体系。第一层是创新探索层，也就是种子池：保留并鼓励部门级的小额AI试点，给少量资金、给足容错空间，不设强制的短期KPI。核心目标不是拿结果，而是验证AI的价值、沉淀方法，培养既懂业务又懂AI的人，让一线员工成为创新的主体，而不是被动的执行者。第二层是能力复用层（成长池）：成立一个专门的“业务+AI”的复合型团队，他们的核心工作，就是从种子池里筛选出跑通了价值链、能在全公司复用的工具和方法，将其打磨成标准化的模块，放到Harness能力平台里，向全公司免费开放。第三层是规模落地层（标杆池）：从成长池里，挑选出已经验证成熟、能覆盖端到端业务流程的能力，推进跨部门的流程重构和规模化落地。

其次，不要贪大求全，优先选两类核心试点流程，一个盯着成熟业务提效，一个盯着创新业务增长，用小范围的标杆案例，建立全公司的共识。第一个试点为成熟业务的核心端到端流程：就选公司最核心、跨部门属性最强的流程，如“从用户需求到产品上线”的研发全流程，以及“从流量获取到用户留存变现”的增长全流程。第二个试点为创新业务的孵化全流程：选公司第二曲线孵化的“从创意到‘最小可行产品’（minimumviableproduct,MVP）验证”流程，核心目标是提升创新的速度和成功率。

最后，制定一套“创新+效率”双维度的目标，别只盯着效率内卷。针对互联网企业，分场景设合理的目标，用目标引导正确的组织行为，避免动作变形。

●对成熟业务的核心流程：制定“效率+质量+用户价值”的三维目标，如“需求交付周期缩短80%，线上bug率下降50%，用户净推荐值（netpromoterscore,NPS）评分不低于原有水平”，绝对不能为了效率而牺牲核心竞争力。

●对创新业务的孵化流程：制定“速度+成功率+能力沉淀”的三维目标，比如“MVP验证周期缩短75%，创新项目商业验证成功率提升3倍，沉淀可复用的创新方法论不少于3套”，核心是提升创新的质量，而不是单纯的速度。

●对创新探索类的小试点：不设短期结果目标，核心考核“能力沉淀、经验积累、人才成长”，建立明确的容错机制，允许失败，保护组织的创新活力，别让团队为了KPI陷入内卷。

员工激励更是重中之重。简单来说，就是激励机制升级：从“KPI导向”转变为“创新导向”。要打破传统的单一KPI考核方式，建立一套“结果+过程+能力”的三维考核机制：对成熟业务，核心考核业务结果和效率提升；对创新业务，核心考核试错过程、验证结果和能力沉淀；对所有员工，核心考核AI时代的核心能力成长。同时，专门设一个AI创新激励基金，对有价值的AI试点、可复用的能力沉淀，给奖金、给晋升、给资源倾斜，鼓励员工主动创新，而不是被动执行。

许定波：如何激励创新是管理会计最重要也是最困难的问题。我很赞同您的观点，真正从0到1的创新，我们不能依赖传统的KPI客观指标。许多调研发现，员工的抵触情绪是影响AI发挥实际效果的一个重要原因。与过去的自动化影响蓝领员工的就业不同，现在AI影响的主要是白领，甚至是传统的金领研发人员的就业，美国企业Meta最近就裁员8000人。今年4月，我去一家中国管理软件服务企业做调研，公司负责人告诉我，到6月份，公司就会用9个人替代过去300位员工的研发工作。员工对就业的担心和对人工智能的反弹现在是一个普遍现象，美国几家AI大厂的创始人和高管最近就受到了舆论甚至暴力的攻击。您能否分析一下人工智能对未来就业的影响，哪些职业会更容易被替代？哪些行业的需求会上升？

罗戎：这其实是一个非常现实的问题，因为AI变革第一次冲击了“认知劳动”领域。我在前面说过，从“人岗匹配”到“任务—技能—智能体”的组合是未来组织形态变化的趋势。所谓AI替代就业本质上是任务的重构以及技能的错配。AI会替代的是那些任务规则高度结构化、标准化、可编码、可预测的任务，工作成果很容易量化并且差异不大。而那些需要非标准化结构、判断力、创造力，依赖人际信任与情感联结的任务，不但不容易被替代，甚至还会更大范围地扩张。我不太赞同用某一个岗位名称来定义工作，而是从任务属性和技能组合角度来分析，简单地说可以从三个维度来看：一是任务的标准化程度或者可编码程度，如果这个任务可以通过编码化完成，那么可替代性就高；二是创造性要求，即任务需求的多样性和创新性，而不是标准化的重复性；三是人际互动的需求程度，AI在可预见的未来还替代不了人的情感链接。从这三个角度分析所有的任务，大概率会看到这三个指标中高可编码程度、低创造性、低人际互动的任务会被替代，反之则不会。

而与此同时，很多AI原生的新任务技能组合也会出现，如AI时代新基建的岗位——大模型研发训练、AI应用开发、AI安全治理等，也包括一些人机协同多的新岗位，如AI辅助的专业人士、数据科学家等，甚至还会产生智能体训练师、数字资产管理⼈、AI伦理顾问等新的工作岗位。还有一些是人类独特价值体现的任务，比如健康护理、艺术文化等。

许定波：其实对AI的抵触并不仅限于普通员工，我认识的许多高层管理人员也并没有主动拥抱人工智能。这里有对不确定性的恐惧，更有不愿意改变现状心态的影响。每一项革命性新技术的出现，都要求员工重新学习，调整自己的技能。AI时代对企业的高层管理者和研发人员的技能提出了哪些不同的要求？

罗戎：您的观察非常深刻，这种对不确定性的恐惧是普遍性的，我自己身上也有。这种焦虑本质上不是对技术的恐惧，而是对权力重构和身份危机的焦虑。AI时代的技能要求呈现出明显的分层特征：不同层级的员工，其核心能力的内涵和外延都发生了根本性变化，是思维范式和价值定位的全面重塑。

对高层管理者，传统的核心技能是经验决策、资源分配、团队管理，某些时候并不是依靠自己的技能，而是依靠信息差。在AI时代，这些信息差都会不复存在，要继续生存，就必须具备AI原生的战略框架，掌握基于AI可能性重新定义商业模式和竞争边界的能力。管理上，从管理人转变到学会管理人和智能体的混合组织，根据目标拆解任务并根据技能组合混合团队，同时要具备敢于判断的能力。在企业组织日益液态化的背景下，要从设计企业内部价值分配到设计生态价值共享能力转型。

AI时代研发人员能力的转变也是根本性的。首先是从“如何做”到“做什么”的转变，发现并定义真正有价值的问题成为更重要的能力。其次要做好AI的指挥官，将复杂任务分解，明确人机分工、推动评估等。不断提高从功能实现到系统设计的建构能力，持续学习，快速迭代。

未来的组织会更扁平化，层级也将大规模缩减。每个人都是独一无二的，要从任务执行者转变为价值创造者。不断提高AI工具的应用能力，同时坚守批判性思维，敢于判断，积极沟通，不断试错创新。

许定波：作为一位资深首席财务官，您对我们广大财务人员的技能调整有什么建议？

罗戎：AI原生的变革，对财务金融领域的朋友是一个巨大的机会，它给了我们打破边界重构重塑的可能性。具体的建议大家估计都听到了很多，我就不重复了，总结起来是三个关键词。

第一，压缩（compression）。在AI的帮助下，压缩学习常规知识的时间，提高知识密度，4年的学习周期争取在2年甚至更短的时间完成，增加知识的厚度。同时鼓励学习无用之用，从专才到通才。

第二，实训（simulation）。实训永远是最好的学习，可以通过多智能体协同模拟的方式，训练在实际场景里如何定义目标、如何分解任务、如何建立智能体混合系统等，通过实训提升。

第三，实施（implementation）。实践出真知，哪怕是利用AI工具建立“一人公司”（onepersoncompany,OPC）等各种方法，坐而言不如起而行。

许定波：还有一个重要问题是对AI的监管。毫无疑问，未来AI技术应用的道德、伦理、透明性，数据的安全与共同标准的建立，以及头部AI企业的技术垄断风险，都与政府的监管密不可分。应该说，欧盟在AI监管方面走在前列，中国有关部门也在关注这些问题，推动对AI的科学、有效监管。有意思的是，特朗普政府现在似乎不太愿意限制美国AI企业的发展。这个问题非常复杂，也非常敏感，希望未来能有机会与您一起深入研究和讨论这一课题。

2025年6月，凯文・凯利在中国出版了一本书，书名是《2049：未来10000天的可能》，作者邀请我写了一段评论。我认为书中对25年后全球技术和社会发展趋势的预测令人兴奋，但是书中的两个观点比对未来的预测更加重要：第一，我们对未来应该有信心。虽然目前世界面临巨大的不确定性，但是人类已经拥有的技术手段、财富、理性和智慧更有可能创造一个很酷的未来。第二，这个很酷的未来并非必然，而是取决于人类现在和未来的选择。“中国应当对于人类有较大的贡献”，人类和世界的未来在很大程度上更是取决于我们中国人所做的选择。

人工智能在未来如何发展，它将变成造福人类的一个高效工具，还是成为威胁人类生存的巨大风险？最终的结果取决于我们个人、企业和政府现在的决策。我希望我们的共同努力能为人类创造一个更加美好的未来。谢谢罗总今天的分享，我很享受我们的讨论，我相信我们的读者也会从您的分享中受益。