不投 AI 是等死，投了 AI 是找死？
在当下，面对 AI 浪潮，中国企业家正陷入一种集体焦虑：既怕错过时代，又怕押错方向。
2024 年秋天的一堂课上，杨国安向 63 位企业家发问：面对 AI，你的状态是什么？超过六成的人选择了 " 焦虑 "。两年过去，焦虑的人并未减少，反而更多了。
作为腾讯集团高级管理顾问，杨国安深度参与过腾讯两次重大组织架构调整，见证过太多企业因未能赶上浪潮而被时代抛弃。
也就在 2026 年 6 月，他推出新书《智在未来》。作为 " 杨五环 " 理论的提出者，他从 " 杨三角 " 到 " 杨五环 1.0" 再到 "2.0"，始终围绕一个核心问题——企业如何持续成功。而在新书中，与以往不同的是，杨国安指出：前沿科技不再只是商业战略的配角，而成为改变产业规则和创造新物种的起点。
2026 年 6 月底，我们拜访了杨国安教授，他反复强调一个判断：AI 不是选择题，是必答题。而这场 AI 变革的起点与终点，都指向同一个角色——企业一号位。
以下为采访内容精编，希望对你有所启发。
嘉宾：杨国安 《智在未来》作者、腾讯集团高级管理顾问、腾讯青腾教务长
采访：微澜
来源：正和岛（ID：zhenghedao）
从 " 杨三角 " 到 " 杨五环 2.0"：一以贯之的问题
问：您这本书叫《智在未来》，相比您之前的作品，最大的不同在哪里？或者说升级点是什么？
杨国安：其实我写的系列书，核心始终围绕一个问题——企业怎么持续成功？我的核心观点就是：企业持续成功 = 战略方向 × 组织能力。这是 " 杨三角 " 系列的核心逻辑，1.0、2.0、3.0 版本其实都是不同时代的 " 杨三角 "。
大概在 2018、2019 年移动互联时代，我发现企业面对的环境变化非常快，很多新的组织管理模式冒出来了。我特别研究了一些美国最优秀的企业，谷歌、Facebook、亚马逊，欧洲的 Supercell，中国的腾讯、阿里、华为、滴滴。我在想：在一个模糊快速变化的环境里，为什么有些企业能抓住创新机遇冒起来，有些就慢慢掉队了？
基于这个思考，我写了第二类系列书——《组织革新》，哈佛商学院出版的，全球五个语言发行。核心思路是：在 " 乌卡 "（VUCA）环境（易变性、不确定性、复杂性、模糊性）下，企业需要什么样的组织模式？传统科层制组织已经有点像 " 恐龙 " 了。
所以当时提出：敏捷闭环的小团队，加上强大的资源能力共享平台，再加上外部生态联盟——这就是第二系列书的核心。
之后就是第三系列了。大概也是 2018 年开始，我观察到数字科技跑出来了。那一年也碰巧是腾讯 "930 变革 " ——从消费互联网拥抱产业互联网。当时云、物联网这些科技已经能够普及了，所以我出了《数智革新》，提出了 " 杨五环 1.0" ——战略驱动、业务重构、科技赋能、组织升级、变革领导力。
后来到《数实融合》，就是 " 杨五环 2.0" 了，当时看到 AR、VR、数字孪生、AI 这些新突破，发现未来的世界实体跟数字会融合得更紧密。2.0 相比 1.0 的差别在于：它是技术驱动的创新，技术引爆后，不是简单地让企业战略执行更快更好，而是重构整个产业，涌现出新的产业。
比如出行行业，当未来自动驾驶充分发展，不再需要这么多司机，驾驶舱消失，汽车就变成了移动客厅、移动娱乐或办公场所，可能出行行业的服务和内容生态被彻底重塑；再比如说，医疗领域，AI 可以实现院内院外、多专科数据的全面采集与打通，进而推动从 " 以疾病为中心 " 转向 " 以患者为中心 "。
也因此，写完《数实融合》的时候，我脑海里其实已经知道下一本要写什么了。
当时，AI 已经开始冒起来了。特别是 2022 年 ChatGPT 时刻到 2024 年 DeepSeek 时刻，AI 爆发了。现在 AI 是主角了，它不是数字科技中的一环，它是数字科技的主角，其他的都围绕它来。即科技重构产业之后，企业需从未来倒推今天：
战略如何布局？产品与服务如何创新？经营管理如何提效？生态配套如何打造？而这一切最终依赖组织升级——团队够不够敏捷，能否抓住 AI 红利，员工能否拥抱变革。
所以一定要重新写一本书，框架还是 2.0 的框架，但内涵完全不一样了。
" 杨五环 2.0" 深度拆解：从一号位出发，回到一号位
问：您刚才提到 " 杨五环 2.0"，包括数智科技、产业重构、战略布局、组织升级、变革领导力。这五个环节的底层逻辑是什么？它们之间是什么关系？
杨国安：底层逻辑就是一切看起点，起点就是变革领导力的 " 动策 "，一号位的动策。一号位要看到 AI 带来什么机遇、什么挑战，会怎么改变这个产业。
我接触的企业家有两类：
偏科技类的，很兴奋，搞龙虾、搞智能体，玩得很嗨；但主流的、很多传统实体经济的企业家就很焦虑，觉得不能错过，又千头万绪不晓得怎么搞，自己也没有这个背景。
所以起点在一号位（企业家）的动策，他们需要去思考，AI 对企业、对产业带来什么机遇和挑战？自己做会有什么不一样？不做又有什么后果？
其次是数智科技，要研判 AI 技术的演变趋势。AI 不是一个单一的能力，它是不断迭代升级的。OpenAI 分了五个层级：L1 聊天机器人、L2 推理、L3 智能体、L4 创新者、L5 组织者。现在我们在第三层级——智能体。你要研判 AI 发展到什么地步了，能力边界在哪里，能做什么、不能做什么。
基于这个，你要思考：在 AI 不同发展阶段，我怎么构建 AI 技术底座？需要什么算力？多大参数的算法？需要什么数据来训练？节奏感很重要，你还没到那个阶段就搭建，也没用的，只有花钱。
然后是产业升级或产业重构。你要想在 AI 充分发展的时候，对我这个产业会有什么改变？我之前与一个做运钞车企业的老板有交流，做到了全球细分领域第一。移动互联网到来的时候，他觉得跟自己没关系，结果微信支付出现后，移动支付把整个运钞车行业颠覆了。不是这位企业家做错了什么，而是游戏规则变了。
所以产业重构很重要，不要只看到树，忘记树林，树林一改，你这棵树就没用了。
第四是战略布局和组织升级。产业的边界重新改变了，战略和组织方面也要升级，你愿意投入多少钱、多少人？买多少卡？请多少大佬专家？你的战略怎么布局？产品怎么弄？组织怎么调？
最后这一切又回到中间的变革领导力，又是一号位。最终你看到的这个机会能不能实现，还是要基于一号位的勇气和坚持。
这里就跑回他的信念，他对 AI 有多相信？嘴巴说一说，还是真正的信仰？今天谁问 AI 重不重要，谁都说重要。但到真正投资的时候，你不投足够的钱、买足够的卡，AI 是玩不起来的。但投了很多钱，也不一定做出来。投不投？不投死路一条，投也可能没回馈，利润可能全部吃掉。所以这一切非常考验一号位和高管团队对 AI 的洞察、信仰和信念。
一切始于一号位的动策，又回到一号位的勇气与信念。
AI原住民 vs AI 新移民，企业转型应该怎么做？
问：《数智未来》这本书，您选了 8 个案例，Manus、Rokid、强脑科技是 "AI 原住民 "，美图、美的、和睦家、理想、高途是 "AI 新移民 "。这两类企业的一号位，各自需要什么特质？
杨国安：原住民的一号位，你看强脑科技的韩璧丞、Rokid 的祝铭明、Manus 的肖弘，第一是偏年轻，30 到 40 岁；第二是科技背景，他们对未来的科技绝对兴奋。
但他们的核心挑战是找应用场景——技术很厉害，接下来怎么用？用在哪里？好像啥都可以用，但必须找到一个应用场景，痛点要够大、要刚需，从切入而不是什么都做。
强脑科技之前啥都做，后来找场景就聚焦了，强脑科技现在的挑战就在于传感器的精度——需要在非侵入式（穿戴式）、不打开头颅的前提下，捕捉极其微弱、混有大量杂音的神经电信号。过去这一度很困难，但现在借助 AI 的识别与判断能力，它能更好地解码大脑意图，控制假肢动作。
Rokid 本来做 AR 眼镜做了一阵子，但 AI X AR 就厉害了，相当于智能穿戴眼镜突然长了一个大脑；Manus 是最年轻的，真的是没有 AI 就没有它。
新移民不一样，它们已经在某个行业做了一阵子，AI 来之前已经做得很不错了。
他们的最大挑战是 " 堵车 "，他们知道 AI 很厉害，却不知道它如何改变自己的产业和企业。他们对自己的行业很熟，但对技术相对没有那么懂，不知道 AI 怎么结合、怎么改变产业，缺乏想象空间，找不到结合点。
但新移民一旦想通了，优势就是有大量可迁移的知识、用户和数据。
他们的 AI 应用场景更多从效率提升切入，某个岗位的提效，或者某个工作流程的提效。再比如产品开发流程哪些环节是可以用 AI 的，包括供应链、物流、客服、财务报销、法务合同审核……传统实体经济企业目前更多是从这个角度切入。
原住民的应用场景马上就是新产品开发，新移民更多从效率提升开始。
问：书里提到 AI 正在以前所未有的速度打破产业边界。书中的 8 个案例如果让您选择最值得传统企业学习的案例，是哪家企业？
杨国安：在八个案例中，如果要选一个最值得传统企业学习的，我会首选美的。制造业是中国最主流的行业之一，而美的走到今天，经历过 " 数智革新 " 阶段所研究的信息化、统一流程、统一系统、统一数据，做了很多年，砸了很多钱，才有了今天扎实的基础。所以拥抱 AI 时，它能马上用生成式 AI 对接自己的数据。
美的的做法有两个维度值得关注：
一是自下而上。它搭建好技术底座后，大力培训员工，把创建智能体的门槛降到很低，两个小时培训就能自己搞一个。它还创建了内部平台，鼓励大家在上面开发智能体，形成竞赛氛围，用得好的就开放出来给大家用。
二是自上而下。针对大的业务流程重构，由 BU 总裁和 IT 部门牵头推动，因为动流程不是某个岗位员工能搞定的。所以它是上下结合——上层动流程，下层改岗位。
对于很多没有这样底子的企业，美图也是一个很好的参考。
它的思路是：老业务用 AI 提效，同时内部创造机制让有新产品想法的人冒出来。比如定期举办黑客松，两天密集组队把想法落地。
冒出来的项目，公司给 1000 万试六个月，做得好再加，利益分享。另一方面，集中精兵做大的项目，比如 "RoboNeo" 就是 30 人闭关 30 天黑房做出来的。
所以美图有三条腿：老业务提效、内部创新孵化、大项目集中突破。它还有个 " 奇想大模型 "，是美学垂直大模型，让大家调用工具时很容易上手。
组织变革：从 " 一人一岗 " 到 " 人 + 智能体 " 协同
问：在您看来，AI 时代到来后，企业组织形态应该是什么样的？
杨国安：未来的组织形态，可能不再是 " 一人一岗 "，而是 " 一个人 + 多个智能体 " 的协同模式。一个碳基人，可以带 5、6 个甚至 7、8 个硅基人（智能体）一起干活。
这意味着，岗位的边界会变得模糊。
过去工业时代遗留下来的、部门切得很细、每个人守一个岗位的格局，将被打破。岗位的边界会拓宽，层级会变得扁平，人数也会减少。比如，未来的产品经理可以直接用 AI 写代码，快速跑出原型，确认可行后再交给专业研发去打磨和保障安全。全栈工程师会越来越多，一个人能干的活，比以前多了很多。
不过也需要看到另一面：养硅基人也是要花钱的，Token 就是成本。
未来企业的人均产值会更高，薪酬回报理应更高，但员工总数会更少。这就带来一个社会层面的新问题——就业。比如自动驾驶不可避免会替代数以千万计的司机。所以，我估计将来各国政府有可能会征收 "AI 税 "，作为第二次财富分配的手段，来应对这个挑战。
问：今天很多人都担心的一个点是 AI 会取代人。您在书中明确提出 " 增强人而非替代人 "。这个理念如何落地？
杨国安：我觉得还是要大家正向地看，替代你工作的不是 AI，是懂 AI 的人。你要拥抱 AI 这个工具，把你的能力升级。不管将来你在这个公司还是别的公司，这个趋势跑不了。
企业一般要处理两类员工：增量和存量。增量比较简单，刚毕业的年轻人本来玩 AI 就玩得很溜。存量是挑战，我们就代际，就年龄比较大的，它们可能连互联网都没跟上，怎么让他们拥抱？
所以要沟通到位：AI 对你的成长、对你做事是提效的，是增加能力的。比如美图，以前设计师做图靠个人能力，现在美图的 AI 能力把设计师的能力下限提高了。医疗领域也一样，一个新手医生有了和睦家的 AI 助手，患者的全部病例采集整合后马上能看到，开药时 AI 会提醒可能的诊断和用药建议，就像一个 "second opinion"（第二个专业诊疗意见）作为指导赋能。
当然，AI 可以提升能力的下限，但能力的上限还是人。顶级的人，AI 目前还没办法替代。
一号位工程：AI 转型不能交给 CIO
问：您在书中反复强调，AI 转型必须是企业 " 一号位 " 工程。为什么不能像过去那样交给 CIO？企业家做这件事他需要具备什么能力？
杨国安：我没说一号位要自己搞 AI 技术，不然为什么 AI 大咖这么贵？不过他也要学。
一号位要做的是认知对齐，要够前沿：他要了解 AI 技术能做什么、不能做什么，然后想象未来，即 AI 充分发展的时候，5 年、10 年之后产业会变成什么样？
他想清楚之后，要跟高管团队共识：AI 在我们公司到底是一个简单的效率工具，还是帮我们开发更好产品，还是重新改变商业模式？
不同段位，投入完全不同。这里又可以分为三类角色：
AI 时代的创变者，从未来想现在，从上而下推动，大投资、大手笔、大范围改造。他想的不是 " 我有什么 "，而是 "5 年、10 年后产业会是什么样，我的战略要做什么，组织要做什么 "，然后反过来倒推。就像苹果这家公司一样。，它一定是改变了整个产业的边界。
AI 时代的创新者，还在这个行业里，产业没大的结构改变，但产品开发更快更敏捷，用更多小团队闭环快速迭代。
AI 时代的探索者，在自己的岗位用一些 AI 工具提效，自下而上探索。将来 AI 的演变会怎么样？我不知道，我就只是往前走，不断迭代，先往前去做就是了。
所以，这其中有一个很核心的问题，大家都在说拥抱 AI，都是自己要成为 AI 时代的企业，但问题是你拥抱 AI 要干什么？
问：AGI 分为 5 个层级，企业要如何在 AGI 时代成为创新者甚至组织者？这是不是也是一个一号位的问题？
杨国安：这确实是一号位的课题，但不同企业路径不同。对 AI 模型公司这类科技企业来说，技术能力是关键；而对传统实体企业，情况不一样。
首先简单梳理一下 AGI 的五个层级：L1 是聊天机器人，能理解和回答公开数据的问题，比如豆包、ChatGPT；L2 是推理，能够展示逻辑链条，处理更复杂的问题；L3 是智能体，能自主干活；L4 是创新者；L5 是组织者。
不过L4 和 L5 更多是底层能力的进化，而不是独立的新的产品形态。它们的作用是让 L3 智能体变得更强大、更智能。比如 L4 的创新会让智能体迭代进化得更好，L5 的组织者将来可能是一个 "AI 管家 " ——一个总 AI 管理很多个小 AI，让 AI 之间直接协同，不需要人来操心。
目前行业主流共识还是停留在 L3 阶段。但智能体的想象空间远没有被用完——它正在取代编程行业，未来还会渗透律师、理财、量化投资等更多垂直领域。
并且，AI 还将持续打破产业边界。还是以自动驾驶行业为例，在未来人、车、路的关系将被彻底重构，车本身就是具身机器人的一种。当然，人形机器人要真正进入家庭、农业、工厂，还需要等到它的 "GPT 时刻 "。
它今天还不行，数据还不够多，判断不够准，算力和数据是联动的。数据越多，训练越充分，判断才越精准，而这需要足够大的算力来支撑。
问：在书中，您特别强调 " 算力 × 算法 × 数据 "，您还提到算力的成本在未来会进一步降低，算法可以被复制，模型可以开源，但数据是每家企业的独家资产。对于大多数没有海量数据积累的中小企业，您有什么建议？
杨国安：首先还是要想清楚：公司的一号位想让 AI 在公司做什么？是做 " 点 " 的提效，还是 " 线 " 的业务流程重构，还是 " 面 " 的产品创新？
做 " 点 " 很简单，买现成的 AI 工具就行了，数据不用打通，用自己岗位相关的数据，马上就跑起来了。
所以我对中小企业的建议是：你不一定非要自己搞。买一些通用的 AI 工具就够了，不要规模太小就把全部资源投进去。
而如果企业在解决了点上面的问题，想做 " 线 " 甚至 " 面 " 层面的 AI 应用，就需要打造技术底座，这对 IT 部门的能力也提出了升级要求。
这其中最大的挑战往往是数据采集。很多传统行业的运营流程有线上化，做完就没了痕迹。所以第一步是信息化，第二步是数据治理，把数据标签化、标准化、打通，然后才谈得上 AI 应用。紧接着就是数据安全：你得确保自己的独家数据不会跑到大模型里变成公共知识的一部分。
安全怎么做，取决于预算。本地部署最安全，但成本高；用公有云 GPU 成本低，但有风险；专有云介于两者之间。不是所有企业都要一上来搞得很大，但至少要有个懂 AI 的技术团队，能把工具和基础数据整理好。
在组织上，企业需要两支力量：一是做技术底座的团队，二是业务 AI 化的特种兵，也叫 AI BP，他们懂业务场景也懂 AI，能帮业务部门梳理流程，找到 AI 落地的切入点。
对中小企业，我的建议更直接：不一定非要自己搞，外购现成的 AI 工具就行。但最核心的，还是要把自己的数据采集好。因为如果不用自己的数据，AI 给出的永远是通用的标准答案，解决不了你产品和流程的具体问题。
问：对于五六十岁的传统企业掌门人，您会给他什么具体建议，帮助他建立 AI 时代的判断力？
杨国安：我之前建了一些企业家的群，一般一个群在 30 人左右，有做芯片的、大模型的、算法的科技企业家，也有做制造、零售、医疗、教育的传统企业家。两群人一碰，搞 AI 的天天说养龙虾多好玩，传统企业家一开始听不懂，但看见这些人赚大钱了，上市公司、独角兽，而自己毛利这么低、这么勤奋，—差距就出来了。
聊完就发现：原来真的是可以这样搞的。然后科技企业家展示：我是怎么养龙虾的，能做什么，传统企业家至少知道 AI 能干什么了，他能提要求了。
所以核心是先解决 " 动策认知 " 的问题。他要知道 AI 能做什么、不能做什么。他不需要自己写代码，但能提要求，我要做到什么地步，什么东西能做到。
所以我觉得老人要虚心向年轻人学习。年轻人对产业应用不太理解，但对技术很懂；传统企业家对行业痛点很熟，刚好互补。两边一互动，钉子找到锤子，锤子找到钉子，我认为这是比较好的。
问：您在书中写 "AI 不会告诉你往哪走，但它能让你更快到达那里 "。那 " 往哪里走 " 这个根本问题，企业家应该如何思考？
杨国安：" 往哪里走 " 的判断从哪里来，还是要基于你对未来 5 到 10 年产业变化的想象和理解。
AI 只是让你能力更高效地做到这个东西。但判断往哪走，基于你对产业的理解、你的洞察。
你要从未来想现在。AI 不会告诉你方向，但它能让你的执行力放大十倍、百倍。所以前提是，你的方向要对。
问：最后一个问题，如果用一句话送给正在焦虑 AI 转型的中国企业家，您会说什么？
杨国安：AI 不是选择题，是必答题。
排版 | 相与
审校 | 微澜 主编 | 孙允广
