近年来人工智能技术加速发展，算法、算力和数据的结合效应不断释放，正从科研阶段进入产业应用；此轮技术浪潮引发了三个核心问题：人类的角色如何调整？企业的运营逻辑如何改变？人工智能将把经济社会带向何处？复旦大学管理学院近日举办公开课，围绕"人工智能未来的边界与可能性"展开讨论，帮助企业管理者热潮中保持理性判断，建立可持续的学习与治理框架。 问题：技术"热"与落地"慢"的落差如何理解 从外部看，人工智能在语言理解、图像生成、知识检索等不断突破，给人以"全面替代"的印象。但从企业内部看，真正能稳定提升效率、改变成本结构的应用并未迅速出现。这种落差主要体现在三个上：许多企业仍"工具试用"阶段，缺乏可衡量的业务指标和复用机制；对技术能力的边界认识不足，容易把概率性输出当作确定性结论；在高风险场景中，责任主体、合规要求和伦理约束尚未明确，导致"能用"不等于"敢用"。 原因：能力机理与组织惯性共同作用 人工智能的优势在于对海量数据进行统计学习，建立输入与输出之间的复杂映射关系。在规则明确、目标清晰的任务上，它可以表现出接近"超人"的效率，比如文本归纳、信息检索、结构化抽取等。但这种"聪明"并非真正的理解：模型输出基于概率预测，可能产生看似合理却偏离事实的内容；在复杂的多步骤任务中，也容易出现逻辑断裂。这些局限决定了企业不能把人工智能视为"万能助手"，关键决策中必须保留人工核验。 组织层面的惯性同样重要。历史上，蒸汽机、电力等通用技术从发明到广泛应用往往需要较长时间，核心障碍不是技术本身，而是企业最初只把新技术当作旧流程的替代品，没有围绕技术特性进行流程重塑和管理升级。人工智能也是如此：如果仅把模型当作"更快的工具"，而不改造数据治理、业务流程、岗位分工和绩效体系，其效益将难以持续释放。 影响：效率红利与结构调整并行出现 从积极面看，人工智能有望以较低成本承担大量重复性、标准化的信息处理工作，推动企业在研发、运营、营销、客服、风控等环节降本增效，成为培育新质生产力的重要支撑。更重要的是，它可能降低创新创业的门槛：小团队乃至个人在财务、法务、市场分析等上的能力短板有望被补齐，推动组织形态更加轻量化。 但技术扩散往往伴随阵痛。可被结构化表达工作更易被重塑，岗位需求可能出现再分配；新的技能鸿沟也可能扩大，"会用的人"与"不会用的人"在效率与机会上的差距被放大。更重要的是，在医疗、交通、金融等高风险领域，人工智能不能成为责任主体。一旦发生误判与损害，责任归属、证据链条与合规审查将面临更高要求。若缺乏治理框架，技术红利可能被风险成本抵消。 对策：以学习为前提，以治理为底线，以场景为抓手 一要把"学习"前置为企业级能力建设。建立面向管理层与业务骨干的系统培训，明确模型能做什么、不能做什么，形成统一的认知基础；同时加强数据素养与提示设计、流程编排、质量评估等实践能力，让"会用"转化为可复制的方法论。 二要推进流程再造与组织适配。企业应围绕"人机协同"重新拆解工作链条：哪些环节交给模型做初稿与检索，哪些环节必须由人审核拍板，哪些环节需要建立双重校验与留痕机制。配套调整绩效评价与岗位职责，避免"用而不管"或"管而不用"的两难。 三要构建风险治理与责任体系。对涉及安全、隐私、知识产权和公共利益的场景，应建立分级准入、数据最小化、输出可追溯、人工复核和应急处置机制；对外部模型与第三方服务，要强化合规审查与合同约束，明确数据使用边界与责任条款。关键业务决策必须坚持"责任在人的闭环"，把技术纳入治理而非替代治理。 四要以可度量场景推动渐进落地。优先选择"收益清晰、风险可控、评价可量化"的场景开展试点，如知识库检索、流程自动化、报告生成与客服辅助等，通过指标化评估形成可推广的模板，再逐步向更复杂的业务环节扩展，避免一哄而上与资源浪费。 前景：从工具应用走向产业重构的关键窗口期 人工智能的发展仍将沿着能力增强与成本下降的方向推进，但其在企业中的生产力转化，将更多取决于管理体系、数据治理、法规伦理与人才结构的协同完善。能够率先完成组织重构、建立责任边界、形成场景化能力资产的企业，将更快获得效率与创新优势；而缺乏治理与学习投入的组织，则可能在技术更迭中被动跟随、成本上升、风险暴露。
人工智能技术的快速发展既是机遇也是挑战。在迈向人机协同的新时代，唯有理性认知、科学规划，才能实现技术进步与社会发展的良性互动。未来如何构建人机共生的新型社会生态，仍需各界共同探索。