经历了快速升温之后，关于AI的讨论正在从技术热潮转向产业重构，所有国家、企业、和个人面对更具体的问题：AI究竟会如何重构产业与社会？智能体如何在企业中真正创造价值？组织的权力结构和人才策略将如何被重塑？
日前，长江商学院AI智能产业研究部发起并组织了题为“新兴市场的AI数字化转型”的闭门研讨会。长江商学院科技与运营杰出院长讲席教授、AI智能产业研究部主任孙天澍教授，邀请了来自卡耐基梅隆大学、宾夕法尼亚大学沃顿商学院、纽约大学、明尼苏达大学、清华大学、香港中文大学、新加坡国立大学等全球顶尖院校AI领域的10余位终身讲席教授，围绕上述问题分享了各自最新研究。
长江商学院院长李海涛教授欢迎了各位远道而来的学者，并在开场致辞中指出，长江商学院自创校起，始终以全球视野和学术担当为己任，不仅关注AI技术本身，更聚焦AI对于企业、产业乃至全球经济发展的变革作用，推动产学研用的闭环。随着基础模型技术逐步成熟，AI竞争的关键正在从模型与硬件能力，转向真实场景中的应用落地能力。也正因如此，中国的AI发展模式对全球新兴市场具有重要的参考意义，这也是长江商学院组织本次研讨会的初心所在。
我们整理出研讨会的部分观点，分享给你。
孙天澍
长江商学院科技与运营杰出院长讲席教授
AI智能产业研究部主任
“未来组织将从‘以人类为中心’向‘以AI为中心’转变”
AI是人类历史上的第一次智能革命，这与以往任何一次工业革命的本质都不同。
以往企业数字化中ERP、CRM等软件系统，本质上只是工具——它们处理数据、提供信息，但最终的决策权始终掌握在人类手中。而AI Agent则完全不同：它不仅能分析问题，还能独立做出决策并执行。
需要清晰地认识到：AI不再是辅助人类的工具，而是能够端到端完成复杂任务、类似于人的智能主体本身。这种从“辅助决策”到“独立决策”的跨越，正在推动未来组织架构从“以人类为中心”向“以AI为中心”的转变。
孙天澍
长江商学院科技与运营杰出院长讲席教授
AI智能产业研究部主任
“10人AI原生团队+10000个Agent，可能比传统大企业更高效”
一个前所未有的现象正在发生：大量需要认知智能的工作，正被AI部分或完全替代。这种变化的直接后果是，许多传统企业发现自己积累多年的核心人力资产，正在转化为沉重的负担。
更残酷的是：从零开始搭建AI原生模式，比推动传统企业AI转型容易得多。
Lynn Wu
宾夕法尼亚大学沃顿商学院
运营、信息与决策终身教授
“从低技能到高技能的职业阶梯，正在坍塌”
基于加拿大20年机器人采用数据的研究显示：高技能和低技能岗位相对安全，面临最大威胁的是中等技能工作者。
更令人警惕的是长期效应：短期内就业可能增长，但中长期将出现职业晋升通道的断裂——从低技能直接跨越到高技能的路径几乎不复存在。社会流动性也将因此面临根本性重构。
Lynn Wu
宾夕法尼亚大学沃顿商学院
运营、信息与决策终身教授
“AI正陷入新的‘生产力悖论’”
尽管AI工具已经渗透到几乎所有行业，但初期统计数据显示，并未观察到AI对美国整体生产力的实际提升。
这与30年前“信息技术悖论”的历史惊人相似——计算机遍布办公室，但生产率数据却迟迟不见起色。问题不在于AI能力不足，而在于组织尚未找到与AI真正匹配的工作流程和管理方式。
Ravi Bapna
明尼苏达大学卡尔森管理学院
Curtis L. Carlson 讲席教授
“大多数公司只用了3%的数据进行决策”
企业普遍将数据科学人才短缺视为核心障碍，但真相是：大多数公司仅使用了3%的数据来支撑决策。瓶颈不在供给，而在于管理层对分析技术应用场景的认知不足，无法提出有价值的业务问题。
许多顶尖院校毕业的数据科学家，在企业中实际上只是在“跑报表”。AI时代，最稀缺的不是会用数据的人，而是知道该问什么问题的人。
Alok Gupta
明尼苏达大学卡尔森管理学院
Curtis L. Carlson 讲席教授
“人类不知道自己什么时候知道、什么时候不知道”
一个反直觉的实验发现：即使AI在某项任务上的准确率（80%）已显著高于人类（60%），人机协作的最终效果也未必理想。
核心问题在于人类缺乏“元认知”——不知道自己什么时候知道、什么时候不知道。这种缺陷导致人们在简单任务上过度依赖AI，在复杂任务上又不够信任AI。
提升人机协作效果的第一步，不是升级AI，而是升级人类对自身判断边界的认知。
Alok Gupta
明尼苏达大学卡尔森管理学院
Curtis L. Carlson 讲席教授
“AI正在悄悄消灭人类的认知多样性”
实验发现，当人类长期接受AI建议时，会出现一个危险趋势：团队成员的判断逐渐趋同，原本存在的认知多样性快速消失。
原因在于，当人们观察到AI总体表现良好时，批判性思维会随之关闭，进而无条件接受AI建议。解决方案是让AI变得更“挑剔”——只在真正有把握的时候才提供建议，这样反而能保持人类思维的多样性，最终获得更好的协作效果。
Elena Karahanna
佐治亚大学特里商学院C.Herman and Mary Virginia Terry讲席教授
“我们获得了答案，但可能正在失去形成答案的能力”
就像Google让人们不再记忆可搜索的信息，大语言模型更丰富的知识库，正在引发人类更深层的认知卸载——人们的信息处理能力、记忆能力都在下降。
更深刻的问题在于：人类通过与他人对话可以质疑、辩论、完善知识；而与AI的互动缺乏这一批判性建构过程。与AI协作获得的是“合成知识”，它高效，但缺少让知识真正内化所需的摩擦与反思。
Lynn Wu
宾夕法尼亚大学沃顿商学院
运营、信息与决策终身教授
“机器能同时处理1000个概念，人脑只能处理3到4个”
研究发现，AI在组合创新（组合现有知识要素）方面的投资回报率高达7.3倍，在机器学习与机器人领域甚至达到70倍；但在突破性原创创新上，收益几乎为零。
不过不用沮丧，恰恰相反：77%的经济增长来自组合创新，仅19%来自突破性创新。这意味着当前AI的能力边界，恰好能覆盖经济价值最大的创新区间。
Khim Yong Goh
新加坡国立大学信息系统教授
信息系统及分析系主任
“把‘手表+香蕉’这种完全不相关的组合起来，AI的帮助反而最显著”
对照实验显示：AI对创意质量的提升程度，与创新任务的“跨度”正相关——越是需要跨越不相关领域的突破性组合，AI帮助越大；越是常规的同类产品改进，AI的作用越有限。
结论对企业创新实践有清晰启示：把AI用在最需要突破性思维的高难度任务上，而非日常的渐进改良。AI不是加速器，而是破壁机。
Lynn Wu
宾夕法尼亚大学沃顿商学院
运营、信息与决策终身教授
“分散式结构企业收益显著，集中式结构则收益有限”
通过分析标普500企业的创新网络发现，Google等分散式创新结构的企业，在引入AI后实现了显著的“涡轮增压”效应；而Apple等集中式创新结构的企业，收益则相当有限。
原因在于：AI的核心优势是组合创新，而分散式结构天然允许更多元化的知识流动与组合，与AI能力形成良性匹配。同样的工具，结构不同，结果天壤之别。
孙天澍
长江商学院科技与运营杰出院长讲席教授
AI智能产业研究部主任
“这两件事看似对立，却是AI时代高效组织的新范式”
研究发现，采用扁平化组织结构和精益创业方法论的企业，在AI转型中表现更为出色——这类企业的员工普遍具备更强的跨职能协作能力和快速迭代思维，恰好是AI时代最需要的核心技能。
但与此同时，集中化的治理结构同样显示出明显优势：AI驱动的决策需要清晰的权责边界和更快的执行速度。扁平化的日常运营，加上集中化的战略决策——两者并行，才是新的组织解法。
徐心
清华大学经济管理学院
管理科学与工程系史带讲席教授
“智能中心提供不同类型的专业Agent，再与人类员工灵活组合成新的作战单元”
未来的组织边界将根本性重构：不再是固定的职能部门，而是围绕项目需求，灵活调用人类员工与AI智能体，动态组合成新的作战单元。
在这个结构中，人与AI智能体的协作关系也将随之改变——从“经理管理员工”转变为更接近“监护人培养孩子”的模式：负责分析需求、监督运营、处理异常，并耐心陪伴智能体在使用中持续迭代成长。
Lynn Wu
宾夕法尼亚大学沃顿商学院
运营、信息与决策终身教授
“他们不再是协调者，而是‘组织内部的CEO单元’”
机器人和AI被大规模采用的初期，传统中层管理职位大量消失，决策权向CEO和一线员工两端集中。
但最新数据显示，管理者正在以新的形态回归——他们更像“组织内的CEO单元”，拥有更大的决策权和资源配置权限，承担更多战略性职能，而不再主要负责传统的协调和监督。
Alok Gupta
明尼苏达大学卡尔森管理学院
Curtis L. Carlson 讲席教授
“不是让人和AI抢同一类工作，而是把人力重新部署到AI最难胜任的部分”
最佳的人机分工策略不是让AI与人类竞争相同任务，而是实现能力互补：AI承接大量标准化的简单任务，释放出来的人力重新配置到AI无法胜任的边缘案例与复杂决策上。
有现实企业案例验证，银行在用AI自动化常规业务后，反而增加了专门处理复杂案例的人员编制。“替代效应”叠加“分配效应”，能够同时实现成本节约与整体绩效提升。
徐心
清华大学经济管理学院
管理科学与工程系史带讲席教授
“AI放大能力，但前提是你得先有能力”
在软件开发团队中的研究发现，编程AI工具对经验丰富的程序员提升显著，对新手程序员的帮助则相当有限。
这对企业人才策略有直接冲击：依赖AI跳过初级员工培养周期的企业，可能正在以长期人才储备枯竭为代价换取短期效益。
Khim Yong Goh
新加坡国立大学信息系统教授
信息系统及分析系主任
“自由职业设计师使用AI后，定价平均上涨了32%”
对自由职业平台设计师的跟踪研究显示：转向AI工具后，服务定价平均提升32%。这并非因为完成任务变快了，而是作品本身的质量跃升——画面更复杂，情感表达更到位，审美层次更高。
更耐人寻味的是：强调自身专业功底的设计师涨价幅度最大，过分炫耀AI技术的反而不受市场青睐。AI工具的真正价值，是帮助人类做出以前做不到的东西，而不是替代人类。
张晓泉
香港中文大学商学院
伟伦商业人工智能讲席教授
“数据稀缺领域中，生成合成数据可能比等待真实数据更有效”
在企业落地AI的实际场景中，时常会面临“数据太少”的困境：要么获取成本极高，要么需要等待很长时间才能积累足够样本。生成式AI提供了一个反直觉的解决方案：基于现有数据的内在规律，生成大量合成数据进行训练。虽然合成数据带有噪声，但当数量足够大时，噪声会相互抵消，底层的真实模式反而会被放大。
以金融行业为例，用过去10年的真实数据生成200万个合成数据点进行训练，可以将预测准确率从3%提升至13%。
Anindya Ghose
纽约大学斯特恩商学院
技术与市场营销学讲席教授
“一旦选定了一个生态系统，想更换几乎不可能”
在AI时代，一旦企业选择了某家AI云服务，基本上就被永久锁定了。这与传统软件时代完全不同——以前企业使用Office不满意可以换Google Docs，迁移成本只是文件格式转换的麻烦。但AI时代，企业的数据不仅存储在云平台上，还被用来训练模型、优化算法；业务流程从数据接口、API调用到模型部署都已深度定制化。这种全方位的技术绑定，让“更换服务商”变成了几乎不可能完成的任务。
最受伤的是中小企业。它们一旦选择某个云服务商，就失去了议价能力和退出权利，只能接受对方的定价和服务条款。
孙天澍
长江商学院科技与运营杰出院长讲席教授
AI智能产业研究部主任
“新兴国家被迫要完成‘流程化、信息化、数字化、智能化’的‘并行发展’，要抓住AI原生转型的独特机遇”
发达国家的数字化经历了一个从容的百年进程：工业革命的流程标准化、信息技术普及、再到AI革命，三个阶段依次展开。新兴市场没有这个时间窗口——许多企业甚至还未建立基本的管理流程和IT系统，就必须直接面对AI转型的挑战。
但危机之中藏着机遇：一些新兴市场国家正在直接跳过传统IT基础设施建设阶段，从零开始构建AI原生的数字体系。与企业同理，没有历史包袱，反而可能是最轻盈的起跑姿势。
孙天澍
长江商学院科技与运营杰出院长讲席教授
AI智能产业研究部主任
“产业呼唤能融合业务场景和智能体能力，用AI架构下一代业务的AI架构师”
以AI人才密度衡量，大多数新兴市场国家仅为美国的十分之一；印度尼西亚、马来西亚等国甚至可能只有百分之一的水平。
这种差距远不止于技术人员数量——更体现在能够判断AI应用方向的领导力、经过积累的数据资产，以及将AI技术与本地业务场景有效结合的能力上。人才稀缺，是新兴市场AI转型最深层的结构性约束。
孙天澍
长江商学院科技与运营杰出院长讲席教授
AI智能产业研究部主任
“未来的竞争，将在很大程度上发生在AQ这个维度上，越早开始培养越好”
情商（EQ）与智商（IQ）将在AI时代被重新定义。AI时代的情商将是与智能体协作、完成认识的能力，而AI时代的智商将是创造和架构智能体的能力，这种全新的核心能力——可以称之为AQ——正变得不可或缺。
AQ是AI时代的智商与情商，它的核心不在于会用哪款AI工具，而是一方面，在理性上能去架构以智能体为中心的下一代系统与组织形态；另一方面在感性上理解如何与AI进行有效共创，判断何时信任AI、何时质疑AI，并在人机协同中保持战略主体性和能动性。
未来人与人的差异，将在很大程度上反映在AQ的两个维度上，从现在开始，就需要培养与AI协作的基本素养，越早越好。
长江商学院AI智能产业研究部简介
长江商学院AI智能产业研究部由孙天澍教授发起并主持。该研究部致力于连接科技与产业、理论与实践，围绕人工智能驱动下的产业变革，与企业、行业及政府共同探索一条兼具全球视野与中国特色的智能产业发展路径。
研究部重点关注人工智能及相关前沿技术的发展与应用，特别聚焦大模型、AI智能体、数据智能、云计算、企业服务（IaaS/PaaS/SaaS）、物联网、智能制造等方向，同时研究与AI时代相适配的技术战略、商业模式、组织形态、人才体系、行业标准与产业政策。
在延续产业数字化转型研究基础上，研究部进一步拓展AI原生研究，尤其关注AI智能体驱动下的新型企业能力、组织协作方式与产业生态演化，推动从技术突破到产业落地、从企业创新到产业重构的系统性思考。
AI智能产业研究部将立足中国产业实践，面向全球技术前沿，打造一个汇聚学术界、产业界与政策界的共创平台，推动关于智能产业发展的前沿讨论、顶层设计与落地实践，持续通过学术研讨、技术论坛、行业会议等形式，支持科技与商业交叉领域的学术研究、教育培养、社区共享与企业合作。
