核心结论
- 一个人手头的任务变快了，并不等于整门生意变好了。 市场分析、评论整理和方案生成都可以被AI加速，但立项仍要回答：哪些需要值得满足、该投哪一个方案、第一批消费者不买单时问题出在哪里。这些问题最终会落到预算、库存和销售结果上，特赞科技创始人范凌也指出，每个人都在提升生产力时，整体效率并不一定提升。
- AI给出的机会点，不能代替企业判断“什么值得做”。 一项与波士顿咨询合作、涉及758名顾问的实验发现，使用GPT-4的参与者在一组任务上更快、质量更好，但在被设为超出模型能力的复杂管理任务上，给出正确答案的比例反而下降。天猫奢品总经理安棠分享的厚底鞋案例则说明，具体市场的消费者偏好，可能与总部看到的国际流行并不一致。
- 值得做的选择，必须变成可承担、可反馈的验证。 从发现需要、作出选择、安排验证、理解结果到调整行动，AI可以整理反馈、提出拒绝理由并推进任务，但要不要继续投钱，仍需拿真实消费者反应、产品条件和业务目标来对照；上下文还应能跨智能体、工作流和部门继续使用。
- 确认价值时，要把员工和消费者两端付出的时间都算进去。 内部报告生成变快，可能被检查、协调和纠错重新花掉；对消费者而言，咨询回复变快也可能伴随着反复解释、寻找人工入口。褚荣伟提出的“消费者劳动”提醒企业：效率改善究竟发生在哪里，有没有把部分工作转移给用户。
最近几个月，AI agent大杀四方，我们在与消费行业从业者的交谈中最绕不开的一个问题就是，AI究竟能在多大程度上赋能生意？
我们假设一家消费品牌已经把AI用进了新品开发，包括但不限于市场分析可以更快完成，消费者评论能够成批整理，产品概念和营销方案也源源不断地生成。但到了立项会上，团队仍要回答几个问题：哪些需要值得满足？公司应该投哪一个方案？如果第一批消费者不买单，究竟是方向错了，还是产品、价格或表达出了问题？
这些问题最终会落到预算、库存和销售结果上。目前看来，AI还没有全能到可以全部回答和解决，或者说，人与AI都正走在摸索的路上。
10月22日，我们在上海参加了由特赞科技发起、模速空间联合主办的「AI时代，重新理解人」主题论坛，现场发布了Agentic Transformation共建计划。
简单解释一下，这里讨论的Agentic Transformation（智能体转型），可以理解为“数字化转型”的升级版，即让AI在明确目标和授权下，参与分析、判断、执行，并根据反馈调整后续行动。企业也需要相应调整流程、分工和协作，让这些能力进入日常经营。
论坛结束后，我们又围绕AI如何参与真实商业，采访了复旦大学管理学院市场营销学系副教授褚荣伟。
回来复盘的时候，我们认为现阶段企业要面对的核心问题可以用一句话来描述：当AI能把一个想法迅速变成方案，甚至开始推动执行，企业怎样分辨，它是在帮自己挖掘一个机会，还是把一个没想清楚的决定更快地变成了真实投入？我想，这也是我们理解Agentic Transformation的起点。
01 更强的分析能力，为什么未必带来更好的生意？
AI能快速生成市场调研报告，速度是人力的很多倍，当然有价值。但如果讨论的是经营改善，就必须回答后续的一系列问题，例如，这份报告让企业改变了什么选择？改变后的行动，又产生了什么结果？
我们仍以新品为例，研究团队可能更快地找到了市场线索，但企业没有决定哪些线索值得验证；产品团队可能拿到了更多概念，却不知道在成本和交付条件下应该保留什么；营销团队可能生成了更多内容，却没有把消费者的反馈传回产品端。
如果事情卡在这些地方，哪怕再多做几份报告、几套方案，也未必能带动后面的工作。一个人手头的任务变快了，和整门生意变好了，完全是两回事。
论坛上，特赞科技创始人及CEO范凌就提到了这个落差：“当每个人都在做生产力的提升的时候，事实上整体的效率并不一定提升。”
在采访褚荣伟时，我们也问了一个很直接的问题：AI是在加快商业决策，还是会改变原来的决策逻辑？
他认为这不应该是一个A or B的答案，因为现实情况很复杂，什么时候加速、什么时候拖累，什么时候增加创新、什么时候造成误判，必须要看AI以什么方式介入，以及相应的条件是否满足。
甚至在单项工作里，AI的效果也需要具体检验。一项与波士顿咨询公司合作、涉及758名顾问的实验发现，使用GPT-4的参与者在一组任务上完成得更快、质量更好；但在另一项被研究者选为超出模型能力范围的复杂管理任务上，使用AI的人给出正确答案的比例反而下降。这项研究考察的是当时的模型与特定任务，并不能用来判定今天所有AI的能力边界。
沿着这个局限性往下想，企业要弄清楚的事情其实很具体：哪些结果可以直接用，哪些还要查一查，哪些必须放回自己的业务里再讨论。在一个环节表现出色，还不足以成为把后续任务一并交给AI的理由。
与此同时，企业还需要注意，AI在单一环节的出色表现，究竟是真的影响了资源配置，还是仅仅增加了等待被处理的建议？
我们觉得这些思考可以浓缩成一个更进一步的问题，就是，面对更多信息和方案，企业如何决定什么值得做。
02 面对更多方案，企业如何决定什么值得做？
当AI给出一个机会点之后，它是无法负责验证的，所以企业还得回答：消费者真的在意吗？我们做得出来吗？和其他选择相比，值得把钱和精力投在这里吗？
其中任何一步，都很难用一句“市场正在流行什么”替代。
当天的论坛上，天猫奢品总经理安棠分享了一个“厚底鞋”的故事。据她介绍，全球运动鞋正流行薄底，某设计师品牌的中国团队却从市场调研和历史数据中读出了不同的信号：一部分中国消费者仍然偏好厚底。在平台的支持下，团队试水设计了一款厚底鞋，这双在总部看来不够流行的鞋，最终在天猫取得了不错的销售表现。
这双鞋的诞生，靠的不是对国际流行趋势的一味追随，而是基于具体市场信息和消费者洞察作出的判断。一种被总部审美过滤掉的商品，可能恰好对应另一群消费者的偏好。
企业由此需要追问，研究覆盖了谁，谁没有被看见，结论又准备适用于谁。AI可以帮助增加研究范围、提出更多假设，但如果这些假设始终围绕同一类消费者展开，企业仍然可能错过其他机会。
然而，一味地增加标签，也不等于理解得更深。我们和褚荣伟聊到怎样理解消费者时，他举了一个很具体的例子：“同样被归为‘老人’，独居还是与家人同住、生活在城市还是乡村、子女是否在身边，需要都可能不同，所以要看到具体的人，看到具体的关系。”
对品牌来说，这些差异之所以重要，是因为它们会影响消费者怎样使用产品、如何比较替代方案，以及愿意付出多少钱和多少精力。一个宏观趋势可以提示研究方向，具体的生活处境才能帮助企业判断产品应该解决什么。
接下来还要看企业自身。假设两家品牌发现了同一种需要，一家拥有成熟的线下服务网络，另一家主要依靠线上交付，它们能够作出的产品承诺和承担的服务成本就可能不同。真实的需要，也未必适合由每家企业来满足。
供应周期、库存、预算、渠道能力和品牌承诺，也都得算进去，因为这些听起来没有那么新鲜的业务信息，恰恰会决定一个方案能不能做。AI需要了解这些条件，给出的建议才更有可能被企业用起来。
还有一些选择，即便条件清楚，也要有所取舍。采访中，褚荣伟拿卖货举例，销售、利润、未来需求和品牌调性，往往都要顾及，毕竟提高当期转化的做法，可能造成长期代价，而一个短期规模有限的产品，也可能承担进入新市场的任务。
因此，企业需要先说明自己想改善什么、愿意放弃什么。AI可以参与比较和推演，目标之间的取舍却必须在工作中被明确表达，才能据此安排资源、检查结果。
所谓企业形成自己的判断，就落实在这些具体选择里，它不要求企业刻意与别人不同，而是要求每一次投入有适合自身的理由。
那么下一步，就是把这个理由交给市场检验。
03 值得做的选择，怎样变成经得起检验的行动？
继续以准备开发新品的品牌为例。假设团队提出，小户型家庭可能愿意为更容易收纳的清洁产品付费，这还只是一个假设，需要进一步检查：消费者最困扰的是收纳，还是清洁效果？缩小体积会不会损害其他体验？他们愿意为这项改变付出的价格，能否支持产品成本？
AI在这个阶段可以帮助整理既有反馈、提出可能的拒绝理由，让团队发现需要补问的问题。褚荣伟提出的建议也与此接近，他说，“可以先模拟消费者为什么不喜欢一个选择，再让专业人士提出假设，交由AI与真人信息共同检验。”
这样的模拟，可以帮团队找到值得追问的地方，但至于要不要继续投钱，还得拿真实消费者的反应、产品条件和业务目标来对照。
随后，团队要把假设变成可承担的行动。某些问题可以通过概念访谈、样品体验或有限范围的展示来检验，另一些则必须投入生产和渠道后才会显现。
对此，安棠谈到了小范围测款，“平台可以先让一部分消费者看到不同的商品或表达，获取反馈，它的意义在于为企业保留验证空间。”这很有实践价值，对于订货和库存压力较大的业务，这种空间需要与成熟业务的确定性一起安排。
继续沿着清洁产品的假设看。如果消费者认可方便收纳，却不能接受清洁能力下降，团队就该重新判断，他们需要的究竟是更小的机器，还是更省空间的收纳方式？
这个反馈又会改变下一笔预算的去向，以此类推。所以，企业能够积累的经验，应该包括结果成立的条件，以及下一次准备怎样调整。 只保留“这次成功了”或“这个方向不行”，很难帮助后来的人作出更准确的选择。
范凌在企业智能体的介绍中强调，上下文需要跨智能体、工作流和部门使用，这项主张对应一个实际要求，就是研究时掌握的消费者信息、立项时确定的成本限制，以及后续收到的反馈，应当能够在相关任务中继续发挥作用。
要做到这一点，企业也需要调整工作的组织方式。谁能改变目标，谁可以批准试验，一线的新发现怎样进入其他部门的决定，都要有明确安排。把工具交给员工，并不会自动解决这些问题。
因此，Agentic Transformation值得探索的，是智能体怎样参与从理解问题、推进任务到反馈修正的连续过程，以及企业怎样围绕这种参与重新安排工作。
04 怎样确认这些变化创造了真实价值？
当人与AI的协作进入持续运转，还需要回答最后一个问题：企业与消费者究竟得到了什么，又付出了什么？
褚荣伟在采访一开始就提醒我们，技术本身、学习使用以及组织变革都有成本。“调研做得快了，后面检查、协调和纠错又花掉多少时间？如果员工要不断修正结果，不同部门还得反复确认同一批信息，省下来的时间可能又在别处花掉了。”
这并不要求每次应用AI都重构组织。对于目标明确、范围有限的工作，在维持质量的同时节省时间，本身就是合理收益。企业需要根据已有结果，决定是否扩大任务范围，而不是先把所有工作纳入，再寻找值得这样做的理由。
更容易被遗漏的是消费者一端，因为购买发生时，产品承诺的价值未必已经兑现。消费者把产品带回家之后，能不能顺利用起来，遇到问题能不能得到帮助，才决定那项承诺是否真实。
褚荣伟还提到了一个容易被忽略的概念——消费者劳动。技术从来不是单向地方便消费者，相反，为了用好技术，消费者一直在学习、配置、互动和纠错。“你以为技术会让消费者省了很多事。但事实上，消费者默默地在做了很多事。”
这也可以用于检查企业的AI服务。假如内部统计显示咨询处理得更快，消费者却要反复解释问题、寻找人工入口，那么企业还需要想清楚，效率改善究竟发生在哪里，有没有把部分工作转移给用户？
从这个角度看，“重新理解人”有很具体的商业含义，它其实离日常经营很近，企业既要研究消费者为什么选择，也要追踪他们在使用中付出了什么；既要看到员工能完成更多任务，也要理解他们新增了哪些检查、协调和判断工作。
这也让我们对现场发布的Agentic Transformation共建计划，有了更具体的期待。也许我们很快就可以看到，AI在一款产品或一项服务的哪一步帮上了忙，哪些判断又因为真实反馈而改变。一点点叠加之后，AI带来的提速，就有机会变成生意上的进步。
常见问题解答
什么是Agentic Transformation，和企业日常的AI提效有何不同？
它可以被理解为数字化转型的升级：让AI在明确目标和授权下参与分析、判断、执行，并根据反馈调整后续行动，企业也要相应调整流程、分工和协作。它关心的不只是单点任务变快，而是这些能力能否进入经营，并经得起市场检验。
为什么AI把方案做快了，生意结果却不一定更好？
因为加速之后，企业仍要决定哪些假设值得验证、资源该投向哪里，以及失败时问题出在方向、产品、价格还是表达。波士顿咨询与758名顾问的实验说明，模型在有的任务上能提高速度和质量，在超出能力范围的复杂管理任务上，正确比例反而可能下降。把更多方案更快地推进执行，也可能只是把没想清楚的决定变成了真实投入。
企业怎样检验AI有没有创造真实价值？
既要看内部是否真的省下了时间，也要看消费者是否更顺利地得到了承诺的结果。如果员工不断修正输出、跨部门反复确认同一批信息，省下的时间可能在别处被花掉；如果客服处理变快，用户却要反复解释问题，效率改善就可能只发生在内部统计上。有效的应用通常先在目标明确、范围有限的工作里验证，再决定是否扩大。
