企业里，AI大模型不能干什么？
AI要在企业里真正发挥作用，其实需要两只手：
一只是对企业本身的理解和抽象，另一只是AI大模型本身。
老板优先还是智能优先
早期阶段，问题会集中表现为领域知识不充分——AI没学过具体业务，自然不知道该怎么干活。但当你把这层问题解决到一定程度，就会发现更根本的矛盾浮出水面：
到底谁有优先权？
举个审批的实例。一个企业里，哪个角色审批哪种合同，常常是完全随机的状态，跟角色定义对不上。你要是没告诉AI，它压根不知道该怎么处理——这就是常说的“领域知识问题”。类似的情况在企业里数不胜数。过去靠人跑到各个部门四处打听，现在要全部显性化交给AI，谈何容易。
下面这张图来自澜码的周健，挺有代表性。
难点不仅仅在于额外的时间和成本，更关键的是，
有些问题本身就内置矛盾性。
假如是个夫妻店，老公有老公的想法，老婆有老婆的想法，两个想法互不相容，你怎么去设定AI？这本质上就是
谁优先
再往下挖一层，这背后反映的是
人治和AI治理之间的不相容
所以，必须确定一个根本原则，否则AI不可能真正介入企业的生产关系。
这个原则叫：智能优先。
但智能优先原则显然跟老板的决策快感是冲突的。只有当效率差异大到不可忽视的地步，才可能真正从老板优先变成智能优先。慈禧太后接受坚船利炮，不是因为她学习之后开窍了，而是因为实在没别的招了。
智能优先之后，老板需要向AI让渡很多决策权，让企业适应AI的规则，而不是所有工具都去适应老板的个人偏好。
成本问题
AI显然不便宜，模型越大越贵。
如果AI耗费的token成本比它所替代的那个角色成本还高，那这件事在经济上就没有意义。
最近Sam Altman发文对AI做了极为乐观的预测，核心依据就是Scaling Law。简单说，深度学习只要规模足够大，就能解决我们碰到的各种问题。
但关键是，GPT-4已经1.8万亿参数了。再大一些虽然能解决更多问题，可最先进的模型在一般场景下根本用不起。
所以，即便我们相信Sam Altman说的是对的，从应用落地的角度，还需要考虑另外两个定律，才能判断整个进程的速度：
第一是Scaling Law，这决定智能能达到的高度。
第二是GPU领域的摩尔定律，这决定智能变便宜的速度。
第三是Compression Law（暂且这么叫，需要后续数据统计验证），指的是突破一定智能高度后，到底要多长时间才能在保持智能水平的前提下，把模型规模降下来。
第一是智能进化，第二、第三是成本进化。
三者融合，才是推动AI应用滚滚向前的技术推力。否则，按前面设想的，大多数企业都需要一个自己的安全大脑，而这个大脑动辄基于几万亿参数的模型，那就很难搞了——推理都推理不起。
偏好问题
AI以及基于AI衍生出来的智能组织，特征上是趋同的，但企业是不一样的。
有人最终定位追求性价比，有人就偏好品味和风格。
这种偏好会影响所有AI智能体以及企业里剩余人员的行为风格。
这更像是企业的第一推动力，或者说是一种无形的场域。
这取决于人的设定。
不管怎样，这是AI之外的问题，需要找到一种AI能理解的方式去做设定。
创造力问题
思考AI边界的时候，背后有个很有意思的问题。
假如各种要素都排列组合输入给AI，那AI能做出iPhone吗？
答案很可能是不能。
在可见范围内，
AI可以穷尽各种创新的可能性，但它很难做出决策：下面这样的iPhone是成功的
而下面这样的就不行：
这些选择的成败，不单单取决于有形要素和已经体现出的各种因素的推理。
当人的信心和意志本身就是变量时，AI是无法做决策的。
被改变的价值创造逻辑
价值创造到底是个什么过程？
意志、认知、资源与执行？
如果是上述四者，
那AI会取代执行环节
但它并不能取代创造逻辑下的认知。
同样也不能取代资源，资源背后是一种所有权。
意志则更是人类才独有的东西。如果回到当时的环境去算账，苹果做iPhone的成功概率可能不会超过30%。
意志很多时候，是有选择地“犯傻”用的。愿景的背后往往需要意志支撑——顺风顺水赚钱的时候，要什么愿景？AI也干不了这件事。
这几者大致对应了人在组织中的位置以及面向未来的不同能力。
可麻烦就麻烦在，过去的组织结构主要是用来辅助执行的
小结
如果说模型能力是AI在企业落地的左手，那上面说的这些基本就是右手。左手可能只是单纯的力量，右手则需要更灵活，这样才能处理很多麻烦的事。
