对话｜中欧教授方跃： AI公司密集上市不代表跑通了商业闭环

·当前的上市潮更多反映的是资本市场对未来生产力变革的预期定价，而非商业闭环的完成。问题的核心是“AI能否规模化落地”，不是“资本市场定价是否合理”。企业不能仅把大模型当作一项“技术”，依赖IT部门来讨论怎么部署，而要通过让员工与AI成为“工作伙伴”，让AI具备业务理解与“上岗”执行能力，培养AI的决策能力是下面几年的关键。

过去两年，方跃在公开场合多次提醒：几乎所有企业都绕不开一场“AI转型”。

在2025年12月底的一场“Alpha峰会”上，方跃指出，这波AI最核心的颠覆是AI作为技术彻底打破了生产力中劳动力、生产工具、生产资料这三大要素，这也必将带领生产关系的深刻变革。企业不要把AI当技术来部署，而应该把它当“人才”培养，要让AI懂业务、容许犯错，也给AI锻炼和学习提高的机会。

方跃现任中欧国际工商学院经济学与决策科学教席教授、中欧AI与管理创新研究中心主任。

尽管所有企业都绕不开一场“AI转型”，但现实情况却呈现出明显的割裂：一边是“00后”创办的AI公司拿到上亿元融资，智谱、MiniMax等企业陆续登陆资本市场；另一边是企业端在生成式AI上的投入已达 300 至 400 亿美元，但 95% 的公司迄今并未能获得商业回报。（数据来源：麻省理工学院《生成式 AI 的鸿沟：2025 年商业 AI 的现状》）生成式AI由此陷入“高采用率、低转化率”的尴尬周期。

在“AI泡沫”的争议尚未消散，国内AI企业密集上市之际，1月13日，科技（www.thepaper.cn）专访了方跃。在他看来，过去三年AI对劳动力市场的实际冲击远没有舆论渲染得那么剧烈，这为企业和员工争取到了一个难得的“缓冲期”，但大多企业并未利用好这宝贵的时间窗口；真正值得被追问的，不是“会不会失业”，而是企业如何在泡沫与估值之间，开启组织重构、新型生产关系与人机协作的进化。

以下是科技和方跃的对话：

“有泡沫的革命，而非泡沫’”

科技：能否从宏观的角度来谈谈，你认为现在AI存在泡沫吗？如果存在，它是如何形成的，我们又该如何看待它？

方跃：AI是否已经存在泡沫，现在没有定论。

我更倾向称为“有泡沫的革命”或“理性泡沫”。泡沫可以分为两大类：一类像“郁金香泡沫”；另一类像互联网泡沫。AI技术无疑具有长期价值，如果说可能有泡沫的化，反映的是市场预期和真正带来大规模价值落地的时间点的偏差。今天大家讨论的AI泡沫，更像“互联网泡沫”而非“郁金香泡沫”，在这点上大家是有共识的。

一方面，资本对 AI 的定价确实偏乐观，局部赛道出现同质化追逐、估值先行的现象，短期多被资本驱动，可能有估值偏高，但另一方面对于颠覆性技术来说，我们又往往“看不懂”也很难“预测”其长期发展前景。也就是大家常说的，出现“短期高估，长期低估”的现象。

判断“泡沫”最关键的标准，即价值与价格是否严重脱钩：如果只是预期跑在前面，但最终能兑现为生产力，那是“波动”；如果缺乏真实价值支撑、价格与价值长期脱钩，才是“危险泡沫” 。

根据MIT报告的数据，90%的AI应用目前并没有真正给企业带来财务上的明显价值。现在大模型的直接使用成本越来越低，但“直接使用”往往仅停留在简单工具层面，还没有体现出技术对生产力和生产关系的根本性改变。科技大厂和AI公司不计成本投入算力和人才，企业在生成式AI上的巨额花费与产出失衡，导致目前“AI泡沫论”盛行。

技术不等于价值，革命性技术也不是自然而然地带来技术革命，关键在于企业与社会是否愿意为应用端的规模化价值买单；如果缺乏实际价值支撑，市场可能重演2000年互联网泡沫，即“非理性繁荣”。但我个人还是谨慎乐观的，未来两三年很关键。

科技：中国市场看到的AI泡沫和美国市场看到的泡沫是否相似？

方跃：如果从大模型的测试表现看，中国和美国之间的差距确实在缩小，这是客观事实。但我认为背后仍存在原创与跟随的差异。

至于这种创新差距是否会影响我之前提到的泡沫问题或落地问题，这是另外一回事。很多应用并不需要最先进或者参数极致的模型。

中国的应用场景丰富，工程化能力强。中国一贯的路线是，首先规模化，后续就会有可能带来大量创新，这类创新未必是最原始的技术创新。

由于中国大模型的开源，我判断在2026年，大量的AI应用（包括美国企业）会采用中国模型。

从AI投资看，美国远远领先中国和其他国家。“中国的 AI 泡沫是否比美国风险小”，我认为也许是。AI的巨大持续投入，也正在“迫使”部分科技大厂和AI公司不断重新评估自身的战略，找到“远大理想”和眼前市场与竞争压力的合理平衡。

无论是美国还是中国，破局的关键不简单是AI技术能力的发展与突破，更是AI应用的深度与广度。如果从长期看，我认为AI能否真正产生动态需求是本质。

地方政府和企业都应该“倒贴式推动使用”  

科技：回到你提到MIT报告的问题，你认为是什么原因导致AI应用在企业端上没有产生明显的财务价值？AI落地国内企业有哪些卡点？

方跃：AI应用目前在企业端上没有产生明显的财务价值，并不代表它没有价值，只是当前的落地应用速度比我们想象得慢。原因在我看来，主要有三类。

一是企业内部挑战和阻力大部分主要还是来自“人”。比如，作为高层管理者，认知滞后很普遍；下属因为担心被替代不愿意使用；从应用角度，企业对技术的考量主要是ROI（转化率），这也往往让“全面拥抱AI”停留在字面和口号上。AI的进化是指数级的，但企业组织的变化是线性的，这就造成了滞后的落差。

二是部分企业没有“AI-Ready”，比如，尚未完成数字化转型。我经常说数字化是实现AI化的第一步，如果企业连数字化都没有转型成功，很难进入AI阶段。 AI会“倒闭”一些企业补数字化转型的课，这对企业和行业发展都是好事，且AI可以让企业今天的数字化转型比过去相对“容易”（起码从技术层面）。

三是企业往往没有认识到AI带来的颠覆的本质，依然像过去的技术一样，把AI当技术部署，而非当“人才”来培养。AI和互联网的打法不同，追求速度和流量那套逻辑肯定行不通。随着AI替代能力增强，从技术扩展到 “无限劳动力”——可复制、低成本、高效执行、自我进化。

很多企业在具体的落地执行层面，也存在一定的认知误区，比如，很多企业把AI当作提升业绩的应急手段，我觉得企业应该摈弃“项目越多越好”的误区，简单聚焦运营和管理生产力的提升。

科技：如果AI在企业内部最终实现了大规模落地应用，组织架构会发生哪些变化？

方跃：AI只有大规模实现落地使用，才能实现生产力质的提升，我预测2026年可能会有更多“AI原生“企业实践案例出现。

比如近期市场表现活跃的蓝色光标，正在内部探索一种围绕 AI 重构业务架构与协作方式的组织形态，即所谓的 AI 原生组织。其关键并不在于在既有体系中“叠加”大模型，而是对以部门、岗位和项目为中心的传统业务逻辑进行重构，使 AI 从支持性工具进入业务运行的核心结构。这种转型并非对原有流程的渐进式优化，而更接近一次结构性的重塑。

AI 不再只是被部署，而是被持续使用、训练并纳入日常协作，通过与员工的高频互动逐步形成对业务语境、客户需求与执行约束的理解，并在判断、建议与执行支持等环节中发挥作用。决策责任依然由人承担，但组织内部的判断结构已经发生变化：技术不再是外置工具，而开始成为可被调用、可被协作的组织能力。也正是在这一意义上，AI 原生组织所追求的，并非简单的自动化或效率提升，而是一种更深层次的“技术平权”——让智能能力不再集中于少数技术岗位或部门，而是嵌入企业的日常运行机制之中。

蓝色光标正在构建的智慧大脑 BlueAI，正在探索将分散在业务、数据与个体经验中的智能能力，汇聚为可持续学习、可协同演化的组织级智能基础设施。

美的的做法对大家也会有启发，企业“拥抱AI”的三个阶段：“全员试试看”，“认真找场景”和“全面AI化”，核心是“战略定位、积极拥抱、全员应用”。

需要提醒企业：能否“用好 AI”很重要，这取决于对高管AI如何颠覆生产力以及生产关系要有深刻的认知。

AI企业上市热潮不等于完成商业化闭环

科技：对于近期国内智谱、MiniMax等AI企业密集上市，这波上市热潮能证明底层商业模式已跑通吗？

方跃：AI企业的密集上市并不能证明底层商业模式已经“跑通”。我更愿意把这波理解为：行业从“讲故事、拼参数”进入到必须“向实、向人”的交卷期。

当前的上市潮更多反映的是资本市场对未来生产力变革的预期定价，而非商业闭环的完成。大模型公司的成本结构决定了：算力、训练/后训练、推理消耗、研发与安全合规投入会长期高企。就算收入增长，很多企业仍在亏损区间。

前面谈过，真正的分水岭是“规模化落地”，不是“资本市场定价”。 智谱与MiniMax在2026年1月初相继登陆港股，确实显示市场热度与融资能力很强（例如MiniMax在港IPO募资约6.2亿美元，并计划将大部分资金投入未来数年的研发），但这更像行业进入公开市场的强约束阶段，并不自动等价于商业模式已被证明——真正的证明，来自接下来能否持续交出可规模化、可复用、可盈利（或清晰通往盈利）的答卷。

胜负在于谁能把ROI落到组织与人的协同上

科技：您认为，中美两国现在AI的叙述上有哪些差异呢？我们是否更注重实际应用更务实？

方跃：我更愿意用一句话概括中美AI叙述的差异：中国“逆向创新”更擅长把技术变成“可复制的产品与规模化运营”，这种路径并非从实验室出发，而是从现实世界的高密度、复杂场景中反推技术解法。它强调从国情和行业发展阶段与痛点出发，快速迭代出可规模化的产品，这是一种高效率的“工程演化”。美国“前向创新”，更擅长把技术变成“前沿范式与未来图景”。但两边其实都同时在做“落地”和“讲故事”，只是侧重点与约束不同。

这次CES 2026里一个很直观的镜像是：不少中国企业（尤其是硬件、车、机器人相关）在叙事上会强调“端到端系统+量产计划+成本压缩+快速迭代”，本质是把能力快速做成产品、做出规模，体现“1到N”的路径与优势。相对地，美国企业更常强调的路线选择与范式领先，比如围绕长尾场景能力、基础设施级平台定位等，更愿意把叙事放在“下一代范式/生态位”上。

判断务实的核心是“能交付ROI”，而不是“不讲愿景”。苹果正式宣布新版Siri将由谷歌Gemini提供支持，也是一个非常经典的视角。这也说明美国的“叙述”并不只是讲故事（Storytelling），而是在构建一种“可托付的组织能力”。

Gartner. Inc.（美国高德纳公司）提出的“三个战略转向”，其实给了我们一个很好的评价尺，也能解释为什么今天大家都在强调“向实”。第一，从GenAI试点走向可衡量ROI（叙事从“有多炫”走向“值不值”）——这点比较直观：企业不再满足于“做了个Demo、跑了个PoC（Proof of Concept：概念验证）”，而是要看到单位成本下降、转化率提升、交付周期缩短、客服吞吐提升这类可量化指标，并能持续复用、规模推广。

第二，从“全球无差别”走向“地缘/合规对齐” （数据主权与合规现实）——这背后不是口号，而是现实约束：不同国家与地区政策上差异大。这也说明了为什么中美叙事看起来不同：当外部环境更不确定时，叙事自然会从“全球扩张的统一故事”转向“可控、可交付、可合规的区域化落地”。

第三，从“按日历决策”走向“按信号触发决策”——这点看似抽象，其实非常关键。过去企业做AI往往是“年度规划—季度复盘—预算拨付”，节奏像日历；但现在技术迭代、监管变化、算力价格、竞品能力、舆情风险都在快速波动，如果还用固定周期决策，就会出现两类问题：该加速时来不及加速、该止损时止不了损。换句话说，AI时代的治理更像实时运营而不是定期汇报。

你会发现，这三个转向恰恰对应“向实”的硬指标：把AI嵌进工作流形成可复用的价值闭环，同时在地缘与不确定性约束下，具备快速响应与动态治理能力。

更准确的说法是：中国叙事更偏“落地与规模化”，美国叙事更偏“范式与愿景”；但未来胜负在于：谁能把愿景落到ROI，又把ROI落到组织能力与人的协同上。