AI疲劳是战略问题，不是市场问题

一位创始人听说又一个潜在客户正在“暂停AI方面的投入”。一个投资委员会在刚要求提交AI论点之后，立刻表示希望减少在该领域的敞口。一个产品团队拥有三个副驾式（copilot）工具，却没有一套共识的工作流程，而且对打开其中任何一个都越来越抗拒。这就是AI疲劳：不是对有用技术的厌倦，而是对宣传、支出与运营证据之间落差的厌倦。

市场把信息的饱和误认为价值的饱和。这是两个截然不同的问题。买家感到疲惫，是因为他们被要求把产品演示当作商业案例、把模型接入当作能力、把试点活动当作真实采用。而那些真正在构建基础设施的创始人，如今被迫在一个“响亮的承诺可能比一个真正运转的部署走得更远”的市场里竞争。这是一个糟糕的资源配置环境，并不能证明AI已经失去了用处。

AI疲劳，是未经证实的自信留下的后果

当下的疲劳感是理性的。企业已经见过太多打磨光鲜的界面，足以明白：一个在单一提示词下给出令人信服答案的系统，并不能说明它是否能在企业真实业务中运转。它无法证明系统在混乱输入下的可靠性、跨系统的权限管理、可审计性、集成成本、变革管理的负担，以及在没有供应商在场的情况下，员工是否愿意真正使用它。

然而，这个行业的大部分产品却被当成这些细节只是“实施层面的琢磨”来销售。恰恰相反，这些细节才是产品本身。

一个返回看似合理却缺乏依据答案的检索工作流，并不会因为演示精彩而被拯救。一个需要人类不断纠正的智能体（agent），也许仍然有用，但它并不因为界面上有一个动态的任务列表在滚动，就变成了“自主”。一个贴上AI标签的数据平台，如果不能以现有技术栈无法实现的方式，改善客户的决策、流程或经济结果，就谈不上真正的差异化。

这正是高管们给自己制造的问题所在。许多公司在批准AI项目之前，并没有明确定义希望改善的决策、希望改变的工作流程，或者对实现价值负责的所有者。于是他们转而衡量活动本身，因为活动数据现成可得。提示词的数量、开通的账号数、启动的实验数、做过的演示——这些数据都能整理成漂亮的内部报告。但没有一项能证明企业真的变得更好了。

人们最终会注意到，仪表盘忙碌不堪，而利润表却纹丝未动。

真正的敌人是产品组合的失控扩张

AI疲劳常被描述为一个用户情绪问题。但在实践中，它其实是一场投资组合管理的失败。企业积累了大量重叠的工具、彼此割裂的试点项目，以及模糊不清的创新计划，原因很简单——在政治上，“说好”比“做出选择”更便宜。

每多一个实验，就会产生一份隐性的税负。安全团队要多评估一个供应商，数据团队要多接一个集成请求，法务部门要多处理一批合同问题，管理者要向本已忙于日常工作的员工再解释一个新工具，采购部门要为一个连内部负责人都说不清部署路径的产品去谈判。这不是转型，这只是穿上白大褂的软件蔓生。

答案不是禁止实验。早期技术本就需要试验。答案在于，要为“谁有资格获得扩展”设立更高的门槛。

一个成熟的AI产品组合，应当区分三类：能够立即改善现有工作流程的工具、需要经过结构化验证的能力，以及应当被淘汰的叙事型资产。第三类的规模，往往比大多数组织愿意承认的更大。它包括那些价值主张依赖于未来模型改进、未明确的客户行为，或没有任何预算支持去构建的集成的项目。

这些也许是合理的研究性投注。但它们不是运营计划。把两者混为一谈，正是高管们把不确定性硬生生变成预测数字，然后在预测落空时又装出惊讶模样的原因。

一个可信的AI项目必须证明什么

对创始人而言，这个道理令人不适，但商业上却很实用：别再要求买家相信超出你产品实际能力的东西。应对AI疲劳最好的方式，不是更响亮的定位话术，而是更狭窄、更硬核的证据。

一个可信的项目，应该在获得实质性预算之前，先回答以下四个问题：

• 具体改变了哪个工作流程？为了谁？多频繁地发生？
• 哪项可衡量的产出得到了改善：收入、成本、速度、质量、风险，还是留存率？
• 系统在哪里会失效？又有哪种人工或技术层面的控制机制来遏制这种失效？
• 除了模型API和一份销售演示文档之外，真正的部署还需要什么？

这些问题听起来很基础，因为它们本就基础。它们至今仍常常被忽视，恰恰是因为回答它们会迅速暴露薄弱的假设。

设想一下这两种说法之间的区别：一种是宣称产品“实现了研究自动化”，另一种是展示它如何为某项明确的重复性任务缩短分析师的准备时间、保留信息来源的可追溯性、把不确定的输出交由人工审核，并在客户现有权限体系内达到可用标准。第二种说法戏剧性更低，但也更容易销售、实施、续约，并在尽职调查中站得住脚。

这里存在一种取舍。在一个沉迷于“行业级规模”叙事的市场里，更狭窄的主张看起来可能显得渺小。但一个牢牢占据某个昂贵、高频、可衡量工作流程的产品，比一个承诺“重塑知识工作”却说不清错误处理策略的产品，拥有更好的扩张基础。收入的复利来自信任，而不是来自幻灯片。

投资者应把疲劳视为尽调优势

对基金、创业工场和家族办公室而言，AI疲劳创造了一种有用的筛选机制。当资本充裕时，弱公司可以借助这一赛道的光环来借用可信度。而当买家开始变得怀疑时，产品本身的质量就更容易被看清。

尽职调查真正要问的问题，不是这家公司是否使用了一个能力强的模型——许多公司都用了。真正的问题是，这家企业是否把模型能力转化成了一套客户可以购买、可以运营的可复制系统。

这需要审视那些不那么光鲜的部分：实施周期、对服务的依赖程度、毛利率对使用量的敏感性、数据权利、评估方法、安全要求、客户集中度、续约行为，以及合同ARR与实际部署价值之间的差距。如果一家公司连自己为什么留住了某个客户都说不清楚，它就无法可信地解释为什么接下来的一百个客户也会留下来。

同样重要的是，要把真正的护城河和暂时的不便区分开来。专有数据可能确实重要，但前提是它在法律上可用、具有足够差异化，并与某个“更好的数据能改变结果”的工作流程相连。集成也可能重要，但前提是它难以被替代，并且对客户的运营至关重要。分销渠道可能是最重要的，尤其是在底层模型层的差异化正变得越来越小的市场中。

演示依然可以令人印象深刻。它只是不能独自支撑起整个投资论点。演示带来的“催眠效应”不是一种尽职调查方法。

如何缓解AI疲劳，而不是从AI上撤退

能够挺过这一阶段的组织，不会是那些宣布了最宏大AI战略的公司，而是那些主张更少、却能兑现更多承诺的公司。

首先，应停止那些缺乏明确业务负责人、基线指标和决策日期的试点项目。没有这些条件的试点，不是在学习，而是在推迟问责。其次，应围绕工作流程而不是部门来整合工具。真正相关的问题，不是哪个团队想要一个AI产品，而是工作在哪里跨越系统、以规模化的方式重复发生，并产生值得衡量的结果。

最后，要为“靠成效赢得扩张”而设计。先在一个边界清晰的用例中证明价值，记录其运营要求，只有在经济性成立时才进行扩展。相比市场偏爱的那种“全企业范围宣布”式的戏码，这种方式可能显得缓慢。但比起花两个季度才发现根本没有人对采用率负责，这依然要快得多。

对技术型创始人而言，这种纪律能够锐化定位，并保护稀缺的工程资源。对投资者而言，它能把模糊的行业热情转化为一套可承保的标准。对运营者而言，它用一套可辩护的运营论点，取代了工具的盲目堆积。

AI疲劳不是让人对这项技术变得愤世嫉俗的信号。它是在要求成年人式的监督管理。在这段时期能够存活下来的公司，将是那些能够清楚展示系统在哪里真正运转、让它运转起来要付出什么成本，以及——如果它消失了，客户为什么会想念它。

您的领导方式在哪里有效，又在哪里正在消耗公司？

这个博客讨论的多数问题，最终都回到创始人如何经营公司这一点上。藤架领导力诊断把它拆成六个维度共24道行为锚定题：约12分钟，即时出结果，自助版免费。

开始藤架领导力诊断 →

想了解兼职高管或顾问合作？预约探索性通话 →