今年，越来越多管理者收到了一项新任务：为自己的业务找到AI场景。

这不是一项可以简单转交给技术部门的任务。老板等待方案，员工等待指令，技术团队等待需求。先改哪条流程、投入多少钱、怎样衡量结果，最终都要由业务负责人作出判断。 

真正令人焦虑的也正在这里。许多管理者已经听过足够多的AI故事，知道大模型能写文案、智能体能处理任务、算法能预测销量。而轮到自己的公司，问题很快变得具体：AI应该先进入营销、供应链还是产品研发？现有数据够不够用？员工需要学习新工具，还是重新调整分工？ 

本文来源于广告门 adquan.com

IBM商业价值研究院在2026年访问了全球2000多位CEO。86%的受访者认为员工已经具备与AI协作的能力，经常在工作中使用AI的员工却只有25%。 

从这组数字可以看出，企业并不缺少AI意识，真正缺少的是把AI变成日常工作方式的能力。知道AI重要，与带着团队用AI拿到结果，中间还隔着学习、业务和组织三道关口。

管理者究竟卡在了哪里？

01、听了很多AI故事，还是不知道怎么开始 

沿着一个AI项目真正发生的过程看，管理者要解决的远不止技术问题。他需要知道自己该学到什么程度，也要把多年经验转成技术人员能理解的需求。等到项目启动，还要协调数据、预算和不同部门。

学习AI，边界到底在哪里？

AI几乎每天都有新消息。今天讨论智能体，明天又出现新的模型和产品。对于工作已经饱和的管理者来说，追完所有更新既不现实，也没有太大必要。

参加论坛能看到别人取得的结果，短期培训也能教会几种工具。可当管理者准备做一项投入时，他仍然要自己判断，这个方案解决了什么业务问题，技术团队说的能力能否兑现，试点成功以后又能不能推广。 

所以，他需要的是一套判断技术的基本坐标。至少在听方案时，他要知道哪些承诺可以相信，哪些问题必须继续追问，哪些环节仍然需要专业人员把关。

过去的经验，怎样接到AI上？

经验越丰富的人，面对AI时有时越容易犹豫。 

一名市场负责人可能很了解消费者，也熟悉媒介投放和品牌节奏。但他未必能立刻判断，AI应该先进入内容生产、用户洞察还是客户管理。每个方向都能找到成功案例，也都可能变成一场昂贵的试验。

这时，真正有价值的仍然是他过去积累的业务经验。只有熟悉市场的人，才知道一次传播为什么有效；只有长期待在工厂里的人，才清楚产线停机时哪些异常值得关注；只有做过渠道的人，才了解销量下滑背后可能藏着怎样的利益关系。

困难在于，这些经验往往存在于人的直觉里。技术团队听到的是一句“这里不太对”，系统需要的却是明确的条件和规则。管理者必须把自己的判断输出清楚，AI才有机会进入流程。

想试一次，还缺少现实条件？

管理者听完一个案例，通常会觉得思路并不复杂。等他回到公司，数据放在哪个系统、预算由谁批准、技术人员从哪里找，都会成为新的问题。

第一次试验也很难独自完成。业务部门熟悉现场，却不清楚技术边界；技术人员能够做出系统，却需要有人解释真实需求。项目一旦涉及多个部门，还会碰到权限、考核和责任分配。

于是，一些企业出现了很熟悉的局面。高层不断强调AI，员工各自寻找工具，中层管理者忙着在两边解释。公司里多了很多AI动作，原来的工作方式却没有发生多大变化。

管理者的焦虑也随之变了。会不会使用某个工具已经没那么重要，他更担心自己能不能带着团队做出结果。

02、AI时代最稀缺的，是会把经验翻译成新流程的人

管理者当然需要了解技术，但他不必先把自己训练成工程师。已经取得成效的项目往往从业务现场开始——找到一个长期困扰团队的问题，再把经验、规则和流程交给AI。 

两个发生在不同组织里的案例，提供了两种很具体的做法。 

·一张凭证背后，是半个月的现场梳理

2026年9月，交大安泰与Datawhale联合举办的长三角AI场景创新论坛分享了一项财务审核案例。

过去，企业审核一张财务凭证，人工处理通常需要半小时到一小时。这项工作看起来高度标准化，真正开始改造后，项目人员才发现，许多审核规则从未被完整写下来。

哪些金额需要复核，哪类业务必须附上特定材料，出现特殊情况应该交给谁，老员工心里都有答案，系统里却找不到。为了把这些经验梳理清楚，项目人员跟着财务部门工作了半个月，最终整理出200多条凭证规则。

AI负责识别单据、匹配规则，自动化程序再接手后续操作。改造完成后，单张凭证的核验时间缩短到约一分钟。

承担这类工作的角色，被称为FDE，也就是前沿部署工程师。FDE会直接进入企业现场，先弄清业务人员每天怎样工作，再把需求整理成能够交付的AI方案。他需要理解技术能做到什么，也要知道什么时候该保留人工判断。

·4个人，怎样带着11个智能体工作？

另一种变化发生在行业端。

32岁的袁欣曾经从事产业投资，2024年底进入AI漫剧创业。她最初遇到的问题很具体。使用AI生成视频时，人物形象和场景经常前后不一，创作者需要反复调整提示词，花费大量时间等待一个偶然满意的结果。

袁欣和开发人员把制作流程重新拆开，做出了一套名为“剧灵绘”的多智能体协作系统。剧本上传以后，后台的11个智能体分别处理文本解析、风格约束、角色生成、画面绘制和音频合成。

这家公司核心团队只有4人。一集两分钟的漫剧，大约半小时便能初具雏形。袁欣介绍，一部AI短剧过去可能需要几十万元，采用这套流程后，成本可以压缩到两三万元。

袁欣没有亲自完成所有技术工作。她更像一名新型团队负责人。她先找到创作者反复返工的问题，再把漫剧生产拆成不同任务，随后安排智能体和少数专业人员协作。

这种组织形态通常被称为OPC，原意是One Person Company，也就是“一人公司”。交大安泰又将其延展为One Person Capability，强调“一人全栈能力”。

所谓“一人成军”，并不等于一个人包办所有工作。它更接近管理一支数字团队。人负责定方向、拆任务和检查质量，智能体完成大量具体执行。团队规模缩小以后，管理工作并没有消失，反而更加集中到了核心负责人身上。 

把两个案例放在一起看，一个发生在传统企业的财务部门，另一个来自刚刚兴起的AI漫剧行业。组织规模和业务形态相差很大，两位负责人做的事却很接近。他们先在熟悉的业务里找到问题，再把经验讲清楚，重新安排人和技术的分工，最后用时间、成本和质量检验结果。

这类人既要理解业务，也要对技术保持足够的判断力。他不必亲自写代码，却要知道AI适合解决什么问题，哪些环节必须由人把关，怎样让一项试验进入公司的正常流程。

这或许可以被称为管理者的“AI商”。

问题在于，这种能力很难从几次讲座里直接获得。管理者需要接触真实问题，也需要与技术人员、产业伙伴共同工作。只有亲自经历一次从需求到交付的过程，他才会知道，案例里被省略的那些麻烦究竟发生在哪里。

商科教育也因此遇到了新的课题。

03、当商业问题没有标准答案，MBA课堂也要走进现场

全球商学院已经开始把AI放进管理教育。沃顿商学院从2025年秋季起设置“商业人工智能”MBA专业方向，哈佛商学院也将AI融入一年级课程，并安排相应的实践项目。

这些变化说明，理解AI正在成为管理者的一项基础能力。不过对已经工作多年的管理者来说，一张更新后的课表仍然不够。他们更关心怎样把所学带回自己的行业，以及能否在学习期间亲手做完一次真实的业务改造。

上海交大安泰MBA近期推出的课程改革，也从这个问题出发。

许欢教授在直播中提到，过去的MBA课堂擅长分析已经发生的商业故事，这次改革希望让学员进入一个正在发生的故事。课堂中的问题可能来自一家企业尚未理顺的流程，也可能来自学员自己的工作。老师和同学无法从案例库里直接找到答案，只能一起到现场寻找。

沿着一项AI项目的实际过程看，这样的学习需要接入不同资源。学员要先了解技术已经发展到什么程度，再找到相关的科研团队和技术伙伴；方案形成以后，还要进入企业接受业务检验。如果问题涉及出海或跨境经营，市场环境和当地规则也会进入讨论。

交大安泰将这些资源归纳为“链接智能、链接科创、链接产业、链接世界、链接交大”五条链。五链放在一起，更像是一条解决问题的路径。它帮助学员从模糊的业务困惑出发，逐步找到技术、伙伴和验证场景。 

课程中的几类实战能力，也可以放进这条路径中理解。AI4O关注经营者如何选出值得投入的AI场景；前文提到的FDE，负责深入企业，把业务经验整理成可以交付的方案；OPC则面向更小的组织，让一个人学会调度智能体和专业伙伴，完成过去需要多人协作的工作。

从管理者的角度看，三者分别回答了几个很现实的问题：先做什么，怎样落地，以及人少的时候如何把事情做完。

课堂要完成这种训练，首先需要足够多的真实问题。2026年8月，交大安泰启动百业千企“10×100 AI场景共创计划”，计划在十年内与不同行业共同打造1000项AI实景课题。首批场景已经在9月进入共创，企业提出的需求将陆续进入MBA实践教学和“AI+X”实训课程。

这类课题不会停在一份课堂报告上。学员要和企业沟通需求，判断现有数据是否可用，再设计方案并进入产业现场验证。按照已经公布的改革方案，从2027级开始，交大安泰MBA的实践课程占比将不低于总课时的四分之一。

围绕这些真实课题，学院也在引入更具体的合作伙伴。Datawhale参与FDE人才培养和产业案例开发，商汤科技与Datawhale则共同参与OPC人才孵化。它们提供的不只是几场嘉宾分享，还包括技术社区、实践项目以及寻找合作伙伴的机会。

这样的环境也让MBA同学之间的关系发生了一些变化。

懂制造的人带来产线里的问题，做零售的人熟悉消费者和渠道，有技术背景的人知道数据和模型的限制。大家围绕同一个课题工作以后，彼此了解的不再只是职位和公司，还有对方怎样判断问题、推进合作和承担结果。

对于已经听过许多AI故事的管理者来说，这可能才是学习重新产生价值的地方。他可以带着自己的行业经验进入课堂，借助技术和产业资源把问题做一遍。就从用AI解决一件自己足够熟悉的事开始。

04、AI时代，重新给管理经验定价 

AI没有让管理者过去十几年的经验清零，却改变了经验发挥作用的方式。 

过去，资深管理者可以凭直觉判断客户需求、识别业务风险。AI进入工作以后，这些藏在头脑中的判断需要被讲清楚，从模糊的判断变成系统能够理解的清晰指令。 

AI正在重新给管理经验定价。能把经验接入新的工作方式，才是它继续增值的开始。 

所以，AI时代重新学习管理，重点在于重新整理自己理解业务的方式。管理者要把一句模糊的“全面拥抱AI”，逐渐变成一个个可以检验的项目。 

当过去的经验开始在新流程里产生结果，管理者也就从故事的听众，走到了故事发生的现场。