那些用人工智能削减成本的企业，正在错失过去十年最大的价值增长机遇
高管们对人工智能的口头表态与其组织的实际行动之间，存在着一道鸿沟。这不是认知上的鸿沟，而是战略注意力的鸿沟——而这道鸿沟的代价，鲜少有董事会真正诚实地加以量化。
在近期一场面向财富管理行业高管的圆桌讨论中，沃顿商学院一篇论文的作者直接提出了这样一个问题：如果三年后对比两家条件相近的公司，一家善用了人工智能，另一家没有，前者的价值会高出多少？得到的平均答案是2.35倍，相当于公司价值提升了135%。参与者普遍认为这个数字是合理的。然而问题随之而来——当被问及他们实际将资源投入人工智能的哪些方向时，答案几乎异口同声：效率提升。多位高管坦承，他们从未认真地将人工智能与营收增长挂钩。
这不是视野的问题，而是决策架构的问题。
当效率天花板变成战略天花板
用人工智能削减成本的主张有其实证依据。一项大规模随机实验在一家软件公司发现，基于生成式人工智能的客服工具使客服人员的生产效率提升了10%以上。另一项针对近5000名开发者的研究显示，效率提升超过25%。在财富管理领域，人工智能可以将耗时数周的客户入职流程压缩至数天，并协助顾问完成会议准备与跟进。这些都是切实可见的成果。
但有一套效率模型无法超越的算术逻辑。在较为乐观的假设下，若一家公司50%的成本基础可以通过人工智能加以改善，且人工智能平均将这些成本降低10%，那么对总支出的综合影响约为5%。应用到一家具有代表性的财富管理公司，这大约带来10%的价值提升。这并非微不足道，但与同样这批高管认为可以实现的135%相比，却相去甚远。
原因是结构性的，而非偶然性的。成本存在下限：零。收入则没有上限。资本市场对企业的估值，主要不取决于它今天赚多少，而是预期它未来能赚多少。投资者赋予持续增长预期的溢价，远远大于他们赋予成本优化的溢价。一家有机增长率为5%的财富管理公司，其价值约比同等条件下增长率为3%的公司高出50%；增长率达到7%的公司，价值则高出约122%。这些数字并非来自乐观预测，而是市场在预期持续增长时计算盈利倍数的直接结果。
这意味着，有机增长率仅提升两个百分点——对历史表现优异的公司而言，这不过是一个温和的目标——就可以在盈利本身增长之前，将公司价值提升50%。提升四个百分点，则可以使价值翻倍。面对这样的量级，节省运营成本的论据只能沦为次要考量。
一项揭示增长机制的实验
为了将上述听起来可能过于抽象的内容落到实处，研究人员与财富管理公司合作，围绕一个具体应用展开研究：在LinkedIn上针对高级管理人员和中小企业主开展精准营销活动。研究方法并不寻常。
他们采用了一种被称为"虚拟科学家"的方法：由人工智能系统生成数十种备选广告方案，然后模拟目标受众的反应，在投放之前预判哪些方案表现最佳。胜出广告的点击率预测提升幅度在2.7至3.5倍之间。当这些广告真正在现实中投放后，平均提升幅度达到了3.2倍。
问题的关键不在于这个数字是否令人印象深刻，而在于它对公司价值产生了什么影响。设想一家公司的有机增长率基准为3%，这一增长大致均等地分布于三个渠道：顾问转介网络、向托管机构购买线索、以及直接营销。如果直接营销渠道贡献了其中一个百分点，而人工智能将其提升至三倍，该渠道的贡献就变成了三个百分点。公司整体有机增长率从3%升至5%，仅凭这一个动作，公司价值就提升了约50%。
再设想，受到这些成果的鼓舞，公司将原本用于购买线索的预算——一种成本高昂、回报递减的来源——重新分配至刚刚验证了真实牵引力的直接营销渠道。有机增长率跃升至7%，公司价值相较基准线翻了一倍有余。
这不是一场实验室实验，而是一次对机制的演示——正是这种机制决定了一家公司将人工智能资源分配在哪里，最终究竟是捕获效率所承诺的10%价值，还是增长所承诺的100%以上价值。
大多数董事会尚未看清的不对称性
比企业在增长型人工智能上投入不足更令人忧虑的，是竞争动态将随着时间推移使这道差距愈发难以弥合。
人工智能今天在营销上带来的收益——也就是点击率3.2倍的提升——会随着越来越多的公司采用类似工具而逐渐收缩。通过这些成果获取估值溢价的窗口期是有限的。然而，以同等速度收缩的，并非那些依赖关系深度的增长来源：深化现有客户的资产钱包份额、提升财务顾问建议的质量、通过更好地匹配顾问与客户画像来压缩销售周期。这些杠杆更难被模仿，因为它们需要积累情境、信任与专有数据。
最先构建起持续有机增长基础的公司，还拥有另一项大多数战略分析模型未能清晰捕捉的次级优势：更高的估值倍数本身就成为一种并购货币。倍数高的公司在收购倍数低的竞争对手时，对股东的稀释更小。效率提升不会产生这种效应，而持续增长会。
这一逻辑同样适用于财富管理以外的领域。任何投资者看重持续有机增长的行业——从法律服务到医疗健康，从教育到软件平台——都面临同样的不对称性：增长对估值的乘数效应，远远超过削减成本的影响。最先认识到这一点的公司，不仅成长更快，还将在未来数年内主导各自行业的竞争格局。
效率项目的路径依赖与隐性结构脆弱性
还有一个维度是财务分析未能完全捕捉的，但从组织视角来看，其重要性丝毫不亚于数字本身。那些将人工智能议程主要聚焦于效率的组织，并非在采取保守立场，而是在对一种存在上限的回报类型构建结构性依赖——而此时，市场正在大力奖励另一种没有上限的回报类型。
这制造了一种特定类型的脆弱：不是债务沉重或利润率为负的企业所呈现的显性脆弱，而是一个在自身参数范围内运转良好、因此感受不到改变紧迫性的系统所具有的脆弱。成本在下降，流程在优化，报告显示着进展。但有机增长率纹丝不动，估值倍数同样如此。
这个陷阱并不在于团队能力不足，也不在于缺乏技术人才。而在于效率项目拥有清晰的指标、短暂的反馈周期和界定明确的内部利益相关方。而以人工智能驱动的增长项目，则需要在现实中进行实验，需要容忍不符合初始假设的结果，还需要愿意将预算从既有渠道重新分配给仍在验证中的新能力。对许多组织而言，这种重新分配遭遇的阻力不来自技术，而来自治理结构、部门激励机制，以及委员会批准那些不符合现有预算类别的实验时的审批速度。
沃顿商学院论文的作者将其称为吸收能力：一个组织的人员、治理流程和工作流程吸收和运用新技术的程度。对许多公司而言，将人工智能转化为增长的第一道真正障碍，不是构建更好的工具，而是清除那些阻碍现有工具在规模上有效使用的内部瓶颈。
在结构上最为成熟的组织，未必是拥有最精良技术团队的那些，而是那些已经构建起机构能力的组织——能够将一项现实验证（如LinkedIn实验）转化为资源重新分配决策，并在竞争优势窗口关闭之前付诸行动。这种能力无法通过一个数字化转型项目来安装，而是通过一次次关于如何分配战略注意力、将什么定义为成功、以及谁有权在数据支撑下重新调配预算的决策，逐步积累而成。
今天主要将人工智能用于降低成本的企业，并非在绝对意义上做出了错误的决定。他们是在做那些由治理结构、激励体系和汇报周期共同作用下最容易做出的决定。问题在于，这种便利是有代价的——这个代价不会出现在任何当前的损益表上，但三年后，它将清晰地映照在各公司之间的估值倍数比较之中。
