编者按：AI会如何改变企业？这是继就业结构和技能重塑之后，另一个无法回避的问题。上一篇我们讨论了AI如何改变劳动者的能力结构；今天，我们继续追问更深层的问题——当企业拥有AI之后，为什么仍然需要人？对于员工而言，真正决定未来竞争力的，或许不是会不会使用AI，而是能否成为跨越AI“最后一公里”的关键环节。

福特案例：经验与隐性知识为什么又重要了？



为了充分利用人工智能带来的优势，福特公司曾在包括质量检测在内的多个业务环节引入AI技术。

然而，2026年6月，据彭博社报道，福特高管表示，近年来公司已重新聘用了350名经验丰富的资深质量检验工程师，以弥补自动化系统在质量控制方面存在的不足。

这些工程师中，一部分曾经是福特的前员工，另一部分此前在供应商企业工作。他们被戏称为“灰胡子工程师”, 任务是在零部件进入工厂生产线之前，就发现潜在的故障点，清除设计和制造中的可能问题，并承担培训年轻工程师和改进AI系统的任务。

福特承认，在过度依赖AI和自动化质量检测系统后，其车辆质量未达到预期。车辆硬件工程副总裁查尔斯·普恩（Charles Poon）对记者说：“过去几年，我们没有像应该做的那样，充分重视那些经历过多个产品开发周期、拥有最丰富经验的资深工程师所积累的知识和经验。”

福特属于众多积极拥抱人工智能浪潮的企业之一。在华尔街普遍看好AI帮助提高企业利润率的背景下，越来越多的公司开始大规模部署人工智能技术。

在2025年10月份的财报电话会议上，福特首席运营官库马尔·加尔霍特拉（Kumar Galhotra）表示，公司正在“将人工智能部署到整个工业体系之中”，这一战略包括在福特各个生产工厂中部署900台由AI驱动的摄像设备，以在质量问题产生的源头进行检测，并帮助工厂减少供应链中断风险。

现在普恩反思道：“我们过去有一个错误的认识，以为只要部署人工智能，并把产品设计规范和设计要求输入AI系统，它就能够自动设计出高质量的产品。人工智能是一个非常出色的工具，但它的表现取决于你用来训练它的数据质量。”

这是2026年企业AI应用中一个颇有代表性的案例。福特真正推翻的是过去几年AI产业一个非常流行的假设：只要拥有足够的数据，就能够替代经验。如今看来并不完全行得通。从中我们可以总结哪些教训呢？

第一，福特公司的质量观还是非常领先的，例如，在源头发现质量问题，强调的是制造业中的预防式质量管理，即不是等产品完成甚至交付后才发现缺陷，而是在问题产生的最初环节进行干预。

福特明确，抓好质检环节的目的，是为了减少供应链中断，这意味着，AI不仅用于检测产品质量，还用于提升整个工业系统的稳定性。这样可以避免因批量返工或召回导致生产停滞，并提高供应链预测和响应能力。

然而看似先进的质量观中却缺失了对AI应用的认识，这当然是因为利用计算机视觉技术进行自动质量检测是一件新鲜事。传统制造业通常依靠人类工程师通过视觉观察、经验判断或抽样检测发现问题，而AI摄像系统可以实时扫描零部件和生产过程，识别尺寸偏差、表面缺陷、装配错误等问题，在产品进入下一生产环节之前提前报警。

实际运行的差异，体现了企业AI应用中的一个矛盾：AI可以极大提高检测速度和规模，但其有效性依赖于训练数据、检测标准以及人类专家经验。如果缺少资深工程师提供的经验反馈，AI系统可能仅识别已知问题，而难以发现复杂的、未曾出现过的新型故障。因此，福特重聘资深工程师的做法，反映了制造业在AI转型过程中面临的核心问题：如何让自动化系统与人的经验形成互补，而不是简单替代。

这是第一个教训：需围绕AI重塑企业质量观。真正的质量，不仅来自算法和自动化，更来自经验、责任和工程判断。

第二，福特最初划了一个简单的等号：设计规范+AI=高质量产品。也就是说，他们把AI视为一种能够自动完成工程设计和质量优化的工具，认为只要把已有的设计规则、参数和标准输入模型，AI就能输出优秀的设计方案。

但实践证明，这种认识过于简单。原因在于，高质量产品不仅来自显性的设计要求（explicit knowledge），还依赖于大量无法完全写进规范中的隐性知识（tacit knowledge），例如：工程师长期积累的经验判断；对材料和制造工艺细微差异的理解；对潜在风险的直觉识别；跨部门协作和多轮产品开发中形成的实践经验。

这些知识很难仅靠设计文档或历史数据完整表达，也难以直接成为AI训练数据。“灰胡子工程师”的效用正是在这里才得以发挥。

福特的聪明之处在于，它及时调整了AI的应用模式：不再将AI视为替代资深工程师的工具，而是将其定位为增强工程师能力的技术。“灰胡子工程师”的价值不仅在于解决当前的质量问题，更重要的是承担知识传承和AI优化两项关键任务。一方面，他们将多年积累的工程经验传授给年轻工程师；另一方面，他们利用自身的专业判断不断修正AI模型，使隐性知识逐步转化为可学习、可应用的数字化知识。

这是第二个教训：隐性知识在企业中的重要性被低估了，如果企业只依赖AI模型，而忽视经验丰富员工所掌握的隐性知识，可能会陷入一种“数据丰富但理解不足”的困境。需要对企业知识结构进行重新认识。在AI时代，真正高质量的组织未必是拥有最多数据的组织，而是能够将数据、算法与人的经验结合起来的组织。

为什么企业拥有AI，却没有获得智能？



我曾在专栏文章《第一份工作正在消失：AI如何切断年轻人的职业阶梯？》中提出，企业的AI应用，存在“最后一公里”问题，即AI能力如何真正转化为组织的认知能力和决策能力这一关键环节。这个比喻用以描述机器生成的知识，如何经过人的理解、协同和制度执行，最终成为企业持续创造价值的组织能力。

当前，企业部署大模型和生成式AI已不复是主要障碍。算力、模型、API以及各类AI Agent不断降低应用门槛，使企业能够较为容易地获得强大的信息处理能力。但拥有AI仅仅是第一步，关键在于如何让AI产生的认知真正进入组织的决策、协作与行动流程。

从本质上说，大模型提供的是潜在认知能力，而企业真正需要的是现实认知能力。两者之间存在一道巨大的鸿沟。这也是当前企业AI转型的最大“隐形壁垒”。

第一，AI知道，并不意味着组织知道。AI能够快速完成知识检索、分析、推理和生成，但这些知识如果仍停留在聊天窗口，就没有真正成为企业的知识。对于许多问题，企业需要的不只是答案，而是组织共识。比如，AI已经发现供应链存在风险，但是采购部门没有看到，或者管理层没有采纳，最终企业依然按照旧流程运行。

第二，AI能够分析，并不意味着人愿意相信。人们通常会问：为什么相信AI？如果它无法解释推理过程，与经验相冲突，缺乏责任归属，即使给出正确建议，也可能不会被采用。企业决策仍然建立在人与人之间的信任之上。在此，“最后一公里”问题实际上是认知信任的问题。

第三，执行这个旧幽灵会一再浮现。也就是说，AI能够分析和建议，并不等于组织能够行动。AI输出只停留在PPT里。这时，“最后一公里”意味着从认知到行动的转化所遭遇的阻碍。

第四，AI学习与组织学习的速度不匹配。从组织理论来看，企业竞争优势来源于吸收、整合和应用知识的能力。威斯利·科恩（Wesley Cohen）和丹尼尔·莱文塔尔（Daniel Levinthal）提出的“吸收能力”（absorptive capacity）理论指出，组织能否识别外部知识的价值，并将其消化、转化和应用，是创新能力的重要来源。如果外部知识（比如AI）的更新频率超出了组织内部消化、转化和利用的周期，就会出现AI技术爆发的速度与企业组织学习/流程沉淀的速度之间的不对称。很多企业在AI落地时面临“买得起技术，却用不好”的困境，本质上就是企业AI吸收能力不足的表现。

技术可得性与组织转化率的差距问题，与如何系统性看待企业认知息息相关。AI只是企业认知系统中的一个组成部分，而不是认知过程本身。真正完整的企业认知过程应包括信息获取、知识生成、集体理解、组织决策、行动执行以及反馈学习等多个环节。这里用得到“人在回路中”的人机协同法则：只有当AI生成的知识经过人的理解、判断和负责，最终形成新的经验并反哺组织学习时，AI才真正完成了认知价值的创造。

因此，企业应用AI的“最后一公里”，本质上是机器认知向组织认知、知识生成向行动执行、智能输出向组织学习的转化过程。

员工技能决定能否跨越“最后一公里”



微观层面上，在AI落地实践中，“最后一公里”问题显示为，即便企业购买了最先进的技术、搭建了完美的系统架构、拥有了清洗好的数据，技术依然无法在最终的应用端转化为实际业务价值。此时轻易就会发现，员工技能成为解决该问题的决定性变量。

AI无法直接创造组织能力，员工才是AI认知能力完成“最后一公里”的载体。AI产生知识，而员工决定这些知识能否被采纳和转化为行动。因此，“最后一公里”本质上也是员工技能升级的问题。

在具体实践中，我们很容易观察到一些岗位的技能断层。比如，某一快消行业企业接入了最新的多模态大模型和海报生成工具，希望市场部员工利用AI在小红书、抖音上进行高频的内容矩阵营销，降低对外部广告公司的依赖。

技术上一切都可谓就绪：企业购买了最高级别的企业账号，算力充足，工具全部到位。这时它却发现，市场部员工的技能跟不上，批判性思维与高阶审美眼光的缺失，成为营销的瓶颈。

过去，市场部员工的核心技能是提需求（Brief）给广告公司，由广告公司的专业制作去执行，员工只负责审核。现在，AI确实将执行门槛降低了，输入几个字就能出图、出文案，但这却把员工底层品牌逻辑和高阶审美审判力的匮乏暴露于外。年轻员工将大量使用AI生成的强“塑料感”文案直接发给客户，导致品牌形象受损；或者，被大模型的幻觉误导，将未经核实的虚假内容直接写入海报中。AI生成的东西漏洞百出，最后不得不回到老路——重新让高级员工人工撰写，或者重新雇佣外部供应商。

这一场景的实质是，当AI替代了“手艺”以后，员工缺乏业务专才的技能底蕴，无力对技术输出结果进行质检、校准与深度润色，致使最后一公里变为“翻车现场”。

有大量情形都是因为员工缺乏驾驭AI的新型技能，导致高昂的技术投资直接“卡死”在一线。不妨再举一个跨国零售电商的数据分析例子。

某电商企业接入了具备强大代码执行能力的AI（大模型的数据分析助手）。过去运营部门想要一个营销数据报表，分析师需要写数天的SQL和Python代码才能跑出来；现在只需把原始数据库接入AI，直接用自然语言要求AI分析上季度各品类的ROI并做出可视化图表，30秒内它就能把代码写好并生成图表。

但问题是，大模型生成的复杂SQL或Python代码往往包含隐蔽的逻辑漏洞。例如，AI在计算ROI时，可能漏掉某个月的退款订单，或者在多表关联时导致了数据翻倍。初中级分析师缺乏逆向审计AI代码的能力，看不懂AI那长达几百行的复杂代码逻辑，更不知道如何去对AI生成的逻辑进行压力测试。他们会直接把AI生成的错误图表打包发给业务部门，导致管理层根据错误的数据做出亏损的营销决策。

在此，技能断层体现为从代码编写到AI代码逆向审计与逻辑排错的断层。“最后一公里”直接变成了错误决策的放大器。

很多类似例子都说明，哪怕技术解决了前999公里，但如果没有员工技能的跃升，“最后一公里”就是跨不过去的鸿沟。

技能断层如何填补？



不难发现，在AI时代，员工技能断层最严重的地方，不是技术硬技能（如写代码、做报表、撰文案）的缺失，而是AI协同软技能（协作与质检能力）及深层业务底蕴（判断与重构能力）方面的空白，具体包括：

结构化转译技能：能否将人类大脑中的主观意图、物理现实中的复杂约束，翻译成AI能听懂的结构化语言？

过往，人类沟通高度依赖“意会”，比如“要有一种高级感”、“这个最重要，其他的你看着办”，人类同事听到后就能结合组织文化、交谈语境和常识心领神会并付诸行动。然而哪怕最先进的大模型，本质也是一台数学概率机器，不具备真正的社会学常识和肉身情感。

人类大脑中的主观意图（模糊、感性而多义）或物理现实中的复杂约束（动态、隐性、交叉连锁）撞上AI的提示，如果员工缺乏结构化转译技能，就会发生“理解窒息”，导致AI产出大量的垃圾信息。

高阶逆向审计技能：一旦AI将执行效率成倍提升、吐出海量结果，员工是否具备足够扎实的专业底蕴，能够揪出AI背后极其隐蔽的逻辑漏洞、假信息与幻觉？

先验知识是吸收能力的基础。一个资深的审计师用AI审查合同，一眼就能看出AI遗漏了哪项合规条款，并立刻通过调整提示词让AI修正。相反，一个缺乏专业技能的实习生则会盲信AI的输出，从而放大潜在风险。

特别是，当AI输出语言流畅、结构完整时，缺乏领域经验的人容易产生“自动化偏误”（automation bias），即倾向于相信机器判断，而减少主动验证和批判性思考。

工作流编排与干预技能：AI正处于不断演进当中。如果它从简单的“对话框”升级为自主运转的“agent集群”，员工能否同步从“信息搬运工”升级为“管理AI员工的合格主管”？

作为主管的员工需要具备商业架构思维。例如，要搭建一个“自动化新品研发上市系统”，合格的AI主管不能只给AI提需求，而是要去定义和划分一群agent的架构和岗位职责：Agent A负责去全网抓取竞品数据，并输出结构化表格；Agent B扮演创意设计角色，根据A的数据生成10种设计方案；Agent C是风控官，审查设计方案是否侵犯他人版权、生产成本是否超标等。

作为主管的员工还需要像项目经理一样去“打通链路”。习惯传统线性思维的人，一旦面对多并发的agent协作流时，容易陷入指挥瘫痪。合格主管必须设计严密的输入输出协议与协作SOP，还需要设计冲突解决机制，防止流程的卡顿。

简而言之，以上三者构成了一个“转译-判断-组织”的技能金字塔。如果企业在推进AI转型时，只把预算花在算力、数据和模型采购上，而在员工的这三大新型技能上投入为零，那么“吸收能力不足”就会像一块巨石，牢牢将企业卡在AI时代的门槛之外。这是一个反直觉但在商业实践中时时发生的残酷现实。

非常明显，AI越强大，它所剥离的机械劳动就越多；而被剥离的机械劳动越多，留在“最后一公里”的员工就越需要具备战略级的业务能力。

AI可以解决执行效率的问题，但它解决不了理解业务目标、判断复杂情境并把技术能力转化为业务价值的问题。认真来说，这样的要求，对一般员工也是相当高的。由于人工智能改变了企业内部的劳动分工结构，员工的能力结构也必须随之发生相应的调整。

具备AI吸收能力的员工，将能够像编写软件接口（API）一样，把人类的意会信息，拆解为AI听得懂的角色、约束、参数和边界护栏。工具会变，但如何把复杂任务拆解给AI、如何判断AI输出的对错等底层能力是相通的。企业应该将培训重心放在这些“元能力”上。一旦员工掌握了如何驾驭AI的逻辑，无论外部模型如何迭代，他们都能很快自我完成吸收。

同时，处于最后一公里的员工不能是“纯小白”，而必须是具备深厚业务领域知识（domain expertise）的专业人士。越接近业务现场，面对的问题越具有情境性、非标准化和高风险特征，需要依靠专业知识和实践经验进行综合判断。我们看到，福特质检员工队伍的变迁很好地说明了这一点。

此外，还需要全员锻造组织能力（organizing capability）。未来衡量一个专业人士水平高低的标准，不仅是她能否独立完成工作，更重要的是她能否建立一套高效、可靠、可监督的人机协同机制，让多个AI agent在明确的制度框架下协同工作，并确保最终结果符合企业战略目标、行业规范和伦理要求。

最后，我认为，高频发生的AI应用失败告诉我们，除了关注员工的技能断层，企业还应该在吸收能力层面树立一系列清醒的认识：

第一，知道AI能干什么并不是技能，真正的技能是在AI给出结果后，知道如何去检验它的对错、摸清它的边界。

第二，凡是缺乏白盒交互的系统都是耍流氓。如果企业系统只给员工一个“黑盒”的答案，却不提供逆向审计的技术界面，那么员工为了安全可靠，就会选择抛弃AI。

第三，很多企业误以为有了AI，招个便宜的实习生就能替代高薪老员工。现实恰恰相反——大模型把执行层变成了白菜价，却无限放大决策与审计层的价值。在“最后一公里”，员工如果缺乏看透全局的视野、超越工具的常识、以及敢于推翻AI方案的底气，企业就会遭遇在自动化中加速走向失败的风险。

AI生成认知，员工完成认知。基于领域知识、经验积累和战略理解所形成的人类能力，是AI不可能真正替代的。谁能建立更加高效的“AI—人—组织”协同机制，持续把机器智能转化为组织智能，把数据优势转化为认知优势，并把认知优势进一步转化为战略优势，谁就能够在AI时代建立新的竞争壁垒。