AI先锋的崛起：中国传统企业AI转型的组织新逻辑

中国传统企业AI转型的真正主角，不是大模型，不是供应商，而是一群站在结构洞上、痛够了的普通人，以及愿意识别他们、把他们的发现放大为组织能力的管理者。

文 | 李宁 赵若男 周怀康

2024年底，吴晓波年终秀舞台上，灯光打在一个“90后”年轻人身上。他叫望崽（本名吕望），是四川内江一家曲轴厂的车间会计。他开场说了一句话：“清华690分，我差一点，我69分。”全场笑了。笑声过后，他开始讲述一个中国制造业最应该聆听的故事——他如何借助一款协同软件里自带的AI能力，搭建30余个智能工作流，帮工厂把废品率降低了0.15个百分点、综合成本再降6%，一年省下超百万元。他没有上过任何IT课程，没有技术背景，没有立项预算，只是“痛到要解决问题”。

望崽不是孤例。过去一年里，我们带着同样的好奇心走进地域、行业、规模完全不同的几家中国企业：金鸿曲轴，地处四川内江的一家有68年历史的曲轴工厂；鹏飞集团，山西吕梁一家拥有多个煤矿、近3万员工的民营能化集团；极兔速递福建代理区，一个由200余家加盟商、2万余人组成的物流代理区；极兔速递总部，一支只有16人的营销团队却支撑起全集团品牌内容产出。这些企业都不是“数字原生”明星公司，都属于传统行业，都没有围绕AI设计的组织结构；但在过去12个月里，它们以截然不同的方式，把一场由AI触发的变革从一线的角落烧向了组织的中心。

我们很容易把望崽的故事讲成一个个人奋斗的励志版本，但对望崽、尚炀舰、范磊、陈学清、刘青青等二十余位关键人物的深度访谈，让我们看到了一个比“英雄叙事”更值得关注的事实：生成式AI正在同时重绘组织的权力地形与信息地形。“望崽们”不是新一代的“天才员工”，他们是第三轮数字化断点中，被组织结构洞点亮的普通人。这些员工基于自身深刻的业务洞察，借助AI工具实现了跨领域的知识学习，站在一线让AI赋能组织真正落地。他们是组织中的AI先锋，是企业认可的AI人才。

本文尝试回答三个问题。第一，这一轮由AI驱动的变革，为什么恰恰是从车间、从一线、从传统产业开始的？第二，“AI先锋”到底是谁，他们是如何炼成的，其集中涌现为何发生于当下？第三，从一个望崽到一个组织的系统性升级，中国企业究竟能走通哪条路？回答这些问题，不是要给管理者一份操作手册，而是要指出一条被广泛误读的管理路径。

当AI降格为“水电”：变革为何从最意想不到的地方开始

要理解“望崽们”的出现，需要把镜头拉远，先回顾过去二十多年中国企业的数字化发展历程。我们粗略地将其划分为三次浪潮，可以称之为“组织操作系统的三次重启”。

第一次重启是2000年前后的ERP时代。“上系统”意味着企业按软件的流程调整自己的运作，供应商是专家，员工是被流程约束的操作员。金鸿曲轴信息化负责人李国文一句话就勾勒出那个年代的基本语法：“第一轮，你买系统被系统用。”第二次重启是21世纪10年代中后期的移动协同时代。飞书等让组织从“部门孤岛”走向“人人连接”，但在工作层面上，员工仍然需要在几十个应用之间跳转、粘贴。“第二轮，是你用软件和软件搏斗。”李国文说。第三次重启从2024年开始。李国文同样用一句话进行了概括：“第三轮，是你告诉AI你的痛，AI帮你解决。”这一轮的分水岭不是模型能力的提升，而是使用门槛的坍塌。过去的智能化需要数据中台、算法工程师与长达半年的立项流程；今天，一位车间工人在飞书多维表格里拖拽字段，用自然语言与AI交流，就能搭建出一个智能体来替他完成报表工作。当AI从“高端工具”降格为“水电一样的基础设施”，稀缺的不再是技术，而是能被技术点亮的人。

这种“降格”带来的第一个效应，是变革的触发点从IT部门漂移到了一线岗位。我们基于案例企业实践归纳出的四种典型路径，构成了一个连续光谱（见图1）。最左端是金鸿曲轴式的“纯草根驱动”：望崽做出第一个智能体时，公司IT部门尚不知情；总经理得知后的反应是“给他最大的容错空间”。向右一步是鹏飞集团的“兴趣萌芽+中层制度化”：仪表检修工尚炀舰自费在家搭建实验环境做AI气体监测；副总裁郑梓豪作为高层管理者，自上而下推动飞书上线、SAP转型与AI创新机制，为组织中层将业务中涌现出的AI使用实践变成制度化流程建立了基础；尚炀舰等人在一线把场景做深，集团通过“创新工作室”与季度大赛将之放大为组织行为。再向右是极兔速递福建代理区的“自上而下识别痛点”。新任副总经理范磊通过财务提效、品牌扩声，把AI嵌入区域运营的操作系统。最右端是极兔速递总部的“AI原生组织”：16人品牌团队把“熟练使用AI”写进招聘岗位介绍，把“AI使用深度”纳入绩效考核中，从第一天就以AI为中心重构分工。

有趣的是，这四种路径都不是“最优解”，真正可持续的AI变革位于光谱的中段。草根模式脆弱，望崽一旦离开，金鸿的三十余个智能体无人维护；自上而下模式僵硬，脱离一线痛点的AI项目会很快沦为新一轮“面子工程”。中段模式（带兴趣萌芽的自上而下、被制度接住的自下而上）反而最有弹性，因为它同时具备“痛点敏感度”与“制度化承接力”。这一反直觉的发现，构成了我们理解中国企业AI转型的核心坐标。沿着这个坐标再看数据，才能真正感受到冲击。

在金鸿曲轴的会计办公室里，过去耗时3天以上的月度成本分析，现在仅需半小时就能出结果，全年累计节约工时近1000小时。在极兔速递总部的创意工位上，一条原本需要两到三天手绘打磨的分镜脚本，被AI压缩到350秒，效率跃升72倍；每天5万次工服合规巡查原本需要100人完成，现在一位员工带着一个AI智能体就能做到每天抽查13万次，量级提升260倍以上。在极兔速递福建代理区的加盟商后台，原本需要6小时才能完成的运营数据分析被压缩到5分钟。在鹏飞集团的化工装置现场，应急响应时间从30分钟压缩到3分钟；设备点检从4小时压缩到1分钟。仅AI监测一项，就累计节省近470万元成本（见表1）。

这些不是简单的“效率改善”，而是组织时间尺度的重写——当决策周期从月度压缩到实时，企业之间的竞争就不再是效率之争，而是信息速度之争。还在用周报、月报做决策的企业，其竞争对手或许已经切换到完全不同的时间尺度了。我们访谈过的一家头部快消企业的首席信息官认为，这种时间尺度差几乎是一条不可逆的分水岭：过去几次数字化浪潮，先行者领先半年；这一轮AI民主化之后，领先者的速度可能十倍于跟随者。但这一切的前提是：组织里必须有一个“望崽”。

AI先锋：结构洞上痛够了的普通人

AI先锋，不是泛指会用AI的人，而是那些在业务一线把AI变成先进生产力的人。他们敢于在工作中用AI创造真实价值，是带动业务、组织或他人进步的人才。AI先锋的涌现，是由结构位置、痛点密度、内驱力和工具可及性四个变量共同决定的。

把镜头拉回望崽。他深夜在车间办公室翻查报表——不是加班，是“找自己的痛”。他当过车间班组长，做过成本会计，每天看同事把“滤芯”写成“圆筒筒”，把设备编号写成同事的绰号；月底对账，他要花两天把这些“车间方言”翻译成系统可识别的规范表达。他用0.5倍速看飞书新功能的教程，把每一个功能按钮挨个试了一遍。花了两个下午，他创建了第一个AI智能体“异常日报自动汇总”。班长王小波的一句话道破了“结构位置”的价值：“好多东西其实上面还是不知道，都是一层一层地反映上去。”望崽用更有力量的一句话总结了这种变化：“以前一线员工的心声或者需求很难被发现；现在不一样了——一线的炮火能被听见了。”

再看鹏飞集团的尚炀舰。他是一名最基层的仪表检修工，由他负责的化工装置规定每24小时人工巡检一次。在工作中，他发现系统频繁闪过一个氢气浓度异常的报警，但只停留几秒钟就消失了。“24小时巡检一次的场景下，这种秒级异常会被漏掉。” 于是，他自掏腰包在家搭建实验环境，最终整合了2111个监测点，覆盖全厂15000个点位的14%。这不是因为他最“懂AI”，而是因为他长期处在气体数据流与人工巡检流的交汇点，知道哪里的数据会“掉”。极兔速递总部的编导刘青青也处在一个交汇点——短视频内容与物流业务数据的交汇口。2023年，刘青青在青海藏区拍摄时第一次尝试用AI工具生成分镜；三年之后，他成长为面向全球13个国家的AI培训讲师。他所在团队的品牌负责人陈学清，是那个把他的个人尝试升格为组织能力的关键人物。

这些人的成功不是依靠智商或某种技能，而是结构洞（structural hole）。组织社会学家罗纳德·伯特（Ronald Burt）用这个概念描述“连接不同信息群体的中间位置”。伯特的原始洞察是：占据结构洞的人，在信息流动中拥有独特的套利空间。生成式AI把结构洞的价值放大了十倍——过去，结构洞上的人只能做信息搬运工；今天，他们可以用AI将搬运工作自动化，同时把多源数据合成组织决策所需的洞察。望崽之所以是望崽，不是因为他最聪明，而是因为他处在车间语言与财务语言的交汇点上。同样地，尚炀舰处在仪表数据与生产流程的交汇点上，而刘青青则是在创意叙事与运营数据的交汇点上。结构洞在哪里，AI先锋就可能在哪里涌现。

除了都处在某个交汇点上，AI先锋还具有另外三个特征。第一，痛点密度足够高——都是“被数据折磨过”的岗位，是每天要把同一件事重复几十遍的人。第二，内驱力远超绩效导向。望崽反复说“做自己喜欢做的事”，尚炀舰说“归根结底还是在于自己喜欢”。第三，工具门槛恰好在他们能跨越的范围内。飞书“多维表格+AI智能体”的组合，让一个不会写代码的会计也能搭出一个自动化流程。这三要素叠加上结构洞的位置，构成了“AI先锋”的完整公式：

AI先锋≈结构洞位置×痛点密度×内驱力×工具可及性

这个公式能够解释一个宏观的问题：中国传统产业的AI转型机会与硅谷完全不同。硅谷的叙事是“工程师+创业公司+风险投资”，中国制造业的叙事是“车间里的会计+一线的检修工+一款为AI而生的工作平台”；前者是“从顶层重建组织”，后者是“从结构洞放大组织”。这并不意味着中国模式更优，而是意味着，中国企业如果继续用“找CIO、立项目、上系统”的旧剧本来应对新变革，极有可能错过真正的窗口。

从“人找事”到“事找人”：组织如何被重写

管理者最重要的能力，不是“设计变革”，而是识别正在发生的变革并将之放大。我们从四个案例中提炼出了一个可复现的机制模型——“触发—放大—锁定”三环机制（见图2）。

“触发”发生在结构洞上，它的形态总是“一个人被某件小事折磨够了”。极兔速递福建代理区副总经理范磊上任时面对的小事并不小。2025年1月，他刚刚跨行业入职极兔。他发现客服团队每月的主要工时不是答复客户，而是手工填写满意度表格。他由此意识到，如果不能把这类“低价值重复劳动”从所有环节里去掉，再多的慰问和补贴都没用。这是典型的“结构洞嗅觉”——从一线具体摩擦点，嗅到系统性浪费。

“放大”是把一个人的发现变成一群人的能力。范磊的放大逻辑值得被完整记录。他没有开大会，而是把AI能力按信任阶梯依次下放：先用于客服满意度回填（低风险、高收益、立竿见影）；再扩展到财务月报（中风险、中收益），给加盟商算清楚每一笔账、每一条线路的真实盈亏；最后延伸到品牌短视频与市场推广（高风险、可重做）。每一步他只设一个KPI：“30天内做出一个让所有人看得见的胜利。”结果是一位原本准备退网的加盟商，在半年内投资近8000万元建设专属工业园——从“要走”变成了“要投入”。这种反转并非因为补贴，而是加盟商在这个新体系里赚到了以前没赚过的钱。极兔速递福建代理区的项目负责人庄伟建把这种放大机制总结为“60%理论”：一件事能不能做成，60%取决于找到什么样的人。“对的人”不是“技术最强的人”，而是“痛得最厉害且好奇心最旺盛的人”——再一次回到结构洞。

“锁定”是让回退成本高到不可承受。极兔速递总部一个只有16人的品牌团队，把这一步做到了极致。他们把“熟练使用AI”纳入新员工入职岗位说明，将“AI使用深度”纳入绩效考核中，把最重要的30个工作流嵌入飞书多维表格与智能体组合。用负责人陈学清的话说：“让他回到纸质档去，他都可能不知道纸在哪里了。”锁定不是技术封装，而是组织习惯的再编码。一旦新的工作方式成为“水和空气”，想回到过去反而变得昂贵。值得强调的是，陈学清还刻意为团队保留20%—30%的“容错资源”：“没有容错空间的组织，不配拥有AI先锋”。锁定与容错不是矛盾对立的，而是孪生关系：制度化保障下限，容错空间供给上限。

三环机制并非我们原创，它本质上是戴维·蒂斯（David J. Teece）所提动态能力（dynamic capabilities）在AI民主化时代的一个具体化版本：触发对应感知，放大对应抓取，锁定对应重构。差异在于，经典动态能力理论假设感知来自高管对外部环境的扫视，而AI时代的感知常常来自一线员工对内部流程的痛感。这是一次“动态能力的下沉”——从董事会下沉到车间。

在鹏飞集团副总裁郑梓豪的引导下，鹏飞实现了动态能力的下沉。集团内部采用战略端定方向，一线端提痛点的方式，形成上下同频的感知机制。金鸿曲轴信息化负责人李国文用一个更形象的比喻来描述这种下沉后的组织架构。他把传统的ERP、MES系统称为组织的“动脉”——承担结构化、强合规、关键业务的主干数据流；把“飞书多维表格+AI智能体”组合称为组织的“毛细血管”——承担非结构化、高弹性、一线自生成的长尾流程。“动脉”保证不出错，“毛细血管”保证不僵化。这俨然是管理学经典理论的现实呈现——一个同时兼顾开发与探索的双元架构。过去，双元性常被视为大型企业的奢侈品，AI民主化让中型乃至小型传统企业第一次具备组建“双元架构”的现实能力（见图3）。

值得强调的是，以上三环与科特（John Kotter）的经典八步变革模型并不兼容。科特模型假设变革是自上而下、序列规划、由危机意识驱动的；在金鸿、鹏飞、极兔这样的案例里，变革是涌现的——先有一个人在结构洞上做出一件事，再有中层识别、高层容错、制度化。李国文的总结“过去是人找事，现在是事找人”听上去像口号，但它描述的是管理模式的根本转变——从任务分派式管理过渡到痛点涌现式管理。“涌现”并不意味着“放手”，三环的每一环都有精细的条件，也存在可能导致失败的悖论。

三重悖论：AI先锋模式的终局与管理者的选择

“AI先锋驱动变革”的叙事之所以动人，是因为它兑现了互联网时代以来“赋能个体”叙事的承诺。但深入一线，我们看到的是更复杂的现实——一个被三重悖论夹击的中间地带。我们不能只庆祝光明面，更要把黑暗处也照出来。

第一重悖论是可规模化的悖论。望崽让一家68年历史的曲轴厂一年省下百万元，但金鸿曲轴全厂只涌现出一个望崽；鹏飞集团近三万名员工中也只出了一个尚炀舰。全国有超过600万家制造业企业，600万家工厂，去哪里找600万个“望崽”？这是所有“个体驱动”变革的阿喀琉斯之踵。结构洞、痛点密度、内驱力、工具可及性四个要素同时满足是一个低概率事件。更严峻的是，当飞书等软件搭载AI工具以“普惠”定位进入市场后，同样的工具、同样的员工、同样的痛点，不同企业的落地效果却千差万别。陈学清的判断一针见血：“工具人人可用，但用好的永远是少数。”AI民主化并没有消灭数字鸿沟，它把鸿沟从“有没有工具”变成了“有没有被点亮的人”——后者比前者更难解决。

第二重悖论是效率与创造力的张力。生成式AI在效率维度上的贡献毋庸置疑，但陈学清从另一个方向泼了一盆冷水：“AI给你的永远是合理的方案，但品牌有时候需要的恰恰是不合理却令人难忘的方案。”这不是审美问题，而是战略问题。管理学家马奇（James G. March）提出的“探索—利用”（exploration-exploitation）框架提醒我们，AI天然擅长“利用”——在既有路径上把执行效率推到极致，而“探索”——偏离既有路径去寻找新的可能，恰恰需要“不合理”。如果一家企业把所有决策都交给AI去优化，它会变得极其高效，也极易陷入能力陷阱：被自己的局部最优锁死在一条渐进衰退的产业曲线上。这对正处在产业升级十字路口的中国传统企业尤其致命，因为它们需要的不是更快地做“老的事”，而是更好地做“新的事”。极兔速递总部编导刘青青也坦言：“依赖它，创造力会减弱、思考能力会减弱、判断力也会减弱。”当AI开始承担越来越多的认知性劳动，能否守住那些依靠人脑深度思索、允许反复试错和存在非理性跃迁的“不效率”环节，将决定一家企业未来五年是走向平庸还是走向独特。

第三重悖论是晋升阶梯断裂与隐性劳动成本。鹏飞集团人力共享服务部部长张鹏半开玩笑半认真地说：“未来只有高层和基层。”AI承担了信息汇总、报告整理、计划拆解等原本由中层负责的工作，从效率上看，这是好事，但对于组织而言，这无异于一场静默的地震——如果中层消失了，晋升通道通往哪里？一个普通员工往上看，能看见什么？与之伴随的是另一个被广泛忽视的事实：AI先锋的绝大多数创新是自己完成的。尚炀舰的设备是自费买的，实验环境是在家搭建的；望崽的AI创新一年为工厂节省超百万，但他的月薪只增加了约2000元。如果回报不能与价值创造匹配，结果不是“停止创新”，而是“望崽们”带着能力离开。中国企业过去二十年建立的“科层制晋升”机制，其底层逻辑是中层作为信息加工节点创造了独立价值。当这个节点被AI替代，整个晋升激励体系必须重新设计。管理者如果只看到效率收益而忽略这一结构性问题，下一波人才流失会来得又快又猛。

这三重悖论并非否定AI先锋的价值，相反，它指向一个更深刻的判断：AI先锋不是一个可以被“推广”的模式，而是一个需要被制度化承接的现象。从动态能力的视角看，感知与抓取是AI先锋提供的，而重构——让整个组织系统把新能力吸收、沉淀、放大，是管理者不可推卸的责任。

具体而言，管理者需要做三件事。第一，主动构造结构洞地图。用半年的时间系统识别出组织内“数据交汇×痛点密度高”的岗位，把人放到那里，并给予他们跨部门查询权限、20%的自主探索时间以及明确的试错边界。不要期待这样的人自己出现，因为等到他们出现再决定是否支持，大部分人已经被内部摩擦劝退。第二，确立30天看得见胜利的节奏。把大变革拆成“小赌注”，每30天闭环一个具体的痛点，用一次次具体的小胜利逐步重建一线员工对AI和管理层的双重心理信任。第三，制造不可逆性。通过招聘标准、绩效权重、工具默认值和流程再编码，把新能力写进组织DNA，而不是依赖单个人的自愿奉献。给予核心贡献者匹配性回报，让他们“留下推动更大变革”而非“带着能力离开”。

中国传统产业的机会，不是复制硅谷的顶层重建，也不是依赖底层的自发涌现，而是一种独特的中段路径——在结构洞上识别AI先锋，用制度化机制把他们的涌现锁定为组织能力，用容错空间为他们保留持续探索的上限。

回到聚光灯下

吴晓波年终秀之后，望崽回到了四川内江的车间。我们在一个冬日的下午走进他工作的办公室，看到的是一个挂满报表与流程图的白板、一台装着飞书客户端的旧电脑，以及他正在调试的第31个智能体原型。望崽被任命为公司AI提效小组组长，年度嘉奖20%以上。在他所在的车间里，废品率还在继续下降，30个工作流还在运行，每一天都有新同事开始学着搭建自己的第一个“望崽式表格”。

与此同时，几百公里外极兔速递总部的刘青青正在给来自13个国家的同事做AI培训，山西吕梁的尚炀舰正在给自己搭建的第2112个监测点调参数，极兔速递福建代理区的范磊正在和庄伟建一起拆解下一个加盟商的运营痛点。这些散布在不同公司、不同行业、不同城市且互不相识的人，揭示了一个被忽略的现象：中国传统企业AI转型的真正主角，不是大模型，不是供应商，而是一群站在结构洞上、痛够了的普通人，以及愿意识别他们、把他们的发现放大为组织能力的管理者。

这一轮AI变革的真正主体不是企业，而是个体与组织之间的关系。望崽那句最朴素的话，也许已经点出了本质：“不是公司在智能化转型，我也在智能化转型。”因此，留给每一位管理者的问题，不是“要不要投AI”，也不是“选哪个模型”，而是你的组织里，有没有一个还没被发现的“望崽”？要回答这个问题，管理者需要明确三条基本原则：不是自上而下的推动，而是在一线结构洞上的识别；不是追求规模化的复制，而是制造一次次不可逆的锁定；不是把AI当成工具，而是让工具反过来改写组织的语言、决策与习惯。

李宁：清华大学经济管理学院 讲席教授

赵若男：清华大学经济管理学院博士后/助理研究员

周怀康：清华大学经济管理学院博士后/助理研究员

责任编辑：朱晶

来源：《清华管理评论》2026年6月刊