引言
哈喽各位，我们又见面了！ 上篇发出去之后，不少朋友说“每一条都精准踩中了我们公司的现状”?。先简单回顾一下上篇的核心内容：斯坦福数字经济实验室扒了全球 51 个真正跑通的企业 AI 案例，发现那些靠 AI 拿到结果的公司，根本不是赢在模型多牛、技术多强，而是赢在了人和流程上（报告精读「1」：斯坦福研究了 51 个 AI 落地项目，发现赢家和输家的差别从来不是技术）。我们也拆解了报告里 4 个颠覆认知的发现：77% 的坑都是非技术问题、61% 的成功都先经历过失败、最大的阻力来自后台职能部门、AI 越放权效率越高。
今天这篇，我们继续扒剩下的 3 个发现，每一个都能打破你对 AI 的固有认知，也能直接用到咱们的内控和 AI 落地工作里。
「5」45% 的项目最终裁了人，但更多的企业，靠 AI 保住了团队、打开了新增长
现在一提到企业 AI，所有人的第一反应都是：裁员。
不管是媒体报道，还是朋友圈里的各种传言，都在把 AI 和 “降本裁员” 深度绑定，仿佛企业上 AI 的唯一目的，就是把人裁掉省成本。甚至很多一线员工一听到公司要上 AI，第一反应就是 “我会不会被优化”，这也是很多 AI 项目遇到员工阻力的核心原因。
但这份报告里的数字，直接打破了这个 “AI = 裁员” 的魔咒：
在 51 个成功案例里，把裁员作为核心结果的项目，只占 45%，连一半都不到。剩下 55% 的项目，企业拿到了效率提升，却没有裁掉一个人。
这些不裁员的企业，都把 AI 带来的效率红利，用在了三个地方：
避免招聘：原本需要扩招十几个人才能干完的活，现在靠 AI，现有团队就能搞定，不用再招人了，这也是占比最高的选项，达到了 19%； 内部重新部署：把员工从重复、机械的工作里解放出来，调到更需要专业能力、更高价值的岗位上，占比 17%； 加速业务增长：把省出来的人力和时间，全部投入到拓新、产品研发、客户服务里，用效率换增长，而不是换裁员。
报告里有一个是安防公司的 SOC（安全运营中心）案例，我觉得特别值得咱们所有企业学习。这家公司的安全运营团队一共 6 个人，每个月要处理 1500 条安全告警，大部分都是误报，团队天天加班，根本处理不过来，低优先级的告警直接没时间看，风险敞口特别大。他们上了 AI 告警自动分诊系统之后，AI 全自动处理了大部分误报和常规告警，原本需要 6 个人干的活，现在只需要 1.5 个全职岗位就能搞定。
看到这里，你是不是觉得，剩下的 4.5 个人肯定要被裁了？
完全没有。公司把这 4.5 个人解放出来之后，全部安排去做威胁猎捕（threat hunting）、安全架构优化、能力建设这些之前根本没时间做的高价值工作。不仅没有裁员，反而把团队的能力提升了好几个档次，公司的整体安全水位也上了一个大台阶。
还有一个是教育科技公司的案例，工程团队用 AI 把开发效率提升了 20%-30%，CEO 和 COO 本来想借着这个机会缩减团队规模，最后 CTO 说服了管理层，把省出来的时间全部投入到产品 roadmap 里，用更快的产品迭代换来了更多的客户和营收，团队一个人都没裁，反而越做越大。
当然，报告里也客观地提到，确实有 45% 的项目，最终以裁员收尾，尤其是 PE 控股的、以成本控制为核心目标的企业，更倾向于用 AI 直接降本裁员。但这份报告最核心的结论是：
AI 从来不会自动导致裁员，技术是中立的，是企业的战略选择，决定了 AI 带来的效率红利，是变成裁员的砍刀，还是增长的引擎。
内控进化论点评: 咱们在做 AI 项目的内控和风险评估时，别只盯着 “效率提升了多少、成本降了多少”，一定要多问两个问题： 这个项目带来的效率红利，公司打算怎么用？是裁员，还是重新部署、投入增长？ 对于受影响的员工，公司有没有明确的转岗、培训、职业发展方案？
要知道，AI 项目最大的隐性风险，从来不是技术漏洞，而是员工的抵触、人心的涣散。如果一个 AI 项目，只盯着裁人省成本，哪怕短期拿到了财务收益，长期来看，一定会让全公司对 AI 产生抵触，后续所有的数字化转型，都会举步维艰。 咱们内控人，要做的不仅是控住财务风险，更要帮企业看到这种长期的、隐性的组织风险。
「6」模型选得再好，不如流程理得清楚，42% 的场景里，用什么模型根本不重要
现在企业做 AI 项目，最容易陷入的内卷，就是 “选模型”。
厂商的 PPT 里，全是 “我们的模型参数多大、推理速度多快、准确率多高”；企业的项目方案里，一半的篇幅都在讲 “我们选了哪个大模型、做了多少微调”；甚至很多公司，还在为 “用开源还是闭源、用 GPT 还是 Claude、要不要做私有化部署” 吵得不可开交。 仿佛只要选对了模型，AI 项目就成功了一大半。
但斯坦福的这份报告，直接给这种内卷泼了一盆冷水：在 42% 的企业 AI 落地场景里，用什么基础模型，完全是可互换的，也就是大家说的 “商品级”。
换句话说，你用 Claude能做成的事，用 GPT 、Gemini、甚至开源的模型，一样能做成。 那真正决定项目成败的、真正能形成企业长期竞争力的，到底是什么？ 报告里说得特别清楚：企业的持久优势，在编排层（orchestration layer），而不是基础模型里。 什么是编排层？说白了，就是你的业务流程设计、数据架构、多模型路由规则、人机协同机制，也就是我们上篇反复说的 “人和流程”。
报告里有个科技公司的客服 AI 项目，就是最好的例子。他们没有死磕某一个模型，而是做了一个 “多 LLM 网关”：每一个用户的问题进来，系统会自动根据问题的复杂度、成本、延迟、准确率要求，自动路由到最合适的模型。 简单的分类、查询问题，用便宜、速度快的小模型；复杂的、需要深度推理的问题，用能力强的大模型；需要高隐私性的问题，用本地部署的开源模型。最后他们实现了 82% 的工单自助解决率，客服人效提升 40% 以上。而他们的核心竞争力，根本不是用了哪个模型，而是这套灵活的路由架构、清晰的流程设计，还有背后整理得明明白白的客服知识库。
报告里发现，模型的重要性，完全取决于任务的复杂度：
对于常规、重复、规则清晰的任务，71% 的企业都认为模型是完全可互换的，没有一家企业觉得模型是核心差异点； 只有对于需要多步推理、深度专业知识、复杂决策的高级任务，模型的能力才会成为关键瓶颈，35% 的企业会把模型当成核心差异化因素。
内控进化论点评: 以后再评审 AI 项目，别再被厂商的 “模型参数”“技术先进性” 忽悠了，直接问三个核心问题：
1）这个项目的核心业务流程是什么？你们是怎么围绕 AI 重新设计流程的？
2）你们的核心壁垒，是模型本身，还是你们的流程、数据、编排架构？
3）如果换一个基础模型，这个项目就跑不通了吗？
如果一个项目，所有的优势都只建立在 “用了最新的大模型” 上，那这个项目基本没有长期价值，因为模型永远在更新，今天的最新模型，明天就会被淘汰。
只有把流程理清楚、把数据资产沉淀下来、把编排架构搭起来，才能形成企业自己的、别人抄不走的竞争力。而这些，恰恰是咱们内控人最擅长的事。
「7」所有人都在说 “数据要干净才能用 AI”，但 LLM 最擅长的，就是把烂数据变成宝
做过企业数字化项目的朋友，肯定都听过一句话：“数据是 AI 的石油，脏数据喂不出好 AI（算法/模型）。”
所以很多企业，一上来就要做 “数据治理”，要把全公司的数据都洗干净、标准化、集中化，觉得只有把数据治理完美了，才能上 AI 项目。结果就是，数据治理做了一两年，钱花了几百万，AI 项目连影子都没见到。 还有很多企业，看着自己分散在各个系统里、格式乱七八糟、缺东少西的 “脏数据”，直接摆烂：“我们数据质量太差了，根本做不了 AI。”
但这份报告里的发现，彻底颠覆了这个传统认知：
在 51 个成功案例里，只有 6% 的项目，数据是完全准备好、足够干净的。剩下 94% 的项目，都面临着不同程度的数据质量问题，而 LLM 本身，就是解决这些数据问题的核心工具。
报告里有一句特别经典的话：“LLM 不仅是数据的消费者，更是数据问题的解决者。”
以前，我们想从非结构化的发票、合同、录音、手写单据里提取数据，需要先做大量的标准化、清洗、标注工作，成本极高，周期极长。但现在，LLM 可以直接读懂这些乱七八糟的非结构化数据，自动完成提取、清洗、结构化、匹配，甚至还能翻译、补全缺失的信息。
报告里有一个建筑公司的采购 AI 项目，就是最典型的例子。这家公司的采购需求，来自一线技术员的手写表单、邮件、Excel 表格，格式五花八门，数据质量极差；另一边的供应商零件目录，也是乱七八糟，没有统一的标准。
按照传统思路，这项目根本没法做，得先花半年时间做数据标准化、流程治理。但他们用 LLM 做了一个四步流水线：
用 Python+OCR 提取非结构化单据里的信息； 用生成式 AI 做数据清洗，去除乱码、补全信息； 用模糊匹配，把需求和供应商目录对应起来； 只把异常情况交给人工复核。
最后这个项目，不仅顺利上线了，还在 3-5 年内预计带来 10 倍的 ROI。
还有一个半导体公司的案例，他们的产品数据、技术文档、测试日志，分散在五六个不同的系统里，分属不同的部门，根本没有集中化的数据仓库。但他们没有先做数据集中，而是做了一个多智能体框架，让 AI 自动去各个系统里调取需要的数据，整合分析，最后给出结果。直接把客户问题的数据处理时间，从 40 多个小时，压缩到了 1 个小时以内。
报告里还特别强调了一个反常识的结论：企业的核心竞争壁垒，从来不是 “干净的数据”，而是 “你拥有的数据本身”。现在所有的大模型，都把全网的公开数据学了个遍，你能拿到的公开数据，竞争对手也能拿到。但你公司里十几年攒下来的业务数据、客户数据、流程数据、内部文档，是独一份的，是别人永远拿不到的。
不是说干净的数据不重要，而是哪怕这些数据是乱的、脏的、分散的，只要你存下来了，现在的 LLM 就能帮你把里面的价值挖出来。所以报告里给所有企业的建议是：先把所有数据都存下来，别管它脏不脏。存储数据的成本，和未来它能带来的价值比起来，几乎可以忽略不计。
内控进化论点评: 以后再面对 AI 项目的数据风险，别再一刀切地要求 “数据必须 100% 干净才能上线”，而是要换个思路：
1）别让完美的数据治理，成为 AI 落地的敌人。先让 AI 进场，在应用的过程中，逐步完成数据治理，而不是等治理完了再做项目；
2）内控的重点，要从 “数据够不够干净”，变成 “数据权限有没有控住、数据安全有没有保障、数据处理流程有没有留痕、可审计”；
3）推动企业建立 “全量数据留存” 的制度，别让一线员工随意删除业务数据、文档、日志，这些都是企业未来最核心的资产。
✨ 最后：分享 3 个行动倡导
把这 7 条认知发现全部扒完，你会发现，这份报告里讲的所有成功逻辑，都和咱们内控人的核心能力完美契合。 大家总说，AI 来了，内控人会不会被淘汰？但看完这份报告你就会发现，AI 时代，企业最缺的，恰恰是既懂业务流程、又懂风险管控、还能理解 AI 底层逻辑的内控人。 最后，结合这份报告，给所有同行分享 3 个行动倡导：
1. 别再做 AI 的 “拦路人”，去做 AI 项目的 “第一发起人”
很多内控人觉得，AI 是业务部门、技术部门的事，我们只需要做好风险管控就行。但这份报告告诉我们，AI 项目成败的核心，从来不是技术，而是流程、变革管理、风险控制、权责划分 —— 这些全都是咱们内控人的看家本领。 与其等业务部门把项目做了一半，出了问题再来找你擦屁股，不如从一开始就主动进场，做 AI 项目的发起人、主导者，把内控的逻辑，嵌到项目的每一个环节里。
2. 放弃 “零风险” 的执念，搭建 “可控试错” 的 AI 内控体系
在 AI 这个完全没有标准答案的领域，零风险就等于零机会。咱们内控的核心目标，从来不是让企业不犯错，而是让企业在可控的风险里，快速试错、快速迭代、找到正确的路。 别再用传统的、针对确定性流程的内控方法，去管 AI 项目。去搭建一套分级的、基于风险的、弹性的内控体系：高风险场景强管控，低风险场景放开试错，用事中监控、事后复盘，替代事前的全流程审批。
3. 别再只盯着 “降本”，去关注 AI 带来的 “新增风险” 和 “新增价值”
现在很多企业做 AI，只盯着 “降本裁员”，但这份报告告诉我们，真正能让企业长期受益的，从来不是短期的成本下降，而是 AI 带来的新增增长、新增能力，还有那些看不见的新增风险。 咱们内控人，要跳出 “成本管控” 的窄框架，去关注更核心的问题：AI 带来了哪些新的风险敞口？比如影子 AI、幻觉、漂移、数据安全、算法偏见、合规风险（之前结合COSO指引讨论过，感兴趣的可以看COSO GenAI 指引系列（二）上篇——AI引入的新风险地图 "Know Your Enemy"）；AI 带来的效率红利，怎么用才能给企业带来长期的增长，而不是短期的财务数字好看。
好了，这份斯坦福的AI playbook，到这里就全部分享完了。 从 COSO 指引的合规解读，到这份报告的落地拆解，其实我们一直在聊一件事：在 AI 这个全新的时代，没有标准答案，只有不断地尝试、讨论、再尝试。理越辩越明，路越走越清。
老规矩，关注本公众号，后台回复 「斯坦福AI」，就能直接领取这份《企业 AI 落地手册》完整高清 PDF 版。
最后，想跟大家做个小互动：你在企业里，见过最成功的 AI 项目是什么样的？踩过最坑的 AI 项目，又死在了哪里？欢迎在评论区留言，我们一起讨论，一起避坑。
我们下一期「AI 报告分享」再见～
AI报告系列：
