· 新加坡 AI 觀察 · 觀察 · 6 min read
幾個關於 AI 的問答
在 NUS 新全球企業家新加坡論壇的一場圓桌上，主持人丟擲四個關於企業 AI 的問題：如何選模型、下一代公司的核心競爭力是什麼、CEO 的能力將如何變化、什麼才是真正的 AI Native Company。這裡是我的回答——一個原則兩個例外，押注 Data，CEO 要親自對 AI 有體感，以及圍繞資料組織的 AI 原生公司。
昨天參加 NUS 新全球企業家新加坡論壇，在第三場圓桌對話裡，主持人問了幾個問題，把我的想法記錄一下。
Q1：企業如何選擇模型？開源還是閉源？通用還是行業模型？
企業應該基於哪些原則做選擇？
一個原則，兩個例外。
原則是：預設用最聰明的模型。用最聰明的模型設計規則、生成樣本、抽檢產出……聰明模型當主管，小模型當流水線工人。
- 例外 1：資料不能出門（合規、安全）→ 自部署開源。 例子：財務資料不接大模型，買幾張卡放在財務辦公室，跑合適的開源模型。
- 例外 2：單位經濟算不過來（海量、重複、簡單）→ 小模型。 例子：內容分類打標籤，每天大量處理，用小模型價效比才算得過來。
此外，不繫結任何模型，自建路由層。
Q2：當模型能力逐漸趨同，下一代公司的核心競爭力是什麼？
如果只能選一個，你會選哪個：Data（資料）、Workflow（工作流）、Ecosystem（生態）、Brand & Trust（品牌與信任）、Distribution（渠道）、Judgement（創始團隊判斷力）？
我選 Data。但我說的 Data 可能和很多人說的不一樣。
公開資料模型都學完了，靜態資料集構不成壁壘。大多數公司並不具備“獨有資料集”的護城河。我選 Data 的原因是：大多數公司內的資料可能還停留在“尚未電子化”階段，或者是“已經電子化，但是是給人看的”階段，其實還沒辦法讓 AI 接入業務與工作流。那當然得先從資料開始。
從資料開始還有一層含義：僅僅是“資料給 AI 看”還不夠，需要帶著許可權，需要在 A2A——AI Agent 相互對話的時候，不會洩露敏感資訊。資料工作做好，才能安全地把企業上下文交給 AI。
人類組織靠架構管許可權，每人只看到自己那塊。一個擁有全公司上下文的 agent 是安全噩夢，一次 prompt injection 就會是全量洩漏。
Q3：AI 時代，CEO 最重要的能力將發生什麼變化？
CEO 不能僅僅授權，還得真的自己對 AI 的能力有體感。授權適用於穩定的技術，AI 能力邊界每個月在變，授權的反饋迴路太慢。
有體感最簡單直接的方式就是：買一個 200 美金最聰明模型的賬號，用它解決儘可能多的業務問題，每個月都把這個賬號的額度用光。
AI 是歷史上對 CEO 最友好的一次技術革命。AI 的介面/介面是自然語言，CEO 們提問與驗收的判斷力可以充分發揮。
FDE 這個詞最近很流行，有個接地氣的翻譯叫“AI 落地官”。我對外部諮詢顧問式的 FDE 並不看好，但我認為 CEO 可以是企業真正的 AI 落地官：懂業務，有判斷力，有全域性資訊，能調配資源。
Q4：什麼是真正的 AI Native Company？未來企業應該按照什麼來組織？
先看上下文（context）的演化史——從這個角度看，我認為是圍繞資料組織的。
- Chatbot 時期，上下文靠人手動貼；
- Claude Code / Cowork 時期，上下文是檔案系統；
- 企業時代的上下文，需要跨人、跨部門、帶許可權——今天還沒有最佳實踐。
先不談大道理，先讓更多業務和 AI 發生關係。AI 不是某個人、某個部門的事，是所有人的事。
落地的關鍵是讓業務有增量，不是降本。目前看到很多公司以 AI 為藉口裁員，那不對。提效的正確指標不是省了多少人，而是同樣的人做了多少以前不敢做的事，讓業務、利潤有了多大增量。
所以，判斷一家公司是不是 AI Native：
- 看資料在哪裡——在人腦子裡，還是分散在各個業務系統裡，還是在 Agent 可讀的地方；
- 看人和 Agent 的分工介面；
- 看 AI 在業務增量裡佔多大比重。