- MIT斯隆管理评论的判断：AI的地基（技术、产业、制度三层架构）远未完工——但地基没打完，不等于不能开工，关键是知道哪些能盖、哪些别盖。
- 中国企业面对的地基和欧美不一样：国产开源模型把试错成本打到地板价，平台巨头内置功能的速度更快，数据合规红线更明确。
- 四个务实打法：小步快跑做实验、把老师傅的纠错留下来、别把家底锁进一家厂商、只投模型够不着的东西。
要点一中MIT原文判断为申是的提炼转述，原文版权归 MIT Sloan Management Review 所有；其余内容为申是原创分析。
一、先回答老板们最关心的问题：现在动手，会不会白花钱？
这两年我们听到最多的顾虑是："AI变得太快，等项目上线，技术又换代了，钱是不是打了水漂？"这个顾虑有一半是对的——如果你把宝押在某个具体模型、某个具体界面上，确实有换代风险。但另一半是错的：等，也是有成本的。你的同行不会等，你的员工已经在用自己的账号偷偷用AI干活，而组织真正稀缺的东西——对本企业业务的理解、积累下来的数据和经验——只有动手干了才能长出来。
MIT斯隆管理评论近期发表的《在AI未完工的地基上建设》一文（作者Kevin Boudreau，东北大学战略与创新教授、NBER研究员）提供了一个有用的参照系：电力1882年就商用了，但全面普及等了将近四十年，因为技术、产业、制度三层架构要逐层稳定。文章据此判断，AI的三层地基同样远未完工——底层模型在收敛，中间的应用集成层还在混战，顶层的制度规则几乎空白。
这个判断我们认同。但原文写给的是欧美企业，直接搬过来会水土不服。中国企业脚下的这块地基，有三个很不一样的本土变量。
二、中国的地基，和欧美不一样
变量一：试错成本被打到了地板价。DeepSeek、通义千问、智谱等国产开源模型的成熟，把"先干起来"的门槛降到了前所未有的低点。一家中型企业用开源模型做内部场景的概念验证，算力加部署的成本往往不到一名应届生的月薪。欧美同行没有这个价格环境——这意味着中国企业的正确姿势不是"想清楚再动手"，而是"花小钱、快速试、不行就换"。
变量二：平台内置的速度更快。钉钉、企业微信、飞书几乎每个季度都在把AI能力做成标配功能。昨天还需要专门采购的工具，明天可能就是协同平台里一个免费按钮。这对选型的含义很直接：凡是平台顺路就会做的事，不要自己重金投入；要投的是平台永远替你做不了的事——你的行业 know-how、你的客户数据、你的业务流程。
变量三：数据合规红线更明确。《个人信息保护法》《数据安全法》和数据出境规定，决定了中国企业处理客户数据、经营数据时必须想清楚"数据放在哪、给谁用、怎么审计"。这不是束缚，反而是机会：合规做得早的企业，数据资产反而沉淀得更扎实——因为合规逼着你在第一天就把数据目录、权限和流程建清楚。
三、地基未完工阶段的四个务实打法
打法一：小步快跑，让学习的速度快过锁定的速度。不要一上来就签三年框架、定终态架构。正确做法是选3-5个高频、高价值、错了也不伤筋动骨的场景——比如合同初审、客服知识库、经营周报生成——用开源模型先跑起来，一个季度复盘一次。更重要的一个动作：趁模型还会犯错，把业务专家的纠正过程记下来——"AI错在哪、老师傅为什么这么改"。这些纠错记录是最值钱的原材料，因为模型越强，这种"错误样本"以后越难收集。
打法二：别把家底锁进一家厂商。技术锁定看得见，商业锁定看不见。Salesforce用自定义计费单位计价、SAP限制外部AI访问其数据，国外企业已经在交学费。国内同样要警惕：当一家SaaS厂商把你的客户数据、业务流程和AI能力打包绑定时，迁移成本就是它明年的涨价空间。签约前问三个问题：数据能不能完整导出？模型能不能换？接口是不是标准协议？三个答案有一个含糊，就别把核心流程放上去。
打法三：只投模型够不着的东西。大模型人人能租，租来的智能不构成任何竞争优势——你的对手点几下鼠标也能有。真正的优势只能长在共享模型够不着的地方：多年积累的行业语料、老师傅脑子里的经验、客户关系、品牌信任、专门打磨过的流程。判断标准很简单：这件事如果竞争对手明天也能做到，它就不是资产，是费用。
打法四：把自己人培养成"AI Builder"。现在很多AI厂商流行派"前置部署工程师"（FDE）进驻客户现场，帮客户把AI落地。这个服务可以用，但要清醒：厂商的工程师迟早会撤，能力和经验必须留在自己人身上。每上一个AI项目，就同步培养一两个既懂业务又玩得转工具的内部骨干。三年后企业之间的差距，不在于谁买的模型贵，而在于谁内部有一批能把业务问题"翻译"成AI方案的人。
地基没打完，楼照样能盖——前提是每盖一层都问自己一句：图纸改了，这层还站得住吗？站得住的，放心盖；站不住的，脚手架先搭着，别浇筑。
这与我们在客户现场看到的完全一致
MIT的"地基未完工"判断，与申是在中国企业一线观察到的高度吻合：工具试点容易，体系沉淀难；员工个人提效容易，组织流程改造难；追逐模型能力容易，回答"模型够不着什么"难。我们在服务中坚持的路径——从3-5个高频高价值场景切入、把知识库与Skill沉淀为企业资产、通过FDE陪跑培养客户内部的AI Builder——本质上就是在地基未完工的阶段，帮企业只建那些扛得住架构变迁的东西。
阅读原文：MIT Sloan Management Review（2026年8月26日）
版权说明：原文《Building on AI's Unfinished Foundation》版权归 MIT Sloan Management Review 及作者 Kevin J. Boudreau 所有。本文为申是团队的独立评论与原创分析，仅在介绍、评论之目的下简要转述了原文的框架性判断（"AI三层地基未完工"），其余内容——包括中国市场变量分析与全部务实建议——均为申是原创，不构成对原文的翻译或转载。如权利方认为本文存在不当引用，请通过 info@senseyes.cn 联系我们，我们将及时处理。
常见问题
现在上 AI 项目，会不会等技术换代就白花钱了？
取决于你押注的是什么。押在某个具体模型或界面上，确实有换代风险；但“等”也有成本——同行不会等，员工已经在用个人账号干活，组织对本企业业务的理解只有动手干才能积累。正确姿势是选3-5个高频、高价值、错了也不伤筋动骨的场景小步快跑，让学习的速度快过锁定的速度。
中小企业预算有限，AI 转型应该从哪里切入？
用国产开源模型（DeepSeek、通义千问等）做内部场景的概念验证，成本往往不到一名应届生的月薪。优先选择合同初审、客服知识库、经营周报生成这类高频场景，一个季度复盘一次，跑通一个再扩一个，不要一开始就买大平台、签多年框架。
怎么判断一个 AI 项目是真资产还是假投入？
一个简单的判断标准：这件事如果竞争对手明天也能做到，它就不是资产，是费用。大模型人人能租，租来的智能不构成优势；真正的优势长在共享模型够不着的地方——行业语料、老师傅的经验、客户关系、品牌信任和专门打磨过的流程。
担心被 SaaS 厂商绑定，签约前该问什么？
签约前问三个问题：数据能不能完整导出？底层模型能不能换？接口是不是标准协议？三个答案有一个含糊，就不要把核心业务流程放上去。商业锁定比技术锁定更隐蔽——迁移成本就是厂商明年的涨价空间。
相关阅读
如希望就企业AI战略与申是团队深入交流，欢迎发送邮件至 info@senseyes.cn 或点击页面右上角"预约咨询"。