一家企业请了顶级咨询公司做转型方案，报告洋洋洒洒，痛点分析入木三分，最后被束之高阁，一切照旧；另一家企业采购了最先进的物联网硬件和数据分析软件，上线半年，日活个位数，成了标准的"数字化摆设"。
9月12日，SBS瑞士商学院DBA工商管理博士项目《商业转型与创新》第二天的课堂上，李教授一上来就摆出了这些"翻车现场"。这一天六个小时的课程承接上一讲的逻辑，把重心放在了后三个模块——AI驱动的转型路径、创新生态的构建与经营、转型方案的落地设计。对企业高管而言，它回答的是一个钱已经花出去了但问题依然没解决的问题：AI到底该从哪里切入，生态到底该怎么搭，方案到底怎样才能落地？
AI不是更聪明的软件，是会学习的同事
课程最开始，李教授就提出了AI的定位：不要把AI理解成一件工具，它是"会学习的同事"——你给它一个指令，传统软件给你一个确定的结果；而AI会随着数据积累自己变化，某些方面的理解力已经超过绝大多数从业者。他提醒同学们，AI不只充当助手和合作者，"它有可能是你的老师"。
也因此，AI会对商业价值链进行一次彻底重构。他把这场重构拆成四个动作：价值创造环节的去中介化加速，企业内部的中间层岗位大幅缩减；价值获取环节的赢家通吃加剧，数据飞轮让头部效应进一步放大；价值传递环节的即时化，从批量生产走向实时定制；价值分配环节的两极化，顶尖人才的价值被AI显著放大。他举了一个很朴素的说法——机械化的第一次革命解决动力问题，信息化的第二次革命解决流程标准化问题，正在发生的第三次革命，是智能决策取代规则驱动。
AI使用场景的选择策略：够痛、够小、能赢
但真正的难点从来不在认知。随后李教授给了大家一个可操作的AI落地要靠三要素框架——场景资产、数据资产、智能体业务系统。三者缺一不可，而多数企业的失败，是从第一步就走错了。
首先，关于哪些场景最适合引入AI试水，李教授介绍了平安集团的案例：平安做AI转型，起步时没有全面铺开，2017年只选了车险理赔这一个场景做"智能闪赔"。单点验证成功后，再沿着同一套底层AI中台，把方法论复制到三十多个业务场景。
李教授的总结是"够痛、够小、能赢"：够痛，是指这个痛点痛到不解决就吃不下饭，组织才会有真实的变革动力；够小，是指场景边界清晰、数据中度可得、变革可以在局部完成，而不是一上来就搞全公司变革；能赢，是指要在短时间里让决策者看到省钱或者赚钱的结果。
选错了第一个场景，转型往往就死在起跑线上。课程专门列了这个阶段的典型陷阱——盲目追求"最痛的点"。最痛的场景通常也意味着最高的复杂度、最模糊的规则边界和最多的非结构化数据；首战要找的是"能赢的战场"，不是"最难的战场"。他举了自己给城投类企业做咨询的例子：先把一个片区的停车管理做出来，城市秩序立刻改观，收费效率立刻提升，领导立刻看得到，然后再向智慧交通延伸。
至于企业如何自己筛选，课程给了一个"三层筛选漏斗"：先看战略相关性——这个场景是否服务于核心业务；再看数据就绪度——有没有足够、准确、及时的数据可以训练；最后看变革可行性——阻力是否可控。
数据清洗，要花掉七成的时间和成本
其次，第二个要考量的要素是数据资产。李教授强调："数据是新时代的石油，但未经提炼的原油只会污染发动机。"
李教授总结了一条被很多企业忽略的经验：一个AI项目大约七成的时间和成本应该花在数据准备上，而不是后期调模型参数。为支撑这一点，他讲了"垃圾进、垃圾出"的商业代价——一家连锁超市兴冲冲地上线智能选品系统，直接把历史数据喂给模型训练，结果图像识别错误、需求预测失真、库存周转恶化，投入石沉大海。问题出在哪里？数据口径不一致。那如何解决？需要建立"数据质量门禁"：完整性校验、准确性校验、时效性校验、一致性校验，四道关缺一不可。
从“工具”到“数字员工”的进化
如果"数据不够怎么办"？李教授的回答是：少即是多。在垂直的细分领域里，真正稀缺的不是数据量，而是把领域知识吃透的人；小数据配上强领域知识，往往胜过大数据配弱业务理解。作为这一思路的具体实践，李教授向大家介绍了精密制造的实践，小数据深挖训练出来的专用模型，显著超越了通用大模型。
转型推不动，问题多半在中间那层
解决了上述障碍，为什么AI战略依然在企业里无法落地？剩下的障碍在人身上。课程中，李教授重提了哈默转型塔，并给出AI版本的升维解释：AI的"端到端"：从"人跑流程"变成"智能体跑流程"，让商业模式跳过信息化阶段直接进入AI原生，让平台经济升级为智能体经济。但层次越往上走，阻力越大。李教授援引了哈默那句老话——"变革的敌人是中层"，并把它拆成三种具体的组织抗体：一是"AI不懂我们行业的特殊性"，本质是一种行业壁垒幻觉；二是"AI会取代我，我为什么要配合"，本质是生存焦虑；三是"上次IT项目就失败了，这次也一样"，本质是变革疲劳。
他给的答案是从"变革管理"转向"共生管理"：过去是让人去适应AI，自上而下单向推动；现在要让AI适应人、让人驾驭AI，构建双向协作的进化关系。配套的具体做法，一是用AI速赢项目打破变革疲劳——选一个具体的痛点小场景，先做出可见成果；二是让组织容忍AI犯错，设立"失败预算"，把失败变成可复盘的经验；三是在考核上奖励人机协作。
从"城堡"到"雨林":创新范式的三次跃迁
解决了AI战略的落地，李教授进一步引导大家开始讨论生态重构，所做的对照非常有画面感。
20世纪的创新是"城堡思维"：关起门来养一批天才搞发明。施乐PARC发明了图形用户界面、鼠标和以太网，却没有把它商业化——苹果拿走了图形界面，推动了消费电子革命，造成了"你发明了未来，但别人偷走了钱包"的典型案例。
21世纪的创新转向"集市思维"，不问出处、好用就行：宝洁的"联系+开发"计划把外部创新占比定到五成，创新成功率从15%提高到50%。
而AI时代的创新是"雨林思维"：不是种一棵大树，而是造一片雨林，让创新在系统中自然涌现。小米生态链是这里的样板——不亲自造电饭煲和扫地机器人，输出的是供应链能力、品控体系与品牌流量，结果是在手环、扫地机器人等多个细分品类里各自长出了冠军企业。
要让这套雨林真正转动起来，李教授提出给了五个维度的考量——用户、供应商、产学研、跨界与政府。最有说服力的一组对比是丰田：不向供应商压价，反而派工程师入驻工厂帮它改进工艺，结果是供应商对整车技术改进的创新贡献占到40%，行业平均只有15%。反面的教训也在课堂上被拆开讲：某手机厂商模仿小米做生态，用户基数不足、供应链能力缺失、跨界资源为零，五个维度一个都没握住，生态梦最终碎成了债务问题。李教授也给出了现实的提醒——五个维度不必全占，但至少要有两三个真正抓在自己手里。
方案怎样才能不被束之高阁
课程最后一i个模块，解答最现实的问题：学了这么多理论，如何设计一个可落地的方案呢？课程给出的答案是"四梁八柱"——认知层回答为什么转，模式层回答转向何方，组织层回答谁来驱动，技术层回答用什么支撑。四者不是拼图，而是闭环：认知诊断指向模式设计，模式倒逼组织变革，组织变革决定技术能否用起来，而技术实践产生的大量数据又会反过来修正最初的认知。
失败往往出在链条断裂上。某传统制造企业的教训被完整复盘过：战略方向没错，"服务化、智能化"的定位也清晰，创新业务看着也不错，数字化事业部也成立了，高端硬件和专业软件都买了，钱花了不少——但四个模块各自为战，没有形成系统合力。李教授由此给出一条硬原则："数字化转型，组织先行。"先想清楚战略要什么组织，再想清楚这个组织需要什么技术。顺序反过来，技术大概率会变成摆设。
节奏同样重要。他把路线图分成点火期、深耕期、生态期，并提醒企业不要一上来就"大爆炸式"变革；项目资源按投资组合分配——七成投核心项目确保生存和发展，两成投探索性项目去找第二曲线；最后一成投观望项目，随时准备快速跟进与迭代。同时必须预设熔断机制与安全垫，一旦战略假设被证伪就及时止损。
从企业方案到博士论文
课程的最后，李教授把企业方案与博士研究结合到一起。对工商管理博士学员来说，这一整门课既是转型工具箱，也是选题库：AI转型的组织阻力、人机协作下的领导力重构、创新生态的治理机制、产学研协同的信任机制，都是当前工商管理博士论文里的热门议题。李教授推荐的做法是，用TOE(技术—组织—环境)框架把企业的AI转型现象结构化，用行动研究而不是旁观式的案例研究去写——工商管理博士研究的核心不是"观察企业"，而是"深度参与企业变革"。他坦言，我们不是在校学生，研究素材最好来自自己亲历的管理现场，理论支撑可以是动态能力理论、组织变革理论与商业模式理论的组合。
转型不是一场战役，而是一场长征；它不是一份方案，而是一种能力。技术会持续变化，模型会更替，能把一群人带着走完这段路的能力，才是企业真正买不来的东西。
