基于 Stanford《2026 企业 AI 实战手册》(The Enterprise AI Playbook) Chapter 7 学习笔记

开篇：74% 想靠 AI 赚钱，只有 20% 做到了

德勤 2026 年对 3,235 位企业领导者的调查：74% 希望用 AI 增长收入，但只有 20% 今天真的做到了。 麦肯锡更扎心：80% 的组织把”效率”设为 AI 目标，可看到最多价值的公司恰恰同时设了”增长/创新”目标——而整体上只有 6% 的组织报告 AI 带来 5% 以上的 EBIT 影响。

为什么大部分 AI 项目最后都变成了”省钱项目”？斯坦福在这一章的答案很直接：不是技术问题，而是没人去衡量收入那一侧。 而那些少数跑出真金白银收入的公司，收入机制高度相似，就三种模式。

一、先看宏观：收入是愿望，不是现实

数据来源 发现
Deloitte 2026 74% 希望用 AI 增长收入，只有 20% 正在做
Deloitte 2026 只有 34% 用 AI 深度转型（新产品/服务/重塑商业模式）
McKinsey 2025 80% 把效率设为 AI 目标；高价值公司同时设增长/创新目标
McKinsey 2025 仅 6% 组织 AI 带来 5%+ EBIT 影响；收入集中在营销销售/战略/产品开发

一句话：靠 AI 增长，人人想，很少人做到。 因为大多数项目从立项起就按”省多少成本”来设计和度量。

二、Finding 1：AI 新收入是真实的、稀有的，且只有三种模式

收入模式 案例 关键数字
1. 个性化转化 零售/外卖/内容平台把”给群体的营销”变成”给每个人的营销” 购买意向 +40%、实际购买 +20%；点击率 +200%；上线时间 7 周 → 6 小时
2. 速度赢得交易 保险服务公司 AI 起草合同 合同交付从”几周” → “4 小时”，赢得原本会丢的单
3. 内部工具变产品 科技服务公司把 AI 发票处理方案打包外售 全球前三咨询公司之一在用

模式 1：个性化转化——AI 不改产品，改”谁看到什么”。 零售公司的做法：机器学习推荐引擎 + 生成式 AI 内容，大规模个性化营销邮件。第一个月购买意向 +40%、实际购买 +20%。高管原话：”AI 唯一做的事，就是给了他们更好的邮件。”外卖公司更彻底：从”500 人一个细分群体”到每个人一个活动——”不是花三周做 50 个活动，现在可以每人一个活动。”旧方法不是慢，是结构上不可能做到这个粒度。

模式 2：速度赢得交易——4 小时 vs 4 周，是两种竞争位置。 保险服务公司用 AI 起草合同：律师监督下 4 小时交付一份”完美”的合同，过去要几周——而且很可能丢单。在响应速度决定成败的市场，对中小企业这不是效率提升，是换了一个赛道：”SME 能更好地利用这种杠杆，他们可能是这场革命真正的赢家。”

模式 3：内部工具变产品——把省钱的家伙什卖出去。 科技服务公司先给自己做 AI 发票处理，然后打包卖给客户：”我们打包后拿了一些版本给客户。全球最大咨询公司之一正在用。”专业服务公司的内部 AI 平台也变成了服务线基础。

这些案例的共同点，不是技术栈也不是行业，而是有人问了”除了降本还能干什么”，并且真的去衡量了答案。“ROI 为王。我整个职业生涯都在卖效率，真的很难卖。”——医疗 AI 公司创始人

三、Finding 2：AI 正在让”从未上过路线图”的工作成为可能

比增收更惊人的是另一类案例：不是更快版本的现有流程，而是没人计划、没人预算过的工作——因为以前被认为不可能。

1. 重写”技术上不可能”的东西。

  • 金融科技公司（1 亿+ 客户）要迁移数百万行遗留代码：传统估算 18 个月 + 1000+ 工程师；用 AI 编码代理后，业务部门几周完成。工程师”只需审查变更、做小调整、合并 PR”。
  • 保险公司发现 AI 从零重写遗留系统比重构还快：原报价 5000 小时、7 人团队、2027 年完成——实际 600 小时、3 人团队搞定。还打开了一个从没想过的战略问题：”你是买一个客户群再改造，还是从零建技术去颠覆一家公司？”

2. 在”不可能存在数据”的市场构建情报。 医疗美学（医美）市场全现金支付：没有理赔数据、没有集中登记、没有结构化数据集。领地情报不是”贵”，是”不可能”。一家医疗 AI 公司硬是建了出来：抓取公开来源、组装医生档案、按预估手术量和增长潜力给线索打分——销售第一次在从未有过管道的市场有了合格管道，还准备把平台卖给其他制造商。

3. 把运营变成数据资产。 机器人检测公司从一致的 AI 检测中生成历史数据集，支撑预测分析和事故取证。竞争者没有多年的部署根本无法复制。检测最初是效率项目，它产出的数据正在变成一项全新资产。

这些案例的共同特征：它们不在 AI 之前的路线上，没人被要求”更快做这事”。 工作本身是新的，解决的甚至是一个”他们没意识到存在”的问题。

四、案例：呼叫中心——从”省钱的 AI”到”改变竞争位置的 AI”

一家传统呼叫中心服务商（CCaaS），做接电话、路由、工单队列。行业正被 AI 原生初创围攻：智能路由、自动解决、实时分析，人家第一天就有。更致命的是传统定价模式——按席位收费——正在被 AI 自己瓦解：

“问题之一是它影响 SaaS 模型，因为 AI 减少了客户需要的席位数量。你得找到新的定价方式。”——PE 合伙人

这已经不是运营效率问题了，是战略存亡问题。

方案：管理层没有用 AI 让座席更快，而是把 agentic AI 直接嵌进产品——重新设计服务，让 AI 端到端解决工单：不只是接电话、答问题，而是真的把问题关闭。用的是能编排完整解决流程的 agentic 框架，超出 copilot 式协助，进入自主任务完成。

结果（三件和效率无关的事）：

维度 变化
赢单 30 个新项目归因于 AI——不是因为更便宜，是因为比传统对手更有能力
竞争集合 独立评估将其列为客户关系 AI 能力 Top 4，其余三名全是 AI 原生公司
定价模式 从卖席位转向卖结果，AI 能力本身成为产品

关键教训：AI 用于效率，帮你省钱；AI 嵌进产品，改变你的竞争位置。 区别不在技术，而在你问的问题——不是”怎么降本？”，而是”怎么赢下以前赢不了的交易？”

五、实践建议与总结

四步行动清单：

  1. 换一个问题。 立项时除了”能省多少成本”，再加一个”能否创造收入/新能力”。斯坦福的样本里，收入最高的项目都是因为有人衡量了收入侧。
  2. 三种收入模式先挑一个试。 有没有可以被”每个客户一套”的营销？有没有”更快交付就能赢单”的环节？有没有能打包外售的内部工具？挑成本最低的开始。
  3. 列一张”不可能清单”。 找那些因为”没有数据”“太贵”“周期太长”而从未立项的工作——遗留代码迁移、无数据市场的情报、检测数据的沉淀。AI 时代它们可能突然变得可行。
  4. 警惕效率陷阱。 呼叫中心案例说明：同样一套技术，用来降本只是少花钱，用来重构产品却能改变市场排名。问题比技术重要。

最后记住这一章的两句话：收入型 AI 是真实的，但稀有——稀有不是因为它难，是因为没人去量。 下一章看：AI 打开新大门之后，从效率走向新收入、新能力、战略优势的完整路线。

参考资料：Stanford Digital Economy Lab, “The Enterprise AI Playbook” (2026), Chapter 7: Where is AI opening doors that were previously closed?