1. 高盛这份报告到底在说什么从投行视角看生成式AI的产业冲击高盛这类投行出的行业研究报告和市面上那些科技媒体的分析文章完全是两个物种。科技媒体关心的是这个模型跑分多少那个功能好不好用而投行的分析师只关心一件事钱会往哪里流哪些行业的成本结构会被重写哪些公司的护城河会被填平。所以当我第一次看到生成式AI将带来颠覆性变革这个判断时我关注的不是颠覆这个词有多刺激而是高盛的分析师到底拿什么数据在支撑这个结论。从公开可查的信息来看这类报告的核心逻辑链条大致是这样的生成式AI本质上是一种通用目的技术它的特殊性在于能同时作用于脑力劳动和创意劳动而这两块恰恰是过去几十年里最难被自动化替代的部分。报告里通常会引用一个关键数据——全球大约有数亿个全职岗位的工作内容中有相当比例的任务理论上可以被现有的大模型能力覆盖。注意这里说的是任务而不是岗位这个区分非常重要后面我会展开讲。报告里另一个被反复提及的维度是生产率提升的量化估算。投行分析师喜欢把AI的影响拆解成几个可计算的变量劳动力成本节约、产出效率提升、新需求创造。他们会给出一个区间比如未来十年内AI对全球GDP的增量贡献可能达到几个百分点。这个数字本身不用太较真因为预测模型里塞了太多假设但它的信号意义在于主流资本圈已经不再把生成式AI当成一个概念炒作而是当成一个需要纳入资产定价模型的实质性变量。我自己在跟一些做企业服务的朋友聊的时候明显感觉到一个变化。2023年上半年大家还在讨论要不要接入大模型到了下半年就变成了接哪家、怎么接、成本怎么控。这个转变和高盛报告释放的信号是一致的——决策层已经过了观望期开始进入执行期。而执行期最缺的不是模型能力是懂业务又懂AI落地的人。提示投行报告的价值不在于它的预测准不准而在于它反映了主流资本市场的共识方向。当高盛这种级别的机构开始用颠覆性变革这种措辞时意味着资金配置的逻辑已经在调整了。2. 被颠覆的到底是什么拆解生成式AI冲击的三个层次2.1 第一层冲击内容生产成本的断崖式下降这是最直观、也是最快发生的一层。文本生成、图像生成、代码生成、音频生成这些能力直接把内容生产的边际成本压到了接近于零。过去写一篇产品文案从需求沟通到初稿到修改到定稿可能需要一个文案半天的时间现在用大模型生成初稿人工只需要做审核和微调时间压缩到十几分钟。但这里有个很多人忽略的细节成本下降不等于价值下降。当所有人都能用AI生成内容时内容的供给量会暴增但优质内容的稀缺性反而会上升。因为AI生成的内容是同质化的真正能拉开差距的是判断力、审美和领域知识。我在实际项目里观察到的情况是那些本来内容能力就强的团队用了AI之后产出效率翻倍而那些本来内容能力就弱的团队用了AI之后只是生产了更多平庸的内容。2.2 第二层冲击知识工作者的工作流重构这一层比第一层深因为它改变的不是产出什么而是怎么工作。以软件开发为例过去一个功能从需求到上线要经过需求评审、技术方案设计、编码、测试、部署等多个环节。现在AI编程助手可以参与到其中大部分环节帮你写技术方案初稿、生成代码框架、写单元测试、甚至帮你排查报错。但关键在于AI不是替代了某个环节而是改变了环节之间的衔接方式。以前你需要等后端写完接口才能联调现在你可以让AI根据接口文档先生成mock数据前端并行开发。以前你需要手动写测试用例现在AI可以根据代码逻辑自动生成边界测试。这种工作流的重构带来的效率提升远大于单点工具的提效。我认识一个做SaaS产品的团队他们接入了AI辅助编程之后代码提交频率大概提升了40%左右但更明显的变化是代码review的通过率提高了。原因是AI在生成代码时会自动遵循一些规范减少了低级错误。这个案例说明AI对知识工作者的影响不是简单的快而是改变了质量控制的节点。2.3 第三层冲击组织结构和商业模式的重新设计这一层是最慢但最根本的。当AI能承担大量执行层面的工作时组织的中间层会被压缩。过去一个项目需要项目经理、产品经理、开发、测试、运维等多个角色现在一个懂业务的人加上AI工具可能就能覆盖其中大部分工作。这不是说这些岗位会消失而是说这些岗位的职责边界会重新划分。商业模式层面的变化更值得关注。以SaaS行业为例传统的SaaS是按席位收费你公司有100个人用就买100个账号。但当AI能替代部分人工操作时客户会问我为什么还要买那么多席位于是收费模式开始向按用量、按效果、按价值收费转变。这个转变对SaaS公司的定价策略、成本结构、客户成功体系都会产生连锁反应。冲击层次核心变化发生速度对从业者的影响内容生产成本边际成本趋近于零最快已经在发生基础内容岗位需求下降判断力价值上升工作流重构环节衔接方式改变中等1-3年需要重新学习工具链和协作方式组织结构与商业模式岗位边界和收费逻辑重写最慢3-5年中层管理岗位压缩复合型人才吃香3. 从API到SaaS生成式AI落地的真实技术路径3.1 为什么大多数企业不会自己训练模型高盛报告里提到的颠覆性变革落到具体企业头上第一个决策就是自己训模型还是调API。我的观察是99%的企业应该选择调API。原因很简单训练一个可用的行业大模型需要的数据量、算力投入、人才储备对于非AI原生公司来说完全不划算。以调用API为例目前主流的路径有这么几条直接调用模型厂商的官方API、通过聚合平台调用多家模型、在云平台上调用托管模型。每条路径的取舍点不同。官方API的优点是稳定、文档全、新模型上线快聚合平台的优点是可以用一套接口调多家模型方便做AB测试和故障切换云平台托管的好处是能和现有的云基础设施打通网络延迟和权限管理更顺滑。我在实际项目里踩过的一个坑是API的计费方式和你想象的可能不一样。很多模型的计费是按token算的输入和输出的单价可能不同而且不同模型的token计算方式有差异。中文一个汉字大概对应1-2个token英文一个单词大概对应1-3个token。如果你不做预估月底账单可能会让你吓一跳。# 一个简单的token用量预估示例 # 假设使用某模型的API输入单价0.001元/千token输出单价0.002元/千token def estimate_cost(input_text, expected_output_length, input_price0.001, output_price0.002): # 粗略估算中文按1.5token/字计算 input_tokens len(input_text) * 1.5 output_tokens expected_output_length * 1.5 cost (input_tokens / 1000) * input_price (output_tokens / 1000) * output_price return cost # 示例每天调用1000次每次输入500字输出300字 daily_cost estimate_cost(x * 500, 300) * 1000 print(f每日预估成本{daily_cost:.2f}元) print(f每月预估成本{daily_cost * 30:.2f}元)3.2 API调用的常见报错和排查思路在实际集成过程中API报错是家常便饭。我整理了几个高频错误和对应的排查方向401 Unauthorized这个最常见核心原因就一个——API Key不对。可能是Key写错了、Key过期了、Key的权限不够、或者环境变量没加载上。排查的时候先确认Key的字符串有没有多余的空格或换行再确认这个Key对应的账号是否有余额、是否开通了对应的模型权限。400 Bad Request通常是请求参数有问题。比如模型名称写错了、消息格式不对、或者上下文长度超了。上下文长度这个坑特别容易踩因为不同模型的最大上下文窗口不一样有的支持几万token有的支持上百万token。如果你把一篇长文档直接塞进去很容易触发长度限制。429 Too Many Requests触发了速率限制。每个API都有QPS或TPM的限制超过就会报这个错。解决办法要么是加退避重试逻辑要么是升级套餐提高限额。连接超时这个通常是网络问题。如果你在国内调用海外API延迟高、不稳定是常态。生产环境一定要做超时设置和重试机制不能裸调。注意API Key绝对不能硬编码在客户端代码里。我见过有人把Key写在前端JS里结果被人扒出来刷了几百万token的账单。正确的做法是走服务端代理Key只存在服务端环境变量里。3.3 SaaS产品集成AI的三种模式从产品形态来看SaaS集成AI大概有三种模式复杂度依次递增第一种是嵌入式AI作为某个功能的增强。比如在CRM里加一个智能写跟进邮件的按钮在客服系统里加一个自动生成回复建议。这种模式改动小、上线快适合刚开始试水的团队。第二种是对话式AI作为产品的交互入口。用户不再需要点各种菜单直接跟AI说帮我查一下上个月的销售数据并生成报表AI调用后台的API完成任务。这种模式对产品的API化程度要求很高因为AI需要能调用各种后端能力。第三种是代理式AI作为自主执行者。你给它一个目标它自己规划步骤、调用工具、检查结果、迭代优化。这种模式目前还在早期但在一些垂直场景已经有落地案例比如自动化的数据分析和报告生成。我个人的建议是从嵌入式开始但架构设计要预留对话式和代理式的扩展空间。具体来说就是把AI能力封装成独立的服务层不要和业务逻辑耦合太深。这样后面要升级交互模式时改动成本可控。4. 成本、合规与效果企业落地AI绕不开的三道坎4.1 成本控制不是省钱是算清楚投入产出很多团队在评估AI项目时只算了API调用费用忽略了其他成本。实际上一个完整的AI功能上线成本至少包括这几块API调用成本按token或按次计费随用量线性增长工程开发成本集成、测试、部署、监控的人力投入数据治理成本如果要做RAG或微调需要清洗和标注数据运维成本日志、监控、告警、故障处理合规成本内容审核、数据脱敏、审计留痕我见过一个团队API调用费一个月才几百块但为了做数据清洗和标注投入了两个工程师一个月的时间。所以算账的时候不能只看API账单要把全链路成本都算进去。成本优化的几个实操方向缓存高频请求的结果很多用户问的问题是重复的缓存能省大量调用用小模型处理简单任务不是所有场景都需要最强的模型分类、抽取这类任务用小模型就够了控制上下文长度不要把整个知识库都塞进prompt用检索的方式只取相关片段。4.2 合规是底线不是可选项生成式AI的合规问题主要集中在三个方面内容安全、数据隐私、知识产权。内容安全方面AI生成的内容必须经过审核才能展示给用户。这个审核可以是模型厂商自带的也可以自己接一层审核服务。关键是不能裸奔不能把模型输出直接透传给用户。数据隐私方面如果你把用户数据发给第三方API需要确认对方的数据使用政策。有些API会拿你的数据去训练模型这在某些行业是绝对不能接受的。解决方案要么是用支持数据隔离的企业版API要么是本地部署开源模型。知识产权方面AI生成内容的版权归属目前法律上还没有统一结论。比较稳妥的做法是在用户协议里明确约定并且对AI生成的内容做标识。4.3 效果评估不能只看感觉好用AI功能的效果评估是个技术活。很多团队上线AI功能后只凭用户反馈的感觉还不错来判断这远远不够。你需要建立一套可量化的评估体系评估维度具体指标采集方式准确性生成内容的事实错误率人工抽样审核相关性回答与问题的匹配度用户评分人工评估一致性相同问题多次回答的稳定性自动化测试响应速度首token延迟、完整响应时间服务端埋点成本效率单次有效交互的成本账单调用日志用户行为采纳率、修改率、放弃率前端埋点我特别想强调的是采纳率这个指标。如果AI生成了10条建议用户只采纳了1条那说明效果还有很大提升空间。采纳率低的原因可能是生成质量不行也可能是交互设计有问题——比如建议展示的位置不对、采纳的操作太麻烦。5. 从业者视角这波变革里哪些能力在升值哪些在贬值5.1 正在贬值的能力执行层的标准化技能先说残酷的部分。那些有明确规则、可标准化、可验证的执行技能正在快速贬值。比如基础的代码编写、标准化的文案撰写、常规的数据整理、简单的翻译校对。这些工作的共同特点是输入输出明确质量判断标准清晰AI经过训练就能达到及格线以上的水平。但注意贬值不等于消失。这些技能的需求量还在只是单价在下降而且对从业者的要求从会做变成了会审。你需要能判断AI做得好不好哪里有问题怎么改。5.2 正在升值的能力判断力、领域知识和系统思维AI越强判断力越值钱。因为AI能给你十个方案但选哪个方案、怎么组合、什么时候用哪个这些需要人来判断。判断力的基础是领域知识——你对这个行业的理解越深越能判断AI的输出是否靠谱。系统思维也在升值。AI能帮你完成单个任务但把多个任务串成一个完整的业务流程需要系统思维。比如你要做一个AI客服系统不只是接一个对话API就完了你需要考虑知识库怎么建、兜底策略怎么设计、人工介入的触发条件是什么、数据怎么回流优化。这些是AI目前做不了的。还有一个被低估的能力是提问能力。同样一个模型不同的人用效果差异巨大。会提问的人能引导模型输出高质量的结果不会提问的人只能得到泛泛的回答。提问能力的本质是把模糊需求拆解成清晰指令的能力这个能力在AI时代会越来越重要。5.3 一个真实的转型案例我认识一个做传统软件测试的朋友2023年初开始焦虑觉得AI要替代测试了。后来他做了一件事把AI工具引入到自己的测试工作流里然后用节省下来的时间学习业务分析和质量体系建设。半年后他从执行测试用例的人变成了设计质量保障方案的人。岗位没变但价值定位完全不一样了。这个案例给我的启发是AI替代的不是岗位是岗位里那些可标准化的任务。如果你把自己的价值建立在可标准化的任务上那确实危险如果你把价值建立在判断、设计、协调这些AI做不好的事情上那AI反而是你的杠杆。6. 如果你现在要动手一个务实的起步路径6.1 先找一个高频、低风险、可量化的场景不要一上来就搞大而全的AI平台先找一个具体的场景跑通闭环。选择标准是高频每天或每周都会发生、低风险出错了影响可控、可量化能说清楚省了多少时间或提升了多少转化。比如客服团队的常见问题回复、市场团队的社交媒体文案初稿、开发团队的代码注释生成、运营团队的数据日报撰写。这些场景的共同点是边界清晰、效果容易评估、出错成本低。6.2 用最小成本验证再决定是否加投入验证阶段的目标不是做出完美产品而是回答一个问题AI在这个场景下到底能不能用。所以这个阶段要控制投入用最简单的技术方案——直接调API写一个脚本或小工具让团队成员试用一周收集反馈。验证阶段要关注的指标很简单AI的输出有多少比例是直接可用的有多少需要修改有多少完全不能用。如果直接可用加简单修改能占到70%以上这个场景就值得继续投入。如果大部分都需要重写那要么是场景选错了要么是prompt没调好。6.3 从工具到流程从流程到组织验证通过之后下一步是把AI工具嵌入到现有流程里。这一步的关键是改变流程而不是简单地在流程末尾加一个AI环节。比如写文案不是人写完初稿再用AI润色而是AI生成初稿人来审核和定方向。流程的重心从执行前移到了判断。再往后当多个环节都接入了AI就需要考虑组织层面的调整。哪些岗位的职责需要重新定义哪些协作方式需要改变绩效考核怎么调整。这些问题的答案因组织而异但方向是一致的让人的时间花在AI做不好的事情上。提示在整个推进过程中一定要有一个懂业务又懂技术的人来牵头。纯技术视角容易做出技术很酷但业务不用的东西纯业务视角容易提出AI应该能做到但不切实际的需求。7. 关于颠覆性变革这个词我的个人理解高盛报告用颠覆性变革这个词从投行的语境来看是合理的因为资本市场需要这种叙事来推动资金流动。但作为一线从业者我对这个词保持一定的审慎。变革是真实的但颠覆的速度和方式和报告里描绘的可能不一样。技术能力的突破是快的但组织流程的改变、商业模式的调整、用户习惯的迁移这些都是慢变量。我在实际项目里感受到的节奏是单点工具的采纳很快几周就能跑通但流程的重构需要几个月组织能力的升级需要以年为单位。所以我的建议是在战略上重视在战术上务实。不要因为报告说颠覆就焦虑地全面铺开也不要因为短期看不到效果就放弃。找到一个具体的场景跑通它拿到可量化的收益然后复制到下一个场景。这种小步快跑的方式比一次性大投入更靠谱。另外我越来越觉得AI时代的核心竞争力不是会用多少工具而是能不能持续学习。模型在迭代工具在更新今天的最佳实践可能半年后就过时了。保持好奇心保持动手实验的习惯比掌握任何具体技能都重要。我自己保持的一个习惯是每个月至少试一个新出的AI工具或API不一定要用到项目里但要知道它能做什么、不能做什么。这种持续的信息更新是做出正确判断的基础。
