别问用了什么 AI，要问六要素是否重新匹配

副标题：从第一篇的底层链条，到 AI 商业模式的六要素一致性检验

几乎所有企业都可以说自己已经用了 AI。

客服系统接入大模型，销售团队用 AI 生成话术，研发部门用 AI 辅助写代码，投研人员用 AI 整理资料，制造企业用视觉模型做质检，软件产品把 AI 问答放进界面。这些变化真实存在，也确实提高了效率。

但第一篇留下了一个更重要的问题：如果 AI 只是让旧流程里的动作更快，企业的商业模式并没有真正重构。只有当 AI 开始重写业务系统和交易结构，改变企业如何创造价值、交付价值、获取价值和沉淀价值，AI 才从工具走向商业模式变量。

所以第二个问题随之出现：一家企业怎么判断自己不是只“用了 AI”，而是真的进入了 AI 时代的商业模式重构？

答案不能只看模型参数，不能只看功能演示，也不能只看有没有智能体。更稳的判断方式，是回到商业模式六要素：定位、业务系统、盈利模式、关键资源能力、现金流结构和企业价值。

AI 时代真正的商业模式重构，不是某个环节被 AI 优化，而是客户承诺、业务系统、收费方式、资源能力、现金流压力和企业价值逻辑之间，重新形成一致性。

[本图为公众号原排版配图，网页端暂未同步。]

图1：第二篇从第一篇的底层链条，进入六要素一致性检验

一、从第一篇留下的六个问题说起

1. 六个问题不是结尾装饰，而是诊断入口

第一篇最后提出了六个自检问题：客户究竟在为什么付费，业务系统是否已经从人力流程转向人机协同任务流，收费方式是否匹配客户结果和企业承担的风险，数据、模型、场景和反馈是否形成持续学习闭环，算力、模型、推理、数据治理和持续优化成本是否可承受，企业价值是否来自可复制交易结构和动态升级系统。

这六个问题并不是文章结尾的补充清单，而是判断 AI 商业模式是否成立的入口。

如果企业回答不了这些问题，AI 多半仍停留在工具层。它可能提高了员工效率，减少了某些重复劳动，也可能让客户体验更顺滑，但商业模式的底层结构并没有稳定改变。

如果企业开始系统回答这些问题，情况就不同了。客户付费对象可能发生变化，业务系统可能重新组织，收费方式可能从工具订阅走向结果相关，关键资源能力可能从静态资源转向学习闭环，现金流结构也可能因为 AI 成本前置而被重新计算。

2. 第一篇讲“为什么变”，第二篇讲“如何判断变没变”

第一篇的主线，是说明 AI 为什么不只是工具。它从通用目的技术讲到新质生产力，从新生产要素组织方式讲到个人能力放大，再进入业务系统和交易结构，最后落到六要素重新匹配。

这条链路的重点在于解释 AI 对企业的底层冲击。

第二篇不需要重新证明 AI 是通用目的技术，也不需要重复解释 AI 为什么会成为新质生产力。第二篇真正要做的，是顺着第一篇的最后一环继续往下走：既然 AI 会重写业务系统和交易结构，那么企业怎样判断这种变化有没有真正进入商业模式层？

判断标准不是“有没有 AI”，而是六要素是否出现新的匹配关系。

3. 商业模式重构不是技术状态，而是结构状态

很多企业谈 AI 转型时，容易把技术状态误当成商业模式状态。

模型越先进，功能越丰富，自动化程度越高，并不必然意味着商业模式越先进。一个产品可以接入很强的模型，但仍然按照旧工具收费；一个服务公司可以大量使用 AI，但仍然靠人力项目制交付；一个制造企业可以部署智能质检，但如果数据没有进入工艺优化和客户承诺，它仍然只是工具升级。

商业模式重构看的是结构状态。客户承诺有没有变，业务系统有没有变，交易方式有没有变，风险收益分配有没有变，资源能力有没有沉淀，现金流是否能支撑长期运行，企业价值是否来自可复制系统。

这也是为什么六要素在 AI 时代反而更重要。它把抽象的技术变化，翻译成企业能不能持续创造价值、获取价值和积累价值的问题。

二、很多 AI 转型失败在单点变化

1. 只改工具，商业模式不会自动升级

企业使用 AI 的第一阶段，通常是工具化。

这很自然。AI 最容易进入的地方，往往是原来已经数字化、标准化、文本化和流程化的环节。例如客服问答、文案生成、会议纪要、代码辅助、资料整理、图像识别、报表分析、知识库检索。

这些工具化应用有价值。它们能降本、增效、提升体验，也能帮助企业发现更多 AI 适用场景。但如果它们没有改变客户为什么付费，没有改变企业如何交付，没有改变收费方式和风险承担，它们仍然只是工具。

工具层变化解决的是“某个动作能不能更快”。商业模式变化解决的是“企业向客户承诺什么，如何组织资源完成承诺，并怎样获得可持续回报”。

2. 只改前端承诺，会造成交付错配

第二类常见问题，是前端承诺升级了，后台业务系统没有升级。

很多 AI 公司喜欢说自己从“卖工具”转向“卖结果”。这句话方向没错，但风险很大。卖结果意味着企业不再只是交付一个软件、设备或项目，而是对客户的某种经营结果负责。

如果企业承诺销售线索转化率提升，就要能影响客户线索来源、销售流程、客户分层、话术迭代和成交跟进。如果企业承诺生产良率提升，就要能连接设备参数、工艺设置、供应商质量、质检数据和返工闭环。如果企业承诺客服解决率提升，就要能调用订单、物流、售后政策、知识库和工单系统。

前端说卖结果，后台仍然靠人工补洞，就是典型错配。客户听到的是智能化承诺，企业实际交付的是人工项目制，结果往往是试点好看、复制困难、毛利承压、续费不稳。

3. 只改收入叙事，也撑不起商业模式

第三类问题，是只改了收入叙事。

AI 时代，按量收费、按效果收费、收入分成、结果付费都会变得更常见。原因在于 AI 降低了搜索、匹配、监督、计量和履约成本，让企业更容易跟踪过程和结果。

但收费方式不能凭想象升级。企业想按效果收费，首先要能定义效果；想按结果付费，首先要能影响结果；想收入分成，首先要能证明自己对增量收入有贡献；想承担结果风险，首先要有现金流和运营能力吸收波动。

否则，盈利模式看起来先进，业务系统却无法支撑，现金流结构也无法承受。这样的商业模式不是升级，而是把风险提前暴露出来。

三、六要素不是分类表，而是一套匹配系统

1. 六要素的价值，在于看见一致性

商业模式六要素经常被理解为一个分析清单：定位、业务系统、盈利模式、关键资源能力、现金流结构、企业价值。清单当然有用，但如果只把六要素当成分类表，就会低估它在 AI 时代的价值。

六要素真正重要的地方，是它能看见一致性。

一个企业的定位如果是卖确定性，业务系统就必须能够控制过程和结果；盈利模式如果要按结果收费，关键资源能力就必须能持续影响结果；现金流结构如果承担了更多前置成本，企业价值就不能只靠短期收入故事，而要看未来净现金流和动态升级能力。

所以，六要素不是六个并列模块，而是同一个商业模式系统中的六个相互牵引的变量。

[本图为公众号原排版配图，网页端暂未同步。]

图2：AI 商业模式重构的关键是六要素重新匹配

2. AI 会放大六要素之间的错配

AI 的特殊之处在于，它会让企业更快暴露错配。

过去一个软件公司卖工具，客户预期比较清楚：买一个功能，提升某个流程效率。AI 加入之后，客户可能开始期待自动判断、自动执行、持续优化和结果改善。企业的定位被推高了。

但定位被推高以后，业务系统、盈利模式、关键资源能力和现金流结构未必跟得上。产品宣传像卖结果，交付体系像卖项目，收费方式像卖订阅，成本结构像重服务，估值故事像平台公司。这种不一致，会让企业看起来很热闹，却很难形成高质量收入。

AI 越强，客户想象越大，企业越需要用六要素检验自己能否兑现承诺。

3. 判断重构，要从“匹配关系”而不是“技术标签”开始

一家企业说自己用了大模型、智能体、RAG、知识库、多模态或者自动化工作流，这些都只是技术标签。

商业模式分析要继续追问：这些技术标签有没有改变客户付费对象？有没有改变企业交付结构？有没有改变收入来源和收费方式？有没有形成新的资源能力？有没有改变成本和回款节奏？有没有让未来现金流更可预测、更可扩张、更可持续？

如果答案是否定的，AI 仍然停在工具层。

如果答案是肯定的，企业才可能进入商业模式重构层。

四、第一个检验：定位有没有从卖工具走向卖能力和结果

1. 客户不是为 AI 付费，而是为问题被解决付费

AI 时代商业模式重构的第一个检验，是定位。

定位不是企业想给自己贴什么标签，而是客户到底为什么付费。客户并不是天然为 AI 付费，客户为问题被解决、效率被提升、风险被降低、收入被增加、体验被改善、确定性被增强而付费。

如果企业只是给旧产品加了一个 AI 问答，客户购买对象仍然是工具。工具更好用，价值提高了，但定位没有根本改变。

如果企业能借助 AI 承诺更明确的业务结果，例如更高转化率、更低库存、更少停机、更快交付、更稳定质量、更低获客成本，定位就开始变化。客户购买的不再只是功能，而是能力和结果。

2. 从卖工具到卖结果，不能只靠一句话

从卖工具到卖结果，是第一篇已经指出的分水岭。但这个分水岭不是一句营销口号。

卖工具时，企业主要对功能可用性负责。卖结果时，企业开始对客户经营状态承担部分责任。责任变了，商业模式其他要素就必须跟着变。

例如，AI 销售工具如果只是生成话术和跟进邮件，本质上仍然是工具。但如果它承诺提升线索转化率，就必须进入客户线索来源、客户分层、销售节奏、报价策略、CRM 数据和成交反馈。否则企业无法解释结果来自哪里，也无法稳定复制结果。

定位升级的难点不在表达，而在兑现。

3. 定位一变，后面五个要素都会被牵动

定位从卖工具走向卖能力和结果，业务系统就必须更深入客户现场，盈利模式就可能从固定订阅走向结果相关，关键资源能力就必须包括客户场景和反馈，现金流结构也会因为交付责任增加而变重，企业价值则要看这种结果交付能否复制。

这就是六要素匹配的含义。

如果企业只升级定位，不升级业务系统，就是空承诺。如果只升级定位和业务系统，不升级盈利模式，就可能做了更多事却赚不到更多钱。如果只升级收入模式，不重算现金流，就可能把增长变成压力。

AI 时代的定位重构，必须从一开始就放在六要素系统里看。

五、第二个检验：业务系统有没有从人力流程变成人机任务流

1. 业务系统是 AI 从工具进入企业形态的关键环节

第一篇说，企业真正被改写的是业务系统。第二篇要把这个判断继续往下落。

传统企业的业务系统，通常围绕部门、岗位、流程和外部伙伴搭建。每个岗位完成一段任务，每个部门负责一类流程，管理者通过流程节点和绩效指标控制运行。

AI 加入以后，如果只是帮助某个岗位做得更快，业务系统还没有重构。真正的变化，是任务不再严格按照部门边界线性流转，而是围绕目标动态调用人、数据、模型、智能体、系统接口和外部资源。

这就是从人力流程走向人机任务流。

2. 人机任务流不是自动化，而是重新编排价值创造活动

自动化通常是把旧流程中的某个动作机器化。人机任务流则是重新编排价值创造活动。

一个客户投诉，在传统流程里可能先进入客服，再转售后，再查订单，再联系物流，再形成工单。AI 进入以后，它可以识别客户意图，调用订单系统，判断风险等级，匹配政策规则，生成处理建议，触发人工审批，并把新问题反哺知识库。

一个生产异常，在传统流程里可能由车间记录、质检复核、工程师分析、供应商沟通。AI 进入以后，它可以同时连接设备参数、原材料批次、历史缺陷、供应商记录和客户交付承诺，帮助企业从异常处理走向提前预警和过程优化。

业务系统重构的重点，不是少了几个人，而是价值创造活动被重新连接。

3. 如果后台仍靠人工补洞，前端智能化就只是包装

很多 AI 应用看起来前端很智能，后台却仍靠人工补洞。

客户看到的是智能问答、自动方案、即时反馈；企业内部实际依赖人工整理数据、人工判断异常、人工修正输出、人工完成交付。短期可以跑出试点，长期会遇到复制困难。

这种问题的本质，是前端定位升级了，后台业务系统没有升级。

真正的业务系统重构，必须把权限、责任、流程、数据、模型、人工审批和反馈机制一起设计。尤其是当智能体可以调用工具、触发流程甚至执行动作时，企业要重新回答谁授权、谁审批、谁负责、如何留痕、如何纠错。

AI 进入业务系统以后，治理能力本身也会成为商业模式的一部分。

[本图为公众号原排版配图，网页端暂未同步。]

图3：判断 AI 是否进入商业模式层，不能停在工具层和流程层

六、第三个检验：盈利模式有没有和结果承诺匹配

1. 收费方式变化，来自交易成本下降

AI 时代盈利模式为什么会变化？

一个重要原因，是交易成本下降。AI 降低搜索匹配成本、沟通协同成本、监督计量成本和履约交付成本。当企业更容易识别客户需求、更容易追踪过程、更容易计量结果、更容易持续优化，收费方式就有机会变得更细。

过去很多企业只能卖产品、卖项目、卖订阅，是因为结果难以定义，过程难以监督，贡献难以计量，风险难以分配。AI 和数据系统让这些事情变得相对可行，于是按量、按效果、分成、结果付费就有了扩展空间。

但有机会，不等于一定成立。

2. 结果付费的前提，是企业能影响结果

按结果收费听起来先进，但它对企业提出更高要求。

企业必须能定义结果、影响结果、计量结果，并承担结果波动。如果企业只能提供一个工具，却无法控制客户使用方式、业务流程、数据质量和执行动作，就很难对结果负责。

例如，一个 AI 招聘工具如果只做简历筛选，可以按工具订阅收费；如果承诺缩短招聘周期或提升入职质量，就必须进入岗位定义、候选人来源、面试流程、评估标准、录用反馈和试用期表现。它对客户业务系统的嵌入深度会显著提高。

盈利模式升级，实际上要求企业在业务系统中承担更深角色。

3. 收费越接近结果，风险承担越重

盈利模式不是单纯的收入设计，也是风险收益安排。

固定订阅下，客户承担更多使用风险；按结果付费下，企业承担更多交付风险；收入分成下，企业和客户共享收益，也共享部分不确定性。

因此，收费方式不能脱离现金流结构讨论。企业如果收入变成结果相关，但成本是刚性的算力、人工交付和客户成功费用，现金流波动会明显增加。

这也是很多 AI 应用公司需要警惕的地方。它们想讲高质量收入，却没有相应的交付控制力；想讲结果付费，却没有足够的风险缓冲；想讲规模化，却仍然依赖大量人工项目制交付。盈利模式如果与业务系统和现金流结构不匹配，增长越快，压力越大。

七、第四个检验：关键资源能力是不是形成数据、模型、场景和反馈闭环

1. 真正稀缺的不是单一模型

AI 时代，很多企业会把模型当成关键资源。

模型当然重要。但从商业模式角度看，单一模型的稀缺性会被持续压缩。通用模型能力会扩散，开源模型会进步，云厂商会把模型能力基础设施化，行业模型也会越来越多。

真正稀缺的，是企业能否把数据、模型、场景、工作流和客户反馈组织成持续学习系统。

一个孤立模型只是技术资产。一个嵌入业务系统、能获得场景反馈、能持续优化结果、能支撑客户承诺的模型，才是商业模式能力。

2. 场景和工作流决定 AI 能不能沉淀能力

数据必须进入场景，模型必须进入工作流，反馈必须进入迭代，AI 才会越用越强。

如果企业只有数据，没有场景，数据很难转化为生产力。如果企业只有模型，没有工作流，模型很难进入客户真实任务。如果企业只有试点，没有持续反馈，能力就难以沉淀。

所以，AI 时代的关键资源能力，不是“我有多少数据”或“我接入什么模型”，而是“我能不能把客户任务、业务流程、数据反馈和能力升级连成闭环”。

这种闭环一旦形成，企业每一次交付都会产生新的学习输入；每一次学习都会改善下一次交付；每一次更好的交付又会带来更深场景和更强客户粘性。

3. 反馈闭环决定商业模式能不能越用越强

第一篇说，好的 AI 商业模式应该越用越强。这句话落到关键资源能力上，就是反馈闭环。

一次性自动化带来的效率提升，容易被竞争者追平。持续学习系统带来的能力积累，才更可能形成差距。

例如，一个 AI 客服系统如果只是回答常见问题，它的价值主要是减少人工。一个更深的系统，会记录客户问题变化、识别产品缺陷、更新知识库、调整服务策略，并把这些反馈传回产品和运营。它不只是客服工具，而是客户关系和产品改进系统的一部分。

这类能力不是采购一个模型就能获得的，而是长期组织数据、场景、流程和反馈的结果。

八、第五个检验：现金流结构能不能承受 AI 的持续成本

1. AI 应用看起来轻，成本结构未必轻

AI 很容易被包装成轻资产软件故事。界面是软件，交付是在线服务，收入可能是订阅，增长叙事也接近 SaaS。

但 AI 商业模式背后的成本结构，未必像传统软件那样轻。

算力、推理、模型调用、数据治理、安全合规、客户场景适配、持续调优、人工审核、客户成功和系统集成，都会形成持续成本。尤其当企业从卖工具走向卖结果时，交付责任增加，成本也会前置。

所以，AI 商业模式不能只看收入想象，必须看现金流结构。

2. 收入像软件，成本像服务，是一个危险信号

很多 AI 企业最危险的状态，是收入像软件，成本像服务。

对外讲的是标准化产品和规模化订阅，对内却依赖大量人工部署、人工调参、人工清洗数据、人工解释结果、人工陪跑客户。收入端看起来可以复制，成本端却随着客户增长同步上升。

这种模式短期可能增长很快，但毛利、回款、续费和现金流质量会承压。

如果企业还想按结果收费，现金流压力会进一步增加。因为结果付费往往意味着更长回款周期、更高交付责任和更大的不确定性。

3. 现金流是 AI 商业模式的压力测试

商业模式最终要回到现金流。

定位再漂亮，业务系统再智能，盈利模式再先进，如果现金流结构无法支撑，商业模式就不稳。AI 时代尤其如此，因为很多成本发生在前端：研发投入、算力采购、模型训练或调用、数据治理、客户部署和持续优化都需要先投入。

健康的 AI 商业模式，必须回答几个问题：新增客户的边际交付成本会不会下降，推理成本是否可控，客户续费是否稳定，结果付费的风险是否可承受，数据和反馈能否降低后续交付成本。

如果这些问题没有答案，收入增长可能只是把现金流压力往后推。

九、第六个检验：企业价值来自故事，还是来自可复制系统

1. AI 概念本身不等于企业价值

企业价值不是有 AI 概念就能自动提高。

资本市场会关注 AI，因为 AI 可能改变生产率、市场空间、盈利模式和企业边界。但真正能支撑企业价值的，不是“用了 AI”这个标签，而是 AI 是否让企业形成更可扩张的业务系统、更可复制的交易结构和更可持续的学习闭环。

如果企业只是把 AI 放进旧产品，短期可能提升关注度，但未来现金流未必改变。如果企业通过 AI 改变客户承诺、交付结构、收费方式和能力沉淀，企业价值逻辑才可能重估。

2. 可复制交易结构，比单次项目收入更重要

AI 企业很容易陷入项目制。

每个客户都要重新部署，每个场景都要重新调参，每次交付都要大量人工参与，项目做完以后经验没有沉淀到通用系统里。这样的收入不是没有价值，但企业价值弹性有限。

真正值得重估的是可复制交易结构。

所谓可复制，不是完全标准化，而是企业能够把不同客户的共性任务、共性数据结构、共性流程和共性反馈沉淀下来，让后续交付越来越快、越来越稳、越来越低成本。

这时，企业价值就不只来自当前项目利润，而来自系统能力的扩张。

3. 动态升级能力决定长期差距

AI 时代的企业价值，还要看动态升级能力。

一个好的 AI 商业模式，应该让每一次客户使用都产生新的数据，每一次交付都形成新的经验，每一次反馈都改善模型和流程，每一次能力提升都带来更高质量的客户结果。

时间拉长以后，企业之间的差距不会只体现在谁的模型更强，而会体现在谁的业务系统更会学习，谁的交易结构更容易复制，谁的现金流更能穿越周期。

这也是本系列后面要继续讨论“动态升级”的原因。静态六要素告诉我们商业模式现在如何匹配，动态升级告诉我们它能不能越用越强。

十、六要素重新匹配，才是 AI 商业模式重构的起点

1. 不问用了什么 AI，先问六要素有没有变

看一家企业的 AI 转型，第一反应不应该是问它用了什么模型、接了什么工具、做了什么演示。

更应该问的是：客户付费对象有没有改变，业务系统有没有重组，收费方式有没有匹配结果承诺，关键资源能力有没有形成闭环，现金流结构能不能承受持续成本，企业价值是否来自可复制系统。

这六个问题回答得越清楚，AI 越可能进入商业模式层。回答得越模糊，AI 越可能还停留在工具层或流程层。

[本图为公众号原排版配图，网页端暂未同步。]

图4：六个检验问题把第一篇结尾转化为第二篇的诊断框架

2. 第二篇不是六要素终点，而是后续展开的入口

这一篇的任务，不是把六个要素一次讲完。

如果一次讲完，文章会变成六要素知识梳理，反而削弱系列的层次。第二篇更适合完成一件事：把第一篇的底层链条，转化为一套诊断框架。

后续文章可以顺着这套框架继续展开。第三篇重点讲定位，为什么客户购买对象会从产品、工具和服务，走向能力、结果和确定性。第四篇讲业务系统，为什么企业会从部门流程走向人机协同的智能运营系统。第五篇讲盈利模式，为什么收费方式会从买断、项目和订阅，扩展到按量、按效果和结果分成。

这样，系列不会散。

3. 好的 AI 商业模式，最后要回到一致性

AI 时代最容易出现的误判，是把技术先进性直接等同于商业模式先进性。

但商业世界最终奖励的，不是技术本身，而是技术能否进入价值创造系统，并形成稳定的交易结构和现金流。

所以，第二篇的结论可以很简单：AI 商业模式重构的关键，不是某个环节更快，而是六要素重新匹配；不是企业使用了 AI，而是 AI 让企业的客户承诺、业务系统、收费方式、资源能力、现金流结构和企业价值逻辑之间，形成了新的闭环。

当这个闭环成立，AI 才不只是工具。它才真正成为企业形态和商业模式的重构力量。

本文为哒猫商业工作室原创内容，资料来源于公开的网站，仅供商业研究与学习交流使用，不构成任何投资建议。

参考资料

资料1：OECD, Is generative AI a general-purpose technology? 原文链接：https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/06/is-generative-ai-a-general-purpose-technology_6c76e7b2/704e2d12-en.pdf

资料2：National Bureau of Economic Research, Similarities and Differences in the Adoption of General Purpose Technologies. 原文链接：https://www.nber.org/papers/w30976

资料3：McKinsey, The economic potential of generative AI: The next productivity frontier. 原文链接：https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

资料4：OECD, The Adoption of Artificial Intelligence in Firms. 原文链接：https://www.oecd.org/en/publications/the-adoption-of-artificial-intelligence-in-firms_f9ef33c3-en.html

资料5：National Bureau of Economic Research, Prediction, Judgment, and Complexity. 原文链接：https://www.nber.org/system/files/chapters/c14010/revisions/c14010.rev2.pdf

资料6：SSRN, AI and the Nature of the Firm. 原文链接：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6595598

资料7：Journal of Business Research, How AI capabilities enable business model innovation. 原文链接：https://www.sciencedirect.com/science/article/pii/S0148296321003386

资料8：California Management Review, Governing the Agentic Enterprise: A New Operating Model for Autonomous AI at Scale. 原文链接：https://cmr.berkeley.edu/assets/documents/pdf/2026-03-governing-the-agentic-enterprise-a-new-operating-model-for-autonomous-ai-at-scale.pdf