原创 UniqueResearch 2026-07-07 16:00 上海

AI行业观察

一个月访谈30人，现在一晚300人：AI开始在 enterprise 里"干活"了

从"工具"到"军师"，AI正在重写企业决策与执行的底层逻辑

一个月访谈30个人，现在一晚上300个。

这是一个中国头部消费电子品牌上周的真实数据。他们用了觅深科技（Mizzen AI）的平台，在一晚上完成了200多位受访者的深度访谈，最终总量超过300人。过去要花一整月、搭团队、飞全国各地才能干完的事，现在一晚上搞定。

孙克强跟我说这个案例的时候感觉这就是习以为常的事儿，但是我还是挺震撼的，感觉AI正在把"效率"重新定义为另一个维度的东西，速度本身。

从30人到300人：时间维度被压扁了

先聊聊觅深科技到底在做什么。Mizzen AI的定位很清晰：企业级AI用户洞察平台。说白了，就是用AI去采集、分析、沉淀真实的用户声音，帮企业做更科学的决策。

这事为什么重要？因为企业在做任何关键决策的时候——新产品要不要立项、原型设计用户买不买单、品牌 campaign 往哪个方向打、沟通反馈有没有踩雷、品牌健康度是升是降、品牌人格到底在用户心里长什么样——本质上都需要一件事：听到足够多的真实用户声音。

但"听到"这件事，在传统调研行业里是出了名的慢和贵。你要找目标人群、设计问卷、邀约访谈、配研究员做分析，最后还要写报告。一个项目动辄两三周起步，几十万预算打底。样本量还上不去，一个月深度访谈100个人？基本不可能。

觅深科技的逻辑是：用AI研究员替代传统的人肉研究员，用异步语音/文字交互替代预约制访谈，用智能分析替代手工编码。从30个人，到300个人。时间维度从"月"压缩到了"夜"。

但孙克强说这还不是他最看重的点。

"速度快当然是好事，但速度背后真正重要的是什么？是你在企业内部构建了一个超级高效的反馈系统。"

他打了一个比方：很多企业做决策像在高速公路上闭着眼睛开车，偶尔看下后视镜——这个后视镜就是年度报告或者季度用户调研。而觅深想做的，是给企业装上一套实时雷达，每一秒都能感知路面状况。

当真实用户声音可以快速、低成本、大规模地进入决策流程，企业就从"拍脑袋→等产品上线→看市场反馈→可能翻车"的漫长循环，转向"有问题→今晚就问用户→明天就有方向"的敏捷模式。

这套反馈系统沉淀下来的数据资产，长期来看可能比单次调研结果更有价值。你今天问用户对新功能的看法，三个月后回看同一批人的态度变化——这种连续性的洞察，在传统模式下几乎不可能实现。

工具？不，是"军师"

市面上聊AI应用，大家爱用的词是"工具"——AI是一个提效工具、是一个生产力工具。孙克强对这个说法不太买账。

"工具是被动提供价值的。你给我一个锤子，锤子不会判断这面墙该不该砸、用什么角度砸、砸完以后下一步干什么。"

他说了一个很关键的区别：执行者会主动判断。一个优秀的执行者接到任务后，会自己思考：我还需要什么资源？缺什么信息？下一步该做什么？要不要调整方向？而工具不会，工具等着被使用。

"所以我更愿意把AI看成企业的决策辅助者，甚至是智囊团和军师。"

这个观点值得展开。什么是军师？不是替你冲锋陷阵的人，而是在你做大判断的时候，在旁边帮你梳理信息、推演可能性、指出盲区的人。

孙克强举了一个反例——Meta的元宇宙。Facebook从2017年左右开始大举投入VR/AR，扎克伯格力推All in元宇宙，公司名字都改成了Meta。每年往Reality Labs砸进去约100亿美元，这个数字维持了多年。结果呢？Oculus Quest的销售始终没有达到预期，元宇宙平台Horizon Worlds的用户留存惨淡，Meta的股价在2022年一度暴跌。几百亿美元烧下去，买的其实是一个战略误判。

如果Meta有一个像Mizzen这样的"军师"，能在投入100亿之前先问清楚300个目标用户"你们真的想要一个虚拟办公室吗"，结局可能完全不同。

"你说Meta缺人才吗？缺钱吗？缺技术吗？都不缺。缺的是在最开始的战略判断上，有人站出来告诉他们：用户到底要不要这个东西？"

这才是企业真正昂贵的东西。战略判断本身的对错，远比某个执行动作的预算更昂贵。AI写文案、做数据分析、生成PPT，这些都是单点效率的提升，很好，但不够。企业真正面对的大问题是："这个方向到底该不该做？""这个功能用户会不会买单？""这个品牌定位换还是不换？"

这些问题，过去靠高管的经验直觉、靠咨询公司的PPT、靠小样本的定性研究来回答。而现在，AI有可能成为一种全新的决策支持方式——用大规模的真实用户声音，给战略判断提供底气。

"说白了，一个CEO在会议室里说'我觉得用户会喜欢'，和他说'我们昨晚聊了300个目标用户，73%对这个概念表现出明确兴趣'，这是两种完全不同的决策质量。"从"我觉得"到"73%的人这么说"，这就是军师的价值。

一个售前支持六个销售：AI重构的工作流已经发生了

聊到这里，孙克强分享了两个让他印象深刻的内部变化。第一个是售前支持。

"以前我们一个售前工程师只能支持两个销售。现在要支持六个。"怎么做到的？售前这个岗位，传统工作流是这样的：销售约到一个客户，把客户需求丢给售前，售前开始忙活——查客户背景、理解行业痛点、翻公司内部资料找匹配的产品能力、调取过往成功案例、再把这些东西拼装成一份定制化的方案初稿。这一套下来，没个一两天搞不定。所以一个售前能支持的销售数量有限，本质上是被这些基础性、重复性的工作给绑住了。

现在AI把中间的大段流程吃掉了。客户背景？AI自动抓取公开信息生成摘要。公司能力匹配？AI读产品手册和知识库，秒级推荐最相关的模块。过往案例？AI从项目库中调取最相似的三个，自动改写适配新客户场景。方案初稿？AI在几分钟内生成一个70分以上的版本，售前只需要做最后的把关和调优。

"售前的人没有被替代，但他们的工作性质变了。以前70%时间在搬砖，30%时间在思考。现在反过来了。"

第二个例子更让我意外：360环评。过去做一次360度环评，需要HR投入大量精力——发问卷、催进度、收数据、做分析、写反馈。Leader和团队成员之间还要安排相互评议，协调时间、组织会议、引导讨论，整个过程冗长且消耗管理成本。

"现在AI主持整个流程。从发问卷到回收数据，从生成分析报告到给出发展建议，AI独立完成。HR只需要在最后过一眼，看看有没有异常情况。"减少的不只是工作量，还有内部管理的心力消耗。

这两个案例指向同一个趋势：AI已经从"帮你写得更快"升级到"替你把整个流程跑完"。孙克强特别强调了一个概念——"边界清晰的场景"。"在边界清晰、规则明确、输入输出可量化的场景里，AI今天已经可以独立、完整地完成某些职能的全部工作。售前初稿是一个，环评是一个，用户调研也是一个。"

但他话锋一转："可一旦边界模糊、需要大量主观判断、或者涉及到多方利益博弈，AI就搞不定了。至少现在还搞不定。"

企业买单的不只是聪明，更是放心

很多做企业服务的创业者可能会愣一下——我们不是一直在让AI更聪明吗？错了。企业客户买单的不是聪明，是放心。

你想想，让AI帮你整理访谈记录、生成周报、同步系统数据，搞砸了最多浪费半小时。但让AI自动审批一笔50万的付款、在合同上签字、给某个员工打"不合格"的绩效——这些事情一旦出错，谁来担责？

所以孙克强认为判断一个任务能不能让AI直接执行，有三个硬指标：可逆性、风险等级、不确定性程度。信息整理、生成周报、创建任务、发送提醒，这些低风险、可逆、规则清楚的事，AI该干就干，别墨迹。但大额付款、合同签署、人员决策、对外承诺，这些高风险、不可逆、AI自己也说不准的事，必须留一道人类确认的门。

听起来很简单对吧？但大多数企业AI系统的做法是：要么全自动化（出事就爆炸），要么全人工审批（AI沦为填表工具）。孙克强觉得真正好用的系统，应该是动态授权的。什么意思？AI刚开始接一个新任务，权限卡得死死的——每一步都要人确认。但它连续做了100次都没出错，系统就自动放宽权限。它证明越可靠，获得的执行空间就越大。反过来，一旦出错，权限立刻回缩。这不是技术问题，这是信任机制的设计。

说到这儿，你可能想问：企业客户到底要什么？我总结了四件事，缺一不可。权限边界清晰，AI能碰什么、不能碰什么，一目了然。关键动作可确认，花钱的、签字的、承诺的，必须弹窗让人点一下。全链路可审计，AI干了什么、为什么干、依据是什么，事后能翻账。错误可以回滚，搞砸了能撤回、能恢复、能追责。

Mizzen在这件事上想得比较透。他们的做法是三层防护：可控、可追溯、可隔离。研究人员能实时查看AI在做什么访谈、随时介入调整方向，关键洞察出来之前保留人工审核——这是可控。每一条洞察都能点回去，看到是哪个用户、哪段原始访谈支撑的——这是可追溯。整个系统跑在独立环境里，单租户部署，甚至可以放到客户自己的云上——这是可隔离。

"企业不是不想用AI，而是不可能把关键流程交给一个不可控、不可追溯、不可隔离的黑盒。"

说白了，企业买AI跟雇人是一个逻辑。你会在刚入职的员工头上盖个"全权代里"的章吗？不会。你要观察、要考核、要设定边界，等他证明了自己，才逐步放权。AI也一样。再聪明的AI，没有可控机制，在企业里就是颗定时炸弹。

企业要的不是聊天，是执行

聊完"可控"这件事，一个更本质的问题浮出水面：我们现在看到的大多数"企业AI"，本质上还是聊天机器人。你问它答，一轮一轮对话，顶多帮你写个文档、查个数据。但企业真正需要的，是一个能理解业务状态、基于证据做判断、调用工具执行动作、并且始终可控的系统。这跟聊天机器人完全不同。这是执行系统。

孙克强把它拆成四个核心能力，一个一个说。第一个是持续理解上下文。要的是真正理解一个客户的历史、一个项目的进展、一个任务的当前状态、一系列决策的前因后果。企业里的工作，是嵌在复杂业务网络里的连续动作，从来不是孤立的对话。AI如果每次都要人重新交代背景，那跟换个新同事没区别，每次都得培训一遍。

第二个是可靠判断。AI给企业出主意，必须能说清楚依据是什么、证据在哪里、哪些是事实、哪些是推断、哪些需要人来确认。企业最怕的不是AI说"我不知道"，而是AI信誓旦旦地说了一个错的结论，还让你看不出来哪里错了。

第三个是真正执行动作。生成任务、更新系统、触发流程、通知相关人、持续观察结果。它得真的去做，而不是生成一段文字告诉人"你该去做了"。企业里的执行链条是：看到问题→决定做什么→做→确认做了→看效果→调整。AI得能跑完这一整条链，而不是停在"建议你..."这一步。

第四个是可控。这部分前面已经说透了——权限、审计、人工介入、异常处理，一个都不能少。说穿了，这四个能力串起来就是：知道情况→做出靠谱判断→真的动手干→干的时候有人盯着。

Mizzen目前已经跑通了哪一段？他们在用户研究这个场景里，已经实现了从复杂非结构化信息里理解上下文，并形成可追溯结论。用户研究这件事本身就够复杂的——研究设计、招募受访者、几十上百场访谈、信息整理、分析提炼、输出报告。AI参与了这个链路的每一个环节，而且最终的每一条洞察，你都能点回去，看到是哪个用户的哪段原话支撑的。

这个过程已经在解决企业AI最硬的四个问题：长上下文理解、多轮任务执行、人机协同、证据链和结果可复核。但孙克强也坦白跟我说，还有两件事在啃。一是更长期、更动态的记忆和状态管理。现在的AI能记住一个项目里的上下文，但如果一个客户合作了三年、经历了五轮研究、中间产品迭代了四次，AI能不能把这些跨时间线的信息自动关联起来？这需要的远不止"长上下文"，而是动态的状态记忆。二是从"洞察"真正走向"行动闭环"。现在Mizzen的AI能帮企业发现问题、形成判断，但接下来的动作——改产品、调策略、推动落地——还需要人去做。怎么让AI从"发现问题"真正走向"解决问题"？这是下一座山头。但方向已经清楚了。

真正的企业级AI执行系统，跟聊天机器人完全不是一回事。它是持续理解状态、基于证据做判断、调用工具执行、并且始终可控的系统。

人定义目标，AI承担执行

聊完技术架构，我们来聊聊更本质的事——未来企业里，人和AI到底怎么分工？孙克强画了一条时间线。第一阶段是Copilot。AI坐在你旁边，帮你写、帮你查、帮你分析。人是主驾驶，AI是副驾驶。你让它写什么它写什么，你问它什么它答什么。这也是我们现在最熟悉的形态。第二阶段是Agent。AI能独立完成具体任务了。你说"整理一下上周所有客户访谈的关键洞察"，它自己去调取录音、转录、分析、输出结论，不需要你一步一步教。但本质上，它还是在执行一个被明确定义的任务。

第三阶段，我称之为Execution System——执行基础设施。AI从一个"你去用它"的工具，变成了一层嵌入企业运营的基础设施。它持续理解业务状态，跨系统协同，自主执行动作，对结果进行闭环追踪。这个阶段最大的变化是什么？企业要引入AI作为基础设施，就得重新设计"哪些工作由人完成，哪些由AI完成"。

这句话的份量很重。这意味着AI不会只作为现有流程的插件存在，它会重构流程本身。我举个例子。现在一个产品经理的工作流可能是：做用户调研→整理需求→写PRD→评审→跟进开发→验收→上线观察。未来这个流程可能被拆成两半：AI负责执行调研（招募、访谈、整理、初步分析）、持续追踪数据、自动生成周报、同步项目状态、提醒风险点。产品经理呢？只干三件事：定义目标（我们到底要解决什么问题）、做关键判断（基于AI的分析，决定做不做、怎么做）、承担最终责任（上线之后好不好，背锅的是你）。

过去很多人的价值，体现在记流程、催进度、搬数据、做重复执行上。说句实在话，这些工作确实很辛苦，也确实很考验耐心。但未来，这些恰恰是AI最擅长的事。那人的价值往哪迁移？我觉得就八个字：定义目标，承担责任。

AI能帮你把事做完，甚至做得很好。但它不知道这件事"值不值得做"，这是目标定义。它也不能为结果负责——出了问题是老板背锅，不是AI背锅。

在孙克强看来未来企业里最稀缺的能力，不再是"把事情做完"。而是知道什么事情值得做、为什么做，以及愿意为结果负责。这个转变会很痛苦。因为很多人习惯了在执行层面证明自己——我加班多、我效率高、我流程走得顺。但AI越强，这些越不值钱。人越不能只做流程里的执行节点，越要变成目标定义者、边界设定者和最终责任人。

说到底，AI真正改变企业的，不是工具升级。三年后的某个周一早晨，一个产品经理走进办公室，AI已经帮他整理好了上周所有用户反馈，标记了三个需要他亲自判断的关键问题。他坐下来，不是在回邮件，不是在催进度，而是在想：这个月最重要的事是什么？把人驱动流程，变成AI驱动执行、人定义目标并承担责任。这个转变不会一夜发生。但一旦开始，就不会回头。

更多对话细节

Q1：如果用一句"人话"解释，Mizzen AI 到底在做什么？

孙克强：一句话来说，Mizzen AI 想做的是一个企业级 AI 用户洞察平台，用真实用户声音来支撑企业的科学决策。企业做产品创新、原型验证、品牌营销、品牌健康度追踪，甚至品牌人格画像分析，本质上都需要听到大量真实用户的声音。但过去这件事非常慢，也非常重。很多时候，企业要花一个月才能访谈 30 个人。现在有了 AI，这件事可以在一夜之间变得触手可及。速度很重要，但速度背后更重要的是，我们希望构建一个超级高效的反馈系统，把真实用户声音沉淀下来，变成企业可以反复使用的决策资产。

Q2：你怎么看"AI 已经不只是工具，而是开始变成执行者"这个判断？

孙克强：我部分认同这个判断。工具和执行者最大的差别在于，工具是被动提供价值，执行者会主动判断：我还需要什么资源，我还需要获取什么信息，下一步应该做什么。但我不完全同意把 AI 只定义成"执行者"。在我看来，AI 在企业里的价值不只是帮你落地动作，它还可以帮助你降低决策风险、降低犯错概率。所以我更愿意把它看成企业的决策辅助者，甚至某种意义上的智囊团和军师。它能帮你获取战略分析所需要的信息，再把这些信息落到执行建议上，帮助企业做出更高质量的决策。

Q3：AI 进入企业之后，价值已经从"提升效率"升级为"替代部分流程执行"了吗？

孙克强：我觉得已经升级到了"替代部分流程执行"。一个很具体的变化是售前。以前我觉得一个售前只能支持两个销售，但现在我们一个售前大概可以支持六个销售。因为很多基础性的售前工作，比如理解客户背景、整理公司能力、调取过往案例、形成方案初稿，都可以由 AI 辅助甚至直接完成。这不只是让人快一点，而是在一些边界清晰的场景里，AI 已经可以独立、完整地完成某些职能的一部分工作。当然，不是所有流程都会被替代，但从趋势上看，AI 的价值已经不只是效率工具，而是在变成新的执行单元。

Q4：为什么单点 AI 能力，比如写文案、做分析、生成内容，已经不够了？

孙克强：因为对企业来说，最贵的成本不是单点上的支出，而是做错事情的成本。写文案、做分析、生成内容，这些能力可以提升单点效率，但企业真正面对的不是"这段文案能不能快一点写出来"，而是"这个方向到底该不该做"。一个好的决策能让企业获得长足增长，一个错误的决策也可能拖垮一家企业。所以企业真正需要的是更高、更强的智能：能够端到端地帮助企业获得信息、理解信息、形成判断，并把判断进一步落到执行上。

Q5：Mizzen AI 更像 workflow automation，还是 AI decision / execution system？

孙克强：Mizzen AI 明确希望构建的是 AI decision / execution system。我们的目标不是简单做一个 workflow automation，而是构建一个 decision engine。如果只是 workflow automation，它更多是把传统用户研究链路自动化，比如自动生成访谈提纲、自动整理访谈内容、自动输出报告。这当然有价值，但它本质上还是为某个流程环节负责。但我们想做的 AI decision / execution system，不只是把一个环节做快，而是要具备完整的信息获取能力，把这些信息在平台上沉淀和整合，最终成为一个辅助人类做各种决策、并支撑下游业务的平台。两者最大的区别在于它为谁负责。workflow 为某个流程环节负责；decision engine 则是直接为业务部门负责，为业务产出负责，甚至某种意义上为战略决策负责。

Q6：AI 要真正完成企业工作流，最难的是理解任务，还是跨系统执行？

孙克强：坦诚来说，这两个方向现在都面临很大的挑战。第一是理解任务本身。企业里的任务不是一句指令就能定义清楚的，它需要理解任务背景、阶段性期待、品质要求、任务风格，以及结果的真实状态。很多任务之所以能被人完成，是因为团队之间有默契，有大量没有被写下来的上下文。第二是跨系统执行。企业内部工作不是单一步骤，通常涉及数十个系统之间的协同，包括跨部门、跨系统、跨平台的切换。AI 如果要真正完成工作流，就必须兼容不同平台、不同权限、不同数据结构和不同业务状态。所以这不是二选一的问题。真正困难的是，AI 要同时理解企业真实上下文，又能在真实系统里把动作执行下去。

Q7：一个真正可用的企业级 AI 执行系统，应该具备哪些核心能力？

孙克强：我觉得至少要有四个核心能力。第一，是能持续理解上下文。它不能只在单次对话里回答问题，而是要理解企业里的客户、项目、任务、历史决策和当前状态，知道事情走到哪一步了。第二，是能做可靠判断。企业场景里，AI 不能只是生成一个听起来合理的答案，而要有证据、有来源、可追溯，知道哪些是事实，哪些是推断，哪些还需要人确认。第三，是能真正执行动作。它不只是告诉你"建议跟进这个客户"，而是能够进一步生成任务、更新系统、触发流程、通知相关人，并持续观察执行结果。第四，是要可控。包括权限、审计、人工介入、异常处理。企业不会把核心流程交给一个完全黑盒的 Agent，所以人机协同和治理能力非常关键。

Q8：你怎么定义 AI Assistant 和 AI Execution System 的区别？

孙克强：最核心的区别是：AI Assistant 帮你做事，AI Execution System 帮你把事情做完。Assistant 通常是人发起、AI 响应，核心是回答问题、生成内容、提供建议。它解决的是"这个回答好不好""这个建议有没有帮助"。Execution System 面对的是一个目标。它需要持续理解上下文，调用不同工具和系统，自主判断下一步动作，在必要时让人介入，并最终形成结果闭环。所以简单来说，Assistant 对回答质量负责，Execution System 对任务结果负责。这是两者最根本的区别。

Q9：哪些任务适合 AI 直接执行，哪些必须保留人类确认？

孙克强：我觉得关键不是按任务类型一刀切，而是看三个维度：可逆性、风险和不确定性。低风险、可逆、规则明确的任务，可以让 AI 直接执行。比如信息整理、系统同步、生成周报、创建任务、发送内部提醒，这些任务即使出错，也比较容易发现和修正。但只要涉及高风险、不可逆，或者 AI 本身置信度不足，就应该保留人类确认。比如大额付款、合同签署、人员决策、对外承诺，或者会显著影响客户关系的动作。我的原则是：AI 可以自主执行低风险动作；越接近不可逆决策和重大责任，越需要 Human-in-the-loop。长期来看，最好的系统也不是固定审批，而是动态授权。AI 证明自己越可靠，获得的执行权限就越大。

Q10：从真实案例看，AI 在用户研究里到底能带来什么变化？

孙克强：我们有一个大客户，是中国一家非常头部的消费电子品牌。他们用户量非常大，但过去一直没有很好地理解自己的用户。以前他们做一项研究，花一整个月时间可能只能访谈 30 个人。我们第一次 POC 时，在五六个小时内帮客户访谈了 30 多位受访者。品牌方看到结果之后，开始相信平台的 AI 主持人能力。后来我们帮他们在一个晚上访谈了 200 多位受访者，过了几天之后，最终访谈人数超过了 300 位。这件事最关键的不是数字本身，而是这种规模的深度调研以前几乎不可行。AI 让企业能够在很短时间内拿到大量真实用户声音，而且不是停留在问卷层面，而是通过 AI 主持人持续追问，沉淀更深的信息。最后，这些结果帮助企业更好地理解用户分布、结构和特性，也在内部不同部门之间被广泛协作和流传，用来支持后续更多业务决策。