过去几年，全球围绕人工智能（AI）的讨论几乎都集中在模型本身。从算力竞赛到晶片争夺，人们关心的是谁拥有更强大的模型，谁能率先实现下一次技术突破。仿佛AI时代的竞争，本质上是一场实验室之间的较量。然而，当越来越多企业开始部署AI时，一个意想不到的现实逐渐浮现。许多组织面临的最大困难，不是技术能力不足，而是不知道如何把技术变成生产力。
不久前，一家亚洲大型金融机构完成一项反洗钱AI系统测试，结果令人满意。系统能够在更短时间内识别可疑交易，准确率也明显高于传统方式。从技术角度看，这是一个成功案例。但项目并没有如预期般迅速上线，原因并不复杂：管理层无法确定哪些决定可以交由AI完成，哪些必须保留人工审批；合规团队担心责任归属问题；业务部门则发现，许多实际操作流程从未完整记录下来，而是长期依赖资深员工的经验和判断，造成数据不完整。
技术已经准备好了，组织却没有准备好。类似情况正在越来越多行业上演。过去10年，企业数码化转型的重点是把流程搬到线上，今天，AI正在推动另一场更深层次的变革。它不再只是提升协调和自动化效率的工具，而开始参与分析、判断甚至决策。这意味着，组织必须重新思考和处理权责边界、工作流程以及管理方式。
过去企业担心AI是否够聪明，如今更担心组织是否够成熟，在数据、组织、流程和文化上，达到能高效、可靠地部署AI并产生实际价值的成熟状态。这种诉求正在催生一个新的职业角色，最近两年，Palantir、OpenAI和Anthropic等公司陆续组建新的团队，将工程师直接派驻到客户组织内部。这些人有一个特别的名称：前线部署工程师（Forward Deployed Engineer）。但实际上，他们的工作远不只是工程。他们须要深入了解客户的业务逻辑、组织结构和决策流程，把通用AI能力转化为符合企业具体应用场景的解决方案。他们既要懂技术，也要懂业务；既要与工程团队沟通，也要与管理层对话。某种程度上，他们更像是AI时代的组织翻译官。
这个角色的出现说明一件事。今天最稀缺的资源已经不是AI模型能力，而是组织吸收AI模型能力的能力。过去的软件时代追求标准化，企业购买同一套系统，按照系统要求调整自己的流程。AI时代正在发生相反的变化，同一AI模型在应用于银行、医院、物流企业或政府机构等不同组织时，所嵌入的制度环境与运作语境存在显著差异。各组织均拥有独特文化体系、制度规则及历史沿革，并积累了大量难以文本化或编码化的隐性知识。例如，某些审批流程为何必须经由多部门协同？某些看似低效的操作为何成为惯例？此类问题通常不会出现在模型的训练数据之中，却决定着组织功能的实际运行效率。
AI无法天然继承组织在长期运作中形成的制度记忆。然而，组织的核心竞争力，往往正是源于这些通过实践逐步沉淀、内嵌于日常流程中的经验与认知。因此，尽管公众普遍担忧AI将大规模替代白领岗位，但现实发展路径可能远比“替代”这一单一叙事所呈现的更为复杂。
随着AI能力不断提升，组织对于能连接人与AI的人才需求反而正在增加。未来最有价值的人才，更可能是那些理解组织如何运作，并能够利用AI帮助组织重新设计工作方式的人。换言之，要把AI技术真正转化为企业生产力，需要的是一组能打通“技术—业务—流程”的复合型角色。
这对新加坡尤其具有启发意义。新加坡的资源不可能与美国、中国等科技大国比较，所以我们的赛道不在研发更强的大模型，而在于大模型的应用。新加坡不一定拥有全球最大的模型实验室，却拥有成熟的制度环境、完善的数码基础设施以及较强的组织执行能力，聚焦应用与治理是更务实、更具战略价值的选择。
新加坡最理性的AI战略不是复制硅谷，而是成为AI应用的最佳试验床和AI治理的全球黄金标准。它应鼓励企业基于现有最先进模型开发解决实际问题的应用，同时主动构建公平、透明、可信的AI治理框架。这既能创造最大经济价值，也符合国家禀赋。
作者白士泮是南洋大学校友学术会顾问与新加坡社科大学客座教授
石建政是新社科大客座讲师与特许金融科技分析师
