《Competing in the Age of AI》· AI 战略方法论
重构业务流程 + 数据网络效应 + AI 工厂,判断 AI 战略与业务重塑方向。
核心框架
1. 重构业务流程(AI 重塑商业模式)
- 适用场景:判断 AI 对业务模式的颠覆性、AI 战略制定
- 步骤:识别可重构流程 → 评估颠覆方向(增强 or 颠覆)→ 重构决策(数据驱动替代经验)
- 输出物:AI 战略判断(增强 or 颠覆 + 重构方向)
2. 数据网络效应(Data Network Effects)
- 适用场景:AI 产品壁垒建设、数据飞轮设计
- 步骤:数据获取(使用即贡献)→ 数据优化模型 → 模型提升体验 → 体验吸引用户(循环放大)
- 输出物:数据飞轮设计(获取/优化/体验/增长闭环)
3. AI 工厂(AI Factory)
- 适用场景:AI 运营体系化建设、规模化决策
- 步骤:数据管线(采集/清洗/标注)→ 模型服务(开发/部署/迭代)→ 实验系统(A/B/评估)→ 决策嵌入(预测进决策)
- 输出物:AI 工厂建设方案(数据/模型/实验/决策四层)
决策规则(8条)
- 评估 AI 战略 → 先判断增强还是颠覆现有模式
- 建设 AI 壁垒 → 设计数据网络效应(使用即产生数据)
- AI 能力规模化 → 建 AI 工厂(标准化)
- 数据获取受限 → 重新设计产品让用户产生数据
- 决策要 AI 化 → 先确保预测可靠再嵌入
- AI 项目推进 → 从重构小流程开始
- 评估竞争 → 看对手的数据网络效应
- AI 战略执行 → 组织要配套(数据/模型/运营团队)
检查清单
- 识别了可重构流程
- 判断了增强 vs 颠覆
- 数据网络效应设计(使用即贡献)
- AI 工厂四层建设(数据/模型/实验/决策)
- 决策流程与 AI 预测匹配
- 组织配套(数据/模型/运营团队)
反模式
- 把 AI 当附加功能(不重构流程)
- 没有数据飞轮(无壁垒)
- AI 工厂缺失(每次迭代手工)
- 决策与预测脱节
- 组织不配套
边界声明(≥3条)
- 成书于 2020 年(大模型前夜),生成式 AI 时代需补充
- 战略框架宏观,运营执行细节少
- 案例以美国大企业为主,中国语境需适配
- 作者立场:哈佛商学院视角,强调战略组织,技术细节少
诚实说明
提炼基于《Competing in the Age of AI》(Iansiti and Lakhani, 2020)公开章节与权威解读,信息截止 2026-09;非原文的直接推断已标注。
本 Skill 由陆羽Skill生成。