Ep 57. 两个世界的碰撞：传统企业眼中的 AI 革命

概览

本期围绕“传统行业如何看待和使用 AI”展开。嘉宾张肖文长期在外资金融机构工作，目前负责技术部门管理，他从金融行业和传统企业技术部门的视角，讨论了 AI 在这些组织里的真实落地阻力。

核心结论是：传统行业并不是不关注 AI，而是由于技术部门常被视为成本中心，加上合规、信息安全、数据中心和监管要求，采用 AI 的节奏会比科技行业谨慎得多。AI 当前更容易先作为 Copilot 提升搜索、翻译、数据整理、脚本生成等局部效率，而不是直接结构性进入核心业务决策。

后半段讨论转向职业选择。嘉宾认为，传统行业技术人的价值并不只在技术本身，还在行业知识、企业上下文、监管理解和复杂系统里的“状态”。未来更重要的能力可能不是单纯写代码，而是能理解业务、设计流程、指挥 AI，并把领域知识转化为可被 AI 使用的工具和系统。

分段落总结

[00:22] 嘉宾背景与讨论主题

[事实] 主持人 Lag9M 介绍本期嘉宾小文，主题是传统行业、AI 以及嘉宾对行业的观察。 [事实] 嘉宾本名张肖文，2007 年毕业参加工作，职业生涯大多在外资金融机构，目前在一家美资金融机构的国内合资公司负责技术部门管理。 [事实] 嘉宾表示自己已经不太是一线技术工作者，但长期处在传统行业，能感受到传统行业技术部门和技术圈对新技术的热情之间存在差异。

[02:22] 科技圈与非科技圈的 AI 割裂感

[事实] 主持人提到，科技类播客几乎都在讨论 AI，而许多非科技行业播客的内容与四五年前相比变化不大。 [事实] 主持人由此感到世界被分成了“疯狂往前推进”的科技圈和“好像停在原地”的传统世界。 [事实] 这也是主持人对嘉宾关于“弱科技含量工作存在意义”的推文产生兴趣的原因。

[03:28] 传统行业与科技行业的定义

[事实] 嘉宾把科技行业理解为以信息技术、计算机科学推动的新商业模式，或对既有商业模式的改造。 [事实] 嘉宾把传统行业理解为计算机信息技术出现前就已存在的行业，如制造、金融、医疗。 [事实] 嘉宾认为传统行业的主营商业模式不主要依赖计算机技术，因此技术部门通常是辅助主营业务的成本中心。 [推测] 这一定义解释了为什么同样面对 AI，科技行业和传统行业的决策速度、风险偏好和关注点会明显不同。

[06:00] 传统行业采用 AI 的谨慎逻辑

[事实] 嘉宾表示，传统行业会关注 AI，甚至公司目标中也会写入 AI，但它更像辅助性评估指标，而不是核心成败目标。 [事实] 嘉宾认为 AI 技术本身仍有不确定性，在传统行业里真正可落地的场景仍然有限。 [事实] 信息安全、合规和行业监管会显著影响传统行业选择新技术的方式。 [推测] 传统行业对 AI 的态度更接近“观察并谨慎试点”，而不是以 AI 重塑业务为优先目标。

[09:00] 金融机构的私有化部署成本

[事实] 嘉宾提到，大型金融机构认可 AI 作为 Copilot 对员工生产力的帮助。 [事实] 但在嘉宾知道的两三家美国金融机构中，内部使用的是 OpenAI/ChatGPT 的私有化部署，而不是普通 SaaS 订阅。 [事实] 这种方式需要企业在自有数据中心承载 GPU 和运维成本，也需要向供应商支付更高费用。 [事实] 嘉宾认为，除非公司层面有很大决心并能算过 ROI，否则多数企业很难以合规方式投入这笔钱。

[10:56] 金融基础设施与监管门槛

[事实] 嘉宾说金融行业的基础设施运维不是成本导向，而是受监管要求约束。 [事实] 他提到中国金融机构会面临数据中心归属、异地灾备距离、两地三中心等技术规格要求。 [事实] 如果企业承担不了这些规格对应的数据中心成本，就很难做相关业务。 [推测] 在金融行业里，AI 落地不只是模型能力问题，也是一整套基础设施和监管合规问题。

[12:28] 企业隐私协议与供应商信任边界

[事实] 嘉宾表示，据他所知，私有化部署的 ChatGPT 通常并不天然访问企业内部数据，更像是在企业环境里提供模型和网页对话能力。 [事实] 企业级 AI 服务通常会承诺不查看、不留存、不用于训练用户数据。 [事实] 嘉宾认为，大型金融机构不一定愿意仅凭隐私协议接受 SaaS，因为供应商未必能承担金融机构面对的合规后果。 [推测] 对大型传统金融机构来说，“供应商承诺”不如“部署在自有数据中心”更容易满足内部风险控制。

[15:00] 科技企业与传统企业的风险偏好差异

[事实] 主持人提到科技企业也会通过协议限制代码和对话历史上传，以便员工使用模型。 [事实] 嘉宾认为科技企业风险偏好更高，也更容易理解并认可相关技术手段和协议有效性。 [事实] 主持人补充说，科技企业更知道系统如何工作，而传统企业可能把它视为黑箱。 [推测] 这种认知差异会影响企业是否信任外部 AI 服务，以及愿意在多大范围内开放使用。

[16:28] AI 在传统企业的效率价值与度量难题

[事实] 嘉宾认为，传统企业引入 AI 的第一阶段，最容易被拿来讨论的是它能否降低各个成本中心的成本。 [事实] 他也指出，AI 带来的效率提升并不好衡量，容易被不理解 AI 的管理者简化成“明年预算能不能少一点”。 [事实] 嘉宾认为 CTO、CIO 等中高层需要承担判断责任，先投入一部分成本，再观察效果。 [事实] 在现阶段，翻译、搜索等工作是最显而易见会被 AI 提升效率的场景。

[18:18] AI 进入核心业务的限制与微创新

[事实] 嘉宾表示，AI 目前几乎还没有结构性进入企业核心业务、业务数据或业务决策。 [事实] 原因包括 AI 技术较新、探索成功率较低，以及很难找到能在业务中有效落地的点。 [事实] 嘉宾所在部门已经在小范围内使用 AI 自动标记历史数据、整理业务数据、准备 reference data 并做数据整合。 [事实] 他们的业务数据不能出数据中心，内部算力只能跑 32B 级别模型，但嘉宾认为这已经能做很多事。

[21:00] 成本压力与 AI Coding 的结构性价值

[事实] 主持人提出，如果传统企业只从成本减少来证明 AI 价值，那么 AI 是否会带来更多裁员。 [事实] 嘉宾承认自己每年都要背财务成本指标，人力、授权、FTE 和 contractor 都是成本的一部分。 [事实] 嘉宾认为，如果技术部门定位不变，AI 确实容易被理解为降本工具。 [事实] 但他也认为 AI Coding 让很多过去“不值得信息化、自动化”的事情变得值得做，技术部门能做的事反而变多。

[25:00] 招聘变化与初级岗位压力

[事实] 嘉宾说自己公司规模和阶段特殊，不太招聘应届毕业生，因此无法直接观察本公司新毕业生招聘变化。 [事实] 他了解到，中国境内一些较大的外资金融机构应届生招聘没有变少。 [事实] 但他也提到，AI 进入后大家首先谈论的是成本节约，并且 junior 到 senior 左右的岗位压力更明显。 [事实] 嘉宾提到，一个 senior 配多个 agent，可能比带几个 junior 更好用。

[27:00] 企业员工对 AI 的矛盾态度

[事实] 嘉宾说，员工会觉得 AI 帮自己写脚本等任务很爽，但当讨论 AI 是否会替代自己时，又会强调 AI 做不了复杂事情。 [事实] 嘉宾在给非技术部门做 AI 培训时，会强调 AI 擅长文本、方法论和通识知识。 [事实] 他认为，在 AI 能端到端完成某类工作且结果可验证之前，很多人都会认为 AI 只是辅助。 [推测] 员工对 AI 的态度既包含实用主义，也包含对岗位安全的防御心理。

[30:00] 端到端替代与主动拥抱 AI

[事实] 嘉宾认为，翻译是已经被端到端替代得很明显的领域，因为 98% 质量自动化实现后，剩下 2% 的瑕疵可能被接受。 [事实] 他建议业务部门结构性接受 AI，思考岗位或部门价值如何实现，并重构业务流程。 [事实] 嘉宾认为，仅仅给员工发 AI 工具，员工通常会在原有流程上使用它提升个人效率，但这不是企业结构化使用 AI 的方式。 [事实] 他对技术部门同事也强调，AI 变化已经发生，不应只防守或抵触。

[33:00] 视频模型与岗位临界点

[事实] 嘉宾提到字节的视频模型 2.0，认为它不只是画面生成，还加入了声音和分镜逻辑。 [事实] 他认为这让影视行业的人不再只是“看热闹”，因为一部分原本属于人的工作被端到端构建进模型或方案中。 [事实] 主持人总结说，当 AI 能力超过某个临界点，岗位可能就会消失。 [推测] 这一段把 AI 替代从“工具增强”推进到了“职能重组”的层面。

[35:08] 传统行业技术工作的身份与护城河

[事实] 嘉宾认为，在传统行业技术部门工作的人，首先是该行业的从业者，其次才是技术工作者。 [事实] 随着年限和岗位层级提升，技术技能会被行业知识、企业知识和管理职责稀释。 [事实] 嘉宾曾焦虑于自己是否会“砸在”某个行业或企业里，因为企业和行业知识可能变成职业沉没成本。 [事实] 后来他认为，所有职业本质上都会面对类似问题，不只是程序员。

[39:00] T 型能力与职业抗风险

[事实] 嘉宾提到自己做过研发、运维、大数据等多个技术岗位，后来发现综合能力对长期职业发展有好处。 [事实] 他认为，即使以后不在金融行业工作，通识性的商业、法律法规、监管理解仍可能帮助自己在别的行业扎根。 [事实] 嘉宾不希望把自己只定义成技术部门的人，或只定义成金融行业的人。 [推测] 他的职业策略是把行业经验转化为更通用的商业和组织理解，从而增强抗风险能力。

[40:51] 垂直行业知识为何难被通用 AI 取代

[事实] 嘉宾说传统企业大量系统是增强、改造、修补，难点在行业标准、技术规格、业务逻辑以及公司特有逻辑。 [事实] 这些上下文很难直接告诉 AI，因为它们不建立在广泛通识上。 [事实] 嘉宾提到做疫苗研究的朋友也有类似情况：AI 能帮助看文献，但公司内部事务既不允许随便用 SaaS AI，也不是 AI 真正懂的通识内容。 [推测] 垂直行业里的隐性上下文，是通用 AI 短期内难以直接替代专业岗位的重要原因。

[42:30] 从操作机床到设计机床

[事实] 当主持人问是否担心企业训练出具备专业知识的 AI 时，嘉宾回答“会”，但谈不上担心。 [事实] 嘉宾认为，如果企业要训练金融或支付等狭窄领域的 AI，他会希望自己成为训练这个 AI 的人。 [事实] 他用“机床”类比未来职业：有人只按 SOP 操作工具，也有人设计新的机床。 [推测] 嘉宾更倾向于让自己成为能设计、训练、组织 AI 系统的人，而不是只执行 AI 生成结果的人。

[45:00] 领域复合型人才与法律行业示例

[事实] 主持人认为，通用应用开发、简单前端页面等缺少深层上下文的工作更容易被替代。 [事实] 嘉宾认同深耕传统行业、既懂技术又懂行业门道的复合型人才价值可能升高。 [事实] 主持人提到法律文书岗位可能较快被替代，但上庭和客户沟通仍有人的价值。 [事实] 嘉宾提到一些激进律所可能变成资深律师配很多实习生，由实习生对 deep research 结果做事实核查。

[48:00] 成长路径与代码作为实现细节

[事实] 嘉宾说法律、医疗和技术行业都在讨论初级到高级的成长路径会不会消失。 [事实] 主持人认为不必过度悲观，因为 AI 时代会形成新的工作方式。 [事实] 主持人提到，做 AI agent 的人中有观点认为未来代码会变成 implementation detail，像机器码一样不再需要大多数人直接阅读。 [事实] 嘉宾认同，未来初级和高级的定义可能不再基于传统手工编程逻辑。

[51:00] 高级工程师的新定义与有状态工作

[事实] 主持人认为，任何时代都有当下能发挥最大价值的新技能，web coding 也可以算作新技能。 [事实] 嘉宾把高级工程师分成两类：一类主要由岗位被动推着积累，另一类更主动学习、视野更开阔。 [事实] 主持人认为程序员岗位仍有很多维护复杂性的工作，因此相较翻译、文章、美术等一次性交付型工作，不那么悲观。 [事实] 嘉宾用“无状态”和“有状态”概括替代风险：只要输入输出可替换、缺少长期留存状态的环节更容易被替代。

[54:00] 老系统、可验证性与职业选择

[事实] 主持人认为很多工程师在公司的价值来自“有状态”，公司难以把老系统重构成无状态流程。 [事实] 嘉宾举例说，老牌金融机构里有些资深工程师的名字会写进业务部门 SOP，系统出问题就找他们。 [事实] 主持人指出，web coding 的一个难点是可验证性，即如何确认生成结果完全符合需求。 [事实] 嘉宾建议从职业选择角度，尽量选择能积累更多状态的行业或岗位，避免走了就能被任意替换的工作。

[57:00] 销售、一线经验与商业认知

[事实] 主持人认为销售是一个很好的职业，因为客户关系很难被 AI 带走。 [事实] 嘉宾分享了县级市酒水销售的案例：单个动作看似杠杆低，但持续两年后可能形成很强的销售能力和业绩。 [事实] 嘉宾反思办公室工作者往往偏好高杠杆、可规模化的商业模式，但真实商业成功未必都来自这种逻辑。 [事实] 嘉宾认为一线经验、商业认知、销售关系和真实世界的人际状态也很难被 AI 替代。

[60:00] 书籍与侦探小说推荐

[事实] 嘉宾说自己阅读量较大，一年至少几十本，并推荐《MBA 一日读》。 [事实] 他认为这本书像把商学院课程体系化压缩成一本书，能帮助理解企业高管的知识体系和商业世界方法论。 [事实] 嘉宾也提到自己平时一大半阅读是推理侦探小说。 [事实] 结尾处两人提到《占星树杀人魔法》和一本结构相对新颖的侦探小说，随后节目结束。

播客点评/总结

[推测] 本期最有价值的地方，是它没有停留在“AI 会不会替代人”的抽象争论，而是把问题放回传统企业的成本中心、监管、数据中心、供应商责任和组织决策里讨论。

[推测] 亮点在于嘉宾提供了金融行业内部视角，尤其是私有化部署、合规成本、业务数据不能出数据中心、AI 只能先做局部微创新等细节，让 AI 落地问题显得更具体。

[推测] 局限是讨论主要来自金融行业和嘉宾个人经验，对制造、医疗、法律等行业的展开相对简略；不过这些例子足以支撑“垂直行业上下文是护城河”的主线。

[推测] 这期适合关心 AI 与职业变化的技术人、传统行业里的技术管理者、以及正在思考如何把行业知识转化为长期竞争力的人。