数字经济观察网 - 软信官网

现实中，系统间的巨大差异往往使对齐难以实现，因此协同仍高度依赖人工，成本高昂。而AI的协同能力正打破这一桎梏。它催生的新型协同模式，不仅改变工作流程，更在重塑碎片化行业中价值创造与竞争的本质。

人们通常从预测成本或创造成本下降的角度来解读人工智能的经济影响。然而，还有一个更关键却最易被忽视的因素：协同成本的显著降低。

这里的“协同”并非字面翻译，而是指将不同团队、系统的产出转化为彼此可理解、可衔接信息的持续过程。其成本体现在数据转换、成果对齐的精力消耗，以及耗费在会议协调与返工上的大量时间。高效的协同，意味着让原本割裂的人员、工具和数据能够为一个共同目标顺畅协作——换言之，它使项目得以稳步推进，而非陷入无休止的协调与修正。

人工智能正在使协同变得廉价且通用。它通过两种方式实现这一目标：从非结构化信息中提取可用框架，并利用这些结构化信息驱动工作完成。过去因数据格式、专业术语或工作流程不匹配而无法协作的互补要素，如今无需强制统一标准即可轻松整合。这是历史上首次，协同可以在无需达成广泛共识的前提下实现，这意味着其应用范围得以拓展至那些曾因成本过高或过于复杂而无法触及的专业领域。

过去十年，我的工作重心是设计平台以整合碎片化系统。但直到最近，这类协同始终存在一个根本性限制：它极度依赖高度结构化的数据与规整的接口，这要求各方就标准与流程达成一致。现实中，系统间的巨大差异往往使对齐难以实现，因此协同仍高度依赖人工，成本高昂。而AI的协同能力正打破这一桎梏。它催生的新型协同模式，不仅改变工作流程，更在重塑碎片化行业中价值创造与竞争的本质。

无需共识的协同

以建筑业为例。

一个典型的建筑项目需要建筑师、结构工程师、承包商等多方专业团队协作。但每个团队都使用各自的专业工具，关注点也截然不同：建筑师注重空间美学，结构工程师聚焦荷载安全，承包商则优先施工顺序与进度管理。

在此背景下，高效协同成为项目成败的关键。施工常偏离原始设计，若各团队不能及时协调适应，结果必然是返工、延误与建筑质量问题。

以往试图通过自上而下的标准化解决问题——强制所有参与方使用统一平台或数据模型——结果往往失败，或在局部实现有限协同的同时引发其他环节的错位。此外，专业团队也必然抗拒放弃定义其专业性的工具。不同工具产生的设计与施工计划难以互通，不对齐即意味着高昂的协同成本。

AI提供了全新的解决方案。它不再要求统一工具或标准，而是默认接受碎片化现状，从BIM软件、电子表格、现场照片、邮件、批注PDF等迥然不同的来源提取信息——每个来源仅反映项目的局部视角。通过整合，AI构建出项目的统一全景视图，让每位参与者都能实时追踪设计、工程、进度与合规等各维度的进展。

基于此统一视图，项目经理能在尊重各团队工作方式的前提下，统筹碎片化流程。他们还能直接做出跨专业的权衡决策，无需召开冗长的协调会议。例如，若建筑师移动了楼梯间，AI层可自动识别其对结构梁的影响，即时通知结构工程师。AI成为隐形的协同层，持续检视并调和跨团队变更，通过实时“翻译”实现执行同步。

许多企业已洞察此中机遇。例如，Trunk Tools从Autodesk（建筑师和工程师用于创建设计和规划的工具）和Procore（承包商用于管理工作的工具）等工具中收集信息，通过解读图纸、规范与进度表，生成结构化、可检索的项目档案。这意味着各方无需再耗费时间相互核对、修正偏差，所有疑问均可指向同一信源，并获得基于最新文档的准确答案。行业巨头也在跟进，例如Procore收购Datagrid，正是看中其从非结构化文件中提取数据框架的类似能力。

竞争格局的重塑

当协同不再依赖共识，那些凭借统一标准、接口或流程建立优势的企业，其护城河便开始动摇。

以美国车险理赔市场为例，初创公司Tractable正挑战巨头CCC Intelligent Solutions，尽管后者地位看似稳固。

车险理赔涉及保险公司、维修厂、零件商、评估员等多个独立主体，各使用不同系统，激励也不尽相同。CCC通过建立一套标准化的损伤代码与数字工作流程——这套“通用语言”已被行业广泛采纳——从而主导了市场。竞争对手若想取代CCC，就必须推翻其标准，这意味着要替换现有工具、重新培训人员、改写保险公司流程，转换成本极高。因此过去二十年，CCC的地位似乎坚不可摧。

但局面已变。为挑战CCC，Tractable完全绕开了标准之争。它并未试图说服行业放弃CCC的代码体系，而是训练AI模型直接解读车主手机拍摄的车辆损伤照片，生成维修估价，并无缝对接保险公司现有流程。换言之，Tractable实现了“无需共识的协同”。成果显著：至2023年，其年处理理赔金额已近70亿美元。

未来的道路

利用AI协同能力的机遇远不止于上述行业。在医疗保健、物流等碎片化行业中，人工智能重构脱节系统间共享状态的能力，既是机遇，也是挑战。现有企业有三种策略可供选择：

1）成为协同层

选择此路线的企业承认，仅靠专有标准已不足维持优势。它们将投资于打造最优的生态系统全景视图。物流平台project44即采用此策略，在不要求承运商更换标准的前提下，提供货运全程的统一可视化。这类企业通过拥抱工具与格式的开放，将自己定位为生态系统中不可或缺的“翻译中枢”。

2）强化责任承担

企业无需竞逐中立协同平台的角色，而是可以强化自身为最终结果兜底的能力——即便具体的协同过程由外部或第三方完成。马士基（Maersk）是此策略的典范：它向综合物流服务商转型，提供涵盖端到端合同、报关、仓储、数字订舱及风险管控的全链条服务。在供应链动荡、制裁风险与监管审查日益严峻的背景下，马士基通过一体化控制，能够提供更可靠的风险与执行保障，并以此构建竞争力。

3）控制协同，分层赋能

此策略下，企业既不全面开放协同能力，也不完全退回封闭管控。它们利用AI在内部构建特权性的统一视图，然后有选择、有条件地（通常有偿）向仍处碎片化的合作伙伴生态提供部分可见性。

联邦快递即采用此策略：它大力投资AI路线系统，基于其全网络实时数据形成统一运营视图，但对外仅有限度地共享信息，且常设有付费门槛。这使得客户与伙伴不得不依赖联邦快递获取关键数据，从而巩固其枢纽地位。只要其网络密度与服务覆盖保持优势，客户仍愿为此可视性付费而非自建，此模式便可持续。

AI驱动的协同使得人、工具、系统能在缺乏共识的情况下高效协作，这将为碎片化行业带来速度、成本与创新层面的切实收益，同时也将引发权力转移。短期看，赢家将是那些善用AI突破系统壁垒、切实完成工作的实践者。但长远而言，仅有协同并不足够：当项目规模扩大、失败代价高昂时，责任、信任与归属问题必将促使行业重建共享规则与清晰权责。切实可行的前进道路是，利用人工智能在协同成本长期过高的地方启动协作，同时有意识地构建治理机制、合同和规范，将快速协同转化为持久、可信的生态系统。