AMD苏妈对话李开复：AI转型只能由CEO驱动、未来“DRI”（直接负责人）将是企业核心｜直击现场

TL;DR

• 李开复提出 2026 年是生成式 AI 向 AGI 转折之年，核心突破在于“多智能体协同架构”，旨在通过规划、评审、执行等角色协作打破单模型能力天花板。
• 企业 AI 转型必须由 CEO 驱动而非 CTO，核心标准是“改变季度财报数字”，拒绝表面化的自下而上应用，转而聚焦收入、利润及供应链等结构性引擎。
• 李开复引入“DRI”（直接负责人）概念，主张工程师利用工程严谨性编排智能体团队，对端到端业务结果（如 API 延迟、转化漏斗）负责，而非仅对代码负责。
• 智能体经济本质是“推理经济”而非训练经济，硬件需求趋向本地化一体机、极致 token 效率及多智能体编排延迟控制在 100 毫秒以内。
• 李开复在零一万物部署了由 19 个智能体构成的“全知 CEO 视角”助手，整合公司数据与会议记录，用于识别信息盲区与执行风险。

为什么值得看

这篇文章揭示了从“工具级 AI”向“组织级 AI”跃迁的关键路径，明确了 CEO 在 AI 转型中的核心责任与 KPI 锚点。对于开发者和初创者而言，它重新定义了“工程师”在 AI 时代的职业护城河——从代码实现者转变为基于 DRI 机制的智能体编排者与业务结果责任人。

关键数据

• 50 亿：苏姿丰预测全球 AI 活跃用户在几年内将从目前的 10 亿突破至 50 亿，表明 AI 普及规模量级。
• 100 毫秒：多智能体编排和实时反馈所需的延迟上限，是定义未来硬件计算栈的关键性能指标。
• 19 个：李开复在零一万物内部署的用于构建个人 AI 助手的智能体数量，展示了多智能体协同的具体规模。
• 30 年：AMD 进入中国的时间跨度，以及苏姿丰个人的行业从业年限，作为背景事实。
• 2024/2025/2026：李开复定义的 AI 能力演进节点，分别对应“单任务”、“单工作流”和“运行企业职能/整个企业”的范式转移。

技术解析

• 多智能体协同架构：不同于单点调用，该架构强调智能体如人类团队般协同，包含擅长规划、评审、执行、风险控制的不同角色。智能体相互辩论与促进，旨在通过组合能力突破单一模型在复杂任务上的认知上限。
• 推理经济与技术栈要求：智能体工作负载呈现“并行爆发”特征，单次查询需分发给多个智能体并汇总。这要求计算堆栈从训练侧向推理侧倾斜，强调本地优先的端侧处理、极高的 token 效率以及低延迟的实时反馈机制，倾向于使用适合特定任务的小模型而非超大通用模型。
• DRI（直接负责人）运营契约：这是一种组织架构与工程实践的结合。DRI 并非特定头衔，而是对端到端跨职能结果负责的人。在 AI 场景下，DRI 负责编排智能体团队（研究、合规、监控等），并将工程中的验证流程、失败模式识别应用于业务指标监控（如激活率、收入影响），拥有决策权而非仅建议权。

行业启示

• AI 转型的 KPI 重构：企业评估 AI 成功与否的标准应从“部署量”或“用户数”转向“财务报表影响”。若 AI 未改变季度财报中的任何核心数字（收入、利润、合规成本等），则仅属于 AI 实验室行为而非转型。
• 开源与本地部署的战略价值：受限于硬件资源与数据主权，中国及类似生态倾向于通过开源协作弥补算力劣势。本地化一体机部署成为满足数据不出域需求的关键商业形态，为企业级 AI 落地提供了安全且高效的硬件载体。
• 开发者角色的升维：工程师的竞争优势不再局限于代码编写，而在于“系统编排能力”与“业务结果理解”的结合。具备工程背景的人能更有效地评估智能体输出、构建验证流程，从而在“一人公司”或内部创业中取代传统团队职能。

常见问题

Q: 为什么李开复认为 CTO 无法主导 AI 转型，而必须由 CEO 驱动？
A: CTO 的职责通常聚焦于保护现有软件环境的安全部署，视 AI 为软件附加组件；而 AI 转型涉及组织架构、领导力及业务模式的根本性变革，需要 CEO 关注那些能直接改变公司盈亏底线的领域（如供应链、动态定价、核心创新），这需要最高决策者的战略视野与资源投入。

Q: “DRI”在 AI 智能体时代与传统管理中的直接负责人有何不同？
A: 传统 DRI 对具体产品或项目负责，而在 AI 时代，DRI 的核心是“编排”而非“执行”。DRI 负责指挥一群智能体（如研究、合规、监控智能体），并利用工程背景监控端到端业务结果（如 API 延迟、转化漏斗），拥有对最终业务影响的完全决策权，而非仅对代码质量负责。

Q: 智能体经济对硬件基础设施提出了哪些新的具体要求？
A: 智能体经济本质是推理经济，要求硬件具备高并发性以支持多智能体协作。具体指标包括：多智能体编排及实时反馈延迟需控制在 100 毫秒以内，强调本地化端侧处理能力与极致的 token 效率，倾向于使用适配特定任务的小模型集群而非单一巨型模型。