对话广联达董事长袁正刚：AI是一面镜子，照出优势，也照出混沌

秦明：我这边接触的更多是年轻的工程AI创业者，国内外的小团队都打交道，所以我会从这个角度切入。刚才您从业务侧解释AI，我还想从技术侧来看。十多年前BIM出来是一波，后来咱们License转SaaS云化，也是一波，现在到AI这一波，市场声音其实挺分化的：纯AI圈如火如荼，要大干一场；回到我们行业，不少数量的人因为行业本身在下行、加上之前BIM被很多人诟病，会觉得BIM都搞成这样，AI再来能搞成什么样子。不同行业对AI的态度差别很大。所以我想从这个角度看：这波AI技术跟以往BIM等到底有什么差别？对整个工程建设行业、对广联达，它的影响到底在哪？希望把它拉回一个理性的判断。

袁正刚：新技术出来，各种各样的声音都有，但要看清楚——有些技术在国内发展得弱，并不代表它不好，在欧美其实还是很好的。所以反过头来想，可能不是技术本身的问题，而是我们对技术的真正认知、以及匹配的做法还需要改变。

BIM本身我们是很坚定的。今天我们提到BIM2.0，欧美也在提BIM2.0，BIM发展进入了一个新时期。这个新时期，对我们可能反而是更好的机会。过去我们项目的一些管理方式、协作方式，冲突性比较强；到了2.0时代，有AI加持，加上行业碰到困难、大家知道必须改变，转型力度会更大、也更容易改一些。这条路绕不开，也作不了弊：人工智能离不开数据，数据是基础，各类AI能力与模型成果都依托数据支撑，无法脱离数据凭空生成。

我们一直比较理性地看建筑行业的本质——目标是让项目成功，对大多数承包方来说项目还得有利润，才能持续发展。这些基本逻辑都在。用技术去解决这些问题，技术就能务实发展；有些问题难一点、解决时间长一点，有些困难少一点、见效快，速度就快一点。

这波AI技术确实和以往不太一样，发展速度非常快、用起来完全不同。像龙虾OpenClaw产品出来后的普及速度，比当年我们觉得已经很快的ChatGPT还要快很多倍。它快的背后，还有一个原因：带来的效果更快、更明显。以前要先学会BIM软件、改变很多生产关系，才能体现价值；但现在AI会加速变现，所以不一样。2023年很多公司包括广联达都提出了「All in AI」，这种提法在以前任何一个技术上都没有过。三年下来，一些发展确实超出了我们的想象，但整体并没有完全超出我们的判断——我们对它擅长什么、能做什么，还是有判断。

所以理性来看：AI的价值会很大、可能性很高，但现阶段只有积极去用、去迭代才跟得上，不然肯定会错失发展机遇。我们既不是觉得通用人工智能马上就能快速落地的乐观派，也不会因为它一时不具备某些能力就觉得「又是虚的、不用管」。在这个过程中它会解决很多实际问题，不能只盯着短板片面看待。

秦明：如果说BIM那一层代表数据，数据是真实的，AI本身是一个放大器；关键是它要嫁接到业务上，而业务又跟这家企业的管理方式高度相关。我看到很多抨击BIM的情况，本质上是组织里的管理方式本身比较落后——AI也好、BIM也好，对落后的组织就是加速它混乱的放大器。

所以第二个问题我想围绕组织。前段时间我看了咱们的投资者大会，谈到很多AI Coding，比如程序员可以提效50%以上；但对组织层面的提效谈得并不多。我也看到广联达内部组织在不断调整。能不能先描述一个比较理想的状态——AI原生时代的组织应该长成什么样？组织应该怎么演变？

袁正刚：组织是服务于战略的，公司想清楚要什么目标，组织才相应而定，所以组织不可能固定，也没有「理想的组织形态」。

以前大家分段、按职能划分比较清晰：研发是研发、市场是市场、销售是销售。现在我们在尝试的，是把一个小产品团队里的角色放在一起——产品经理管市场、管销售，能对一个产品的全过程快速反应、在一个团队里闭环。你看这跟一个建设项目的决策生命周期很像。流程变了，协作方式也得变。

如果还是过去那种部门墙、中间靠大量协调才能解决问题的模式，效率会非常低；个人用了AI提效，但组织之间的碰撞更多，反而把收益抵消掉了。所以一定要调整组织、调整生产关系，在变化中找到适合自己的形态。还有，不是说用一种组织形态去适配所有周期，而是要根据企业自身的业务形态、发展阶段、人的水平（包括管理者水平）采取相应的组织形态。

你看亚马逊、谷歌的形态各不相同，英伟达又是另一种形态，完全不一样。所以也不能假设「AI原生就是某一种组织」，而是百花齐放、找到适合自己的。但有一点要匹配：当AI的生产力已经解决了多个岗位的问题，你还把这些岗位强行拆分就不合适；这几个流程要充分协作，至于是不是不同的组织形态，没关系，关键是协作。

秦明：现在咱们这边有AI工程部、AI研究院。我有个好朋友在海外科技大厂，相当于数据中心场景下的咱们AI工程部类型的角色，他们有一套完整机制——比如目标可能是把业务部门的外包团队用Agent的方式去替代。我不太清楚广联达的AI工程部、AI研究院，跟其他部门组织之间，会不会有一种机制把它们打通，甚至用KPI、OKR这种方式去联通？

袁正刚：组织要协作，考核机制、奖励机制就要匹配起来。我们切分工程部和研究院，是因为承担的使命和责任不一样：研究院相对侧重技术，去解决比较复杂的技术问题；工程部则偏第二类——能马上体现价值、怎么快速跟业务和产品深度融合、在客户处把价值兑现，所以它跟产品团队的融合会非常深。

秦明：接下来这个问题由「焦虑」一词引发。这应该是现在市面上非常普遍的一种状态——一部分是行业下行带来的焦虑，另一部分是AI可能替代自己岗位职能的焦虑。我比较关注的是：不管是在广联达内部，还是在你们的客户那边，现在哪一类人，比如初级程序员，或者其他岗位的人，面临的压力更大？他们应该怎么去适应AI时代，让自己的技能有所变化和迁移？

袁正刚：这要分两个层面。

一是工程建设行业整体。要让大家意识到：未来不会重复过去，也不会停在现在，肯定会有大的变化；不是所有企业都会过得很好，有些会发展更好，有些会被淘汰。所以很多企业都在思考怎么才能真正胜出——胜出就得有比别人更强的竞争力。这个阶段，不管是设计、施工，还是咨询公司，都在思考怎么打造企业自身的核心竞争力。

这其实不一定是坏事。以前行业好的时候，不管竞争力强弱都有活干、都赚钱，对业主来说不一定是好事，因为没有充分竞争；现在竞争激烈、业主要求高，大家对打造核心竞争力越来越迫切。焦虑过后，还要找到解决方案——精细化管理、数字化、人工智能，越来越多的企业在找路径。路径找清楚了，谁交付的周期太长、谁就容易有风险。我们走访了很多企业，看到这条路径是越来越清晰。

第二个层面是程序员群体。我们内部一直有划分：做软件设计、架构师这个层次，是软件里最核心的。一般来说，做不了设计的程序员早晚会被替代——但这件事并不是从AI才开始的。一个程序员做了三年，还是只会写代码、做不了设计，那刚毕业的学生也能做得一样好，凭什么是你？所以这种能力单一的人本来就容易被新人替代，AI只不过是加速了这个过程而已。

当然，也不能说初级岗位就全没了——初级没了，高级从哪来？那会断代。该有的成长培养过程还是要有，只是会被加速。以前我们招进来的大学生，要培训半年甚至一年才能真正独立上手，现在AI等技术应用反而会加快软件人才的成长速度，也在放大每个人的能力。

还有，以前大家的能力并不凸显，是因为花了太多时间在「搬砖」——你水平再高，还是在搬砖，优势体现不出来。就像建筑师，水平再高，90%的时间也在搬砖，真正的水平无法展示出来。现在不一样了，AI来搬砖，反而可以把人的优势放大出来。

所以这个阶段，AI对有优势的人是放大器。软件公司自身也在变化，我们自己也在学习，深入了解各类端侧技术和落地模式，再回来思考当前这个阶段该怎么做。包括我们上次的产品发布会，对这些问题也找到了一些自己的答案。

秦明：回到空间智能，资本圈现在谈得比较多，本质是从AI理解物理世界出发，有些企业在用模型把影视、照片生成可编辑的房间，挺酷的。我想了解，广联达是怎么理解空间智能的？基于广联达的技术，会做出什么新的产品形态交付给客户？

袁正刚：技术不能只看酷炫——很多酷炫的技术早就有了。关键还是解决哪些问题。我们一直在ToB领域，解决的是复杂场景里的严肃问题：借助它能不能解决设计问题、生成更好的空间和建筑，还是解决装修、内部装饰布置的问题。问题不一样，技术路线就不一样。

像现在很多用高斯泼溅这类方法，用图像、视频数据来生成，看到的效果不错；但要满足工艺要求、严肃场景的精度，要求还是不一样的。所以我们是针对业务场景和问题来做，理性看待这件事，不会简单给自己贴个标签——标签不重要，真正解决软件和业务的问题才重要。

关于广联达在技术侧的投入

袁正刚：我们有选择地坚定投入三个方向：

图形/空间智能：最早是图形技术（BIM最底层的技术），现在正从图形往数字孪生、再往空间智能持续推进。沿着「图形→数字孪生→空间智能」这条路线，这是我们积累了二十多年的技术路线，会坚定走下去。

数据：行业第一大问题是缺高质量数据。一个工程做完，数据本该留下来，但数据往往散落在个人电脑里，没有很好地收集、整理、治理、利用。借助IoT等自动化手段，采集准确、多维的数据，在此基础上我们希望给客户打造业务数据平台，让客户形成自己的数据资产。

人工智能：通用人工智能能解决一些问题，但不是全部，所以除了大模型，我们还有小模型和专门算法。我们希望在通用模型基础上发展产业AI，最终帮企业建立自己的能力。企业发展到一定程度，会高度重视数据安全与知识产权，不会把核心数据全部上传公网、放进通用模型里，所以最终企业要有自己私有的业务数据平台。

关于AI的落地场景思考

袁正刚：AI的发展速度确实非常快，大家平时关注通用大模型，每个月都有新技术迭代；而能力的提升，也让我们解决产业问题有了更好的工具。举个例子：建筑工程里的合同审查，过去全靠人工。一份合同上千页，要审清楚非常难，很容易漏——前面看完了，看后面时又对不上、也忘了。AI在这件事上的能力非常强，所以AI合同审查现在已经被大量、普遍地使用。

但这个例子背后，对AI的认知要把握好分寸：第一，不要放大，不要觉得用了AI所有问题都能解决，还远没到这一步；第二，也不是说什么问题都解决不了，它有适合的场景、有合适的做法。关键是产业怎么用好大模型、用好AI的基础能力，并与场景深度融合。

你看美国现在最热的ToB应用，其实是Cursor这类做编码的工具——它是跟编码场景深度融合的。所以那种「一个AI模型解决所有问题、什么都不用做就能搞定」的设想并不现实。事实上，包括DeepSeek这类产品，在大模型之上还要做大量编排、推理分析、记忆等机制设计。几年前我们分析后就有判断：一定还有这么一层，不是通用模型把一切都解决。所以产业的规则、经验、知识非常关键。

另一方面，我们做软件近三十年，软件里实际上隐藏了大量规则和潜在知识，以前没充分发挥出来。把通用能力和这些行业积累结合起来，会发现价值非常大。结论是：通用能力要跟业务、行业深度融合，发挥AI的优势、补足它的短板——用业务的理解和深度、数据、小模型，以及专业算法，结合起来解决行业问题。

关于AI落地的路线方向

袁正刚：第一步是解决单个岗位的问题，这一步成熟度已经很高了：AI合同审查没问题；AI算量识别率越来越高，速度更快，很多环节不用人去识图、改图；单专业设计师的AI设计现在发展也很快。

第二步是稍复杂的综合决策，比如我们举例的项目决策类产品PMSmart，它要把数据打通，把数据关联起来，用模型能力发现管理上的漏洞和盲区——这正是当前产业AI快速发展期里进展会很快的方向之一。

但大家期望的那种「完整的数字员工、完全替代一个岗位」，目前还没发生，我觉得还需要时间，因为专业性确实很强。即便在程序员领域，所谓替代程序员，替代的也是非常初级的岗位；高级的、有架构设计能力的人才，现阶段依旧不可替代。所以不能只听外面一些简单的描述，真正负责任的厂商还是会采用人机协同。重大决策由人来主导、AI提供辅助和支持；一些简单常规的决策，可交给AI独立处理。