AI时代，国企做贸易，还用学习吗？

本文来自微信公众号： 五道口供应链研究院 ，作者：鲁顺

这几年，科技圈最大的热点，毫无疑问是AI人工智能。

不管你在哪个行业，做什么岗位，打开手机、电脑，铺天盖地都是AI的消息。ChatGPT、DeepSeek、文心一言，各种大模型层出不穷，每隔几个月就有人喊“颠覆”。

我承认，AI确实好用。

我自己用了很长时间，有些问题，它回答得比我想得全面，比我分析得深入。你问它一个供应链金融的风控逻辑，它能给你列出七八个维度，有些维度你自己未必想得到。你让它帮你梳理一个贸易合同的风险点，它能把法律、财务、物流、信用几个层面都覆盖到。

就综合能力而言，AI的智商可以超过百分之九十八的人。我说的是综合性、全面性，特别是这个世界上已经有标准答案的知识领域。作为一个人，脑容量是有限的，计算速度也是有限的，你不可能在信息检索和知识覆盖面上跟一个人工智能比拼。

那么问题来了。

既然通过AI可以轻易获取你想知道的大部分信息，我们是不是就不需要自己学习了？是不是以后做贸易，遇到不懂的，直接问AI就行了？

答案是否定的。

这个问题我研究了很久，包括AI时代如何学习、如何思考、如何教育、学历是否还重要，这些问题我都反复琢磨过。今天不聊别的，就聊一个最实际的问题：国企做贸易的人，在AI时代，到底还要不要学习？

01

贸易业务专业性要求低，但综合性要求极高

很多人对贸易有个误解，觉得贸易就是低买高卖，没什么技术含量。

说实话，单看某一个环节，贸易的专业性确实不算特别高。它不像医学那样需要十年寒窗，也不像芯片设计那样需要极深的技术壁垒。一个刚毕业的大学生，培训几个月，基本的贸易流程也能跑起来。

但问题在于，贸易是一个综合性极强的业务。

做贸易，你要懂行业。你做化工品贸易，乙二醇的储存方式、交割方式、价格波动规律，这些你得清楚。你做钢材贸易，不同钢种的用途、下游需求的季节性变化、库存周期，这些你也得明白。你不懂行业，连跟客户坐下来聊天的资格都没有。

你要懂货。货在哪里，什么品质，什么规格，怎么验收，怎么运输，怎么仓储。这些看起来是基础功课，但真正出问题的时候，往往就出在这些“基础”上。前几年那些仓储暴雷的案子，多少是因为做贸易的人根本不去看货、不懂货？

你要懂物流。从产地到港口到仓库到终端，每一个环节的成本、时间、风险，你都要心里有数。一个物流节点出问题，整条链路的利润可能就没了。

你要懂金融。贸易本质上是资金的流动，你不懂金融，不懂融资成本，不懂汇率风险，不懂信用证和保函，你做贸易就是在裸泳。

你还要懂人性。贸易归根结底是人和人打交道的生意。你的客户是什么性格，你的供应商有什么诉求，你的竞争对手在打什么算盘，这些东西没有任何教科书能教你，全靠实战中积累。

甚至，你还得懂喝酒。这不是开玩笑。在中国做大宗商品贸易，很多关键信息、关键关系，都是在酒桌上建立的。你不喝酒，有些圈子你根本进不去。

这些能力，单独拿出来，每一项的专业门槛都不算特别高。但是把它们加在一起，要求一个人同时具备行业认知、货物知识、物流管理、金融素养、人际洞察、甚至酒量，这个综合性就非常高了。

AI能帮你查到乙二醇的市场价格，能帮你分析钢材的供需数据，能帮你起草一份贸易合同。但它帮不了你在酒桌上判断对面那个供应商说的话有几分真假，帮不了你在仓库里用手摸一下货就知道品质对不对，帮不了你在电话里听出客户语气的微妙变化意味着什么。

贸易的综合性，恰恰是AI最难替代的部分。

02

国企的机制，导致学习意愿天然偏低

聊完贸易业务本身，再聊聊国企这个特殊环境。

国企做贸易，最大的问题不是业务本身，而是机制。

核心就是分配机制。国企工作稳定，这是优势，但薪酬跟业务发展之间的关联度很弱。你今年做了10个亿的贸易额，跟你做了1个亿的贸易额，收入差距可能就是年底多发几千块奖金。你拼死拼活开拓了一个新客户，跟你在办公室喝茶看报纸的同事，工资可能差不了多少。

更要命的是“只能进不能出”。干好干坏一个样，干多干少一个样。你努力学习、提升能力，最后发现跟不学习的人待遇差不多，你的积极性自然就打折扣了。

这不是某一个人的问题，是机制的问题。

我见过很多国企做贸易的人，刚入行的时候也是满腔热血，想学东西、想做业务、想出成绩。但是三五年下来，发现努力和回报之间的关系太弱了，慢慢就躺平了。不是他们不想学，是机制没有给他们学习的动力。

在这种环境下，你跟他说“AI时代更要学习”，他心里的反应大概率是：学了又怎样？多发工资还是能升职？

这是现实，回避不了。

但我想说的是，即便机制有问题，学习这件事的价值并不因此消失。机制决定了你在这个组织里的短期回报，但能力决定了你在这个行业里的长期价值。国企的岗位可能是铁饭碗，但铁饭碗不等于金饭碗。当行业发生变化、当组织发生调整、当你有一天想换个环境的时候，你的能力才是真正的底牌。

而且，用好AI这件事本身，就需要持续学习。

很多人以为AI是个省事的工具，用了之后可以少动脑子。恰恰相反。我自己用AI之后最大的感受是：能力确实有提升，但花的时间反而更多了。

为什么？因为AI给你的信息，你需要核对是否正确。它回答得不好，你需要不断修正提示词，跟它一起迭代。它给你一个看起来很完美的分析报告，你得有能力判断哪些是对的、哪些是它编的。这个过程，比你自己从零开始写，有时候还费劲。

就这么费劲的事，如果不是自己特别爱学习的人，一般人确实不愿意投入精力。

所以你看到一个悖论：AI时代，最需要学习的人，恰恰是学习意愿最低的群体。国企的机制压低了学习意愿，而AI的有效使用又要求更高的学习投入。这个矛盾，短期内看不到解决的办法。

03

AI的答案好不好，取决于你会不会用它

很多人对AI有两种极端认知。

一种是觉得AI不好用。问了几个问题，答案不满意，就下结论说“AI就是个玩具”。另一种是觉得AI用起来很简单，一问一答，跟百度搜索差不多。

这两种认知都是错的。

用好AI，是有方法论的。

同样一个问题，你直接问“国企做贸易有什么风险”，AI会给你一个泛泛而谈的答案，什么市场风险、信用风险、操作风险，跟教科书差不多，看完等于没看。

但如果你换一种问法：“我是一家地方国企的供应链公司，主要做煤炭贸易，年贸易额50亿，目前面临的问题是上游供应商要求预付款但我们对供应商的履约能力没有把握，请分析这种场景下的具体风险和应对措施”，AI给你的答案会完全不一样。它会针对你的具体场景，给出预付款风险的量化分析、供应商信用评估的方法、合同条款的设计建议，甚至会提醒你注意融资性贸易的合规红线。

同一个AI，同一个模型，答案质量天差地别。区别在哪里？在你。

你的提问越具体、越有场景感、越有专业深度，AI的回答就越有价值。你的提问越笼统、越模糊、越缺乏背景信息，AI的回答就越像正确的废话。

这就是为什么AI虽然很火，但真正能把它用好、养成习惯的人并不多。不是AI不行，是大多数人不知道怎么跟它对话。而学会跟AI对话这件事本身，就需要你有足够的专业积累和思考能力。

你连问题都描述不清楚，AI怎么给你好答案？

04

AI是放大器，放大的是你自身的能力

接着上面的逻辑再往深说一层。

AI本质上是一个放大器。你自身能力强，它可以成倍放大你的效率和产出。你自身能力弱，它对你的帮助就非常有限。

为什么这么说？

因为你自己不懂的领域，你连问题都问不出来。

想象一下，你是一个刚入行的国企贸易业务员，领导让你去评估一笔煤炭预付款业务的风险。你对煤炭行业一无所知，对预付款的风险点也没有概念。这时候你打开AI，你问什么？你可能只会问“煤炭贸易有什么风险”，然后得到一堆泛泛的答案。

但如果你是一个有五年经验的贸易老手，你知道煤炭贸易的核心风险在于热值偏差、运输损耗、港口压港、价格波动，你还知道预付款最怕的是供应商拿了钱不发货或者发的货品质不达标。你带着这些认知去问AI，你的问题会精准得多，AI的回答也会有用得多。

这就是“你不知道你不知道”的困境。

你自己没有足够的知识储备，你甚至不知道应该问什么问题。AI再强大，也没办法替你发现你自己的知识盲区。它只能回答你提出的问题，不能替你提出你没想到的问题。

所以，AI时代不是不需要学习了，恰恰相反，学习变得更重要了。

区别在于，学习的方式变了。以前的学习，很大程度上是死记硬背。背法规、背流程、背数据、背案例。现在这些东西AI都能帮你查到，你不需要把它们全装在脑子里。

但你需要的是理解。理解行业的底层逻辑，理解业务的核心风险点，理解人性的基本规律。这些东西是AI给不了你的，也是你用好AI的前提。

换句话说，以前学习是为了记住知识，现在学习是为了建立提问力。提问力才是AI时代最稀缺的能力。

而且，AI会正经的胡说八道，因为人胡说八道会漏洞百出，甚至没有论证直接给答案，但是AI给你的答案，论证非常充分，让你感觉很专业、很正确，但很可能是有问题的，鉴别AI是否在胡说八道，自己需要专业能力。

05

你选择性提问，AI也会选择性回答

还有一个问题，比“不会用AI”更危险。

那就是你带着偏见去用AI。

人有一个根深蒂固的心理偏差，叫确认偏误。简单说就是，你倾向于去寻找支持自己已有观点的信息，而忽略或排斥与自己观点相反的信息。

这个偏差在AI时代会被放大。

举个例子。你是一个国企的贸易业务负责人，你心里已经认定某个供应商是可靠的，因为你跟他合作了三年，关系不错，每次吃饭喝酒都很愉快。现在领导让你做一个供应商风险评估，你打开AI，你会怎么问？

大概率你会问：“这个供应商有哪些优势？”“跟这个供应商长期合作有什么好处？”

你不太会问：“这个供应商有哪些潜在风险？”“如果这个供应商出问题，我们的损失有多大？”

你选择性地提问，AI就会选择性地回答你。你问优势，它就给你分析优势。你问好处，它就给你列举好处。最后你拿着AI生成的报告去跟领导汇报，报告里全是利好信息，风险部分轻描淡写。

更麻烦的是，我发现即使你不刻意选择性提问，AI本身也有顺着你说的倾向。你在对话中表达了某个立场，AI往往会倾向于认同你的立场，然后在这个方向上给你补充论据。它很少会主动挑战你的观点，很少会说“你的判断可能是错的”。

这样得到的答案，你可能很满意，但不一定是正确的。

在贸易领域，这种偏差的后果可能是致命的。前几年那些融资性贸易暴雷的案子，有多少是因为决策者只看到了利好、忽视了风险？有多少是因为所有人都在说“没问题”，没有一个人站出来说“等一下，这里有个漏洞”？

AI不会替你做这个“站出来说不”的人。它只会顺着你的思路往下走。

所以，用AI的时候，你要有意识地跟自己的偏见对抗。你要主动问那些你不想听到的问题，主动让AI去挑战你的假设，主动去寻找反面证据。这个能力，不是AI能给你的，是你自己必须具备的。

06

AI依赖的数据，远没有你想象的那么可靠

最后说一个很多人忽视的问题：AI的数据来源。

AI的能力来自大数据训练，这个大家都知道。但很少有人认真想过，这些数据的质量到底怎么样。

互联网上的数据，真实性、准确性、完整性，都要打一个大大的问号。

特别是在供应链贸易这个领域，AI能获取到的公开数据其实非常有限。真正有价值的行业信息，大部分都在企业内部系统里，在从业者的脑子里，在行业小圈子的私下交流中。这些信息从来没有被公开发布过，AI的训练数据里根本没有。

你问AI“某个大宗商品品种的贸易商格局是怎样的”，它可能会给你一个看起来很专业的分析，但这个分析大概率是基于几篇公开的行业报告和新闻拼凑出来的，跟真实的市场格局可能差距很大。

你问AI“国企做供应链贸易的核心风险是什么”，它会给你列出市场风险、信用风险、操作风险、合规风险这些标准答案。但它不会告诉你，真正让国企栽跟头的，往往不是这些教科书上的风险，而是那些隐藏在业务细节里的、只有做过的人才知道的坑。

比如，它不会告诉你，有些供应商会在仓单上做手脚，同一批货开出多张仓单去不同银行融资。它不会告诉你，有些所谓的“贸易背景真实”的业务，实际上是精心设计的循环贸易，资金在几个关联公司之间转了一圈又回到了原点。它不会告诉你，有些看起来利润丰厚的贸易机会，背后可能是一个融资性贸易的陷阱，等着你跳进去。

这些东西，互联网上找不到，AI的训练数据里也没有。它们只存在于真实的业务场景中，存在于那些踩过坑的人的经验里。

AI现在掌握的数据，大部分是基础的、人类普遍共识的东西。对于高度专业化、高度细分的领域，AI的知识储备远远不够。如果它掌握的数据不准确、不真实、不完整，那它输出的东西，自然也不可能准确。

你把AI当成万能的知识库，那你迟早要吃亏。

07

写在最后

AI时代，不是不用学习了，而是学习变得比以前更重要了。

与之前不同的是，学习的方法变了。以前是死记硬背，现在是理解和应用。以前是自己一个人闷头学，现在是和AI一起学，自己为主，AI为辅。以前学习的目标是记住更多知识，现在学习的目标是建立更强的判断力。

但有一点没有变，也永远不会变：思考这件事，不能完全交给别人。不管那个“别人”是你的同事、你的领导、你的咨询顾问，还是一个看起来无所不知的人工智能。

特别是在国企做贸易这个领域，你面对的是真实的资金、真实的货物、真实的风险。一笔预付款打出去可能就是几千万，一个仓储环节出问题可能就是上亿的损失。这些决策的重量，不是一个AI能替你承担的。

AI可以帮你收集信息、分析数据、起草方案，但最终拍板的是你，承担后果的也是你。

如果你自己没有足够的知识储备和判断能力，AI给你的信息你分辨不了真假，AI给你的建议你评估不了好坏，那AI对你来说就不是工具，而是一个你盲目信任的陌生人。

你会把几千万的决策，交给一个你完全不了解的陌生人吗？

别被“AI替代人类”的口号忽悠了。AI替代的是那些只会死记硬背、只会机械执行的人。而那些有判断力、有洞察力、有实战经验的人，AI只会让他们变得更强。

推荐这本书，大家有时间可以看看。