三个问题，测出你的企业能否活过2026年

每一个时代更迭的关口，总有三个筛选性问题可以把企业分成两类：活下来的，和没有活下来的。

2026年6月，McKinsey在同一个月份密集发布了四份报告。它们覆盖了四个看似不同的领域——地缘政治情景规划、AI原生公司的运营铁律、Snowflake CEO谈AI工业化、以及技术转型中"人"的角色重新定义。但如果把这些报告放到一起读，会发现一个共同的底层判断：这个时代正在用一种新维度筛选企业。这个维度不是技术强弱，而是"判断力的成熟度"[1][2][3][4]。

评估这种判断力成熟度，只需要三个问题。

一、你能识别"黑水母"吗？

McKinsey Geopolitics Practice在2026年6月发布的报告《The Art, Science, and Technology of Geopolitical Scenario Planning》中，提出了一个新的风险分类概念——黑水母（Black Jellyfish）[1]。这个概念的命名源自一个真实事件：1999年，菲律宾一家发电厂的冷却入水口被大量水母堵塞，导致大规模停电。操作员一开始将故障误判为其他原因——甚至怀疑是未遂政变——直到工程师排查到冷却系统才发现，罪魁祸首是一群水母[1]。

黑水母的定义是："events for which the triggers are known but the ripple effects are poorly understood and can escalate rapidly"（触发因素已知，但连锁效应难以预测且会迅速升级的事件）[1]。你知道海里可能有水母，但无法预测它什么时候涌入冷却口、堵到什么程度、连锁反应会扩散多远。

投射到今天的企业经营环境，这个分析框架几乎是每个管理团队都能直觉感受到的：

你知道中美贸易战在升级（水母已知），但说不准关税加征下一步落在哪个品类、多少税率（堵塞位置不明）；
你知道全球供应链在重构，但不知道自己的二级供应商的二级供应商，谁的产线会先停（连锁效应未知）；
你知道AI监管在加码，但不知道合规这条线哪天突然收紧、以什么标准（升级速度惊人）。

McKinsey同期进行的全球调查（2026年2月，202位受访者，82%来自C-suite和C-suite-1级别）揭示了两个令人不安的数据[1]：

第一，只有不到三分之一的受访者认为其组织的地缘政治风险管理"成熟"（fewer than one-third of respondents deem their organizations' management of geopolitical risk "mature"）。第二，尽管53%的人表示情景规划等战略前瞻方法会"显著增强"组织韧性，但只有不到30%的人报告这些工具被实际用于指导决策。仅5%的企业做过模拟演习（simulations）——在所有前瞻方法中使用率最低[1]。

更值得注意的是能力缺口的数据：AI辅助地缘政治情报的早期预警能力，被参会高管们评为最严重的缺失——45%的受访者将其列为首要缺口。紧随其后的是"地缘政治融入核心业务决策"（36%）和"基于情景的规划与前瞻"（33%）[1]。

这意味着绝大多数企业面对"黑水母"时基本没有预警系统——不是没有风险数据，而是没有"系统地思考不可预测的连锁效应"的组织习惯。

Chevron的CEO Michael Wirth对此有一段被McKinsey报告引用的精辟论述[1]："Even if you run drills, you are never going to anticipate the black swan. But … you start to build muscle memory for asking the right questions and for thinking about the collateral impacts that are very difficult to identify in the heat of the moment."（即使你做演练，也永远无法预见到黑天鹅——但你会建立问对问题的肌肉记忆，以及思考那些在紧急时刻极难识别的附带影响的能力）。

"肌肉记忆"这个措辞尤其值得注意。它暗示着：应对不确定性的能力不是一次性建设，而是需要反复训练、嵌入组织日常节奏的"身体知识"。

报告推荐了一套完整的前瞻工具组合（tool kit of foresight development instruments），包括五项：地平线扫描（horizon scanning）、情景规划（scenario planning）、应急计划（contingency planning）、模拟（simulations）和桌面推演（tabletop exercises）。这套工具的价值不在于"预测"，而在于报告反复强调的一个理念——"Plans are useless, but planning is indispensable."（计划派不上用场，但规划不可或缺）——这句话的真正含义是：规划过程的本身就是能力建设[1]。

二、你的知识是活水还是死水？

识别出水母只是第一步。真正的问题在于：当危机信号出现时，你的组织能够调动什么级别的信息来支撑决策？

McKinsey Technology Practice在同期发布的报告《The Seven Operating Truths of AI-Native Companies》——基于对15家AI密集企业的深度访谈，提炼出了一个近年来最被低估的管理命题：知识卫生（Knowledge Hygiene）[2]。

该报告的核心命题以两个判断性陈述呈现[2]：

"Your model isn't the bottleneck—accessing your tribal knowledge is."（你的模型不是瓶颈——获取你的隐性知识才是。）

"The ceiling on your AI is set by your knowledge hygiene, not your model choice."（你的AI上限由你的知识卫生决定，而不是你的模型选择。）

这意味着什么？当你的AI Agent回答不了一个问题时，很可能不是模型的错。答案可能根本就没有被记录过，或者存在于模型无法触及的地方。

一位能源科技平台的运营总监说得更直白[2]："It isn't an AI problem—it's a knowledge management problem. AI just makes it visible."（这不是AI问题——是知识管理问题。AI只是让它变得可见了）。

这句话的后半句值得反复咀嚼。知识管理的问题一直存在，只是之前藏得深、看起来不致命——AI一旦铺开，原本的混乱和断层就全部暴露。在这个意义上，AI不是制造了新问题，而是做了一次压力测试，让组织知识层的裂缝无处可藏。

该报告梳理了"知识卫生"差的典型表现[2]，几乎每个组织都能对号入座：

会议没有被录音和转写，关键决策只存在于与会者的笔记里；
经验只存在于老员工脑子里，他休假了全组就抓瞎；
某份关键文档的最新版本藏在某人本地硬盘，共享文件夹里挂着去年过时的旧版；
AI Agent自信地搜出互相矛盾的信息，组织对AI的信任被一点点消耗——"An agent doesn't know what is the latest source of truth and what is an outdated document from a year ago"，一家Series D金融科技公司的COO这样警告[2]。

一家数字健康公司的CTO亲口承认踩过这个坑[2]："If I could change one thing, I'd invest earlier in structuring our content. Fragmented data slows down flow and frustrates teams."（如果让我重来一件事，我会更早投资于内容结构化。数据碎片化拖慢了流程、消耗了团队）。

反过来，那些在知识卫生上做得好的公司所获得的优势，也具有鲜明的场景感[2]：

一家种子阶段的AI公司，所有销售通话被自动记录、转录、路由到共享知识层。CEO可以直接问系统"我们跟某个客户的进展到哪里了"——系统从几个月积累的对话中拉出即时上下文。反馈回路变成了竞争优势。更显著的是，一家能源科技平台的知识Agent索引了代码仓库、Notion页面和Slack对话记录——新员工在几天内就能上手工作，而不是几周[2]。

值得注意的是，被McKinsey采访的农业科技公司CEO提出了一个打破"数据湖迷信"的论点[2]："A lot of people get wrapped around the axle of 'you need a single source of truth.' But the thing that makes data useful is that humans are touching it and updating it all the time."（很多人纠结于"你需要一个单一真相来源"。但让数据有用的，是有人不断在使用和更新它）。这家公司的做法是——不强制数据统一步调，而是建轻量级连接器把Notion、Spreadsheet、Slack各处的数据都变得可以被AI查询。

这与McKinsey《Rewired》第二版中的论述形成了呼应[3]。报告中Suman Thareja指出[3]："A typical learning journey doesn't cut it anymore. Learning has to happen in the flow of work—cross-functional, hands on, and together."（传统的学习模式已经不够了。学习必须发生在工作流中——跨职能的、动手的、与工作融为一体的）。知识卫生的本质不是做一次大扫除，而是让知识的产生、捕获、查询和迭代嵌入每一个工作环节的自然流程。

至此，第一问和第二问之间产生了一个危险的连锁：黑水母越来越多（外部冲击密度增加）→ 企业需要高质量信息做决策（决策的认知负载攀升）→ 但知识的获取、整理和更新跟不上（知识层腐烂的速度快于趋势变化的速度）→ 决策质量下降 → 面对下一个黑水母时更加被动。识别水母是起点，但调用什么级别的知识库来决定怎么应对，决定了你会被水母吃掉还是绕过它。

三、AI的权限，你敢放多少？

Snowflake的CEO Sridhar Ramaswamy在McKinsey Podcast中给出了关于2026年AI竞争格局的一句可能是最精炼的判断[4]：

"The real business constraint is no longer code, but judgment."（真正的商业约束不再是代码，而是判断力）。

这句话的深刻之处在于它翻转了流行了三年的焦虑叙事。流行的叙事是"AI会替代人，我的技能会贬值"。Sridhar说：方向反了。代码已经被AI替代了——但代码不再是约束。新的约束是判断力：什么时候该信任AI的输出、什么时候该修正、什么时候该放手、什么时候该收回。

为什么？因为AI将执行成本降到了几乎为零。它能瞬间产生10个、100个、1000个方案。但选择哪个方案——这个选择行为——的成本不仅没有降低，反而升到了前所未有的高度。

前述《The Seven Operating Truths of AI-Native Companies》用整整一条铁律来回应这个问题——信任先于自主权（Trust Precedes Autonomy），这是第五条运营铁律[2]。

研究发现，最高效的AI部署团队不是那些最早放权的团队，而是那些遵循严格信任阶梯的团队[2]：

人在环中（human-in-the-loop）：AI的出产全部经人类复核，人类有最终批准权。
人在环上（human-on-the-loop）：AI自主执行常规任务，但人类监控过程，可随时中断。
常规事务人不在环（human-out-of-the-loop-for-routine）：AI完全自主处理已被充分验证的常规场景，仅在异常时通知人类。

每一步"升格"的前提是前一步积累的失误率数据。这首先是一个信任决策——不是技术决策。放权的节奏由谁定？失误率阈值设在什么水平？什么时候需要恢复到人在环？谁能做出这些正确的判断，才是真正的组织竞争力[2]。

该报告同时用"slow automation"来描述那些表现最出色的团队[2]——让人先手工操作、做到痛、积累了足够的信任数据之后，再让AI介入。这个过程看似"慢"，实际上规避了"快"之后出现信任危机、不得不推倒重来的更大成本。

一个被研究覆盖的案例涉及Salesforce平台的AI前哨[2]：通过AI Agent，一家A轮市场公司的交易量从每月50笔跃升至3000笔——而员工总数没有增加。这背后不是"AI取代了销售团队"，而是AI处理了筛选、匹配、初轮沟通等权重确定的环节，人类销售团队被释放到高触达价值的生命周期管理中。这正是"信任先于自主权"在组织分工层面的具体体现——判断哪些环节可以让AI自主，本身就是组织最需要培养的判断力。

McKinsey《Rewired》第二版的Sandra Durth实际上为判断力提供了一个更加本质性的区分判准[3]：

"Are you using AI to unlock short-term productivity—or to build durable competitive advantage?"（你是在用AI解锁短期生产力，还是建立持久的竞争优势？）

这个问题的背后是两种完全不同的AI策略[3]：

效率型策略：用AI以更低的成本做现在已经在做的事。降本的效果立竿见影，但可复制——你的竞争对手也在做同样的事。
能力型策略：用AI去做以前做不到的事——获取过去无法获取的情报、做出过去无法做出的预测、提供过去无法提供的服务。

第一个选项能让财报下季度更好看，第二个选项决定组织五年后是否还存在。《The Seven Operating Truths》中的第二条铁律——"Build what makes you distinctive"（只构建让你与众不同的东西）[2]——与Sandra Durth的问题构成了表里关系：在明确了"我要追求什么"之后，你才有依据回答"什么该自建、什么该采购"。

判断力的三条防线

将三个问题串联起来，可以看到一条清晰的判断力防线：

防线	核心问题	认知锚点	关键数据
第一道	识别黑水母	外部环境感知	仅5%企业做过仿真模拟[1]
第二道	知识卫生	内部信息基础	AI只是让旧问题变得可见[2]
第三道	信任先于自主权	组织分工信任	判断力取代代码成为新约束[4]

三道防线之间构成递进关系：外部识别力（黑水母）→ 内部信息力（知识卫生）→ 组织决策力（信任与判断）。缺少任何一道，另外两道也难以独立生效。

如果你对这三个问题的回答都模糊——你不是个例。McKinsey的数据已经说明：只有1/3的公司在地缘政治风险管理上"成熟"[1]；大多数公司的知识层正在悄悄腐烂[2]；在"短期生产力和持久优势"之间做选择的能力，正在成为下一个竞争分水岭[3][4]。

但好消息是——这三个问题一旦被意识到，就已经是改变的开始。因为它们不是生死判决，而是行动清单。正如Sandra Durth所说[3]："Some organizations give people technology tools. Others fundamentally reinvent how work gets done. That difference shows up in performance."（有的组织给人技术工具。有的组织从根本上重新定义工作方式。两者的差异会体现在绩效上）。

2026年可能不是AI替代人的一年。但它是企业选择自己定位的一年。

你的企业属于哪一种？

三个问题，测出你的企业能否活过2026年