作者： Boxu Li
簡介
在過去的幾年中，人工智慧已經從小眾實驗轉變為許多企業策略的核心。 到2024年，全球78%的組織報告表示在某種程度上使用了AI，這比前一年的55%有了大幅度的增長。 然而，儘管有這麼多的熱情，一個嚴峻的現實正在顯現：很少有公司從其AI投資中獲得顯著的價值。 許多高管感覺AI還沒能提供他們所期望的投資回報，許多試點項目也從未擴展。波士頓諮詢公司發現，只有26%的公司具備超越概念驗證並利用AI創造實際價值的必要能力。事實上，只有4%是真正的「AI領導者」，持續獲得顯著回報，而74%尚未看到任何有意義的價值。同樣的，標準普爾全球調查顯示，放棄大部分AI計劃的企業比例從17%上升到42%，而幾乎有46%的AI項目在試點與全面部署之間被放棄。這些數字描繪了一幅清晰的圖景：採用AI容易，但成功採用AI卻很困難。
為什麼從雄心到影響的跨越如此具有挑戰性？原因既有技術上的，也有組織上的。在技術方面，許多公司在將 AI 整合到現有系統和工作流程中遇到困難，處理數據問題以及管理大規模的 AI 工具。例如，數據質量是一個主要的絆腳石——在某行業報告中，83% 的組織因數據質量差而必須從自動化項目中排除至少一個數據來源。如果你的數據是孤立、不一致或不可靠的，即使是最好的 AI 模型也會表現不佳。此外，大規模部署 AI 需要強大的基礎設施（如 MLOps 管道、計算資源和監控模型性能的工具），這是許多公司所缺乏的。在 2024 年，只有約 27% 的公司使用 MLOps 工具 來管理和部署 AI，儘管另外 42% 的公司計劃在一年內開始——這表明多數公司仍處於發展大規模 AI 所需框架的初期階段。
組織上的挑戰同樣艱鉅。通常存在人才和知識的差距——公司可能有一兩個數據科學團隊在建立模型，但更廣泛的員工（甚至高層管理人員）並不完全了解 AI 的能力或限制。這可能導致不切實際的期望或不願信任 AI 的輸出。一項近期的 Anthropic 調查指出，雖然大約40% 的美國員工現在在工作中使用 AI（比 2023 年的 20% 增加），但許多員工仍然不確定如何最好地利用這些工具，而培訓計劃也落後。此外，擴展 AI 需要變革管理——轉變流程和提升人員技能——這可能面臨內部阻力。沒有強有力的領導和明確的願景，試點項目往往只會停留在孤立的實驗階段，無法滲透到整個組織。
全球和區域趨勢：儘管面臨挑戰，企業AI的採用仍在加速，特別是在某些地區。美國在私人AI投資方面領先，並且擁有很高的採用率，但有趣的是，增長率並不是最高的。亞太地區已成為AI活動的熱點——一份報告稱其為「值得關注的地區」，因為亞太地區的高管比幾乎任何人都更快地接受生成式AI。亞洲現在在生成AI工具的採用上僅次於北美。如果說2023年是試點年，那麼2025年將是亞洲在各行各業擴大AI部署的關鍵年份。這受到強大的自上而下支持的推動：例如，日本在2025年通過了一項AI促進法，旨在通過創新友好的政策和投資，使日本成為「世界上最AI友好的國家」。日本認識到其在AI採用上落後，現在正動員政府和產業迎頭趕上。同樣，韓國推出了一項國家AI戰略，包括綜合框架法和數十億的資金，目標是成為全球前3的AI強國，包括到2030年讓30%的公司採用AI的目標。這些政策推動意味著東北亞的企業面臨壓力——並且獲得支持——以更快地整合AI。
同時，中國和印度擁有大量的 AI 使用者（例如，數以百萬計的軟體工程師和 AI 領域的新創公司熱潮），但他們的企業環境有所不同。中國的科技巨頭是全球 AI 領導者，但許多傳統中國企業在 AI 採用方面仍處於早期階段。印度的 IT 服務公司正迅速將 AI 融入產品中，以供全球客戶和國內使用。相對而言，歐洲採取了一種更加謹慎且重視法規的方式（即將出台的歐盟 AI 法案），有些人擔心這可能會減緩那裏的企業採用。然而，即使在歐洲，調查也顯示高管們越來越急於不被落後。總而言之，全球趨勢顯而易見：公司感受到強烈的壓力要「做點什麼」與 AI 相關的事情，但將其轉化為持續的商業價值卻是一個普遍的難題。
擴展 AI 的主要障礙
- 缺乏策略和行政支持： 許多組織在沒有明確策略與業務成果對齊的情況下冒然進入 AI 領域。常見的是，由個別團隊或創新實驗室啟動的零散試點專案，缺乏高層級協調。這導致重複、浪費努力，專案無法解決核心業務需求。BCG 的研究強調，AI 領導者無一例外地擁有強大的 CEO 級支持，並將 AI 計畫與策略目標對齊。當 AI 是 CEO 的優先事項（而不僅僅是研發實驗），專案獲得所需資源，跨部門合作得到改善，重點放在解決高價值問題，而非為 AI 而 AI。
- 人才和技能缺口： 成功的 AI 採用需要數據科學家、工程師、領域專家和變革領導者的組合。許多公司根本沒有足夠的這些專業人員。招聘 AI 人才競爭激烈且成本高昂，對現有員工進行技能提升則進展緩慢。此外，除了技術專家外，中層管理者和一線員工也需要培訓以應用 AI 工具（例如，如何解讀 AI 建議，如何向生成式 AI 系統提問等）。如果員工不理解 AI，他們可能會不信任或低估其潛力，從而抵消可能的好處。領先公司大力投資於技能提升計畫和交叉培訓，通常建立內部「AI 學院」以提高員工的整體 AI 流暢度。這確保當新的 AI 解決方案推出時，員工準備好將其整合到日常工作中，而不是抵制它們。
- 數據、技術和基礎設施問題： 如前所述，數據質量和可用性是基礎。未現代化數據基礎設施的公司即使要試點 AI 也很困難，因為算法需要大量可訪問的、乾淨的數據。數據系統孤立、舊有的 IT 架構和缺乏雲計算能力都阻礙 AI 的擴展。此外，在企業規模部署 AI 需要監控系統來跟踪模型性能（我們的預測還準確嗎？），更新模型的新數據流程，以及管理模型使用的機制（例如，確保進行信用決策的 AI 是公平和合規的）。這些屬於 MLOps 和 AI 管治的範疇——許多公司在這些方面仍然不成熟。一項調查顯示，「難以證明投資回報」是公司尚未投資於 MLOps 的主要原因；這意味著沒有正確的基礎設施使得投資回報更難實現，但缺乏明確的投資回報又使得難以為基礎設施爭取預算。解開這個結通常需要有遠見的領導力，在回報完全顯現之前就投資於平台和工具。
- 風險、安全與倫理問題： 正當的風險顧慮——無論是網絡安全、法規遵從或倫理陷阱——都可能減緩企業 AI 的採用。受管制行業（金融、醫療等）中的公司必須確保 AI 決策符合法律並可審核。還有聲譽風險：一個有缺陷的 AI 若無意中歧視或犯下高調錯誤，可能成為公關災難。若無適當監管，AI 專案可能因為合規部門或法律顧慮而受阻。成功的採用者通過強大的管治框架積極解決這些問題。例如，他們為敏感決策實施「人類介入」檢查點，對算法進行偏見審核，並確保 AI 建議的透明度。許多公司正在建立內部 AI 倫理委員會。負責任 AI 的工具和框架也在逐漸出現。例如，Macaron AI 團隊強調了 AI 助手中設計隱私和遵從性的必要性，實施了政策綁定和透明措施以建立用戶信任。企業同樣需要通過展示負責任地部署 AI 來建立用戶（和監管機構）的信任。當利益相關者信任 AI 時，他們更可能支持其擴展。
成功採用者的不同之處： 儘管先前的統計數據令人警醒，但有些公司成功突破並實現了可觀的 AI 驅動收益。他們究竟做對了什麼？研究和案例研究指出了幾個最佳實踐：
將 AI 與明確的商業價值相結合： 成功的公司並非為了實驗而進行 AI，而是從具體的商業問題或機會入手。他們會問：「AI 怎樣幫助我們增加收入、降低成本或改善客戶體驗？」並追求具有可衡量 KPI 的項目。例如，他們不會因為趨勢而在 HR 中使用 AI，而是可能針對「通過 AI 助理將客服中心的平均處理時間減少 20%」或「透過預測性維護減少製造停機時間」。擁有明確的指標（節省時間、提升轉換率、減少錯誤等）並嚴格追蹤，讓 AI 部署保持專注和負責。這也有助於獲得支持——當一線員工看到 AI 工具讓他們的工作更輕鬆或客戶更滿意時，他們會成為擁護者而非懷疑者。
從小規模開始，然後快速擴展： 成功的組織通常會在小規模上試點 AI，但從一開始就有擴展的計畫。他們將試點視為學習階段，以完善解決方案並證明其價值，如果結果積極，便迅速廣泛實施。關鍵是他們為擴展階段預算和計畫（不僅是 POC）。這可能涉及構建可擴展的靈活架構，並早期建立跨職能團隊（IT、數據、業務部門協作），以提前解決整合障礙。例如，一家銀行在一個地區試點了一個 AI 欺詐檢測系統，發現誤報率顯著下降，並在一年內推廣到 20 多個國家，因為他們在試點期間準備了推廣手冊和內部推動者來推動更廣泛的採用。
投資於基礎設施和工具： AI 領導者不會在「管道」上省錢。他們投資於數據湖或現代數據倉庫以彙總和清理數據，利用雲端平台或高性能計算來訓練和部署模型，並使用 MLOps 工具進行版本控制、測試和持續部署 AI 模型。這通常需要與專業從事這些服務的技術供應商或雲端供應商合作。這樣的投入帶來可靠性和可擴展性：有了堅實的基礎，再添加新的 AI 用例變得更加容易和快速。相比之下，嘗試在臨時基礎設施上進行 AI 的組織，往往發現當用戶或數據增加時，他們的試點計劃在現實世界的複雜性下崩潰。
培養人才與跨功能團隊： 我們已經提到過技能提升——除此之外，成功的 AI 組織還會打破資料科學家與領域專家的隔閡。他們建立了跨學科團隊，例如，行銷專家與機器學習工程師並肩合作開發個性化算法，彼此相互學習。這確保了 AI 解決方案真正符合業務背景並能夠實際實施。這也有助於知識轉移，使業務專家變得更具技術敏銳度，而技術專家則獲得領域直覺。此外，領先的 AI 公司通常擁有一個中央 AI 或資料科學卓越中心，以開發最佳實踐、提供內部諮詢，並可能構建可在各部門重複使用的共用平台或工具。這樣做避免了各團隊重複發明輪子，加速整體採用。
高管倡導和變革管理： 最後，以上所有事情都需要強有力的領導來推動。成功採用 AI 的企業通常擁有能夠清晰闡述 AI 在組織中角色的領導者，並積極管理變革。這意味著要對員工清楚地傳達 AI 如何增強他們的工作（而不僅僅是削減工作機會），並與董事會和投資者設定現實的期望，推動數據驅動決策的文化。他們會慶祝 AI 項目的成功以建立動力，並誠實地將失敗視為學習的機會。當高層管理可見地參與其中——例如，CEO 在市政廳會議上討論 AI 計劃，或任命一位首席 AI 官——這向整個公司表明，AI 是一項戰略重點，而非短暫的嘗試。
展望未來
進入 2025 年，企業對 AI 的採用正處於一個關鍵點。炒作 正在讓位於對實現價值的冷靜反思。好消息是，成功的要素越來越被理解，資源也豐富。有更多的預訓練模型和 API，企業可以在不需要龐大 AI 研究團隊的情況下接入（從電腦視覺服務到大型語言模型 API）。還有更多的集成平台，甚至無需代碼的 AI 工具（如前一篇博客所討論），可以幫助以更少的技術努力加速部署。簡而言之，進入門檻不斷降低。
然而，真正將 AI 深植於企業的結構中——以一種能持續推動利潤或使命成果的方式——仍將是一段考驗公司願景、適應性和治理的旅程。在未來幾年，AI 領先者和落後者之間的差距可能會擴大。一方面，我們將看到那些將 2023-2024 年作為學習階段的公司現在正以前所未有的規模擴展 AI，從而在效率、客戶洞察和創新方面獲得競爭優勢。另一方面，那些在 AI 上缺乏戰略或承諾的公司可能會停滯不前或落後，因為他們更敏捷的競爭對手利用 AI 超越了他們。
企業採用 AI 與生產力提升相關的事實已不再有疑問——研究顯示，準備好使用 AI 的公司正在領先。 現在的問題是哪些企業能夠執行艱難的組織工作，將 AI 的潛力轉化為現實。在美國和亞洲，那些將技術優勢與清晰願景和強大執行力結合的企業，可能會在這個新時代中引領潮流。 他們受益於強大的創新生態系統，（在亞洲的情況下）通常還有自上而下的現代化緊迫性。但任何地區的任何組織，只要採取正確的方法，都能獲得成功。
總而言之，AI 實驗的時代正在讓位於 AI 執行的時期。企業必須超越追逐新奇演算法的階段，專注於建立讓 AI 能夠大規模發展的基礎——數據、人員、流程。這條路並不容易，正如許多人至今面臨的困難所證明的那樣。然而，獎勵仍然可以獲得：由 AI 驅動的精簡運營、差異化的客戶體驗和新產品機會。藉由深思熟慮的策略、強有力的領導和從早期錯誤中學習的意願，公司確實可以從炒作過渡到持久影響。2025 年將是區分那些僅僅談論 AI 的人與那些真正用 AI 改變業務的人之間的關鍵時刻。通過正面解決挑戰並遵循 AI 領導者的腳步，任何企業都可以加速從雄心勃勃的試點到大規模 AI 驅動成功的旅程。
