作者： Boxu Li
简介
在过去的几年里，人工智能已经从小众实验发展到许多商业战略的核心。到2024年，全球78%的组织报告称以某种形式使用人工智能，这比前一年的55%有了大幅增加。然而，尽管有如此热情，一个严峻的现实正在显现：很少有公司真正从其人工智能投资中获得显著价值。 许多高管认为人工智能尚未实现他们所期望的投资回报，许多试点项目从未能扩大规模。波士顿咨询集团发现，只有26%的公司具备必要的能力，能够超越概念验证并通过人工智能产生实际价值。事实上，仅有4%的公司是真正的「人工智能领袖」，持续看到显著回报，而74%的公司尚未见到任何实质性价值。同样，S&P Global的一项调查显示，放弃大部分人工智能计划的企业比例在过去一年从17%上升到42%，几乎有**46%**的人工智能项目在试点和全面部署之间被放弃。这些数字清晰地描绘了一幅画面：采用人工智能很容易，但成功采用人工智能却很难。
为什么从雄心到影响的转变如此具有挑战性？原因既有技术上的，也有组织上的。在技术方面，许多公司在将AI整合到现有系统和工作流程中、处理数据问题以及大规模管理AI工具时遇到困难。例如，数据质量是一个主要障碍——在一份行业报告中，83%的组织由于数据质量差，不得不在自动化项目中排除至少一个数据源。如果您的数据是孤立的、不一致的或不可靠的，即使是最好的AI模型也会表现不佳。此外，大规模部署AI需要强大的基础设施（如MLOps管道、计算资源和用于监控模型性能的工具），但许多公司缺乏这些。在2024年，只有大约27%的公司在使用MLOps工具来管理和部署AI，尽管还有42%的公司计划在一年内开始使用——这表明大多数公司在为大规模AI开发所需的支撑结构方面仍处于初期阶段。
组织上的挑战同样令人望而生畏。通常存在人才和知识缺口——公司可能有一两个数据科学团队在构建模型，但更广泛的员工（甚至是高管）并不完全了解 AI 的能力或局限性。这可能导致不切实际的期望或不愿信任 AI 的输出。最近的一项 Anthropic 调查指出，虽然约有40% 的美国员工现在在工作中使用 AI（从 2023 年的 20% 上升），但许多员工仍然不确定如何最好地利用这些工具，而且培训计划也滞后。此外，AI 的扩展需要变革管理——转变流程和提升人员技能——这可能会面临内部阻力。没有强有力的领导和明确的愿景，试点项目往往只是孤立的实验，无法渗透到更广泛的组织中。
全球与区域趋势： 尽管面临挑战，企业AI的采用率仍在加速，尤其是在某些地区。美国在私人AI投资中领先，拥有较高的采用率，但有趣的是，其使用增长率并不是最高的。亚太地区已成为AI活动的热点——一份报告称其为「值得关注的地区」，因为亚太地区的高管比几乎任何人都更快地接受生成式AI。亚洲在生成式AI工具的采用上仅次于北美。如果说2023年是试点年，2025年有望成为亚洲在各行业大规模部署AI的一年。这得益于强有力的自上而下的支持：例如，日本在2025年通过了一项AI促进法，旨在通过创新政策和投资使日本成为「全球最AI友好的国家」。日本意识到其在AI采用上落后，并正在动员政府和行业迎头赶上。同样，韩国推出了一项国家AI战略，通过全面的框架法案和数十亿美元的资金，力争成为全球前三的AI强国，包括在2030年前让30%的公司采用AI的目标。这些政策推动意味着东北亚的企业受到压力——并获得支持——要尽早整合AI。
与此同时，中国和印度拥有庞大的人工智能用户群（例如，数百万软件工程师和人工智能创业热潮），但其企业格局有所不同。中国科技巨头在全球人工智能领域处于领先地位，但许多传统中国企业仍处于人工智能采用的早期阶段。印度的IT服务公司正在迅速将人工智能融入全球客户和国内的产品中。相反，欧洲采取了更加谨慎且以监管为重的方式（即将出台的欧盟人工智能法案），一些人担心这可能会减缓企业的采用速度。然而，即使在欧洲，调查显示高管们越来越迫切，不想落后于人。总的来说，全球趋势很明显：企业感到必须“做点什么”来应对人工智能，但将其转化为持续的商业价值被证明是一个普遍的痛点。
扩展人工智能的主要障碍
- 缺乏策略和高层支持： 许多组织在没有与业务结果对齐的明确策略下进入了 AI 领域。常见的是，由于缺乏高层协调，个别团队或创新实验室发起了零散的试点项目。这导致重复、浪费努力，以及无法解决核心业务需求的项目。BCG 的研究强调，AI 领导者无一例外地拥有强大的 CEO 级别支持，并将 AI 项目与战略目标对齐。当 AI 成为 CEO 的优先事项（而不仅仅是研发实验），项目就能获得必要的资源，跨职能协作得以改善，并且更专注于解决高价值问题，而不是为了 AI 而做 AI。
- 人才和技能差距： 成功的 AI 采用需要数据科学家、工程师、领域专家和变革领导者的组合。许多公司根本没有足够的这些人。招聘 AI 人才竞争激烈且成本高昂，提升现有员工技能的速度缓慢。此外，除了技术专家，中层管理人员和一线员工也需要培训，以便与 AI 工具合作（例如，如何解读 AI 推荐，如何向生成式 AI 系统提问等）。如果员工不了解 AI，他们可能会不信任或未充分利用 AI，从而抵消潜在的好处。领先的公司大力投资于技能提升计划和交叉培训，通常建立内部 "AI 学院" 以提高员工的整体 AI 流利度。这确保当新的 AI 解决方案推出时，员工准备好将其整合到日常工作中，而不是抵制它们。
- 数据、技术和基础设施问题： 如前所述，数据质量和可用性是基础。没有现代化数据基础设施的公司连 AI 试点都难以进行，因为算法需要大量可访问的、干净的数据。孤立的数据系统、遗留的 IT 架构和缺乏云计算能力都会阻碍 AI 的扩展。此外，要在企业规模上部署 AI 需要监控系统来跟踪模型性能（我们的预测是否仍然准确？），更新模型的新数据的流程，以及管理模型使用的机制（例如，确保做出信用决策的 AI 是公平且合规的）。这些属于 MLOps 和 AI 治理的范畴——很多公司在这些领域仍不成熟。一个调查显示，“难以证明 ROI” 是公司尚未投资于 MLOps 的主要原因之一；这表明在没有合适的基础设施的情况下，ROI 更难实现，而缺乏明确的 ROI 又使得更难为基础设施争取预算。解决这个难题通常需要有远见的领导来投资于平台和工具，即使回报尚未完全显现。
- 风险、安全和道德顾虑： 企业 AI 采用可能因对风险的合理担忧而放缓——无论是网络安全、合规性还是道德陷阱。受监管行业的公司（金融、医疗等）必须确保 AI 决策符合法律并可审计。还有声誉风险：一个有缺陷的 AI 可能无意中歧视或犯下高调错误，可能成为公关灾难。在没有适当监督的情况下，AI 项目可能会因合规部门或法律恐惧而受阻。成功的采用者的区别在于他们通过健全的治理框架主动解决这些问题。例如，他们为敏感决策实施“人机协同”检查，进行算法偏见审计，并确保 AI 推荐的透明度。许多公司正在成立内部 AI 伦理委员会。负责 AI 的工具和框架也在不断出现。例如，Macaron AI 团队强调了 AI 助手中隐私设计和合规性的重要性，实施政策绑定和透明度措施以建立用户信任。企业同样需要通过展示他们能够负责任地部署 AI 来建立用户（和监管机构）的信任。当利益相关者信任 AI 时，他们更有可能支持其扩展。
成功采用者的不同之处： 尽管之前的数据让人清醒，但有些公司正在突破并取得显著的 AI 驱动收益。他们做对了什么？研究和案例分析指出了几个最佳实践：
将 AI 与明确的业务价值挂钩： 成功的公司并非为了实验而使用 AI，而是从具体的业务问题或机遇入手。他们会问，「AI 如何帮助我们增加收入、降低成本或改善客户体验？」 并追求具有可衡量 KPI 的项目。例如，他们不会说「因为 AI 在 HR 很流行所以要用」，而是可能会设定「通过 AI 助手将呼叫中心平均处理时间减少 20%」或「通过预测性维护减少制造业停机时间」。拥有明确的指标（节省时间、提升转化、减少错误等）并严格跟踪，这使得 AI 部署保持专注且负责任。这也有助于获得支持——当一线员工看到 AI 工具让他们的工作更轻松或客户更满意时，他们会成为倡导者而非怀疑者。
从小处着手，然后快速扩展： 成功的组织通常会在小规模上试点人工智能，但从一开始就制定了扩展计划。他们将试点视为学习阶段，以完善解决方案并证明其价值，然后如果结果积极，便迅速广泛实施。至关重要的是，他们为扩展阶段（而不仅仅是概念验证）进行了预算和规划。这可能涉及构建可以扩展的灵活架构，并及早建立跨职能团队（IT、数据、业务部门的合作）以便提前解决整合障碍。比如，一家银行在一个地区试点了一个人工智能欺诈检测系统，发现误报率显著下降，并在一年内将其推广到20多个国家——因为他们在试点期间准备了操作手册和内部倡导者来推动更广泛的采用。
投资于基础设施和工具： AI领域的领导者不会在「管道」上节省开支。他们会投资于数据湖或现代数据仓库以聚合和清理数据，利用云平台或高性能计算进行模型训练和部署，并结合MLOps工具进行版本控制、测试和持续部署AI模型。这通常需要与专注于这些服务的技术提供商或云供应商合作。回报是可靠性和可扩展性：有了坚实的基础，增加新的AI用例变得越来越容易和快捷。相比之下，那些试图在临时基础设施上进行AI的组织往往会发现，当更多用户或数据加入时，他们的试点项目会在现实世界的复杂性重压下崩溃。
培养人才和跨职能团队：我们提到了技能提升——除此之外，成功的 AI 组织打破了数据科学家和领域专家之间的隔阂。他们创建了跨学科团队，例如，市场营销专家和机器学习工程师在个性化算法上并肩工作，互相学习。这确保了 AI 解决方案真正适合业务背景并能够实际实施。它还帮助知识转移，使业务专家更具技术敏锐性，而技术专家则获得领域直觉。此外，AI 领先的公司通常拥有一个中央 AI 或数据科学卓越中心，该中心制定最佳实践，提供内部咨询，并可能构建可供各部门重复使用的通用平台或工具。这防止了每个团队重复造轮子，并加快了整体采用速度。
高管倡导与变革管理： 最后，以上所有内容的实现都需要有力的领导力推动。成功的 AI 采用者拥有能够清晰阐述 AI 在组织中角色的领导者，并积极管理变革。这意味着要向员工清楚传达 AI 如何增强他们的工作（而不仅仅是裁减职位），与董事会和投资者设定现实的期望，并促进数据驱动决策的文化。他们庆祝 AI 项目的成功以建立动力，并诚实地将失败视为学习机会。当高层管理人员明显参与时——例如，CEO 在市政厅会议上讨论 AI 计划，或任命首席 AI 官——这向整个公司表明 AI 是战略重点，而不是短暂的尝试。
展望未来
随着我们进入 2025 年，企业对 AI 的采用正处于一个转折点。炒作正在让位于对实现价值所需的冷静反思。好消息是，成功的要素越来越被理解，而且资源丰富。有更多的预训练模型和 API，企业可以直接使用，而不需要庞大的 AI 研究团队（从计算机视觉服务到大型语言模型 API）。还有更多的集成平台，甚至无代码 AI 工具（如前面的博客中讨论的），可以帮助减少技术投入，加快部署。总之，进入门槛正在不断降低。
然而，真正将 AI 融入企业的结构中——以一种能持续推动利润或使命成果的方式——仍将是一段考验公司愿景、适应性和治理的旅程。在未来几年，AI 领导者和落后者之间的差距可能会扩大。一方面，我们将看到那些将 2023-2024 年作为学习阶段的公司，现在正在以前所未有的方式扩展 AI，在效率、客户洞察和创新方面获得竞争优势。另一方面，缺乏战略或承诺而随意尝试 AI 的公司可能会停滞不前或落后，因为他们更敏捷的竞争对手利用 AI 超越他们。
企业采用 AI 与生产力提升之间的关联已毋庸置疑——研究表明，具备 AI 准备的公司正在领先。现在的问题是哪些企业能够执行艰巨的组织工作，将 AI 的潜力变为现实。在美国和亚洲，那些将技术优势与明确愿景和强大执行力相结合的企业，可能会在这个新时代引领潮流。他们受益于强大的创新生态系统，（在亚洲的情况下）往往有自上而下的现代化紧迫感。但任何地区的任何组织，只要采用正确的方法，都能取得成功。
总之，AI实验的时代正在让位于AI执行的时代。企业必须超越追逐下一个新奇算法，专注于构建让AI大规模蓬勃发展的基础——数据、人员和流程。许多人至今面临的挑战证明这条路并不容易。然而，AI带来的奖赏依然可得：简化的运营、差异化的客户体验和新的产品机会。通过深思熟虑的战略、强有力的领导力以及从早期失误中学习的意愿，公司确实可以从炒作跨越到持久的影响力。2025年将是分水岭，区分那些仅仅谈论AI的企业与那些真正用AI转型业务的企业。通过正视挑战并遵循AI领导者的指南，任何企业都能加速从雄心勃勃的试点到规模化、AI驱动的成功的旅程。
