2025年企业AI采用：在雄心与影响之间架起桥梁

引言： 在过去几年中，人工智能已经从利基实验转变为许多商业战略的核心。到2024年，全球78%的组织报告在某种程度上使用AI——相比前一年的55%有了显著增长。 然而，尽管热情高涨，一个严峻的现实正在显现：很少有公司真正从AI投资中获得显著价值。 许多高管认为AI尚未实现他们期望的投资回报率，众多试点项目从未扩大规模。波士顿咨询集团发现，只有26%的公司开发了超越概念验证并产生有形价值所需的能力。事实上，仅有4%是真正持续看到显著回报的"AI领导者"，而74%尚未看到任何有意义的价值。同样，标准普尔全球调查显示，在过去一年中，放弃大部分AI倡议的企业比例从17%上升到42%，近46%的AI项目在试点和全面部署之间被放弃。这些数字描绘了一幅清晰的图景：采用AI很容易——但成功采用AI很难。

为什么从雄心到影响的桥梁如此具有挑战性？原因既有技术性的，也有组织性的。在技术方面，许多公司在将AI集成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工具方面遇到困难。例如，数据质量是一个主要障碍——在一项行业报告中，83%的组织由于数据质量差而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、不一致的或不可信的，即使最好的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、计算资源和监控模型性能的工具），而许多公司缺乏这些基础设施。2024年，只有约27%的公司使用MLOps工具管理和部署AI，尽管另有42%计划在一年内开始使用——这表明大多数公司在大规模AI所需的框架开发方面仍处于早期阶段。

组织挑战同样令人生畏。通常存在人才和知识差距——公司可能有一两个数据科学团队构建模型，但更广泛的员工（甚至高级管理层）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输出。最近的一项Anthropic调查指出，虽然约40%的美国员工现在在工作中使用AI（高于2023年的20%），但许多员工仍然不确定如何最好地利用这些工具，培训项目也落后。此外，扩展AI需要变革管理——转变流程和提高员工技能——这可能会面临内部阻力。如果没有强有力的领导和清晰的愿景，试点项目往往仍然是孤立的实验，从未渗透到更广泛的组织中。

全球和区域趋势： 尽管存在挑战，企业AI采用仍在继续加速，特别是在某些地区。美国在私人AI投资方面领先，采用率很高，但有趣的是并非使用增长率最高的地区。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们几乎比任何人都更快地拥抱生成式AI。亚洲现在在GenAI工具的采用方面仅次于北美。如果说2023年是试点年，2025年有望成为亚洲跨行业扩大AI部署的一年。这得益于强有力的自上而下支持：例如，日本在2025年通过了AI促进法，旨在通过支持创新的政策和投资使日本成为"世界上最AI友好的国家"。日本认识到自己在AI采用方面落后，现在正在动员政府和行业迎头赶上。同样，韩国启动了国家AI战略，制定了全面的框架法案和数十亿美元的资金，目标是成为全球前3大AI强国，包括到2030年让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面临压力——并获得支持——需要尽早整合AI。

与此同时，中国和印度拥有庞大的AI用户群体（例如，数百万软件工程师和AI初创企业的繁荣），但他们的企业格局不同。中国科技巨头在全球AI领域处于领先地位，但许多中国传统企业仍处于AI采用的早期阶段。印度的IT服务公司正在迅速将AI融入为全球客户和国内使用的产品中。相比之下，欧洲采取了更加谨慎、监管严格的方法（随着即将到来的欧盟AI法案），一些人担心这可能会减缓那里的企业采用。然而，即使在欧洲，调查也显示高管们越来越迫切地希望不要落后。总的来说，全球趋势是明确的：公司感受到强烈的"做点什么"与AI的紧迫感，但将其转化为持续的商务价值正被证明是一个普遍的痛点。

扩展AI的关键障碍：

• 缺乏战略和高管支持： 许多组织在没有与业务成果一致的清晰战略的情况下涉足AI。通常可以看到由各个团队或创新实验室发起的分散试点项目，没有高管层面的协调。这导致重复、浪费精力，以及不解决核心业务需求的项目。BCG的研究强调，AI领导者总是拥有强大的CEO级支持，并将AI倡议与战略目标对齐。当AI是CEO的优先事项（而不仅仅是研发实验）时，项目获得必要资源，跨职能协作得到改善，重点是解决高价值问题而不是为了AI而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才。招聘AI人才竞争激烈且成本高昂，提升现有员工技能也很慢。此外，除了技术专家外，中层管理人员和一线员工需要接受使用AI工具的培训（例如，如何解释AI建议，如何向生成式AI系统提出问题等）。如果员工不了解AI，他们可能会不信任或未能充分利用它，从而抵消潜在收益。领先的公司大力投资于技能提升项目和交叉培训，经常建立内部"AI学院"来提高员工的整体AI素养。这确保了当新的AI解决方案推出时，员工已准备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。尚未现代化其数据基础设施的公司甚至在试点AI方面都很困难，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IT架构和缺乏云计算能力都阻碍了AI扩展。此外，在企业规模部署AI需要监控系统来跟踪模型性能（我们的预测仍然准确吗？），用新数据更新模型的流程，以及管理模型使用的机制（例如，确保做出信贷决策的AI是公平和合规的）。这些都属于MLOps和AI治理的范畴——许多公司在这些领域仍然不成熟。在一项调查中，"难以证明ROI"是公司尚未投资MLOps的首要原因之一，这表明了一个两难境地：没有合适的基础设施使ROI更难实现，但缺乏清晰的ROI使获得基础设施预算更加困难。斩断这个戈尔迪之结通常需要富有远见的领导层在回报完全显现之前就投资于平台和工具。

• 风险、安全和道德担忧： 企业AI采用可能会因对风险的合理担忧而放缓——无论是网络安全、监管合规还是道德陷阱。受监管行业的公司（金融、医疗保健等）必须确保AI决策符合法律并可审计。还存在声誉风险：有缺陷的AI无意中歧视或犯高调错误可能是一场公关噩梦。如果没有适当的监督，AI项目可能会被合规部门或法律担忧所阻碍。区分成功采用者的是他们通过强大的治理框架主动解决这些担忧。例如，他们为敏感决策实施"人机回圈"检查点，对算法进行偏见审计，并确保AI建议的透明度。许多公司正在建立内部AI道德委员会。负责任AI的工具和框架也在不断涌现。例如，Macaron AI团队强调了AI助手中隐私设计和合规的重要性，实施了策略绑定和透明度措施来建立用户信任。企业同样需要通过展示他们能够负责任地部署AI来建立与用户（和监管机构）的信任。当利益相关者信任AI时，他们更有可能支持扩展它。

成功采用者的不同做法： 尽管前面的统计数据令人清醒，但有些公司正在突破并获得可观的AI驱动收益。他们做对了什么？研究和案例研究指出了几项最佳实践：

1. 将AI与明确的业务价值联系起来： 成功的公司不是出于实验目的而做AI，而是从具体的业务问题或机会开始。他们问，*"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，不是"因为AI很时髦就让我们在人力资源中使用它"，他们可能会瞄准"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停机时间"。拥有清晰的指标（节省时间、转化率提升、错误减少等）并严格跟踪它们，使AI部署保持专注和负责。这也有助于获得认同——当一线员工看到AI工具使他们的工作更轻松或让客户更快乐时，他们成为倡导者而不是怀疑者。

2. 从小处开始，然后快速扩展： 成功的组织通常在小规模上试点AI，但从一开始就制定扩展计划。他们将试点视为完善解决方案和证明价值的学习阶段，然后在结果积极的情况下迅速转向广泛实施。至关重要的是，他们为扩展阶段制定预算和计划（不仅仅是概念验证）。这可能涉及构建可扩展的灵活架构，并尽早建立跨职能团队（IT、数据、业务单位都协作），以便预先解决集成障碍。例如，一家银行在一个地区试点AI欺诈检测系统，看到误报率显著下降，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手册和内部倡导者来推动更广泛的采用。

3. 投资基础设施和工具： AI领导者不会在"管道"上吝啬。他们投资于数据湖或现代数据仓库来聚合和清理数据，利用云平台或高性能计算进行模型训练和部署，并整合MLOps工具进行版本控制、测试和AI模型的持续部署。这通常需要与专门从事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：有了坚实的支柱，添加新的AI用例变得 progressively 更容易和更快。相比之下，试图在临时基础设施上做AI的组织经常发现他们的试点在现实世界的复杂性重压下崩溃，当添加更多用户或数据时。

4. 培养人才和跨职能团队： 我们谈到了技能提升——除此之外，成功的AI组织打破数据科学家和领域专家之间的孤岛。他们创建跨学科团队，例如，营销专家和机器学习工程师并肩开发个性化算法，相互学习。这确保AI解决方案真正适合业务环境，并可以实际实施。它还有助于知识转移，使业务专家变得更加精通技术，技术专家获得领域直觉。此外，在AI方面领先的公司通常有一个中央AI或数据科学卓越中心，开发最佳实践，提供内部咨询，并可能构建可跨部门重用的通用平台或工具。这防止每个团队重新发明轮子，并加快整体采用。

5. 高管倡导和变革管理： 最后，没有强有力的领导推动，上述所有事情都不会发生。成功的AI采用者拥有能够阐明AI在组织中作用的引人注目的愿景并积极管理变革的领导者。这意味着向员工明确传达AI将如何增强他们的工作（而不仅仅是削减工作），与董事会和投资者设定现实的期望，并推广数据驱动决策的文化。他们庆祝AI项目的成功以建立势头，并诚实地将失败视为学习机会。当C级高管明显参与时——例如，CEO在全员大会上讨论AI倡议，或任命首席AI官——它向整个公司发出信号，AI是战略优先事项，而不是短暂的实验。

展望未来： 当我们进入2025年时，企业AI采用正处于一个拐点。炒作正在让位于对实现价值所需条件的清醒反思。好消息是，成功的要素越来越被理解，资源丰富。有更多预训练模型和API，公司可以在不需要庞大AI研究团队的情况下接入（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（如前一博客中所讨论的），可以帮助加快部署，减少技术工作量。简而言之，进入门槛不断降低。

然而，真正将AI嵌入企业结构——以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。AI领导者和落后者之间的差距在未来几年可能会扩大。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，那些在没有战略或承诺的情况下涉足AI的公司可能会停滞不前或落后，因为他们的更敏捷的竞争对手利用AI超越他们。

企业采用AI与生产力提升相关的事实不再有问题——研究表明AI就绪的公司正在领先。 现在的问题是哪些企业能够执行艰苦的组织工作，将AI的潜力变为现实。那些结合技术优势与清晰愿景和强大实施的美国和亚洲公司可能会在这个新时代设定步伐。他们受益于强大的创新生态系统，并且（在亚洲的情况下）通常具有自上而下的现代化紧迫性。但任何地区的任何组织都可以通过正确的方法取得成功。

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闪亮算法，专注于构建让AI大规模繁荣的基础——数据、人员、流程。道路并不容易，正如许多人迄今为止所面临的挣扎所证明的那样。然而，奖品仍然有待索取：简化运营、差异化客户体验和由AI驱动的新产品机会。凭借深思熟虑的战略、强有力的领导和从早期失误中学习的意愿，公司确实可以从炒作到持久影响的桥梁。2025年将是关键的一年，将那些只是谈论AI的人与那些真正用AI改变业务的人分开。通过正面应对挑战并遵循AI领导者的剧本，任何企业都可以加速从雄心勃勃的试点到规模化、AI驱动的成功的旅程。