深入了解企业 AI 成功背后的 AI 采纳阶段

每家企业都会经历相同的 AI 采纳阶段，无论是否有计划。路径从零散的工具使用到首次试点，再到实际生产，最终形成整个业务依赖的共享系统。每一步都是逐步推进的，因此公司往往在外界注意到之前就已经进入了新阶段。

区分不同公司的关键在于它们在这条路径上走了多远，市场之间的差距相当大。麦肯锡 2025 年全球调查显示，88% 的组织已在至少一个业务职能中使用 AI，约三分之一已经开始规模化，7% 表示 AI 已完全规模化。这意味着几乎所有企业都已开始部署 AI，但真正成功的却寥寥无几。

过去几年，我与处于这条路径几乎每个阶段的领导团队合作过，有一种规律始终成立：公司所处的阶段，比它选择的模型或签约的供应商更能说明AI项目会带来什么。每个采用阶段都要求组织内部发生不同的变化，而这些变化才决定结果。下面逐一讨论各个阶段，以及公司通常在哪些地方难以迈向下一步。

AI 采纳的五个阶段以及推动公司前进的决策

在我们合作的公司中，这五个阶段几乎总以同样的顺序出现。起初通常只是几个人自行使用AI工具，领导层往往很久以后才知道。有些公司从未再向前走。持续推进的公司最终会把业务本身建立在技术能力之上。关键在于，每个阶段对组织的要求都不同。曾帮助公司度过试点期的决定，往往会在一年后成为阻碍，许多AI项目就在这里悄然瓦解。

1. 零散使用且无所有者

第一阶段看起来通常只是好奇。员工在没有统一政策的情况下使用AI工具，采购部门完全不知情，也没有人衡量产出。但这种混乱包含真实信息：公司边缘的好奇心揭示了真正的摩擦所在，而这种信号几乎不会通过正式渠道传到高管层。

领导者在这里容易犯的错误是过早正式化：在尚未弄清什么值得治理之前，就把真正的实验变成一项治理工作。

此阶段的决策: 正确的直觉是观察正在发生的情况，而不是试图管控它，因此制定一项轻量的使用政策，涵盖数据处理，其余暂时不做干预。需要关注的是重复性，因为当相同的变通方案在三个不同团队中出现且彼此未协同时，就形成了值得正式投入的用例。

2. 有资金支持但成功标准薄弱的试点

试点有了预算、明确的负责人和面向董事会的演示，随后工作就悄悄停在这里。 MIT NANDA 项目的研究发现，绝大多数企业生成式AI试点并未对损益产生可衡量的影响。

导致这种情况的原因基本可以归结为三点：第一，成功标准围绕模型准确率而非业务真正关心的指标；第二，演示下缺乏真实的数据流水线；第三，发布结束后无人负责其结果。该阶段从内部难以辨识，因为表面上看似进展顺利，演示在改进，供应商争取下一阶段，委员会仍在开会，但这些都未能转化为财务可量化的数字。

此时的行动指令: 不要批准没有业务指标且缺乏在一年后仍能对该指标负责的负责人的试点，若无法命名则直接淘汰。四个遵循此纪律的试点胜过十二个人人称赞却缺乏指标的试点。

3. 生产集成

在所有AI采用阶段中，这一阶段终结的项目最多。员工和客户现在每天依赖系统，试点从未遇到的要求开始出现：监控、转交人工的路径、提示词和模型版本控制、事件响应，以及经得起审计的数据血缘。 NIST AI 风险管理框架详细记录了这些控制措施，值得在确定上线日期前阅读。

这里更棘手的问题不是技术而是组织层面，因为该阶段更看重工程纪律而非持续实验，像研究团队那样运作的团队在此会遇到困难，而领导层则会寻找技术解释。经济模式也随之转变。试点成本一次性且易获批准，而生产则形成永久性的运营费用，未曾预算的公司往往把首次续费请求误认为投资失误的证据。

上线前必须改变的事项: 将所有权在上线前就转移，而非之后；将交付交给有生产经验的人员；并为运营成本预留三年的预算。随后指定在模型退化时接收警报的负责人，因为这唯一的姓名决定了系统是可运行的还是仅是演示。

4. 共享能力与复用

此时，AI成为多个业务部门共同使用的基础设施。平台团队维护可复用组件、统一评估方式和部署路径。因为不必每次从头重建基础，每个新用例的成本都会下降。

公司进入该阶段的最明显信号根本与技术无关。预算权限从创新团队转移至业务线负责人，当某部门负责人用运营预算资助 AI 工作并将回报计入自身业绩时，组织真正跨越了这一阶段。我们看到，这一转变对用例质量的提升，超过同一年内任何技术决策的影响。

资金应放置的位置: 将平台团队视为基础设施进行资助，而非项目，并以复用率而非上线数量来衡量。随后将 AI 预算从创新部门转移至各业务部门，因为一旦业务负责人出资，用例的针对性就会提升，无需额外干预。

5. AI 融入运营模型

这一阶段的公司从一开始就围绕AI能力设计产品、流程和决策，而不是事后补装。新产品默认这些能力已经存在，岗位会根据系统承担的工作调整。由于几天内就能用真实数据测试想法，规划周期也缩短了。

真正达到此阶段的组织寥寥无几，声称已达此水平的数量远高于实际符合条件的。测试方法非常简洁，只需在一次会议中提出:如果模型明天消失，公司会停止哪些工作。坦诚的答案往往让人不舒服，因为它指向收入而非便利。每次我们向领导团队提出此问题，得到的真实答案都比其战略稿所宣称的阶段低一至两个层级。

董事会层面的提问: 将 AI 能力视为战略资产，并以同等严格的标准审视。审查供应商集中度、模型依赖性和数据所有权，然后询问每个没有模型就无法运行的流程的备选方案是什么，并在需要之前为该备选方案提供资金。

公司跳过某阶段会发生什么：真实案例

我们见过足够多的公司，过程几乎总是一样：试点成功，董事会满意，人人想展示进展，公司于是跳过生产集成，直接从演示走向全面推广。既然演示能用，就没人愿意花一个季度处理监控和责任归属，因此干脆略过。我们的一位客户就是这样做的，代价超过了预期。

出错之处

这是一家提供客户支持的服务企业，模型接管了原本由团队处理的第一轮回复。成功试点后，它被推广到整个业务，四个月里看起来都没问题。我们检查真实运行状况时发现，模型根本没有监控，回答开始偏离也不会有通知。需要人工检查的情况没有升级路径。开发团队已转去下一个项目，却没有把责任交给任何人。由于试点被视为一次性成本，这个现在每天运行的系统也没有运营预算。

造成的代价

回答确实开始出问题。如果有人监控，本可以及早发现，但没人看，所以客户先发现了。修复模型反倒是容易的部分，大约用了两周。重新赢得依赖这些输出的人的信任，花掉了那个季度余下的时间。领导层也在同一季度的大部分时间里争论AI投资是不是错误，而真正的错误是上线方式。

从中得到的教训

监控与责任归属看起来像额外开销，直到缺少它们时才知道其价值。省略它们会让上线显得比实际便宜。成本并未消失，只是在以后以信任流失的形式出现，而不是预算中的一个数字。

如何识别贵公司当前的 AI 采纳阶段

四个问题就能比任何正式评估更快地确定公司在这条路径上的位置。与运营负责人一起提出它们，并用证据回答每一个问题。

• 您能指出每个已部署模型推动的业务指标吗？
•  当模型出现退化时，谁会收到警报？
• 从需求提出到投入生产，一个新用例需要多长时间？
•  您已有的 AI 工作中，有多少是对已构建内容的复用？

清晰的答案能确认公司已达到的阶段。不确定的答案则直接指出下一步值得投资的层面，因此同样有价值。

领先的公司很少只是模型最好，而是能够诚实判断自身位置，并为迈向下一阶段所需的工作投入资金。这比听起来难，因为每个团队都汇报自己的进展，没人愿意承认自己落后。做得好的领导者会直接提问，并用实际运行情况核对答案。

无论是否有人为其命名，每个组织都已处于其中一个阶段。优势属于知道自己在哪个阶段，并有意识地资助下一步的领导团队。