企业级人工智能最难的不是创新，而是确定优先级

大多数组织不缺人工智能创意。但如何才能成功地将这些创意转化为真正能够提升投资回报率（ROI）的实践？

对企业和技术领导者来说，这个问题听起来简单，实际却出人意料地棘手：要找出、评估并确定那些真正能够创造价值的人工智能机会的优先级，需要考虑很多因素。

尽管技术已经成熟，也不乏创新思路，但大多数人工智能项目往往在真正落地之前就告失败。实验与执行之间的差距显而易见：S&P Global发现，企业平均有46%的人工智能概念验证项目在投入生产前就被搁置了。这是因为组织在尚未充分界定想要解决的问题之前，就开始评估人工智能创意。

许多组织已经走过实验阶段，不再只是摸索该押注哪些人工智能项目，以及按什么顺序推进。然而，采用人工智能并不一定能转化为业务成效：McKinsey 2026年人工智能现状调查发现，尽管目前有44%的组织表示已在整个企业范围内推广人工智能，但只有37%表示人工智能对营业收益产生了任何可衡量的影响。这些组织需要一套可重复使用的决策体系，在投入资源之前，先区分速赢机会、战略机遇、前置条件和非人工智能问题。

问题始于创意的提出方式

在各个领导团队中，人工智能创意并不会以条理清晰、彼此独立的机会形式出现。它们往往是打包提出的——内容丰富、杂乱无章、雄心勃勃，例如：“我们需要人工智能来协助沟通、报告、会议、知识传递、绩效管理，也许甚至还要让人工智能代理来管理我们的项目。”

这并不是一个创意就能解决的问题，而是至少需要六个创意，而且每个创意在范围、复杂程度、治理要求和预期价值方面都截然不同。

一句“我们需要人工智能来做报告”之类的话，背后可能隐藏着：

• 可在数周内实现自动化的重复性任务
• 需要先重新设计流程，人工智能才能发挥作用
• 人工智能首次使之成为可能的全新能力
• 仅靠人工智能无法解决的数据或系统问题

如果用相同的评估标准、时间安排和投资回报率计算方法来处理所有这些问题，就会导致优先级排序不当、精力白白浪费。速赢机会会被为重大项目设计的治理流程掩盖。突破性创意得不到所需的支持。而那些根本不是人工智能问题的事项，则会占用本可投向其他工作的资源。

人工智能机会优先级评估框架

组织需要一套标准化原则，帮助其判断哪些机会适合采用人工智能解决方案。我提出以下建议：

1. 先拆解，再确定优先级。人工智能决策的质量完全取决于进入决策流程的创意质量。最重要的一步，是将宽泛的需求拆分成彼此独立的机会，并为每项机会明确预期结果、唯一负责人和切实可行的范围。按这种方式评估宽泛的创意后，少数几条最初的想法就能转化为多个各自独立、可评分的机会。其中一些可以立即开展试点，另一些则可能需要先解决前置条件。还有一些可能根本不是人工智能问题。
2. 类型决定治理方式，评分决定推进顺序。应对业务挑战所需的人工智能实施类型，以及其评分（或创造价值的潜力），是两个截然不同的问题，但大多数优先级评估流程都把它们混为一谈。这个创意属于哪类机会？是任务自动化、流程重新设计、全新的人工智能能力，还是其他类型？答案决定了应如何管理这项工作：审批流程、时间安排，以及价值衡量方式。它与其他机会相比如何，则决定了应在何时推进。快速自动化和战术性人工智能能力都可能有价值，但绝不应遵循同一条治理路径。
3. 先明确问题，再选择技术。人工智能领域最容易掉入的陷阱之一，就是过早开始讨论模型、平台或供应商。更好的起点是先了解问题本身：谁正受到问题影响？摩擦由什么造成？哪些结果需要改善？这一区别很重要，因为组织可能对自己的人工智能战略充满信心，却仍缺乏执行战略所需的基础能力：UST 2026年的一项调查发现，44%的企业领导者认为数据质量是采用人工智能的一大障碍。如果尚未就这些基本问题达成共识，就开始讨论技术，通常为时尚早。让早期讨论聚焦于问题本身，能使最终的技术决策更加清晰。
4. 像识别机遇一样明确地指出阻碍。高分本身并不足够。如果某个构想影响力大且获得领导层支持，却存在难以克服的可行性障碍，例如缺少数据、系统依赖问题尚未解决，或受到合规要求限制，那么就应在路线图中明确列出，但在障碍消除之前不应付诸行动。治理与合规已是扩大 AI 规模应用时面临的最重大障碍之一：Moody’s 2025 年调查发现，33% 的受访者认为监管不确定性或合规风险是大规模采用 AI 的挑战，另有 30% 的受访者提到将 AI 与旧有系统集成存在困难。例如，某项机遇在除可行性以外的所有维度上都可能得分很高，但其实现有赖于另一个团队解决数据缺口。此时，可以在路线图中明确标记该事项；依赖问题一旦解决，就能立即推进。
5. 让路线图保持灵活。技术能力不断演进，业务优先事项会发生变化，依赖关系也会随时间改变。优秀的项目组合应便于根据情况变化重新评估各项机遇，而不必重做整个计划。对于发展如此迅速的领域，年度规划周期往往过于僵化。

付诸实践

值得注意的是，AI 本身也能帮助将这一框架付诸实施。组织可以利用专门设计的 AI 技能和轻量级路线图管理应用等工具，引导领导者完成机遇收集、拆解、分类、评分和优先级排序。AI 不必完全依赖研讨会和人工引导，而是可以审阅未经整理的构想、识别不同机遇、提出澄清问题、质疑假设，并生成结构化的机遇评估报告供人审阅。

随后，这些评估结果可以汇总到集中式路线图中，使整个组织能够以一致的方式管理机遇、依赖关系、阻碍和优先事项。领导者由此可以了解有哪些机遇、哪些已准备好推进，以及哪些还需要满足前置条件或接受进一步评估。这样一来，讨论的重点便会从“我们有哪些构想？”转变为“我们应该优先着手处理什么？”

这样一来，优先级讨论会更有成效。领导者在会前已经梳理过核心问题，因此讨论可以聚焦于统一优先事项并作出决策，而不必从头开始。

组织不必再通过彼此割裂的电子表格和会议来管理 AI 构想，而可以建立一套可重复运用的决策机制，随着业务需求和技术能力的演变，持续评估机遇并确定优先级。

这对企业 AI 意味着什么

能够通过 AI 持续创造价值的组织，未必拥有最先进的模型或最大的预算。真正的关键在于，它们建立了组织能力，能够在投入资源之前严格评估 AI 机遇。如今，挑战越来越在于如何有纪律地进行投资：Deloitte 2025 年 AI 投资回报研究发现，大多数组织表示，典型 AI 用例通常需要 2 至 4 年才能实现令人满意的投资回报；相比之下，技术投资的预期回收期为 7 至 12 个月。

这意味着要帮助业务领导者在推进之前，将宽泛的构想拆解为定义清晰的机遇，同时让技术团队有空间检验假设，并及早发现潜在挑战。这也意味着要维护一份能够纳入阻碍、依赖关系以及可能更适合留待日后推进的机遇的路线图。

归根结底，企业 AI 能否创造价值，不仅取决于组织采用了哪些模型或智能体，更取决于组织能否审慎决定在何处、何时以及为何使用它们。