企业 AI 为何停滞，以及如何突破试点实现规模化

三年前，大多数企业领袖对 AI 持否认态度。当时的普遍看法是，这只是市场噪声，或仅仅是一个巧妙的玩具，而非企业级技术。‘幻觉’是大家脑海中的关键词。就在过去一年里，这种怀疑几乎完全逆转。如今的预期已达到顶峰，董事会确信 AI 将改变每一个岗位和每一个流程。

然而这两种极端都未抓住要点。AI 既不是昙花一现的潮流，也不是魔法棒。它是行业迄今为止最为全面的变革；规模甚至超过了云计算，后者本质上是提升效率和灵活性。AI 是一次业务转型。这正是为何许多组织在完成耀眼的试点后仍陷入停滞的原因。 State of AI 来自麦肯锡公司（McKinsey & Company）的调查揭示了问题的规模：近三分之二的受访者表示，他们的组织尚未在整个企业范围内扩展 AI。

真正的瓶颈并非能力

将责任归咎于技术固然诱人，但那是错误的。此阶段的前沿模型拥有巨大的能力。难点在于将 AI 融入真实的业务流程，以实现可衡量的成果。

IDC 研究发现，88% 的 AI 概念验证未能进入生产部署，这意味着每推出 33 项，仅有 4 项能够实现。原因很少在于技术本身。试点展示了可能性；规模化要求组织改变实际的工作方式。这比大多数领导者预期的要复杂得多。它涉及变更管理、职能之间的摩擦、预算周期从未为此类投资设计，以及从头到尾重新设计工作流的艰巨任务。这就是为什么从概念验证到生产的过程比炒作所暗示的更为漫长：企业本身复杂，复杂性抵制捷径。

领导者应抵制‘立即采用 AI’的冲动，该冲动会导致零散、脱节的实验。应首先明确具体问题和预期成果，例如缩短服务响应时间、更快检索知识、压缩开发周期。当 AI 围绕已定义的工作流进行设计时，影响即可量化，且可量化的影响为规模化奠定基础。

可见与不可见

代理是 AI 在企业内部实现的方式，分为两类。第一类是助理代理，作为可见的助手，能够摘要邮件或帮助开发者编写代码。第二类代理则隐形嵌入工作流中，进行账目核对、运行审批链、标记欺诈等。这些代理必须真正具备企业级标准：能够大规模处理、提供准确性、实现全程可追溯，并在负责任的 AI 规范内运行。

标题中宣称的“代理数量”意义不大，因为没有统一的代理计数标准。关键在于人机协作完成的工作量。由代理驱动的生产力或许能节省一百万美元；而通过人与代理团队重新构想业务流程，同样的投入可能产生一亿美元的收益，这才是领导者应关注的方向。

治理、信任与雨天测试

对结果的所有权对于确保成功至关重要。当容忍十次错误时，部署 AI 还算容易；但若过程必须在规模化时毫无瑕疵，则情况截然不同。指导原则是雨天测试：当 AI 拒绝配合时，业务仍能运行。因而，治理不是速度的敌人，而是其促进者。同时，缺乏治理的灵活性会导致混乱，而缺乏灵活性的治理则扼杀创新。最终阻碍 AI 的是恐惧、信任、安全，以及对自身数据的控制。这些担忧决定企业是实现规模化还是停滞不前。

为架构匹配合适规模

关键是，对于 80% 至 90% 的企业用例而言，前沿模型并非必要。基于组织自身数据构建的小型语言模型，常常与前沿模型协同工作，是更明智的选择。每标记成本正呈指数下降，但推理模型和不断扩大的上下文窗口正显著提升消耗，使得标记优化本身成为一大机遇。

为下一波浪潮构建

在每一次技术浪潮中，价值只有在企业真正使用技术时才能在最前沿显现。当前的支出仍集中在基础设施层，正如技术周期初期的常态。下一波、更大的浪潮将是规模化采用。

企业领袖应注意，企业 AI 停滞并非因技术薄弱，而是因为组织将业务转型视作技术项目。胜者将把 AI 打造成可信、可重复且负责任的业务流程，并具备耐心将其规模化，乘势迎接更大的浪潮。