企业级人工智能落地的冷门真相

本周在《财富》Brainstorm Tech 大会上，我与来自德勤、黑石集团、美国运通、耐克、Salesforce 等多家公司的高级领导面对面交流，他们是真正负责在大规模范围内落地实施人工智能的人。

有关人工智能采用的新闻标题通常来自调查或模糊的轶事。现实情况要混乱得多、技术性更强，而且——如果你愿意深入细节——其中充满了值得借鉴的模式。以下是让我印象深刻的几点：

1. 问题 > 平台

当人工智能的引入被表述为“我们需要更多 AI”时，往往会陷入停滞；而当它被聚焦于一个范围明确、可衡量且能对损益表产生影响的具体业务问题时，才会真正发挥作用。

德勤首席技术官承认，他们的第一波人工智能创意在重新聚焦到具体且与投资回报率挂钩的用例之前都无疾而终。经验法则是：如果你无法清楚说明这个项目如何影响你的损益表中的某一项，那你做的只是一个演示，而不是一项能力。

➡️ 将每个人工智能提案都锚定在你将推动的指标上——而不是你将使用的模型上。

2. 修好“管道”

高管们谈到中间件和数据时几乎带着宗教般的紧迫感。为什么？因为每一次失败的人工智能部署都可以追溯到薄弱的基础。

美国运通推出了一款知识助手，但在面对杂乱无章的非结构化数据时迅速崩溃——迫使他们重建数据层。过程虽痛苦，却为投资于过去缺乏显性回报的基础设施创造了理由。如今，遍布 19 个市场的数千名美国运通旅行顾问每天都在使用 AI——这一切都得益于当初的重置。他们在早期不得不放慢脚步，才能在如今实现更快的规模化。

AI 是揭示被忽视基础设施的“照妖镜”。中间件和干净的数据不再只是成本中心，而是决定 AI 投资回报的关键因素。

➡️ 将数据基础视为一等公民。如果你仍在推迟中间件投入，AI 会毫不留情地暴露这一缺口。

3. 集中治理，分散应用

耐克的历程是一个典型案例研究：

• 阶段一： 集中式 AI 团队，基础扎实，但与实际问题脱节 → 采用进程停滞。
• 阶段二： 分散到各业务线工程团队，要求每个项目都与消费者成果和损益指标挂钩 → 推动落地。

这一模式很一致：标准、基础设施和安全集中管理；用例开发分散进行。若只从高层推动，起步虽快但影响浅。CEO 的指令能打开大门，产品团队才能让大门保持敞开。

➡️ 人工智能无法在实验室中实现规模化，它必须深入到业务痛点所在之处。

4. 人比技术更难

每位领导者都重复了同一点：“人工智能的故事”其实是一个关于人的故事。

对失业的恐惧减缓了采用速度——而生成式人工智能带来的恐惧比机器人流程自动化（RPA）更为强烈。Deloitte 发现，当人工智能被用于繁琐工作（测试、模板化内容、文档编写）时，工程师的满意度更高。这样的积极应用案例是推动文化变革的加速器。

➡️ 将 AI 定位为帮助人们更好地完成工作，而不是取代他们。文化变革才是真正的落地计划。

5. 董事会支持：祝福与负担

董事会害怕被甩在后面。好消息是：这会转化为资金和优先级。坏消息是：这会转化为不切实际的时间表和“加快速度”的鼓点，诱使高管去做与实际成果脱节的“面子工程”。

最成功的领导者利用董事会的热情来推动跨职能数据/安全项目的投资，而不是追逐华而不实的演示。

➡️ 利用董事会的“错失恐惧症”作为掩护，为那些不性感但至关重要的基础设施争取资金。别让它把你推向“AI 作秀”。

6. 成功 ≠ 登月计划，失败 ≠ 致命打击。

• Blackstone 最大的成功：用于总结数据室内容的微型应用，每天为投资者节省 1-2 小时。虽不光鲜，但投资回报率极高。
• Nike 最大的失误：一个炫目的沉浸式 AI 奥运鞋设计器——演示有趣，但无法规模化，也没有后续推进。

渐进的生产力提升会产生复利效应。登月式项目能博得头条，但很少能带来持久的价值。

➡️ 积累小胜利。它们能建立信誉，并为更大的投入积蓄能力。

在企业级人工智能中，模型是最容易的部分。真正困难的——也是从演示到创造价值的关键区别——在于正确界定问题、搭建数据管道、设计组织架构，并让人们共同参与其中。