过去一年，企业IT部门的关键词几乎被“AI试点”包揽。PoC项目在各行各业密集落地，热闹非凡。然而，另一组数据却勾勒出迥异的现实：能跑通全流程、实现规模化落地的案例屈指可数。试点热、落地冷，温差从何而来？
如果把过去一年企业AI落地过程中暴露出的问题归纳成一句话，那就是：AI落地的关键瓶颈，已从技术供给端全面转移至组织变革需求侧。这并非一场技术升级，而是一次对流程、数据、组织能力等历史欠账的集中清偿与系统性重构。
真正的瓶颈，已经不在AI
“整体处于PoC试点退潮、规模化爬坡的过渡期。”这是IBM咨询AI事业部合伙人叶剑对当前阶段的判断。过去十二个月，各类AI试点遍地开花，但真正能规模化铺开的项目用他的话说，“寥寥无几”。
IBM咨询AI事业部合伙人叶剑
问题出在哪？一个常见的归因是技术还不够成熟。但叶剑给出了不同的判断：“从模型层面来讲，国内外各类大模型的能力都可以匹配企业当下的业务诉求，模型本身不存在硬性短板。”这一结论将矛头从技术本身移开，指向了更深的层面——企业内部管理机制、日常工作流尚未适配AI的运行逻辑。IBM面向CEO的调研数据印证了这一点：超过六成企业团队对AI如何驱动业务变革认知不足。
在叶剑看来，当前AI落地瓶颈已经从技术供给侧，转移至组织业务变革需求侧。这也是绝大多数项目停留在试点阶段的根本原因。而当技术不再成为主要障碍，真正决定AI价值的，也不再是模型能力本身，而是企业是否能够围绕核心业务重新设计流程、重构协同机制。
供应链与财务，恰恰成为观察这种变化最直接的窗口。
IBM财务与供应链转型团队的副合伙人杨春梅
“在一个千亿级制造企业的需求计划项目中，传统流程需要工作人员从不同渠道汇总客户信息，再依靠经验完成需求预测。整个过程中存在23个跨部门的信息传递和人工处理环节。节点越多，信息衰减和决策偏差出现的概率就越高。”IBM财务与供应链转型团队的副合伙人杨春梅表示，引入机器学习、RPA和业务智能体后，人工参与环节被压缩至5处。效果是直接的：需求预测准确率提升10%以上，存货规模和运营成本同步下降。但更值得关注的，是人的角色变化——“员工可以从重复信息整理工作转向经营决策类高价值工作”。
在杨春梅看来，2025年是AI发展的关键转折点，也是AI价值真正开始释放的分水岭。：此前，行业AI落地多为“单点场景优化”——装载率测算、简易需求预测算法等，这类改造仅能带来5%至10%的局部效率提升，难以改变企业整体管理模式。而2025年至今的变化，核心是“完整业务域重构”——依托AI重新设计全链路信息流，重塑人与系统的协作模式。
站在决策者视角，杨春梅给出了两条切入路径。第一条是“以终为始”，锁定企业最高战略优先级短板，完整重塑对应全业务域流程，改造完成后通过系统固化为标准化管理能力。第二条更适合经营稳定、增长放缓的企业——从成本损耗、资源浪费最严重的业务场景切入。但无论哪条路，她都反复强调一个原则：“AI转型不能做零散单点改造，必须以完整业务域、大型流程板块为单位系统性重构。”
智能体：别被“高自主”带偏了
智能体是当下热度最高、也最容易产生认知泡沫的领域。叶剑对此保持了相当审慎的态度。
“当下行业最核心的认知偏差，是将智能体自主等级高低直接等同于技术先进性、商业价值。”他明确指出，盲目追逐高自主等级会带来三层不可逆的隐性代价。
其一，责任无法转移。“我们服务的均为To B企业，智能体所有操作带来的经营、合规损失，责任全部由企业承担，自主权限越高，风险敞口越大。”其二，成本非线性增长。“自主等级提升后，配套权限、审计、风险防护护栏的治理成本会非线性上涨，大量隐性管控开销容易被企业忽略，最终投入产出比发生反转。”其三，信任的不可逆性。“一次重大智能体决策失误，会抵消十次稳定运行积累的全部信任。”
基于以上判断，叶剑给出了落地的核心框架——“任务自主、决策共管、风险可控”。标准化常规流程可适度放开智能体运行半径；关键经营、资金、客户相关决策必须强制回流人工复核；同时配套风险事件自动熔断与操作回滚机制。他的结论直接而务实：“自主程度不是AI落地的终点，可信可控才是规模化落地的核心前提，企业不必被高自主相关概念误导。”
这一判断并非凭空得来。他提到了一个反面案例：某全球连锁零售品牌上线门店自主接单智能体，该智能体仅覆盖前台接单环节，未对接后端库存、结算和供应链流程，属于典型的“高自主浅嵌入”模式，最终因系统运行稳定性极差而终止。
与之形成对照的，是IBM自身的落地路径——优先从HR业务域搭建中等自主智能体。“HR流程标准化程度高，落地后能够快速体现规模降本价值，同时沉淀完整智能体管控、人机协同规范，积累成熟经验后再延伸供应链、财务等高价值核心业务。”叶剑由此提炼出核心结论：“游离在完整业务流程外部的高自主智能体，运行稳定性天生薄弱；中等自主、深度嵌入全业务域的落地模式，长期运行更加稳健。”
行业分化：没有“一刀切”的AI方案
当话题转向不同行业的落地差异时，杨春梅反复强调一个观点：AI落地不存在“一刀切”的万能方案，行业属性决定了发力点截然不同。
她以半导体行业为例做了具体说明：“半导体属于重资产离散制造行业，AI落地核心发力点是产能利用率优化，产能利用率小幅提升就能大幅改善企业整体经营利润。”设备贵、产线投资大，利用率每提高一个百分点，对利润的影响都是实质性的。而同样是制造领域，化工流程制造与电子离散制造的供应链改造逻辑则完全不同。
零售行业又是另一套逻辑。To C零售的重心在“全渠道终端需求预测、成品库存动态管控”；To B大客户制造企业则需聚焦“长周期物料管控、大客户服务体系”。她见过不少企业掉进同一个陷阱——“直接照搬其他行业标准化AI方案，忽略自身专属生产流程、行业监管规则，导致AI方案与业务脱节”。
为此，杨春梅给出了一条十分清晰的路径：“梳理自身独有经营痛点，定制适配方案，单场景验证价值后再分阶段全域推广。”先跑通一个流程域，拿着结果说话，再逐步铺开——这听起来并不激进，却恰是避免AI项目沦为“烂尾工程”最务实的策略。
在供应链与财务的协同层面，杨春梅还谈到了AI如何打通产销与预算的链路。传统S&OP测算周期长达数天，等结果出来市场可能已发生变化。而“AI搭配传统系统优化工具形成组合方案，可开展多维度What-if模拟测算，同步兼顾客户影响、产能利用率、财务收益等多项指标，快速输出多套经营决策方案”。
数字化补课与AI落地：不必二选一
数据治理是另一个横亘在AI落地面前的现实难题。企业普遍面临主数据混乱、流程文档老旧、ERP系统老化的困境，是先花一两年补完数字化欠账再上AI，还是不管不顾硬上？
叶剑的回答很明确：“数字化补课、AI落地两条路径无需二选一，同步并行推进更合理。”策略上，他建议“优先打通一条完整端到端核心价值链，围绕AI刚需开展定向数据治理，不需要一次性完成全域数据整改”。对于老旧ERP，不必整体替换，“在系统上层搭建AI适配中间层，通过API、中间件封装存量功能，分模块迭代改造”，同时“将过往Word、PPT等非机器可读文档分批次转换，补齐非结构化数据存储能力”。
杨春梅也持同样观点，她补充了来自国内企业的实践支撑：“过去二三十年国内企业持续投入信息化建设，积累大量存量业务系统，无需全盘推翻重构，在AI落地过程中同步补齐数据、流程短板，兼顾短期价值产出与长期底座搭建，整体落地效率更高。”
IBM咨询大中华区合伙人、战略与转型咨询部总经理董海军
事实上，关于流程、数据、组织的种种讨论，实际上都指向了IBM咨询大中华区合伙人、战略与转型咨询部总经理董海军提出的一个核心概念——“AI债务”。
在董海军看来，许多企业将AI视为一条新的起跑线，试图借此弯道超车。但历史反复证明：新技术不会重置起跑线。对领先者是加速器，对落后者则意味着更多欠账要还。流程没搞清楚，数据质量不好，是跳不到AI时代的——没有流程，就没有好数据；没有好数据，AI就无法顺畅地自动化。过去几十年，国外企业在上世纪90年代已大规模启动流程再造，而国内企业普遍晚了十到十五年。这些欠下的流程课、数据课，在AI时代变成了必须清偿的“债务”。
好消息是，AI本身可以加速补课。过去IBM做流程驱动花了15年，数据驱动花了10年；有了AI，流程可能5年、数据2年就能完成。用董海军的话说：“AI不是帮你弯道超车，弯道往往是风险最大的地方，而是帮你把过去漏洞快速补回来，缩短追赶时间。”
这一框架，与叶剑、杨春梅“同步并行推进、不搞全盘推翻”的思路形成了逻辑上的呼应，从更宏观的视角解释了为什么“补课”与“赶路”必须同时进行。
这就引出了一个关键问题：清偿“组织债务”，究竟由谁来牵头？
“必须CEO本人，不能委派。”董海军透露，早在2017年某航空公司的互联网化转型中，团队就预判到一个场景——VIP休息室里，一位戴着AI眼镜的新入职女孩接待客人，会不会引发干了二三十年的老员工的不适？答案显而易见：不是不服，是不安。数十年积累的经验，可能被一副眼镜快速抹平。这种不安会转化为对一切新技术、新流程的本能抵触。
杨春梅也表达了类似的判断：“最容易被企业忽略的要点是企业一把手必须亲自实操AI工具，仅依靠中层汇报会产生信息断层，形成片面战略判断。”两边的判断指向同一个核心——AI转型的阻力不在技术，而在利益与权力格局。业务部门天然感觉AI“抢饭碗”，IT部门做的系统被业务部门拒绝使用，背后是深刻的权力错配。没有CEO亲自出面打破部门壁垒、协调利益格局，AI项目极易陷入IT部门自循环的困局。
对此，董海军建议的落地架构是：CEO领衔成立“转型指导委员会”，同时设立跨部门、跨职能的“生产力探索团队”，成员覆盖业务专家、数据工程师、算法专家、法务顾问、安全主管、合规管理人、AI伦理委员等。这个团队的核心职能是打通部门壁垒、引入外部对标、挖掘具体改善机会，同时赋能一线员工，实现从战略决策到执行落地的衔接。
在人才建设方面，杨春梅推荐“集团设立中央AI团队统一沉淀标准化技术底座，各供应链、财务业务线配置嵌入式AI小组，兼顾统一标准与细分场景灵活适配”。人才来源上，她明确主张“以内部业务人员系统化培训为主，少量补充外部AI技术专家”，因为内部员工更熟悉企业专属业务规则，落地适配度更高。
她还特别提到一个关键的岗位设计——“设立AI训练师全新岗位，将沉淀实操业务经验、训练智能体纳入绩效考核，把员工与AI从替代关系转化为人机共生协作关系”。在她看来，这才是化解中层管理者和资深员工抵触情绪的机制性解法——员工抵触的核心是怕被替代，只有将替代逻辑扭转为共生逻辑，才能真正调动参与意愿。
中小企业同样面临组织能力的考验。叶剑表示，头部企业拥有完整存量数据、标准化流程和行业资深专家三类优势，短期内差距可能拉大。但中小企业并非没有出路——可以复用成熟垂直行业标准化AI资产，深耕细分赛道打造差异化竞争优势。
值得关注的是，IBM自身也在经历类似的转型。
围绕IBM Consulting Advantage（ICA），咨询团队正在尝试把AI能力嵌入整个咨询交付流程。短期目标是提升顾问的知识储备和项目效率，而长期目标则是沉淀能够跨行业复用的智能体资产和方法论。
在IBM内部，这套模式首先被用于自身业务实践。完成内部验证之后，再逐步复制到客户项目中。此前披露的数据显示，其内部AI转型原定实现20亿美元财务收益，最终达到45亿美元，也成为IBM“零号客户”理念的一个注脚。
写在最后
关于AI，还有一个问题始终没有标准答案：它究竟是一次效率升级，还是一场经营体系重构？
杨春梅认为，不同场景的变化节奏并不相同。客服、行政等标准化工作已经展现出明显的替代效应，而供应链、财务等核心经营系统，则更像是一场长期演进。AI不会一夜之间推翻既有体系，但随着流程和经营模式的重构，它最终可能催生新的商业模式。
叶剑则给出了另一层判断。从工具层面看，AI属于升级；但从经营逻辑来看，AI正在改变企业长期形成的组织权责、资源配置和决策机制。过去企业围绕人的经验建立流程，而未来越来越多的经营活动，可能建立在数据和智能之上。
因此，AI真正改变的，也许并不是某一个岗位，也不是某一个系统，而是企业运行的底层逻辑。
技术成熟或许只是开始，真正困难的部分，始终是企业是否愿意重新定义自己。
京公网安备 11010202008829号