一场关于AI的企业实践

最近这几年的IT领域，似乎有这样一种趋势：AI已经成为所有技术问题的答案。无论是软件开发、企业管理，还是生产制造、客户服务，几乎所有的技术供应商都在谈论AI，所有的产品也都在努力与AI建立某种联系。甚至“AI是否是企业IT未来的趋势”，似乎也已经成为一个不需要讨论的问题。只是，对于那些原本就需要不断投入资金和精力进行信息化建设的企业而言，这多少有些令人为难：上一轮数字化转型的工作可能还没有完成，新一轮AI转型似乎又箭在弦上了。

笔者对于AI的企业级应用，一直持相对审慎的态度。这并不是否认AI的价值。事实上，生成式AI在软件开发、知识检索、内容处理等方面已经表现出相当不错的能力，一些企业也确实开始从中受益。但从技术能够完成某项工作，到企业有必要为此投入资金，中间仍然存在不少需要考虑的问题。尤其是在当前的市场环境下，技术供应商对于AI应用前景的描述，与企业实际能够获得的经营收益，未必总能保持一致。

日前，德勤中国与香港大学联合发布的《决策者视角下的企业AI应用》报告，提供了一个观察企业AI应用现状的机会。调查显示，64.4%的受访企业已经进入AI生产部署阶段，高于2025年的56.0%；但真正进入深度采用阶段的企业，比例只有约10.2%。与此同时，44.4%的受访企业无法明确核算AI项目的投资回报，这一比例甚至高于2025年的35.8%。这些数据并不能说明企业的AI投资没有取得成效，却多少反映出一种现实：越来越多的企业开始使用AI，但对于它究竟能够带来多少价值，仍然缺乏清晰的认识。

过去二十多年，从ERP、CRM到云计算、大数据、物联网，企业级IT市场几乎每隔几年就会出现一轮新的技术热点。其中不少技术已经成为企业日常经营不可缺少的组成部分，也有一些技术经历了相当长时间的市场培育和应用探索，才逐渐找到适合自己的位置。AI当然有可能带来比以往更加广泛的变化，但它同样需要回答一个老问题：企业究竟为什么要投资一项新技术？

企业为什么需要AI？

在德勤中国咨询业务全国主管合伙人华思远看来，企业要不要投资AI，首先得想清楚自己究竟想解决什么问题。这个道理听起来简单，但在今天的市场环境下，恐怕并不是每家企业都能回答清楚。毕竟，当所有人都在谈论AI的时候，决定暂时不做AI，有时候反而需要更多理由。

德勤中国咨询业务全国主管合伙人 华思远

华思远在采访中谈到了一类连锁餐饮企业。这些企业已经拥有数千家门店，希望通过继续扩大规模获得竞争优势，但门店扩张并不只是增加资金投入、寻找合适的经营场所那么简单。一个现实的问题是，优秀店长的培养速度，往往赶不上新店开设的速度：店长需要负责人员管理、销售分析、库存安排以及日常经营中的各种事务，而这些能力很难在短时间内培养出来。

按照华思远的设想，如果AI能够承担其中一部分分析和管理工作，让一名经验丰富的店长同时管理两家甚至三家门店，那么企业就有可能缓解管理人才不足的问题。这里的价值，显然不只是减少了店长处理报表的时间，而是企业可能因此获得更大的扩张空间。当然，能否真正实现这样的效果，还需要看AI能够承担哪些工作，以及门店管理质量是否会受到影响。

这个案例提供了一种理解企业AI投资的角度：过去，企业采用新技术，往往希望以更低的成本完成原有工作；但AI的某些应用，可能让企业有机会完成过去受制于人力、时间或专业能力而难以完成的事情。两者存在明显区别：前者主要改善已有业务的效率，后者则可能扩大企业原有的经营能力。

软件研发领域也存在类似的机会。AI辅助编程工具能够帮助工程师更快地完成部分代码编写工作，如果企业能够进一步改善研发协作和项目交付，那么同样规模的团队就有可能承担更多项目。对于一家业务需求持续增长的软件企业而言，这种能力或许比单纯减少几名工程师更有价值。

不过，并不是所有AI投资都属于这种情况。对于一家业务流程明确、现有系统运行稳定的企业，如果AI只是提供了另一种完成相同工作的方式，那么是否值得替换原有工具，就需要认真比较成本与收益。特别是那些对准确性、可靠性要求较高的业务，企业还需要考虑AI输出结果的验证，以及由此增加的管理工作。

所以，企业对AI的需求并不是一个简单的是非题。不同的业务、不同的发展阶段，可能对应着完全不同的投资理由。对于一些企业，AI可以帮助解决迫在眉睫的经营问题；对于另一些企业，它可能只是一个值得尝试、但暂时没有必要大规模投入的新工具。

AI带来的效率，去了哪里？

如果说连锁餐饮企业的案例展示了AI可能创造的新机会，那么华思远谈到的另一家软件企业，则反映出将技术能力转化为经营收益并不是一件容易的事情。

这是一家拥有约2000名软件工程师的企业。引入AI辅助编程工具之后，部分工程师的个人工作效率提高了20%至40%，甚至更多。但让企业管理者感到意外的是，最初并没有看到整体研发效率获得相应改善。

原因并不难理解。软件研发不是把每名工程师编写代码的速度简单相加。需求分析、架构设计、代码测试、系统集成以及项目管理，都可能影响最终的交付效率。如果只有代码编写环节变快，而其他工作仍然按照原来的方式进行，那么个人节省下来的时间，未必能够直接转化为企业的收益。

按照华思远的介绍，这家企业后来重新调整了研发团队的组织方式，涉及岗位分工、人员配置、能力要求、薪酬体系和绩效考核等多个方面，甚至需要与六七百名员工重新协商劳动合同。调整之后，部分原本需要10名工程师参与的项目，可以由6名工程师完成。

“有意思的是，这家企业完全转型以后，员工人数并没有减少，而且整体员工的工资总量比原来还高了一点。”华思远说。

这个结果颇值得玩味。企业并没有通过AI减少员工数量，也没有降低工资总额，却提高了部分研发团队能够承担的工作量。如果市场上存在足够的项目需求，这种变化就有可能帮助企业扩大业务规模；但如果没有新增业务，或者其他研发环节仍然存在瓶颈，那么效率改善所带来的经济价值，就未必能够充分体现。

这也是企业应用AI时容易遇到的一个问题：员工完成工作的速度提高了，企业却不一定因此获得同等幅度的收益。尤其是在需要多人协作的业务中，一项工作的完成速度，往往取决于整个流程，而不是其中效率最高的环节。

华思远在谈到这家软件企业的转型案例时表示：“事实上企业在推进AI转型的过程中，最后花的绝大部分力量都在人力资源侧。”

对于不少企业而言，这恐怕比购买AI工具本身更加困难。岗位如何调整、员工需要掌握哪些新能力、绩效如何考核，甚至不同部门之间应该如何协作，都可能因为AI的应用而发生变化。这些工作不仅需要时间，也涉及相当多的管理成本。

但这里还有一个值得进一步讨论的问题：如果企业通过重新组织工作、改善协作方式就能够提高效率，那么最终取得的收益，究竟有多少应该归功于AI？

至少在这家软件企业的案例中，技术与组织调整共同影响了最终结果。AI提供了提高个人工作效率的可能，而企业通过改变原有的工作方式，才逐渐利用了这种可能。两者很难完全分开，但也不能因此将所有改善都算在AI头上。

技术之外，企业还需要什么？

随着大模型技术不断发展，企业获得基础AI能力的门槛正在降低。过去需要投入大量资源开发的某些功能，如今可能通过购买现成产品或调用模型服务就能够实现。但对于企业级应用而言，能够使用AI，与能够让AI理解并处理自身的业务，仍然是两件不同的事情。

“技术本身对所有企业同等敞开，真正的竞争优势不是技术本身。”华思远在采访中提出了这样的判断。尽管不同AI产品在性能、可靠性和适用范围方面仍然存在差异，技术选择本身也会影响应用效果。但他的观点提醒我们，当越来越多的企业能够获得类似的基础模型能力时，真正决定应用效果的，可能是企业如何使用这些技术，以及它们能够接触和理解多少与业务有关的信息。

过去几十年，企业通过ERP、CRM、PLM等系统积累了大量数据，但这些数据并不等于企业拥有的全部知识。以制造企业为例，信息系统可以记录生产计划、库存变化、产品设计和订单执行情况，却未必能够完整记录经验丰富的工程师如何判断某项设计是否合理，或者生产管理人员为什么在特定情况下调整生产安排。

这些经验往往分散在不同部门和员工手中，有些已经形成明确的业务规则，有些则依赖长期实践积累。对于一般的信息检索和办公辅助应用，这可能不是一个突出问题；但如果企业希望AI进一步参与复杂的业务分析，甚至辅助作出经营决策，就需要考虑如何让AI获得并正确使用这些知识。

华思远在采访中特别谈到了知识管理和本体建设的重要性。在他看来，本体建设既是一项基础工作，也是一项要求很高的工作。它不仅涉及现有信息系统中的数据，还需要进一步梳理业务对象之间的关系，以及企业内部尚未被系统记录的专业知识。

这也解释了为什么一些看起来很有吸引力的AI应用，真正落地时却可能遇到困难。模型本身或许已经具备较强的语言理解和分析能力，但如果缺少准确、完整的业务信息，它就很难可靠地处理企业特有的问题。即使企业已经拥有大量数据，也仍然需要解决数据质量、访问权限、业务规则以及与现有系统衔接等问题。

这些工作并非没有价值。事实上，企业在整理业务知识和改善数据管理的过程中，本身就可能发现一些原有管理方式中的问题。但与此同时，它们也会增加AI项目的实施成本，而且其中相当一部分投入并不会随着模型性能的提高而自动消失。

因此，企业需要建设怎样的AI能力，应该与应用的复杂程度相匹配。一般性的文档处理和办公辅助，未必需要企业建立庞大的知识管理体系；而涉及跨部门协作、复杂业务判断的应用，则可能需要持续投入。对于不同规模和不同发展阶段的企业，很难存在一套完全相同的建设方案。

如何计算AI的价值？

企业愿意为AI投入多少资金？一切新兴技术最终都绕不开这个有关投资回报的问题。

德勤与香港大学的调查显示，87.3%的受访企业采用处理速度与工时节约这两个指标衡量AI成效，70.7%关注成本节省，而使用收入或客户影响指标的比例只有21.5%。与此同时，60.4%的受访企业缺乏系统性的AI价值衡量机制。

从这些数字看，目前企业对于AI价值的评估，仍然主要集中在效率改善和成本控制方面。这并不奇怪。相比收入增长、客户满意度等指标，工作时间的节省通常更容易观察，也更容易在项目实施初期进行比较。

但问题在于，时间节省不一定能够直接换算成经济收益。员工利用AI将原本需要两个小时完成的工作缩短到一个小时，确实提高了工作效率；然而，企业是否因此降低了成本、增加了收入，或者改善了客户服务，还需要进一步观察。

对于那些希望通过AI扩大业务能力的企业，情况则更加复杂。连锁餐饮企业可能需要关注新增门店的管理质量和扩张速度，软件企业则可能需要关注项目交付能力、客户需求以及新增业务收入。这些指标未必能够在短期内发生明显变化，也可能受到市场环境、组织管理等多种因素影响。

华思远并不赞成为了评估AI而另外设计大量新的指标。“我自己会认为，绝大部分被发明出来的KPI，其实未必是有价值的。”他说，“对一个企业真正的价值，就是那些原来已经存在的KPI。”

他的意思是，如果AI投资是为了改善企业原有的经营活动，那么评价标准就应该尽量与企业已经关注的经营指标保持一致。例如，研发项目是否能够更快交付，客户服务质量是否得到改善，或者门店管理能力是否有所提高，而不只是计算员工使用了多少次AI工具。

这种方式的好处之一，是能够避免企业陷入一种尴尬的局面：AI项目在技术指标上表现出色，实际经营部门却很难说清楚自己获得了什么。

当然，并不是所有AI项目都适合立即用财务收益衡量。对于探索新产品、新服务或者新业务模式的企业，前期投入可能更多是在验证技术可行性和市场需求。要求这些项目在短期内获得明确回报，并不现实。但企业至少应该知道自己正在验证什么，以及准备在什么条件下决定继续投入或者停止项目。

另外，评价AI投资时，还需要考虑一个常常被低估的因素：实施成本并不只有软件采购费或者模型调用费。数据整理、系统集成、员工培训、流程调整，以及后续维护和安全管理，都可能成为持续支出。尤其当企业希望将AI从少数员工使用的辅助工具，发展为深度参与业务运行的系统时，这些成本可能比最初预想的更加复杂。

所以，AI项目的投资回报不能只看模型表现，也不能只看某个岗位节省了多少时间。对于企业而言，真正需要判断的，是投入这些资源之后，经营状况是否获得了足以证明投资合理的改善。

写在最后

回过头看，AI与过去许多企业级IT技术既有相似之处，也存在明显差别。相似的是，无论技术如何发展，企业最终都需要面对投资成本、实施风险和实际收益等问题；不同的是，AI正在进入越来越多过去主要依靠人来完成的知识性工作，它可能带来的变化，也不再局限于某一个软件系统或者某一道业务流程。

这或许正是当前企业级AI市场最值得关注的地方。对于一些企业，AI可能只是让员工更快地完成原有工作；对于另一些企业，它则可能帮助突破长期存在的经营限制，甚至带来新的业务机会。两种情况都真实存在，也没有必要为了强调其中一种，而忽略另一种。

只是，技术进步的速度与企业经营方式改变的速度，往往并不一致。AI产品可以不断更新，企业却需要考虑现有系统、人员能力、管理方式以及实际业务需求。某项技术在演示中表现得再出色，也仍然需要经过具体业务的检验。

笔者并不怀疑AI将在企业级IT市场占据越来越重要的位置。但这并不意味着所有企业都需要以同样的速度、采用同样的方式拥抱AI。对于那些已经找到明确应用场景、并能够从中获得实际收益的企业，继续投入自然有其道理；对于暂时没有找到合适应用的企业，保持观察也未必会错过什么。

采访结束时，华思远对笔者说：“希望未来你能对AI有更多的信心，不再过分谨慎。”——这大概也是当前企业级AI市场上两种不同心态的写照：一种期待技术尽快带来改变；另一种则希望在投入之前，先看清楚改变究竟会发生在哪里。两者未必矛盾，只是对于企业而言，最终能够验证AI价值的，恐怕还是实际的经营结果。