将人工智能试点转化为企业价值的条件

尽管人工智能采用率持续上升，但产生投资回报的工作流程基本未变——这一模式表明，大多数部署扩大了活动范围而非影响力。据美国人口普查局的商业趋势和展望调查，2025年12月至2026年5月期间，美国雇主企业中的人工智能使用率在17%至20%之间徘徊，而20%至23%的企业预计在未来六个月内使用人工智能——这种意向陈述的速度始终超过实际部署。

斯坦福大学以人为本人工智能研究所（HAI）在其2026年人工智能指数报告中指出，尽管生成式人工智能已在70%的组织中至少用于一项业务功能，但人工智能代理的部署在所有业务功能中仍保持在个位数百分比——这是最明确的证据，表明实验已经规模化，而生产级采用尚未实现。尽管占据了全球人工智能投资的最高份额，斯坦福HAI进一步指出，美国在全球人工智能采用率中仅排名第24位，为28.3%，这削弱了资本和计算能力会自动转化为组织准备度的假设。

这些数据共同描绘了一个企业景观：技术能力已经超越了问题定义、工作流程重新设计和变革管理。结果是在试点的人工智能与产生效益的人工智能之间出现了越来越大的鸿沟——这种鸿沟根植于模型性能之外，而是在部署开始之前缺乏明确的业务问题、映射好的人工工作流程以及可衡量的采用目标。

在最近一期关于企业人工智能产生真正商业价值的条件系列中，Emerj采访了HTEC战略、产品和技术组织的领导者。系列中包括与首席产品与设计官Carsten Wierwille和首席技术官Darko Todorovic的对话，探讨了决定人工智能举措能否超越早期承诺并转化为持久企业影响的上游设计、组织和衡量因素。

本文检视了四个洞见，阐明企业人工智能举措为何停滞以及哪些条件能让它们产生可衡量、可重复的商业价值，而非孤立的技术胜利。

问题定义是人工智能价值的第一道门槛：Carsten Wierwille认为问题定义是决定人工智能举措能否产生可衡量商业价值的唯一最重要的因素。在他看来，企业失败不是因为模型性能不佳，而是因为团队在理解工作本身——工作流程、约束、用户行为以及他们试图改变的业务成果——之前就开始构建。缺乏前期问题定义是浪费周期和产出错位的根本原因。Wierwille的洞见为企业领导者提供了一个实用工具：将问题定义视为一个关卡机制，而非头脑风暴练习。在实践中，这意味着在开始任何人工智能工作之前需要三个工件：一个确定的业务成果——人工智能必须产生的可衡量的变化；一个映射好的人工工作流程——人工智能将增强或自动化的步骤、决策和约束；一个用户行为模型——人们当前如何做出决策以及这些决策必须如何改变。这些工件促使产品、工程和运营部门达成一致，并防止了Wierwille强调的常见企业失败模式：先构建后理解。其含义简单但不容协商：人工智能价值在编写第一行代码之前就已确定。

组织准备度是人工智能可扩展性的驱动力：Carsten Wierwille将组织准备度描述为在试点中有效的人工智能与在企业中有效的人工智能之间的分界线。试点之所以成功是因为它们由专家运行——那些已经了解工作流程、例外情况和保持系统运行所需的判断的人。但Wierwille认为，这种动态创造了一种危险的成熟幻觉。当领导者假设专家驱动的成功会转化为更广泛的劳动力时，他们低估了扩展所需的行为和运营转变。企业价值只有在非专家——组织中的大多数人——能够无摩擦地采用新的工作流程和决策模式时才会出现。根据Wierwille的说法，真正的准备度测试是工作流程是否对每个人都有效，而不仅仅是专家。Wierwille的洞见为领导者提供了一个实用视角：组织准备度是人工智能价值的倍增器。它决定了工作流程重新设计是成为公司范围的能力，还是仍然是一个局部实验。准备度需要明确的角色期望、与新决策模型相匹配的培训，以及使非专家安全采用的运营护栏——这些是将试点级成功转化为企业级影响的条件。

认知设计是人工智能输出的信任层：Darko Todorovic将认知设计视为大多数企业人工智能部署中缺失的学科——一旦界面自动化，就决定了用户是否会信任、验证并依据人工智能决策采取行动的层。在他看来，企业高度关注模型性能，但很少定义在什么条件下人工智能输出在生產中是值得信赖的标准。没有这些标准，用户要么过度信任，要么信任不足，这两种行为都会造成运营风险。Todorovic认为，认知设计不是用户体验练习，而是一个决策工程功能：它规定了人工智能系统如何传达不确定性，用户应如何解读这种不确定性，以及在采取行动之前必须执行哪些验证步骤。当这些期望不明确时，信任会因团队而异——而不一致的信任会破坏工作流程。企业必须将信任视为一种设计产物，而非涌现属性。Todorovic的视角为企业领导者提供了一个实用工具：在部署之前编写信任标准，而不是在采用停滞之后。

投资回报率清晰度是人工智能举措的锚点：Todorovic强调，如果没有明确的业务结果定义，人工智能努力就会漂移。他建议在启动任何人工智能项目之前建立基线和目标指标，以便衡量价值。这些洞见共同表明，将人工智能试点转化为企业价值需要系统性地关注问题定义、组织准备度、认知设计和投资回报率清晰度。只有通过这些条件，人工智能才能从孤立的技术胜利转变为可重复、可扩展的商业价值引擎。