儘管人工智慧採用率持續上升，但產生投資回報的工作流程基本未變——這一模式表明，大多數部署擴大了活動範圍而非影響力。據美國人口普查局的商業趨勢和展望調查，2025年12月至2026年5月期間，美國僱主企業中的人工智慧使用率在17%至20%之間徘徊，而20%至23%的企業預計在未來六個月內使用人工智慧——這種意向陳述的速度始終超過實際部署。
斯坦福大學以人為本人工智慧研究所（HAI）在其2026年人工智慧指數報告中指出，儘管生成式人工智慧已在70%的組織中至少用於一項業務功能，但人工智慧代理的部署在所有業務功能中仍保持在個位數百分比——這是最明確的證據，表明實驗已經規模化，而生產級採用尚未實現。儘管佔據了全球人工智慧投資的最高份額，斯坦福HAI進一步指出，美國在全球人工智慧採用率中僅排名第24位，為28.3%，這削弱了資本和計算能力會自動轉化為組織準備度的假設。
這些資料共同描繪了一個企業景觀：技術能力已經超越了問題定義、工作流程重新設計和變革管理。結果是在試點的人工智慧與產生效益的人工智慧之間出現了越來越大的鴻溝——這種鴻溝根植於模型效能之外，而是在部署開始之前缺乏明確的業務問題、對映好的人工工作流程以及可衡量的採用目標。
在最近一期關於企業人工智慧產生真正商業價值的條件系列中，Emerj採訪了HTEC戰略、產品和技術組織的領導者。系列中包括與首席產品與設計官Carsten Wierwille和技術長Darko Todorovic的對話，探討了決定人工智慧舉措能否超越早期承諾並轉化為持久企業影響的上游設計、組織和衡量因素。
本文檢視了四個洞見，闡明企業人工智慧舉措為何停滯以及哪些條件能讓它們產生可衡量、可重複的商業價值，而非孤立的技術勝利。
問題定義是人工智慧價值的第一道門檻：Carsten Wierwille認為問題定義是決定人工智慧舉措能否產生可衡量商業價值的唯一最重要的因素。在他看來，企業失敗不是因為模型效能不佳，而是因為團隊在理解工作本身——工作流程、約束、使用者行為以及他們試圖改變的業務成果——之前就開始構建。缺乏前期問題定義是浪費週期和產出錯位的根本原因。Wierwille的洞見為企業領導者提供了一個實用工具：將問題定義視為一個關卡機制，而非頭腦風暴練習。在實踐中，這意味著在開始任何人工智慧工作之前需要三個工件：一個確定的業務成果——人工智慧必須產生的可衡量的變化；一個對映好的人工工作流程——人工智慧將增強或自動化的步驟、決策和約束；一個使用者行為模型——人們當前如何做出決策以及這些決策必須如何改變。這些工件促使產品、工程和運營部門達成一致，並防止了Wierwille強調的常見企業失敗模式：先構建後理解。其含義簡單但不容協商：人工智慧價值在編寫第一行程式碼之前就已確定。
組織準備度是人工智慧可擴充套件性的驅動力：Carsten Wierwille將組織準備度描述為在試點中有效的人工智慧與在企業中有效的人工智慧之間的分界線。試點之所以成功是因為它們由專家執行——那些已經瞭解工作流程、例外情況和保持系統執行所需的判斷的人。但Wierwille認為，這種動態創造了一種危險的成熟幻覺。當領導者假設專家驅動的成功會轉化為更廣泛的勞動力時，他們低估了擴充套件所需的行為和運營轉變。企業價值只有在非專家——組織中的大多數人——能夠無摩擦地採用新的工作流程和決策模式時才會出現。根據Wierwille的說法，真正的準備度測試是工作流程是否對每個人都有效，而不僅僅是專家。Wierwille的洞見為領導者提供了一個實用視角：組織準備度是人工智慧價值的倍增器。它決定了工作流程重新設計是成為公司範圍的能力，還是仍然是一個區域性實驗。準備度需要明確的角色期望、與新決策模型相匹配的培訓，以及使非專家安全採用的運營護欄——這些是將試點級成功轉化為企業級影響的條件。
認知設計是人工智慧輸出的信任層：Darko Todorovic將認知設計視為大多數企業人工智慧部署中缺失的學科——一旦介面自動化，就決定了使用者是否會信任、驗證並依據人工智慧決策採取行動的層。在他看來，企業高度關注模型效能，但很少定義在什麼條件下人工智慧輸出在生產中是值得信賴的標準。沒有這些標準，使用者要麼過度信任，要麼信任不足，這兩種行為都會造成運營風險。Todorovic認為，認知設計不是使用者體驗練習，而是一個決策工程功能：它規定了人工智慧系統如何傳達不確定性，使用者應如何解讀這種不確定性，以及在採取行動之前必須執行哪些驗證步驟。當這些期望不明確時，信任會因團隊而異——而不一致的信任會破壞工作流程。企業必須將信任視為一種設計產物，而非湧現屬性。Todorovic的視角為企業領導者提供了一個實用工具：在部署之前編寫信任標準，而不是在採用停滯之後。
投資回報率清晰度是人工智慧舉措的錨點：Todorovic強調，如果沒有明確的業務結果定義，人工智慧努力就會漂移。他建議在啟動任何人工智慧專案之前建立基線和目標指標，以便衡量價值。這些洞見共同表明，將人工智慧試點轉化為企業價值需要系統性地關注問題定義、組織準備度、認知設計和投資回報率清晰度。只有透過這些條件，人工智慧才能從孤立的技術勝利轉變為可重複、可擴充套件的商業價值引擎。