AI落地，别死在从试点到生产的路上

本文来自微信公众号： 歪睿老哥 ，作者：歪睿老哥

最近读了德勤最新的《企业AI现状》年度报告。

3200多个企业高管的survey，覆盖24个国家。

’我一行一行读下来。

越读越觉得有意思。

不是那种"哇AI好厉害"的有意思。

是那种"果然如此"的有意思。

故事是这样的。

现在几乎所有企业都在搞AI，没有例外。

但真正搞明白自己在干什么的企业，比例比我想象的低。

我们来看看到底低到什么程度。

德勤的survey里有一个数据。

目前只有25%的企业把40%以上的AI试点项目推进到了生产环境。

听起来还行对吧。

但德勤说54%的企业预计在未来三到六个月内达到这个数字。

也就是说，现在的25%在半年后可能就变成54%了。

因为所有人都在加速推进。

但问题来了，为什么推进这么慢？

一个做医疗AI的负责人跟我说了一段话。

我问他如果AI试点成功了怎么规模化。

他说见过很多人做试点，但被问到怎么扩大规模的时候根本说不清楚，没有路线图。一百个试点只是糟糕的结果和失败的value creation。

这句话我反复看了一遍。

确实。

一个试点项目，可以小团队在几个月内跑通，数据是干净的，环境是隔离的。

但生产环境需要基础设施投资，需要和现有系统集成，需要安全审查、合规检查、监控系统、持续维护。

每一样都比试点难十倍。

而很多企业的痛点不是"我做不出来"，是做完了一百个试点但不知道怎么把它们串联起来。

这就叫试点疲劳。

所以大部分人拿到的是什么结果呢？

AI已经在提高效率和生产力了，这是最广泛的收益，大部分企业都在做。

但更深层的变革呢？

只有34%的企业开始用AI深度改造自己的业务——创造新产品、重构核心流程，甚至改变商业模式。

另一个三分之一在重新设计围绕AI的关键流程，但保持商业模式不变。

剩下的37%只是在表面上用AI，对既有流程几乎没做任何改变。

每种情况都在拿效率和生产力说话，但只有第一类真正在重塑业务，而不是优化已有的东西。

我有时候觉得，大部分人其实不知道AI能干什么。

他们知道AI能提高生产力，知道AI能降本，知道AI能做客服。

但很少有人真正想清楚，AI能怎么改变他们公司的根本运作方式。

这里有一个有意思的细节。

在收益预期方面，74%的企业希望AI能带来收入增长，但只有20%的企业已经做到了。

差距是3.7倍。

也就是说，大部分人都在期待AI改变收入结构，但还没看到结果。

但德勤也说了，25%的领导者现在报告AI对他们的公司产生了变革性影响，这个比例比去年翻了一倍，从12%涨到了25%。

增长很快，但基数太低。

信任和投资也在飙升，84%的企业增加了AI投入，78%的领导者对技术更有信心了。

钱在进来，信心在涨，但真正的变革还在路上。

说到这里，可能有人会说你说了这么多，那到底怎么才算做对了？

德勤的报告里提到了一个很有意思的发现。

82%的企业预计三年后至少10%的工作岗位会被AI完全自动化。

36%的企业预计一年内就会实现。

但84%的企业还没有围绕AI重新设计过工作岗位。

你想想看，如果大部分人的工作会被AI替代，但公司还没有重新设计岗位，那会发生什么？

很多被自动化的岗位其实是入门级岗位，数据录入、对账、初级客服。

这些岗位往往是更长时间职业道路的起点。

如果你把起点砍掉了，员工怎么成长？

一个做物流的AI与创新总监说过一段话，我觉得挺有道理的。

他讲他们在从业务层面为员工重塑技能，投入大量资源确保他们采用新的AI工具来交付更大、更好、更聪明的东西。

但他的目标不是让今天的定价分析师继续做定价分析师，而是让今天的定价分析师变成定价策略师。

这不是培训，这是重新定义一个岗位。

但现实是，只有53%的企业在通过教育员工来提升AI fluency。

33%在评估人才获取水平和招聘策略。

30%在重新设计职业路径。

比例逐层递减。

你想想，大部分企业只是在教员工用工具，但没有人认真想过工具改变了之后，岗位应该怎么变。

我觉得这是一个很大的盲区。

再聊聊治理。

74%的企业计划在未来两年内部署agentic AI。

但只有21%的企业拥有成熟的自主代理治理模型。

也就是说，近四分之三的企业打算让AI Agent去执行任务——买东西、发邮件、改系统，但只有五分之一的企业想清楚了怎么管这些东西。

数据隐私和安全的担忧最高，73%。

法律、知识产权和监管合规50%。

治理能力和监管46%。

模型质量、一致性和可解释性46%。

这些都是治理层面的问题。

但更让我在意的是一个细节：有些企业的高管发现，他们的AI模型已经部署在生产环境中了，没有正式审批，没有监控系统，因为开发是在没有系统跟踪或集中可见性的情况下进行的。

换句话说，有些公司在用的AI连公司自己都不知道它跑的是什么。

这有点吓人。

说到治理，这里要聊一个词。

Sovereign AI。

这个概念在报告中出现了很多次。

德勤的定义是这样的：一个国家以及在其内运营的公司，用自己的法律、在控制的基础设施上、使用受本地治理的数据，来设计、训练和部署AI。

目标很直接：减少对外国供应商的依赖。

但具体到企业层面，77%的企业现在会将AI解决方案的原产国纳入供应商选择决策。

58%的企业现在主要使用本地供应商来构建自己的AI技术栈。

这个数据很有意思。

因为很多企业的选择不是基于技术优劣，是基于地缘政治风险。

一家电信公司的前可观测性VP说过一句话，他最近在和很多国际公司合作，他们坚决要求使用境内的基础设施。当你在用一个来自境外的东西时，你会感到怀疑。

这话听着有点绝对，但你想想，如果你的数据跑在美国的云上，模型是在欧洲训练的，而你的客户在亚洲，出了问题找谁？

这不是技术问题，这是主权问题。

最后聊聊Physical AI。

这是指能感知现实世界、做决策、并通过机器或控制系统执行物理动作的AI系统。

简单说就是机器人、自动驾驶、无人机这些能动手的东西。

目前58%的企业已经在某种程度上使用Physical AI了，其中18%的使用程度达到了中等或以上。

预计到两年内这个数字会涨到80%。

亚太地区是早期采用的领先者，71%的亚太受访者报告至少有限地使用Physical AI，而美洲和EMEA分别是56%。

但Physical AI的增长曲线明显比软件类的agentic AI要慢。

因为物理部署有固有的挑战，更高的成本和资本要求、更长的开发周期、更严格的安全法规，还需要专门的硬件和维护。

控制环境是最早落地的场景，工厂、仓库这种封闭空间。开放环境的挑战和风险要大得多。

一个被采访的企业在自动化包裹分拣，让仓库机器人自主决定存储位置以最大化空间。

另一个在用AI Agent来帮助客户完成最常见的交易——改签航班、改道行李，释放人工客服去处理更复杂的问题。

这些场景其实挺有意思的，因为Physical AI不是简单的替代人力，是让机器做它擅长的，让人做人类擅长的。

最后说一个让我印象最深的发现。

德勤调查了企业在采用AI方面的准备情况，分五个维度：技术基础设施、战略、数据管理、风险治理、人才。

结果很有意思。

领导者在战略维度上感觉准备最充分，42%认为高度准备。

但在技术基础设施上只有43%，数据管理只有40%，人才只有20%。

也就是说，领导者觉得战略方向是对的，但基础设施跟不上，人才跟不上。

一家欧洲银行的首席AI策略官说过一段话，我觉得可以当作这段的总结。

很多企业为了AI未来而做好准备，构建了传统AI模型的基础设施和治理。但随着LLM的到来，这些工作被颠覆了。突然之间出现了一种不同于以往AI的新能力。现在，近80%到90%的新用例都是生成式AI。是的，公司准备好了，但是为了一个不同的未来。GenAI需要一套全新的能力。

这段话值得反复读。

因为很多人以为AI的准备是一个一次性的项目——建好基础设施，招好人，写清楚治理规则，然后就可以跑了。

但实际上AI的准备是一个持续的过程，因为你永远不知道下一个能力是什么。上一个准备好了，下一个又来了。

总结一下我的感受。

AI在企业中正在经历一个从好奇到落地的阶段。

公司都在往前走，但离真正改变业务模式的企业只有一小部分。

试点到生产的鸿沟是最大的问题。

人才和岗位的重新设计被严重低估了。

治理跟不上技术速度。

主权问题从理论走向现实。

Physical AI正在从实验室走出来。

最重要的一个趋势是：AI不再只是工具，它正在成为业务的一部分。

能意识到这一点的企业，会跑在前面。