涨8 企业AI落地卡在“最后一公里”，何以破解？

（原标题：企业AI落地卡在“最后一公里”涨8，何以破解？）

21世纪经济报道记者孔海丽、实习生吴佳芸北京报道

人工智能时代，企业对AI工具跃跃欲试，却往往败在低于预期的投资回报率。投入巨大，产出有限，ROI难以兑现，企业应该如何跨过“试用期”，把AI变成驱动增长的核心引擎，成为企业共同面对的难题。

企业AI落地应用从实验探索到实际用例，再到模型自动化，被IBM亚太区总经理Hans Dekkers称为企业AI的“价值创造曲线”。他强调，企业只有在每一个阶段都实现规模化发展，才能成为以人工智能为核心的“AI优先”型企业。

目前，更多企业正在将AI技术部署到自身业务中。IDC数据显示，66.5%的中国企业已在局部场景中应用AI，27.2%正迈向规模化部署。

机器学习、深度学习、自然语言处理和其他AI技术可以帮助企业推动业务目标和决策。除了数据收集和分析，AI还可以完成自动化、客户服务和风险管理等更为复杂的运营任务。

以IBM为例，在过去两年里，AI转型为公司创造了35亿美元收益；在支持案例（support case）总结方面，每季度节省超过12.5万小时的工作。另据凯傲集团亚太区信息技术及数字化业务副总裁张犇介绍，作为工业叉车生产商，凯傲集团已在推进基于识别技术的AI应用，如辅助驾驶和自动驾驶。

然而，由于AI成熟度和整合度不高，大部分企业未能释放AI的价值。IBM委托进行的调研显示，高达94%的企业已在使用混合云，但仅有20%的企业实现了最初预期的全部投资回报率。另外，尽管85%企业声称已为AI做好准备，只有11%的企业达到较高成熟度水平。

所谓AI成熟度，不仅包括云平台、数据平台、AI工具等数字化基础设施，还包括企业的AI战略、人才、文化等差异化能力。

谈及企业数字化转型的核心难点，IBM大中华区董事长、总经理陈旭东将其比作“组织和技术能力的破茧”。“这不仅是技术升级，更对组织架构有深层次要求，许多企业失败的重要原因就在于缺乏系统性推进。”他进一步分析，转型难体现在两大层面：一是产业端需打破原有体系涨8，相较于无历史包袱的机器人领域，改造传统流程的阻力更大；二是企业家对AI技术的认知仍需提升，存在明显的认知偏差。

张犇指出，AI对销售额和利润的直接正向影响，难以在财务报表上体现出来。“无论是定量，还是定性，无论是直接，还是间接，AI如何转化成EBITDA贡献，这其实是很纠结的一点。”

针对投资回报率低的问题，陈旭东认为，企业对AI的认知需要改变。一方面应更加注重数字化建设，另一方面需要避免AI应用陷阱，如不涉及生成式AI的应用、与业务需求脱钩的应用等“伪AI”。

于企业而言，信息化和智能化的投入是一个长期训练和摸索的过程，需要不断在技术之间“取优”，也需要留出容错的空间。

企业的AI落地难点

陈旭东预计，未来五到十年将会是大量民营企业进入到AI应用交接的时间点，同时也是数字化转型需求爆发的时机。

“同等收入规模下，部分民营企业在IT与AI上的投入不足产值的1%，核心是对投入回报存在疑虑。”但他同时发现破局契机：“民营企业正进入交接班高峰期，新一代数字化原生代管理者普遍将数字化转型视为必备动作，其成功实践又能反向影响老一辈创业者，形成转型共识。”

为帮助更多民营企业推进数字化、智能化转型，IBM推出中国AI深耕计划，在民营企业聚焦的重点城市，打造AI解决方案和创新平台。目前，烟台和苏州已成为首批试点城市。

当前民营企业在数字化转型方面遇到方向不清晰、技术不足、人才欠缺、成本过高等问题。汉鑫科技董事长刘文义指出，由于缺乏系统性和战略性规划，一些企业的数字化转型效果大打折扣。

例如，孤立试点、部门级的分散式执行导致企业在数字化过程中遇到数据孤岛的问题，部门之间难以进行协作，因此也无法建立起端到端的智能体系。

凯傲集团的实践揭示了另一重难点。在传统制造业，数字化不仅是技术升级，更是组织变革。

张犇表示，凯傲在亚太区正同时推进内部效率优化与对外解决方案创新。一方面借助AI标准化服务和数字员工，提升供应链抗风险能力；另一方面通过与外部合作伙伴构建数字孪生和AI驱动模拟，从仿真到实施提升项目效率。“AI转型不仅仅是技术问题，更是一个思维方式和管理方式的变革过程。”

数据和智能体是解锁AI价值的核心

人工智能的价值创造，关键在于如何充分利用数据。IDC报告显示，99%的企业核心数据尚未被AI使用，当中包括大量的非结构化数据，如文档、工业数据、传感器数据等。“这些数据如何被AI消费，（将决定）谁能往前走得更快。”IBM大中华区首席技术官、技术销售总经理翟峰说。

Hans也指出，数据的横向联通，将能够打通环境之间的壁垒，帮助企业实现价值突破，从而达到预期的投资回报率。因此，数据集成能力、数据治理和低成本管理成为关键。

在此基础上，企业还需要解决数据质量和权限安全问题，使其真正做到“可用、敢用、好用”。例如，通过增强检索生成技术（RAG）来结合结构化与非结构化数据。与此同时，数据处理方式也需要升级，不再是单批处理，而是做到随时处理、连续处理，以支持多样化的业务场景。

智能体的应用，则被视为企业在数据价值上的下一个突破点。IBM预测，到2028年，15%的企业日常决策将由AI智能体自动生成。“若能打通底层数据，让人工智能智能体之间实现高效交互，将开启价值创造的全新篇章。Hans说。

翟峰补充指出，智能体的落地必然需要“小模型+大模型”的架构。大模型提供泛化能力，小模型则在特定行业场景中保证精准性，两者结合才能确保执行力与可靠性。随着企业应用的复杂化，智能体也将从单一应用转向多智能体协作，这需要通过可视化开发工具与深度系统集成，将其嵌入关键业务流程。同时，为避免出现智能体孤岛问题，企业级智能体平台也在朝向多智能体的协同化运营发展。只有这样，AI才能真正从演示走向规模化落地。

在凯傲的应用场景中，智能体已经被引入IT、HR、财务等环节，并在供应链和市场端探索深度应用。张犇介绍，尽管当前准确率尚未达到100%，但已经能够显著缩短时间成本，帮助企业在复杂环境中快速做出响应。

“Agent落地的‘最后一公里’，就是打通企业的核心系统流程。”翟峰说。他预计，未来智能体技术和模型将继续迭代，并渗透到更多样化的产业场景。“智能体的本质是AI应用，而做应用恰恰是中国最擅长的。”

在AI落地这场长跑中，企业需要以数字化基础设施为底座，将生成式AI深度整合到运营中。短期的回报或许难以兑现，但长远来看，AI的价值在于改变企业的运行方式与产业的竞争逻辑。最终，能坚持跑完全程的企业，才可能真正跨入“AI优先”的时代。

fund 涨8