夜雨聆风
AI落地,别死在从试点到生产的路上
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。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧。如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们下次再见。