ARTICLE · 1078073
98%的企业部署了AI,只有20%觉得超出预期:问题出在哪?
98%的企业部署了AI,只有20%觉得超出预期:问题出在哪?Certinia的2026年全球服务动态报告覆盖了1000名服务业和IT决策者，其中一个数字格外刺眼：98%的企业已经部署了AI，但只有20%认为其表现超出了预期。德勤同期发布的中国企业AI应用报告给出了几乎一致的判断——48.5%的受访企业反馈AI项目实际投资回报低于预期，而实际达成的回报率更多落在10%以下。 两组数据指向同一个结论：企业AI的采用率在飙升，但价值兑现在大面积失灵。问题不在模型能力，而在部署方式。 碎片化部署：每个Agent都在“赢”，企业却在“输” Certinia的报告揭示了一个关键发现：AI成功率最高的企业，并非那些投入最多的，而是那些运营整合度最高的。在AI成果显著的企业中，全面整合运营的比例是混合成果企业的三倍以上（28% vs. 8%）；利润率超过40%的企业，实现全面整合的可能性也是勉强盈利同行的三倍。 反过来看，碎片化部署的问题到底有多严重？ 一个典型案例来自一家全球制造企业的采购AI Agent——我们姑且称它为Agent Alpha。它的任务很明确：与高销量供应商自主谈判，争取更低价格。在受控环境中，Agent Alpha交出了采购成本降低18%的成绩单，团队庆祝，CFO满意。 但12个月后，整体运营成本几乎没有变化。原因浮出水面：Agent Alpha为了拿到更低价格，选择了一家交付更慢的供应商，而它与运营团队的排产系统没有任何集成。零部件延迟到货，生产线停摆。与此同时，客户服务AI Agent在自己的数据孤岛中运行，无法获取新供应商的信息，既不能预判延误也无法主动沟通。客户投诉激增，流失随之而来。 Agent Alpha交付了部门级的ROI，却在系统性地摧毁企业级的ROI。 这就是碎片化部署的典型模式：每个Agent在各自的小天地里表现优异，但企业层面感受不到任何改善。因为AI Agent的价值不在于单个任务的表现，而在于它能否在跨职能的工作流中形成闭环。 Certinia CEO DJ Paoni对此的表述很直接：“AI只有扎根于真实的业务上下文和可信任的判断，才能真正推动业务指标。” 更深层的挑战在于，许多企业虽然引入了AI，却仍然沿用原有的业务流程和运营模式。德勤中国咨询业务全国主管合伙人华思远指出，这导致“AI的作用往往停留在提效层面”，而下一阶段企业竞争的重点将从技术采用转向价值兑现——真正拉开差距的因素在于能否让AI进入核心业务流程，推动应用从工具叠加走向工作流重塑。 从一条流程切入，跑通再复制 从碎片化到整合，听起来像是一个需要“先建数据中台再做AI”的大工程。但真正跑出效果的企业，走的往往是一条更务实的路径：先找到一条数据、规则和输出标准都足够清晰的业务流，把Agent跑通，再向外复制。 空中云汇内部的做法提供了一个清晰的参照。目前全公司每周超过90%的员工使用AI Agent，超过75%的运营工作流已嵌入AI，研发侧约40%的代码合入由内部AI引擎生成。但回溯到起点，他们最先交给Agent的工作只有两个特征：流程标准化程度高，且有清晰的“对错”反馈信号。最先跑通的是财务运营——费用审核、对账、记账预测与报表生成。 空中云汇中国区战略负责人曾悦对此有一个精当的类比：“Copilot是辅助驾驶，人的手不能离开方向盘；Coworker则在明确边界内可以自主驾驶。”而从Copilot到Coworker，关键变化不是AI变聪明了，而是收集上下文、判断可靠性、执行路径可追溯可回退这四项能力同时成熟。 制造业的案例同样印证了这个逻辑。亿咖通的供应链协同平台没有从“全链路智能化”入手，而是聚焦在一个具体的断点上：物料计划显示齐套、仓库实际缺货。他们用飞书aPaaS和多维表格在现有ERP系统之间搭了一座“桥”，让客户预测“往前走”、生产结果“往回走”。经过7个月的数据回测，整体预测准确率从75%提升到90%以上。 东风奕派的“设备大师”Agent则把10年经验老师傅的能力转化为200名维修工的标配，工厂设备紧急故障的平均响应时间从10分钟缩短至4分钟，故障发生次数减少了25%。 这些案例的共同特征是：切入的流程边界清楚、容忍度可控、有明确的量化指标可以判断“跑通了没有”。 曾悦的判断是，最先被Agent化的领域会是财务，因为财务“数据结构化程度最高、ROI最明确、反馈闭环最清晰”。 怎么判断哪条流程适合先跑？ 结合上述案例，一条业务流是否具备“可Agent化”的条件，可以用三个标准来判断： 第一，数据是否结构化且可获取。 财务对账、供应链排产、设备故障预测——这些场景的数据本身就存在于系统中，不需要从零构建。反之，涉及大量非结构化信息和隐性经验的流程（如战略决策、创意设计），Agent的介入难度会急剧上升。Replit CEO Amjad Masad的观察很坦诚：“企业数据是混乱的——结构化的、非结构化的、散落在各处——爬取本身就是挑战。” 第二，是否有清晰的“对错”反馈信号。 对账的结果对不对、排产的预测准不准、故障是否提前识别——这些都有客观标准可以验证。如果一个流程的产出质量只能靠人的主观判断来评估，那就很难判断Agent是否在真正提升，也无法建立迭代改进的闭环。 第三，边界是否可控，失败是否可以回退。 空中云汇给“数字同事”设定的五维标准中，可审计性和清晰的人工回退路径被放在与采用率、可靠性同等重要的位置。东风奕派的设备故障预测Agent即使出错，最坏结果也只是维修工多跑一趟；但如果是涉及合规审批或资金调拨的流程，出错的代价就完全不同。从低风险、高容错的流程起步，让Agent在真实业务中积累上下文信任，比一上来就瞄准核心决策流程要稳妥得多。 不要先问“用哪个模型” Certinia报告中最具冲击力的数据或许是这个：行业绩效最清晰的预测指标，不是企业在AI上投入了多少钱，也不是招募了多少AI人才，而是企业是否运行在一个打通销售、交付、财务和客户成功的统一系统之上。 这意味着，企业在启动AI项目之前，最该问的问题不是“我们该用哪个模型”，而是：我们哪一条业务流的数据、规则和输出标准已经足够清晰，可以被Agent稳定执行？ 从这条流程切入，把Agent真正嵌入工作流，让它跑出可量化的结果，再用这个结果去说服组织投入更多——这比追求“全员全场景AI化”更有可能在第一个季度就看到回报。 Gartner预测，到2028年，三分之一的企业软件将包含Agentic AI，但与此同时，40%的Agentic AI项目将在2027年底前因成本、商业价值不清晰或风险控制薄弱而被取消。赢家不会是部署Agent最多的企业，而是那些知道该从哪条流程开始的企业。