📌图片由AI生成

当73%的高管承认AI投资回报不及预期，问题已经不是"用什么工具"，而是"怎么运营"。5月7日，IBM在年度Think大会上给出了一套完整的答案——AI运营模式（AI Operating Model）。这不是又一个新产品发布，而是一个信号：企业AI落地的游戏规则变了。

一、AI投入巨大，回报却像在等公交

先说一组扎心的数据。

德勤中国和香港大学5月15日联合发布的《2026企业AI应用指数》显示：超过三分之一的企业还在AI探索阶段，56%的企业处于"有限实施"——也就是只带来了局部效益。只有23%的企业实现了可衡量的财务影响，4%实现了转型目标。

更惨的是，9%的AI项目直接产生了负收益——隐性成本飙升，业务运营还被搞乱了。G-P的最新调查更直接：73%的高管认为AI投资回报不及预期。

钱花了不少，但真要算账，很多企业发现自己就像在等一辆永远不来的公交——站点设了，车买了，路线也规划了，可乘客就是上不来。问题到底出在哪？

二、IBM的回答：你缺的不是工具，是运营模式

IBM CEO Arvind Krishna在Think 2026上说了一句很到位的话："真正的领军企业并非专注于部署更多AI工具，而是重新设计自身的业务运营模式。"

翻译成大白话：别再买锤子了，你得先想清楚要钉什么钉子、钉在哪儿、谁来钉、钉完之后整面墙怎么重新规划。

IBM把这套方法论叫做AI运营模式（AI Operating Model），拆成了四个支柱：智能体、数据、自动化、混合环境。不是四个产品，是一套互相咬合的打法。

三、四大支柱：从"打补丁"到"换引擎"

第一个支柱：智能体编排。这是最核心的。大型企业年底预计要部署1600多个AI智能体，但只有18%的组织持有最新且完整的AI资产清单——你连自己有多少AI在跑都不知道，谈什么治理？IBM发布的watsonx Orchestrate就是要当"智能体控制平面"：不管你的智能体来自哪个供应商，统一编排、统一治理、统一审计。

第二个支柱：实时数据底座。AI没有好数据就是"巧妇难为无米之炊"。IBM收购了Confluent（Kafka + Flink），加上watsonx.data的语义上下文层和NVIDIA合作的GPU加速Presto引擎，搞了一套实时AI就绪数据底座。雀巢做了个PoC验证：覆盖186个国家的数据集市，83%的成本节约，30倍的性价比提升。

第三个支柱：智能运维自动化。IBM Concert平台从"被动监控"升级为"协同智能响应"——跨领域理解、上下文驱动决策、内置治理的协调执行。出了问题不是光报警，而是能关联上下游、判断优先级、自动修复。Concert Secure Coder把安全检查嵌入开发者写代码的环节，AI可在数小时而非数天内识别并利用漏洞，安全左移。

第四个支柱：混合环境与主权。超过70%的企业数据仍在本地，纯云路线行不通。IBM Sovereign Core基于红帽OpenShift构建，策略内置于基础设施运行时层面，治理随监管要求动态调整。

四、"编排即治理"——ROI提升20%的秘密

IBM商业价值研究院（IBV）的数据最具说服力：以编排为核心开展治理的组织，拓展AI业务规模的概率提升13倍，投资回报率提升20%，违规事件发生率降低30%。对于市值200亿美元的企业来说，每年减少约1.4亿美元的损失。整体透明度提升169%，数据隐私防护能力提升132%。

这组数据说明一个关键问题：AI落地的瓶颈从来不是"智能体够不够聪明"，而是你有没有一套编排和治理的体系让它们协同工作、合规运行、可审计可追溯。

德勤的报告也印证了这一点：近半数AI项目缺乏清晰的成功量化指标，瓶颈不是技术本身，而是跨部门协作壁垒、文化惯性、短期交付压力和模糊的商业价值论证。

五、IBM自己先"吃狗粮"：8万人用Bob效率提升45%

IBM不是光说不练。他们内部有超过8万名员工在使用IBM Bob（4月30日正式发布的智能体开发伙伴），占全球员工总数的四分之一以上，整体工作效率平均提升45%。

还有一个代码现代化的案例特别提气：Blue Pearl的旧版Java代码库包含约127个已弃用API，传统方案需要14名Java开发人员耗时约9个月，使用IBM Bob后——仅需3天完成整套代码库的现代化升级。

IBM自动化与AI业务总经理Neel Sundaresan还透露了一个数据：软件开发生命周期中，约60%的工作集中在迁移、现代化改造与维护，全新代码开发仅占约15%，搭建AI智能体占约20%。这意味着AI在"存量改造"上的价值远比"从零写新代码"大得多。

六、供应链人的思考：从"试点"到"运营"的一步之遥

回到我们供应链领域，这组数据和IBM的思路给了三个非常明确的启示：

第一，别再孤立地看AI项目了。采购有个AI做合同审查，仓储有个AI做库存预测，物流有个AI做路线优化——看起来很热闹，但如果它们之间没有数据流动和流程衔接，本质上还是"打补丁"，不是"换引擎"。德勤数据显示，客户服务（58%）、市场营销（54%）、IT（53%）是目前AI应用最集中的领域，但供应链和运营环节的渗透率明显偏低，恰恰是因为供应链的跨部门协调最难。

第二，治理不是绊脚石，是加速器。IBM的数据表明，有治理编排的企业AI规模化概率提升13倍。对于供应链来说，这意味着你不能等到智能体跑起来了再去想怎么管——从一开始就要把审批流、权限控制、数据归属嵌入到AI运营模式中。

第三，数据底座比模型重要。雀巢186个国家的数据集市能实现30倍性价比提升，靠的不是更大的模型，而是干净、互联、实时可用的数据。供应链企业做AI，第一步永远是数据治理——统一主数据、打通系统孤岛、建立实时数据流。这一步不做，再好的模型也跑不起来。

记住一句话：AI落地不是选择题，而是运营题。区别只在于是你主动设计运营模式，还是被动被工具推着走。

如果觉得有启发，欢迎点赞、转发，让更多人看到企业AI落地与供应链运营变革的深度解读。

📚 参考来源：

1. 《Think 2026全新发布：IBM推出"AI运营模式"蓝图，弥合日益扩大的AI鸿沟》，IBM中国新闻室，2026年5月7日
https://china.newsroom.ibm.com/2026-05-07-Think-2026-IBM-AI-,-AI

2. 《管理智能体式AI的速度、规模和蔓延：Think 2026的洞察分析》，IBM官网，2026年5月
https://www.ibm.com/cn-zh/think/news/think-2026-ai-recap

3. 《IBM以"AI操作模型"为核心，发力企业级AI控制层》，MSN科技，2026年5月
https://www.msn.cn/zh-cn/news/other/ibm以ai操作模型为核心-发力企业级ai控制层

4. 《香港大学与德勤中国2026企业AI应用指数》，德勤中国，2026年5月15日
https://www.deloitte.com/cn/zh/services/consulting/perspectives/hku-and-deloitte-china-ai-adoption-index-2026.html

5. 《G-P〈2026 AI at Work〉：73%高管称AI投资回报不及预期》，Studio Global，2026年5月
https://www.studioglobal.ai/zh-cn/discover/answers/what-does-g-p-s-latest-ai-at-work