夜雨聆风IBM在2026年5月发布的CEO调研里给了一个方向性的信号：采用AI-first策略的CEO，比传统同行在规模化落地上领先10%。
"AI-first"本身意味着他们建立了一套筛选机制：哪些功能优先上AI，哪些先放一放。
这个结论印合了我在咨询现场看到的一个反差：一边是高管喊"全面拥抱AI"，一边是下面团队对着二十几个待评估的AI提案不知从哪下手。撒胡椒面的结果是每个都做、每个都浅、没有一个能进生产。
最后不得已收不了摊，转为把经验去赋能其他企业---俗称卖课！
如果企业组织启动AI战略，第一件要想清楚的事是哪些功能根本不需要或不值得做。
MIT 2025年8月的一份报告用更直白的数字戳穿了这个困境：95%的企业AI试点从未进入生产环境。 报告基于150次高管访谈、350份员工调研和300个公开部署案例。六个障碍里只有一个是纯技术问题——其余五个全在组织层面：流程脆弱、与日常运营脱节、中层抵触、跨职能协作断裂、数据治理混乱。
如果你仔细看这五个组织问题，它们指向同一个卡点：企业在启动AI项目前，没有做功能筛选。
Infosys在2026年2月发布的"AI First Value Framework"正是试图解决这个问题。
Infosys CEO Salil Parekh的原话是："我们认为AI是服务业的强力赋能器，我们的AI First价值框架将帮助客户在这六个价值池中捕获市场机会。
该框架的具体目标是帮助企业在全球3000亿美元的AI服务机会中做精准切入。
框架本身的核心理念是"选择"，不是"铺开"。不是问AI能不能做这件事——是先问：这件事值不值得AI来做。
功能筛选：四个维度，一个框架
基于这个逻辑，我建议企业参考四个维度来评估每一个候选功能的AI就绪度。
这个框架来自我在企业咨询现场的验证——没有学术来源，但它经得起现场推敲。
维度一：不对称价值（权重：40%）
第一个最直接的问题：这个功能用AI做和用人工做，效率差距有多大？
如果差距不到50%，等于AI只是在"帮"人。那这不是AI First的战场。
AI First要选的是那些"人工做这件事存在结构性低效"的场景。
比如：客服投诉分类——人工35分钟只能处理10封邮件，AI在同类场景中可以达到秒级。这类"两个数量级提升"的功能，才是你的主战场。
维度二：数据就绪度（权重：30%）
第二个问题最容易被低估也容易被企业忽视：这个功能对应的数据今天在哪？能不能被AI直接访问？
大多数企业的数据现状是：客户对话记录没有做过结构化，历史工单分散在几套系统里，标注数据几乎没有。
这种情况下，AI项目前三个月不是在做模型和agent调优，而是在做语义治理和数据治理。
如果数据还没准备好，不是不能做AI。是需要先把数据工程的工期算进项目计划里。
很多企业在"数据就绪度"上给了自己一个幻觉分数，等到项目启动三个月才发现真相。
维度三：业务稳定性（权重：20%）
第三个问题最容易被忽略：这个功能的业务规则在未来一年内会不会发生重大变化？
AI最擅长的是在相对稳定的规则空间里做模式识别。
如果业务本身还在剧烈变化——市场策略每月调整、产品线每季度扩张；AI模型就会在数据分布不断漂移的环境里会快速退化。这不是技术问题，是"该功能还不适合交给AI"的信号。
维度四：组织接纳度（权重：10%）
最后一个问题是组织的软维度：业务负责人愿不愿意把一部分判断权交给AI？
权重只有10%的原因很简单：这部分不是不做就能放弃的理由，而是"需要铺垫"的信号。
如果业务负责人犹豫，不是绕过他——是找一个AI能帮他省掉"最烦的那部分杂活"的小场景切入，建立信任后再推进。
10%不是不重要，是不能成为否决项。
请注意：
我们在企业AI投入法则：10-20-70一文中讲到，企业应该花70%的精力/预算要花在组织变革、流程再造、人员培训、文化重塑上，不管你选哪个功能先做，最终的70%都要花出去。
这里的维度四：组织接纳度（权重：10%），我们说的是战术层面的功能优先级筛选。在筛选功能时，"组织接纳度"只是四个维度里的一个维度，它只占10%，是因为在"先做什么"的决策中，功能本身的业务价值和技术可行性比"好推进"更重要。如果组织阻力太大（10%扣到0），你可以选择别的功能先切入，慢慢铺路。
1-2-7法则与这里的维度四，两者完全不冲突，是互补关系：
AI-FIRST帮你选出一个或两个"低组织阻力、高业务价值"的切入点；
剩下的70%资源，集中投入到这个切入点上的组织变革和流程再造
而不是"70%分散到所有功能上"，战略上无法执行
三段决策线：
总分 ≤ 3：放弃。这个功能当前不是AI的战场。对业务线坦诚说"现在不是时候"比做一个注定死在试点里的项目更有价值。 总分 3-4：做概念验证。但不要承诺投产时间。数据或业务规则还需要时间成熟。 总分 4+：集中兵力打穿。同时启动的4+分项目不要超过两个。
这套框架在实际使用中有一个很容易被跳过的关键动作：让业务负责人自己打分，而不是IT部门代劳。
我见过几次相反的做法，IT部门把四个维度填好、算好分、排好序，然后拿着结果去跟业务线说"你们的客服AI提案只有3.2分，先放一放"。
这种场景下，框架就不是工具了，而是武器。业务线不会接受用自己不理解的评分体系来否定自己的需求。
正确的流程是：框架在启动阶段向所有相关方透明公开。每个业务负责人自己给自己负责的功能打分：
在填"数据就绪度"那一栏时，如果他写的是"4分"而实际上客户对话记录还散落在三个Excel里，AI中心（CoE）当场就可以把真实数据摆出来对齐认知。
框架的功能不是替人做决定，是让所有人用同一套语言讨论同一个问题。不是预算不够——是组织的注意力和变革意志不可分割。
AI CoE：不是研发中心，是筛选中枢
有了框架之后，谁来执行这个筛选？
大多数企业的答案是"AI委员会"——十个部门的代表坐在一起，各报各的需求。
我认为XX技术委员会是妥协的产物。
没有人愿意说"我这条线不优先"，于是决定"每个部门先试一个"。又回到了撒胡椒面。
答案是我们在实践推广的AI卓越中心（AI CoE），但它的职能需要从"模型研发中心"转向"决策筛选中枢"。
根据我们对AI CoE研究和实践，一个有效运转的CoE至少要做三件事。
第一，横向功能筛选。 CoE拥有所有部门AI提案的"一票优化权"。
注意这可不是否决权，是依据四维框架给每个提案打分、排序。
高分加速，低分搁置。
这是各部门自己做不到的——它们只能纵向看自己的需求，CoE才能横向比较。
第二，建立企业级共享资产。 Prompt库、模型库、已验证的解决方案库。营销部门跑通的一个客户分群方案，脱敏封装后应该能让HR部门在员工分析中直接复用。这是CoE从成本中心变成投入回报引擎的拐点。
第三，推行"双人同箱"。 星展银行的实践中，每一个AI项目由业务主管和技术主管共同负责，共享KPI、共享预算、共享责任。
CoE的角色是"同箱"的第三端：提供治理标准和资源调度，确保两个人不是在各说各话。
这三个职能都指向同一个结论：CoE的价值不是它在做多少AI——是它在阻止多少不该做的AI。
当各部门开始私下采购AI工具——海外AI圈子里叫"影子AI"，衍生于“影子IT”……
CoE通过统一的治理框架和工具采购标准，把这些碎片化尝试转化为受控资产。这本身就能避免大量的重复投入和安全隐患。
你的AI预算表已经替你做了选择
打开AI项目清单。如果你发现上面列了十几项，每一行都有预算、都有负责人、都有启动时间…… 我想说……你已经不知不觉的在撒胡椒面了。
"AI First"不是"每件事都用AI试一试"的意思。
在你还没有建立四维筛选机制之前，"全面AI化"不是战略，是逃避做选择的痛苦。
IBM CEO调研的结论是AI-first组织比传统组织多10%的规划化的AI项目。
这10%不是更多项目的数量差异，而是选对了项目之后，每一个项目都能走到生产环境的差异。
MIT那95%的失败率里，大量项目不是因为技术做不出来，是因为从一开始就没问清楚"这个功能值不值得做"。
你的组织今年能深度推进的AI功能，大概率不超过两到三个。不是因为钱不够，是因为每个功能的成功都需要业务领导重新想流程、重新建数据通道、重新建团队的信任。
这些事，算法和技术搞不定，只有组织才能做。
如果你现在手上AI项目，把它放到四维框架里筛一遍。
而且我建议是企业业务一把手或公司一把手亲自看，以培养AI时代的决策力。
企业老板在今天，应该把有限的注意力和变革意志，精准释放到那两三个真正值得去持续投入和演进的AI预算-项目上，这是是跟随AI这首快速行驶的大船的最好方式。
正如DeepSeek V4发布稿最后的那句：
不诱于誉，不恐于诽，率道而行，端然正己。
🔭声明：文章由AI辅助完成信息检索与数据验证。核心观点来自本公司业务实践沉淀知识库汇总，仅代表本司观点。⌛️
