夜雨聆风📖 PwC 2026年调查767位运营高管：89%认为技术投资未达预期，94%想转横向运营但仅27%做成。问题不在技术，在运营模式还停在竖井时代。本文从三重断裂到三个根因，再到执行鸿沟的卡点，帮你找到AI落地的真实障碍。
PwC 2026年《Digital Trends in Operations Survey》覆盖767位美国企业运营高管和供应链负责人，先分享数据，再逐一分析：
89%认为技术投资没兑现承诺（89%of operations leaders say their tech investments haven’t fully delivered the expected results）
94%想从职能纵向管理转向端到端横向运营（94%say their organization is likely to shift toward a more horizontal, networked operational structure）
87%称数据质量不佳，已经影响到企业从数字化项目中实现价值的能力（87%say poor data quality has impacted their organization’s ability to achieve value for digital initiatives）
超五分之四（83%）的受访者表示，智能代理与自动化技术将打破传统职能壁垒。但仅有 27% 的企业在各业务部门全面落地人工智能战略，也只有 37% 的企业愿意让智能代理全权负责运营环节的全流程工作。
尽管数据基础有所夯实，但仅 30% 的受访者表示数据质量与可靠性得到大幅提升，87% 的受访者认为数据质量不佳，阻碍了数字化项目价值的落地。
几乎所有企业都计划重构运营模式。目前采用职能割裂或部分整合运营架构的企业中，94% 打算转型为更扁平化、网络化的模式，而当下仅有 41% 的企业已经采用这类运营模式。
上一篇我们ROI财务视角分析了企业AI落地的预算、指标、分成、结构。AI预算越涨，ROI越说不清《2026 Digital Trends in Operations Survey》
今天继续以这份报告内容为参考，从运营视角来对报告中的一些数据进行分析。
有时候一个数据就能说明一个问题，多个数字，能说明多个问题的层面。每一层都不是技术问题。上面三个数字我认为至少说明三个层面的问题。
投资信心的悖论：89%的人失望，企业还在加码
89%说技术投资没达预期，但他们没停手。而是在等下一批技术——新模型、新工具、下一波洗牌。
这个逻辑听起来合理。如果这轮不行，下轮总行吧？
连续投了三轮没有回报，该审视的就不是工具了。
第一年投BI没跑起来，第二年投RPA没跑起来，第三年投AI Agent还是没跑起来。把原因归给工具，但供应链流程、审批节点、数据口径，底层运营结构五年没变过。更快引擎装在一辆底盘散架的车里，引擎不是问题所在。
如果跳过诊断直接追下一波技术，节奏就是：
技术疲劳感积累，一线团队抗拒，IT预算压缩，业务各自找外挂补位，孤岛越挖越深。
这套判断对中大型企业（年营收50亿以上、3年以上数字化投入历史）是适用的，因为运营惯性大到足以吞噬单点收益。
但初创或年营收10亿以下的中小企业，层级少流程短历史债务轻，新工具渗透阻力天然小。
50人公司上协作工具，第二天全员就用；5000人公司上同样的工具，要培训要考核要说服十七个部门。
真正容易出问题的地方在分企业把"诊断运营模式"做成了一次性评估，出一份厚厚PPT，高层很有启发，然后归档。
运营模式诊断不该是咨询交付，应该变成持续运营指标，供应链端到端周期、跨部门审批通过率、数据一次准确率。每个月盯着这组数字，比任何技术选型都管用。
落差不是执行力问题
这组数据："94%的企业想从纵向职能管理转向横向端到端运营，其中的只有41%做到这种运营模式。"
纵向管理，每个部门把自己的KPI做到最优，合在一起链条是散的。
横向运营，从客户下单到交付一条流程跑通，谁卡住谁负责。
多数企业其实知道横向更好，但架构、考核、预算、IT系统等，每颗钉子都是为纵向管理设计的。拔一颗钉子发现连着六块木板，每块木板背后都有人说得动我的东西。
企业强行推横向但不触动权力结构，可能的结局是新流程画好了、系统上线了、项目组解散了，三个月后各部门回到老路。
根本原因在于旧系统的依赖性太强。
这里的风险在于规模是一个双刃剑。
100人以内的公司不存在纵向管理的结构惯性，创始人一句话调方向。5000人以上的超大型企业，层级多、利益盘根错节，纵向惯性大到任何单点改革都会被吸收。
真正适合做横向转型的，是1000-3000人规模、经历过一次快速增长但正遭遇效率瓶颈的企业——纵向管理的成本已经显现，组织还没硬化到不可逆。
企业最容易犯的错是低估"改考核"的优先级。
横向运营转型中，60%的精力应该花在重新设计考核指标上，不是画流程图、选系统。你问供应链总监愿不愿意配合销售部的紧急订单，他说"可以啊"——去看他的KPI，如果奖金还是之前一样跟库存周转率绑定，那他的"可以"就是假话。不换考核，不换行为。
87%数据质量卡死企业，83%指望AI来救——这个逻辑反了
83%的企业管理者认为AI能打破数据孤岛，智能代理与自动化技术将打破传统职能壁垒。
同时87%的人说数据质量是核心障碍，数据质量不佳，阻碍了数字化项目价值的落地。
大多数人指望AI来解决AI本身无法解决的问题。
实际是企业对AI的能力边界还是不够清晰。
AI能做的是：给定输入给出输出。你把三个系统的数据喂给它说"帮我画客户全生命周期"，它能画。但如果A系统的"客户ID"是手机号、B系统的"客户编码"是订单编号、C系统根本没这个字段——AI画出来的图就是错的，而且错得浑然一体，你追踪不到它错在哪。
不解决数据质量就上AI，会触发一个隐蔽循环：
AI在脏数据上训练出看似合理的输出 → 业务用这个输出做决策 → 决策失误 → 对AI失去信任 → 不再提供反馈 → 数据更脏。
如果把不同仓库的"库存量"字段含义搞混了，可能会出现的各种疑惑的问题，比如上了智能补货系统后库存反而增加……
类似问题严重程度取决于业务复杂度。金融支付、电信、纯线上零售等数据标准化程度高的行业，数据质量可控性高于离散制造、跨境供应链、多业态集团。
后者数据来源太杂，不同ERP版本、多个供应商接口标准、手工台账转Excel再转系统，任一环节出问题AI的输入质量就不可控。
我们经常看到把数据治理做成一个"大项目"。甚至花1年时间做数据治理再做AI。一年后后治理负责人都可能换人了，业务等不及上了外挂工具，数据又乱了。
如果是AI落地，我的建议是挑一条端到端核心链（比如订单到收款），花6周清洗干净，走通一次AI试点，用这个效果推下一条链。小步快跑要稳健很多。
重工具轻底座：投资结构决定了回报率上限
底座是复利资产，工具是单次消费。这个区别决定了投资结构。
底座是统一数据平台、AI基础设施、标准化API、端到端运营监控。
没有业务部门想为这些买单，它们不解决眼前的问题。
工具是客服机器人、智能质检、报表自动化……每个业务部门都说"今年就要这个"。于是80%预算流向工具，20%留给底座。
第二年那80%工具里有一半因为底座不够跑不起来，或跑了但数据不对，业务说不好用搁置了，然后重复换轮子。
继续"80%工具、20%底座"的结构，三年后的局面：底座继续薄弱，每个新工具上线边际成本不降反升。
数据搬运加工每次重做。采购周期越来越长。业务绕开IT用Excel和本地数据库做"影子IT"。看起来投了很多，实际效率在恶化。
年营收5亿以下、快速扩张期的企业，"轻底座"反而理性。优先用SaaS工具跑通业务，模式稳定再建底座。判断标准：流程半年还在改一次，底座是枷锁；流程三年没变过，底座是加速器。
谁都知道要建底座，但预算机制才是真正卡住的地方。
工具采购走业务部门今年预算，看到了效果（虽然打折）。
底座建设要立项层批等审批。
CFO的逻辑口径是："让我今年多花3000万却看不到回报，怎么跟董事会解释？"这个困局不在技术，在财务治理模式。
破局思路：把底座和一条具体业务的AI试点捆绑，第一个项目跑通了再谈底座扩展。
孤岛买孤岛工具——数字化越投，运营越散
数字化有一个副作用：让企业的运营更碎片了。本质是历史数字化不是顶层规划设计，而是各事业部体系独自规划而导致的数字化不彻底。
每个部门的数字化路径是独立的。市场部买了营销自动化，供应链买了智能排产，客服部买了AI客服，财务部进了费控。
每个系统都在生产自己的数据格式、自己的流程逻辑、自己的权限体系。原来运营碎片是人工碎片（Excel手工对账），现在是系统碎片（要接口和ETL手动对齐每个系统的数据）。碎片还在，只是换了一种更贵的形式。
如果放任这种"部门自选工具"而不收敛，AI会让碎片问题指数级放大。AI Agent需要跨系统的数据才能发挥价值。当Agent需要同时访问CRM的客户画像、ERP的库存数据和WMS的发货记录，三个系统的数据模型不一致时，Agent要么跑不起来，要么输出错误。没有AI时，数据碎片只是人工处理麻烦一点；有了AI，数据碎片直接变成决策风险的源头。
这个矛盾在矩阵式组织中最突出，业务线多、区域多、职能多，每个维度都有自己的数字化诉求和采购权。
一家十一大业务集团的企业，每个集团都有自己的AI采购委员会，加起来投入可观，但系统之间谁都不愿意出钱打通，因为"打通"的收益是别人的。而单一业务线的中小企业要么没有孤岛，要么很好打通——老板一句话就能调。
企业最常犯的错：把"系统集成"等同于"打破孤岛"。系统集成是技术动作，打破孤岛是组织动作。
数据能不能通是技术问题，两个部门愿不愿意让数据通是组织问题。
一位供应链总监说过一句大实话："库存数据不是不能开放给销售部，是销售部拿到后会天天催我调货，我的库存周转率就不用看了。"这个问题，API解决不了。
衡量"上了什么"不是"好了多少"——指标在骗你
我做诊断时有一个固定问题：你怎么衡量数字化项目的成功？
最常见的回答是"系统上线了"和"我们在用"。这是输出指标（过程指标）。
工具装好了、上线了、在用了。不是成果指标，这是输出/过程指标。
成果指标应该是"流程周期缩短了多少""人工操作减少了多少小时""数据一次准确率提升了多少"。
输出指标可控，成果指标不可控。这个区别决定了一切。
用输出指标衡量，每个项目都能"成功"，系统上了、培训做了、用户数达标了。但运营效率没变。每一年董事会看数字化转型报告都是"XX系统上线成功"，但利润一直在降。
不换衡量体系，会进入恶性循环：输出指标导向的系统上线越多，运营复杂度和维护成本越高，但没有成果指标追踪，你说不清问题在哪。下个财年继续投钱上系统，继续"成功"，运营继续恶化。直到有一天CEO问"过去五年数字化花了多少钱？"一算账，沉默了。
例外场景：合规驱动或强制性系统升级，输出指标是合理的。GDPR合规要求上数据保护系统，这类项目上线本身就是成功。但对于以"提升运营效率"为目标的数字化项目，输出指标就是误导。
为什么企业天然倾向于输出指标？因为输出指标的反馈周期短、责任归属清晰、不需要跨部门数据对账。
成果指标反馈周期3-6个月，需要多个部门数据拼接，改善归因也难以拆分——到底是系统好了还是人更努力了？
很多时候企业也想改，但现有数据底座不支持成果指标的自动化追踪。问题又绕回去了：建底座表面是为了上AI，真正目的是能看清楚自己到底做得好不好。
运营模式转型的核心难题：权力重新分配
回到数据的落差上看，94%的企业想转型，73%没做到（仅27% 的企业在各业务部门全面落地人工智能战略）。我见过的案例里，没有一个是因为"不知道怎么画横向运营图"卡住的。卡住的地方都一样：权力重新分配。
纵向管理模式下，权力按部门边界分配。供应链总监管供应链，销售总监管销售，各自对预算、编制、KPI说了算。横向运营要求端到端流程负责人有跨部门协调权和部分考核权。
这说明供应链总监的权限要让渡一部分出去。他凭什么配合？如果他配合了，部门预算被切了一块，晋升通道受影响——没有任何动力。
不解决权力重分配就推横向运营，最常见的结局是"两张皮"：PPT上是漂亮的端到端流程架构，实际运营中各部门继续按纵向逻辑运作，横向流程负责人变成有名无实的协调角色。这种假转型比不动还糟——多了一层汇报关系和协调成本，效率反而下降了。
业务高度稳定、流程极度成熟的企业（如通过ISO认证的大规模制造），权力重分配阻力相对小，职责边界清晰，让渡权限的"损失"可见可量化。而快速变化、多业务线的企业，权力重分配几乎不可能一步到位，更可行的方式是挑一条业务线试点。
事业部一把手浪漫主义的表现是以为"高层支持"就够了。CEO在全员大会上说"要推横向运营"——这不够。
横向运营需要组织设计和考核体系的配套。你需要搞定的是每个流程节点的中层管理者，让他们看到在新模式下自己的利益不缩水、甚至有发展空间。说服一个人接受权力缩水，靠愿景不够，得靠更聪明的激励机制。
AI嵌入运营有三个前提，少一个都是摆设
PwC调查里有一个数字很关键：只有37%的企业放心让AI Agent独立执行端到端流程（ just 37% are comfortable assigning AI agents to execute full end-to-end processes in operations.）。剩下63%有担心也有理由——直觉是对的。
把AI嵌入端到端业务流程，需要三个前提同时具备。
第一，数据准备度——数据可拿到、质量可靠。
第二，业务规则化——一条流程里超过30%的决策依赖"老员工经验"或"看情况"，那这条流程不适合AI嵌入。
第三，故障兜底——AI出错时谁来接？判断标准是什么？超时多久触发人工介入？
三个前提只满足一两个就上线，结果：AI要么因数据质量差频繁报错，要么因业务规则不明确输出不可预测，要么故障时没有兜底造成业务中断。团队花大量时间"维护AI"。名义上是维护模型，实际是手动修正AI产生的错误。AI从效率工具变成了运维负担。
那37%的企业有什么特征？多来自业务规则高度明确的行业（保险核保、银行信贷审批），或已完成前期流程再造的先进制造。
共同点：在推AI之前已经花了至少2-3年把业务流程"数字化+规则化"，把隐性知识显性化。推不动AI嵌入的企业，表面看是卡在技术，根子在前面那步流程规则化没人做。
企业最容易低估的是"业务规则化"的工作量。高管层看到AI Agent演示觉得"太强了，上吧"，让技术部实施。技术部发现业务决策逻辑不清晰、规则边界模糊，需要业务部门配合梳理。业务部门说"我们忙，你们先上线，我们慢慢补"。
Agent在不确定性中运行，输出忽好忽坏，业务说"AI不行"，项目被叫停。教训是：AI不是什么都能接住的魔法。
隐性成本才是真正吞噬预算的凶手
我们在多家企业的预算复盘中看到一个规律：AI项目启动后6-12个月，实际总成本通常比预算高出40-60%。根因不在于项目管理，而是隐性成本在启动前没辨识到。
显性成本大家都算：软件授权、算力租赁、实施顾问、团队人力。隐性成本在三个地方冒头：
第一，数据治理工作量低估3-5倍——"可用数据"和"AI可用数据"的距离比想象中大。
第二，模型上线后持续的监控维护——需要ground truth采集、再训练、版本管理，要专门的人。
第三，流程调整的隐性损耗——新旧并行期的双倍工作量、培训成本、过渡期效率下降。
立项阶段不纳入这些，后果是项目走到一半预算不够了，数据治理比预期复杂3倍，或模型质量不达标需要额外迭代。项目缩水或暂停，财务对AI项目信心受损，下一轮预算审批更紧，形成"预算不足→效果打折→信心下降→预算更紧"的循环。
不同阶段隐性成本构成也不同。
POC阶段（1-3月）主要是业务配合人天消耗。
规模化阶段（6-12月）是数据底座超支和运维团队组建。
持续运营阶段（12月以上）是模型退化后迭代。
企业在立项时最该做的是给每个阶段留出30%弹性缓冲，而不是压预算。
隐患最多的点不在技术估算，在组织成本估算。企业很多时候做AI预算只算技术团队人天，没算业务团队配合的人天。
AI项目周期里，业务团队投入占40-50%——梳理规则、标注数据、审核输出、参与测试。
这笔人力归到"既有岗位职责"里没有单列，但它真实存在、持续消耗。当你意识到业务团队的投入是核心资源而非辅助成本，项目规划方式会完全不同。
三个问题，检验你的运营转型准备度
文章读到这里，如果你问我"下一步该做什么"，有没有可执行的参考的行动指南。说实话每个企业情况不同，我用"三步走"大概率可套用的场景来总结。
但你可以对数字化转型预算表自问三个问题：
第一个问题：底座和工具的比例是多少？ 如果底座投入不到30%，不用再分析了，你的技术投资回报天花板就在这里。
第二个问题：你的成果衡量指标里，几个是输出指标，几个是成果指标？ 如果只有"系统上线率""用户覆盖率""工单处理量"，没有"周期缩短天数""数据准确率提升""人工介入减少次数"——你的数字化投资到底赚没赚钱，你算不清楚。
第三个问题：下周能不能找出至少一条端到端流程让AI试点跑通？ 只需要满足三个条件：数据可拿到且质量可靠，业务规则能写成if-then-else，出错时有人兜底。如果一条都找不出来，先别买工具，先修运营。
这三个问题没有标准答案，每个企业的场景不同。但问一遍自己，总比不看预算表就直接投下一轮强。
PwC的数据传递了一个更重要的信号：问题出在你以为不重要的地方。89%的人技术投资打了水漂，问题的根在运营模式——用老运营装新工具，还指望它自己跑起来。
数据来源：
PwC 2026 Digital Trends in Operations Survey, surveyed 767 operations executives and supply chain officers, January-February 2026.
https://www.pwc.com/us/en/services/consulting/supply-chain-operations/library/digital-trends-operations-survey.html