夜雨聆风"没有流程智能，就没有真正有价值的 AI。"
"很多公司不是没有做 AI，而是还没有把 AI 放进生产环境，变成可衡量的业务结果。"
"决定企业命运的，不只是会不会做 AI，而是谁推进得更快。"
本期嘉宾是 Genpact 首席技术与创新官 Sanjeev Vohra。他有超过 35 年横跨业务、咨询、战略与技术的经验，长期站在“技术如何转化为业务结果”的交叉点上。Genpact 这家公司本身也很有代表性：它从 GE Capital 体系中孵化出来，擅长的不是讲概念，而是运营复杂流程、处理大规模交易、把系统真正跑起来。所以这场对话最有价值的地方，不是再讨论模型多强，而是非常具体地回答了一个企业管理者最关心的问题：为什么大家都在投 AI，但真正拿到结果的公司只有少数？
不是没上 AI，而是没把 AI 变成业务结果
Sanjeev Vohra 引用了 Genpact 对 500 位大型企业高管的研究结论：真正已经从 AI 中稳定创造业务价值的企业，只占 12%。这 12% 并不是“最会讲 AI 故事”的公司，而是已经把 AI 放进生产环境、开始规模化运行、并且能明确衡量结果的公司。
这一定义很关键。很多企业今天也会说自己“在做 AI”：采购了大模型服务，给员工配了 copilot，做了几个内部试点，甚至招了 AI 负责人。但在 Vohra 看来，这些都不等于真正跨过了门槛。真正的门槛是：AI 是否已经进入核心流程，是否在持续影响收入、成本、效率、交付速度和客户体验，是否形成了从投入到产出的闭环。
换句话说，企业 AI 的问题往往不是“有没有项目”，而是“有没有结果”。如果 AI 还停留在实验室、停留在边缘团队、停留在演示场景，它再热闹，也很难变成经营层面可兑现的价值。
12% 之外的 88%，主要卡在三件事上
这项研究里最值得记住的，不只是 12% 这个数字，而是后面的原因拆解。Vohra 把大多数公司卡住的因素概括为三类：组织与人才准备度不足、技术与数据复杂度过高、以及价值衡量与治理框架缺失。
第一类是组织准备度。很多企业高层已经知道 AI 重要，董事会也在讨论，基层年轻员工甚至已经开始自发使用各种工具。但真正把组织推着往前走的那群人，往往并没有准备好。这不仅是培训问题，更是岗位重塑、权责变化、跨部门协作和管理机制的问题。企业知道要改，但没有把“怎么改”变成系统动作。
第二类是技术与数据复杂度。大企业的现实不是一张白纸，而是一堆旧系统、数据孤岛、流程补丁和多年累积下来的技术债。AI 要想进入关键流程，就必须和这些现实环境对接。很多公司不是不知道该做什么，而是知道以后发现太难接，太难改，太难统一。
第三类是价值衡量能力不足。企业常常会说“我们在投 AI”，却说不清楚这笔投资到底改善了什么。是降低了多少 G&A 成本？缩短了多少处理周期？减少了多少人工接触点？提升了多少首次解决率？如果这些问题答不出来，AI 最终就会变成一个预算项目，而不是经营项目。
真正的瓶颈，往往不是 CEO，而是“冻结的中层”
这场对话里有一个很锋利的判断：企业 AI 推不动，问题经常不在最高层，也不在最基层，而在中层。
Vohra 提到，很多企业高管现在已经相当重视 AI，基层员工里也有越来越多 AI-native 的人；真正最难动的，是那些日常被运营事务压得很满、同时又承担关键管理职责的中层。他们知道要改，但没有时间研究；他们理解压力，但又不敢轻易改变流程；他们位置极其关键，却最容易成为转型中的“冻结层”。
这是一个非常现实的组织观察。因为 AI 真正落地不是一句战略口号，而是要改审批链条、改例外处理、改岗位分工、改 KPI、改协作方式。所有这些动作，最后都要穿过中层。如果中层既没被赋能，也没被激励，更没有看到一套低风险、可复制的推进方式，那么组织就很容易出现一种奇怪局面：上面喊得很响，下面也很热闹，但真正的流程就是不变。
所以，AI 转型常常不是“认知问题”，而是“组织穿透问题”。谁能把中层从防御姿态拉到参与姿态，谁才更有可能从试点走向规模化。
Copilot 能让个人更轻松，但未必让企业更高效
Vohra 对今天企业里最常见的 AI 使用方式有一个非常清晰的区分：助手模式和行动模式。前者是 copilot、聊天机器人、会议纪要、邮件起草、资料总结；后者则是让 AI 真正嵌进业务流程里，参与执行、决策支持、编排与协同。
他并没有否定助手型 AI 的价值。对个人来说，它们当然有帮助，能让工作更轻松一点、反应更快一点、产出更顺一点。但问题在于，这种效率改善很多时候只发生在个人界面，并没有直接转化为企业系统层面的效率提升。一个员工写邮件更快，不等于订单流程更快；一个分析师总结更快，不等于财务关账更快；一个经理会问模型，不等于供应链预测就变准了。
企业真正想拿到的，不是“每个人都好像更聪明了一点”，而是“系统整体跑得更快、更便宜、更稳定”。所以 Vohra 才会一再强调：AI 必须从 advisor mode 走向 action mode。只有当 AI 不再只是告诉你该做什么，而是真正进入流程、推动动作、完成一部分执行，企业级价值才会开始显现。
为什么他说“没有流程智能，就没有 AI 价值”
这是这期节目最值得反复咀嚼的一句话。所谓流程智能，不是抽象地理解业务，而是知道一项工作在现实里究竟怎么被完成：跨了几个系统，经过几次人工判断，在哪些节点容易出错，哪些信息来自邮件，哪些来自 ERP，哪些来自供应商，哪些又需要合规校验。
对企业来说，真正复杂的从来不是“让 AI 回答一个问题”，而是“让 AI 进入这条混乱但真实存在的工作链条”。一个采购员要在多个界面之间切换、比价、发邮件、收确认、下订单；一个财务团队要处理发票、匹配采购单、做例外判断、和供应商沟通；一个理赔流程背后可能涉及文档识别、规则判断、异常处理和人工复核。AI 如果不了解这些流程，最后很容易只是在边上提供建议，而不是创造结果。
也因此，Genpact 的视角和很多纯技术叙事不同。它不是先问“模型还能做什么”，而是先问“这个流程到底怎么跑”。这也是为什么 Vohra 认为，大企业 AI 的竞争，表面上是技术竞争，深层其实是流程理解能力和流程改造能力的竞争。
少数领先者，已经开始把 AI 放进真正的生产流程里
为了说明什么叫“从概念到落地”，Vohra 也举了 Genpact 自己和客户的例子。Genpact 内部已经在财务、法务、HR、IT 等职能里部署了大约 150 个 agents。它想传达的不是“我们也在做 demo”，而是“我们先把自己当成客户零号”。
其中一个很有代表性的案例，是内部员工倾听 agent“Amber”。传统企业往往一年做一两次员工调查，既慢又滞后，而 Amber 则试图把这种反馈机制变成持续、实时、可交互的过程。去年它完成了约 50 万次互动。这件事的意义不只是自动化，更是把组织感知能力从低频、静态、一次性的管理动作，变成高频、动态、可响应的系统能力。
在客户侧，他提到一个面向北美大型分销企业 Wesco 的应付账款场景。这里不是简单地上一个聊天机器人，而是围绕 accounts payable 这条流程做系统性改造：用自然语言理解去识别单据，用匹配模块完成 PO、收货和发票之间的三方匹配，用异常检测去识别供应商反复出现的问题，再让 AP Assist 这样的 agent 去处理一部分原本必须人工完成的沟通。
这类案例真正说明的是：企业级 agentic AI 不是一个会聊天的“助手”，而是一组被编排进流程节点的执行能力。它要理解上下文、接住系统约束、处理例外、与人协同，然后持续输出可衡量的结果。也正因为如此，Vohra 才会说，未来很多流程会从 human-led process 走向 human validation process——人不再亲自做完所有事情，而是更多承担验证、监督和例外处理的角色。
Agent 越多，治理越重要：99% 的公司还没有准备好
AI 进入流程以后，另一个问题会迅速冒出来：治理。节目开头就抛出了一个很典型的问题：如果你有 100 个 agents，其中一个“失控”了，你有没有办法知道是哪个出了问题？你有没有 cockpit、有没有 command center、有没有 inventory，能实时看到这些 agents 在做什么、接了哪些权限、跑在哪些部门、消耗了多少成本？
Vohra 的判断很直接：大多数企业远没有准备好。研究显示，99% 的公司都没有完整的端到端 AI 治理体系。也许它们有政策，有原则，有几页 PPT，但没有真正可执行的管理系统。没有 agent 资产清单，没有统一编排，没有异常监控，没有端到端审计，没有把安全、权限、隐私、成本和业务责任绑在一起。
这意味着，未来企业面对的挑战不只是“会不会做 agent”，而是“能不能在大规模 agent 存在的情况下还保持可控”。今天很多公司担心自己落后，于是鼓励人人都去试；可一旦试得太快、太散，又会陷入新的混乱。谁能先把治理这件事做成能力，谁就更有机会把 AI 从热潮变成基础设施。
2026 年，分水岭可能不在技术，而在速度
节目接近结尾时，Vohra 给出了一个很鲜明的判断：这会是企业 AI 非常关键的一年。去年更像是“Autonomy by Design”——大家在思考如何设计可扩展的方案；而今年开始，越来越多企业会进入“autonomy in practice”——不再停留在设计，而是真的把方案放进实战环境，跑出可验证的业务价值。
他提到，从年初以来，客户的主动需求明显增强，一个重要原因就是 FOMO：大家开始真正担心自己会掉队。这种变化很值得注意。因为它意味着企业 AI 的竞争正在从“要不要做”转向“谁做得更快，谁能更快穿透组织，谁能更快把价值做出来”。
这也是他最后反复强调“progress over perfection”的原因。企业不能等到所有问题都想明白、所有架构都完美、所有治理都成熟之后才开始行动。因为等你今天完全理解，技术可能已经跑到明天了。更现实的做法，是先找到高价值流程，快速动起来，边做边学，边治理边扩大，把速度变成能力，而不是把谨慎变成停滞。
高层必须亲自上手，否则很难真正理解这场变化
节目里还有一个很生动的细节。Vohra 讲到，Genpact CEO B.K. Kalra 自己在研究写代码、折腾 GitHub，甚至做一个餐厅选择的小 app。结果是，当管理层看到 CEO 都开始上手时，整个组织的学习气氛一下就变了。因为高层一旦亲自使用 AI，感受到它的速度、边界和可能性，组织里的很多判断都会随之变化。
这背后其实是一个很简单的道理：不亲自用，就很难真正理解。不只是理解模型能做什么，更是理解这项技术会怎样改变岗位、流程、决策周期和组织结构。你不“感觉到”这项技术，就很难对它的今天和明天形成足够具体的判断。
所以，对很多企业来说，AI 转型不是先找一个“AI whisperer”来解释概念，而是让最高层先有真实体验。只有当 CEO 和核心管理层都进入学习和实践状态，AI 才更可能从一个部门项目，变成整个公司的经营议题。
结语
这期节目最重要的启发，也许正是它把企业 AI 的讨论从“模型迷思”拉回到了“经营现实”。为什么只有 12% 的公司真正从 AI 里拿到价值？不是因为剩下 88% 不聪明，也不是因为技术还不够强，而是因为真正难的部分一直都不是模型本身，而是组织是否愿意改、流程是否足够清楚、中层是否被真正激活、治理是否跟得上、以及领导层是否愿意亲自下场。
换个角度看，这 12% 和 88% 之间的差距，并不是一条单纯的技术鸿沟，而是一条执行鸿沟。谁能更快把 AI 从“知道很重要”推进到“已经在生产中创造价值”，谁才更可能成为下一阶段的领先者。
内容来源：Only 12% of Companies Generate Value From AI. Here's What They're Doing | Sanjeev Vohra, Genpact丨Eye on AI
