用一张图理解当前状态
AI 无处不在，业务影响却并非如此
生成式 AI 时代进入第三年，问题已不再是企业是否使用 AI，而是 AI 是否真正改变了业务表现。
的组织已在至少一个业务职能中使用 AI
能够指出 AI 对利润产生了任何可衡量影响
来源：McKinsey《The State of AI in 2025》。采用 AI 已变得普通，可衡量的企业价值却没有。
采用率已不再是故事重点
生成式 AI 已不再只是实验。RSM 2025 年中型市场 AI 调查显示，美国与加拿大 91% 的组织正在使用生成式 AI，高于一年前的 77%。McKinsey 的全球调查也呈现相同趋势：88% 的组织已在至少一个业务职能中使用 AI，而前一年为 78%。
最常见的工作仍集中在生成式模型最可靠的能力：文本生成与摘要、工作流开发、预测与需求规划，以及销售和营销内容。
| 使用场景 | 采用该场景的组织 |
|---|---|
| 文本生成与摘要 | 49% |
| 工作流开发 | 45% |
| 预测与需求规划 | 40% |
| 销售与营销内容 | 40% |
AI 也已进入运营核心：58% 用于数据分析，57% 用于 IT 运营，48% 用于客户服务。从所有表面指标看，企业已经全面投入。
采用 AI 不等于获得优势
故事从这里转向。高使用率并未转化为高价值。RSM 调查中，92% 使用生成式 AI 的公司在落地时遇到困难。53% 认为自己只算“有些准备”，70% 表示需要外部帮助才能获得真实价值。
| 阶段 | 组织占比 |
|---|---|
| 在至少一个职能中使用 AI | 88% |
| 已开始在企业范围规模化 | ~33% |
| 报告 AI 对利润有任何可衡量影响 | 39% |
| 已全面规模化 AI | 7% |
| 属于真正的高绩效企业 | 6% |
大多数公司并不是 AI 失败，而是困在试点阶段——某个角落里的项目看起来很有希望，却始终没有成为企业真正的运行方式。
规模化差距
模型很少是真正的问题
企业说 AI 很难时，通常不是说模型很难，而是模型周围的一切都很难。RSM 受访者把问题指向组织内部，而不是技术本身。
| 障碍 | 提及占比 |
|---|---|
| 落地过程中的数据质量问题 | 41% |
| 缺少内部专业能力 | 39% |
| 没有清晰的 AI 战略 | 34% |
| 因数据质量而认为准备不足 | 32% |
这些都不是模型问题。世界级模型仍可能无效地叠加在未经重构的流程之上，由未经清理的数据驱动，也没有明确负责人。AI 被放在工作旁边，而不是被构建进工作之中。
他们重构工作，而不只是更换工具
McKinsey 所定义的 AI 高绩效企业只占约 6%，但它们从根本上围绕 AI 重构工作流的可能性约是其他公司的 3×，而不是把 AI 叠加在旧流程上。
| 使用场景 | 可衡量结果 |
|---|---|
| 线索生成 | 在 4.5 万客户与 8000 个未开发机会中发现超过 3.5 亿美元线索 |
| 故障排查 | 首次接触解决率提升 50%，诊断从 30 分钟缩短到不足 1 分钟 |
| 排程 | 技术人员容量提升 40%，加班减少 6% |
| 合同分析 | 合同智能体每年节省超过 500 万欧元 |
每项结果单独看都很出色，但更深层的启示出现在企业停止把它们当作彼此独立的工具时。
连接让价值开始复利
最大的收益来自连接多个用例，让一个 AI 步骤沿着服务旅程交接给下一个步骤，使价值不断相加，而不是停留在孤岛中。
一个请求，一条 AI 驱动流程
请求进入并完成记录
AI 扫描技术手册
系统提出最可能的故障
判断是否无需上门即可解决
派遣最合适的技术人员
提前准备所需备件
自动生成报告初稿
结算与供应商追偿闭环
这与回答问题的聊天机器人完全不同。它是一层覆盖受理、诊断、排程、零件、报告与追偿的运营系统。
不要只部署一个 AI 聊天机器人，要构建一条 AI 驱动的服务流程。
工作流命题
价值真正被构建的地方
企业 AI 的约束不在智能本身——能力强的模型已接近商品。真正的约束是连接工程：干净的数据、重构的工作流、治理、真实采用，以及同时理解业务流程和模型能力的人。
最后一项能力无法下载。这解释了为什么 70% 的公司表示需要外部帮助，也解释了为什么有效的帮助更像一位进入运营现场、先映射流程再写代码的工程师，而不是一张软件许可证。
鲲动利正是围绕这种模式构建。我们嵌入团队，先诊断工作流，再构建互联流程，而不是一个在会议上惊艳、上线后悄然消失的演示。
区分规模化与表演的五个动作
EY 把从试点走向回报的转变总结为五项可执行的纪律。
| 动作 | 实践中的含义 |
|---|---|
| 通过流程而非工具规模化 | 围绕 AI 重构完整工作流，不要把独立应用散落在旧流程上 |
| 提前定义价值 | 把每项建设绑定到成本、速度、准确率、收入或风险降低等可衡量 KPI |
| 有意识地治理 | 设定企业级规则、决策权、合规要求与真实负责人 |
| 让数据为 AI 做好准备 | 建立干净输入、可追溯血缘、安全机制，并在关键位置保留人工审核 |
| 把 AI 作为组合管理 | 在安全的核心投入与少数高潜力实验之间取得平衡 |
下一阶段的赢家不会是试点最多的公司，而是完成了那些并不光鲜的工作：把 AI 构建进企业真正的运营方式。
从试点到回报工作流数据治理责任归属