实现AI价值的关键并非主要在于技术挑战，而是管理挑战。如今每个组织都能获得AI技术，但只有少数能将其部署在产生真实、可衡量经济回报的领域。本文总结的七大因素，尤其是成熟度模型，为成为这少数成功者提供了一份实用路线图。

    各组织机构在AI领域投入了巨额资金。据估算，2025年美国企业仅在生成式AI上的花费就高达370亿美元。如今，越来越多的企业高管和董事会开始关注投资回报情况，对于那些无法给出满意答复的领导者而言，潜在后果不容小觑。近期一项调查显示，71%的全球首席信息官表示，如果无法在两年内证明AI的价值，他们的AI预算将会被冻结或削减。
    我们希望深入了解企业在这方面的进展，以及它们对近期发展方向的预期。于是，在2025年末至2026年初，我们开展了一项研究，旨在探究企业对AI价值的认知以及实现价值的方式。研究内容包括对12位企业技术、数据和AI领域的领导者进行访谈，以及对1006位熟知所在企业AI项目的全球高管进行问卷调查。
    研究结果令人惊喜：45%的受访者称从AI中获得了巨大价值，另有45%的受访者表示获得了中等价值。仅有9%的受访者表示其所在组织获得的价值较少，几乎无人（0.2%）表示未获得任何价值。这一较高的价值反馈与一些广泛报道的研究结果相悖，那些研究表明回报率要低得多，不过它们仅聚焦于生成式AI的价值。
    然而，企业实现价值的方式或许才是真正的亮点。我们发现，至少有七个因素能够推动AI产生经济价值。此外，其中几个价值杠杆可整合为一个AI经济成熟度模型，进而创造可观的价值。

驱动高AI价值的七大因素
    我们先来看那些尚未起到推动作用的因素（至少目前还没有）。例如，裁员目前并非一个关键驱动因素；我们之前的一篇文章指出，在已宣布的裁员或放缓招聘案例中，仅有2%是由现有的生产中AI能力实际促成的。其余部分要么是对AI预期效益的考量，要么是借AI之名行裁员之实。生成式AI目前也尚未为企业带来高价值。设立首席AI官（或首席数据与AI官）职位同样没有推动价值创造。
    根据调查受访者和企业技术领导者的反馈，从七个因素的数据来看，情况呈现出一个共同趋势：从AI中获益最多的企业，不一定拥有最先进的技术。将它们区分开来的是更为根本的因素：领导者对企业价值的定义有多清晰，他们让谁对价值的实现负责，以及他们如何严肃对待衡量工作——不是将其当作一种汇报形式，而是视为一种管理手段。
以下是在高价值企业中似乎行之有效的因素：
1. 明确你试图实现的价值类型
    绝大多数受访者表示从AI中获得了价值。然而，他们对价值的定义可能大相径庭。例如，14%的受访者称从AI中获得了大量价值，但该技术的投资回报率却很低。同样，9%的受访者表示获得了中等价值，但投资回报率却很高。这是怎么回事呢？简而言之：价值因人而异。在这些反馈中，价值应理解为“AI正在达成我们期望它做的事”。
    一些企业追求短期投资回报率，另一些则着眼于长期转型。第一资本（Capital One）执行副总裁兼企业AI、数据及员工技术主管普雷姆·纳塔拉詹（Prem Natarajan）解释了为何该银行不单纯追求短期回报：“专注于短期价值，是许多企业始终无法实现技术转型以释放长期价值的原因。只有基于现代技术栈构建，并深度投资于专有数据的公司，才能够通过将AI置于核心位置来实现业务转型。”然而，其他企业可能更关注AI投资的即时回报。但无论哪种情况，领导者都需明确他们想要实现什么以及原因。
2.在产品和流程中寻求价值——即便回报并非立竿见影
    大多数企业专注于通过内部流程改进来实现AI的价值。然而，我们采访的几位高管同样或更关注将AI应用于客户产品。
    德国默克集团（Merck KGaA）的首席科学技术官劳拉·马茨（Laura Matz）便是其中之一。该集团业务涵盖生命科学、医疗保健和电子领域。她说，这家多元化企业正在推进以流程为导向和以产品为重点的AI项目。大多数融入AI的产品或新业务相对较新，尚处于试点阶段，因此在实现更大规模之前，很难评估其价值。新的AI驱动型产品可能需要开发新的生态系统、商业模式或技术，但拥有350多年历史的默克集团对创新有着长远的眼光。
    法国能源技术跨国公司施耐德电气（Schneider Electric）的首席AI官菲利普·兰巴赫（Philippe Rambach）阐述了一种有意的双重关注。内部AI应用能带来更即时的财务回报，帮助员工更快更好地工作，同时为客户提供更优质的支持。施耐德面向客户的AI则代表了一种长期战略，旨在不断发展的市场中获取市场份额。每种情况都需要不同的方法来衡量成功，以及不同的时间线来实现价值。
    AI也可被视为捍卫公司价值的手段。奥林巴斯美洲公司（Olympus Corporation of Americas）总裁朱利安·索瓦尼亚尔格斯（Julien Sauvagnargues）指出，公司应将AI产品视为保护市场份额的一种方式，而不仅仅是创造新价值的途径。奥林巴斯的医用内窥镜利用AI识别潜在的癌性息肉，并减轻文档管理的行政负担。他说：“AI在市场上颇具吸引力。如果我们的产品中没有它，我们就会失去市场份额。我们清楚实施AI的成本，以及不这样做的代价。”奥林巴斯也将AI用于提升个人生产力目标，但目前尚未衡量其带来的生产力效益。
3.善用AI工具库中的所有工具
    生成式AI占据了媒体报道的主导地位，但它并非大多数企业认为最具价值的。在我们的调查受访者中，50%的人表示他们的公司从分析型AI中获得的价值最大，例如动态定价或客户定位。基于规则的AI常用于反洗钱系统、保险核保、医疗临床决策支持以及机器人流程自动化，紧随其后；40%的受访者表示这些工具产生的价值最大。只有9%的人选择生成式AI，仅有2%的人选择智能体AI，当然，这些技术广泛应用也不过几年时间。
    也就是说，智能体AI的采用是AI价值的一个指标；采用者比未采用者更有可能（多出22%）表示从AI中总体获得了巨大价值，并且更有可能采用相对成熟的经济价值实践。
4.采用一个实现价值的框架或方法
    无论是定制的，还是从管理文献中借鉴的，一种将AI从想法转化为生产再到衡量价值的结构化方法，对于创造价值通常至关重要。美国银行控股公司Ally Financial有一个定制的“AI手册”，指导其业务部门从用例探索到负责任的生产部署。在另一个案例中，一家电力公司采用“阶段门”方法（在研发中更为常见）来管理同样的过程。
    然而，我们采访对象中最常见的方法是以数字产品为重点，将内部和外部的AI产品从构思到实施及持续使用都当作产品来管理。
    美国二手车零售商CarMax的执行副总裁兼首席信息和技术官沙明·穆罕默德（Shamin Mohamed）认为，以产品为导向是实现价值的最重要因素：“它构建了一套体系化的框架，能够系统性呈现收益预期、建立定期复盘机制、驱动业务变革，并最终将价值实现的权责明确落实到各利益相关方。”
    任何价值框架还必须包含一种让数据为AI做好准备的方法：55%的受访者认为数据未准备好是实现价值的一个障碍，这与其他调查结果一致。
5.让首席财务官和财务部门参与实现和验证价值
    大多数企业将AI价值的责任归于首席数据/分析/AI官（38%）或各个职能部门的高管（35%）。只有2%的企业将其归于首席财务官，但当首席财务官负责实现AI价值时，我们调查中的76%的企业表示他们实现了“巨大”价值。相比之下，首席信息官或首席技术官负责时这一比例为53%，职能部门高管负责时仅为32%。财务部门具备其他角色往往缺乏的严谨性、可信度和组织权威性。
    我们采访的几家公司都有财务部门与技术高管合作，以验证AI带来的价值。负责新加坡星展银行（DBS Bank）AI业务的尼米什·潘奇马蒂亚（Nimish Panchmatia）描述了他们的方法：“自2021年起，该行在年度报告中披露了数据分析和AI所带来的经济价值。他们跟踪A/B测试的结果，将差异量化为经济价值，每个部门的首席财务官验证各自的数据，然后汇总为集团层面的总数。”
6.对用户和高管进行AI培训
    这里存在两层挑战：58%的企业尚未对员工进行AI生产力和工具使用方面的培训，而29%的企业承认领导者缺乏推动AI价值创造的理解。在员工技能提升和领导AI素养方面都进行投资的企业，在价值实现方面有23个百分点的优势。
    关键是，员工接受度并非障碍——只有13%的受访者认为员工抵触是实现AI价值的阻碍。员工并非抵触，而是在等待有效的高层领导，以及消除其他障碍，比如缺失的价值框架和未准备好的数据。
7. 遵循AI经济价值成熟度模型
    这些模型能预测出截然不同的价值实现水平。这个经济成熟度模型基于三个要素。
    第一个要素很简单，就是将AI系统投入生产——试点和实验对于学习可能有用，但不会产生经济价值。生产用例越多越好；只有6%的企业表示目前仅有一个或多个试点项目，但没有生产用例，而58%的企业表示有一个或几个生产用例，36%的企业有多个使用各类AI的生产用例。
    成熟度模型的第二个要素是评估生产用例的价值，理想情况是在实施前后都进行评估。在我们的调查中，近一半的企业仅对部分用例在实施前后进行价值评估。只有11%的企业对所有用例都这样做。更多企业（32%）仅在实施前评估价值，9%的企业因生产用例不足而未进行价值评估。
    成熟度模型的第三个要素是在整个组织内汇总价值并进行报告，至少是非正式地报告。令人惊讶的是，大多数（72%）企业表示他们会汇总AI用例的价值。最后一个要素是更正式的报告——在某些情况下是对外报告。

AI经济成熟度模型
    基于这些要素，我们开发了一个模型，用于预测AI投资如何带来额外的经济价值。我们确定了六个阶段，每个阶段在复杂程度和预期投资回报率方面都更进一步。为开发此模型，我们分析了调查回复，研究受访者表示其公司在AI发展历程中的所处阶段，以及他们的组织是否实现了“巨大价值”。其运作方式如下：
- 阶段0：仅有未评估的试点项目（占受访企业的3%）：企业开展AI实验，但不衡量结果。此阶段只有4%的受访者实现了“巨大价值”。
    - 阶段1：生产但未评估（11%）：在这个阶段，企业已超越试点阶段，将AI部署到生产中——即在实际业务实践中使用，但不评估其对业务的影响。我们发现，仅跨越试点阶段就能使投资回报率大幅提升——此阶段18%的受访者表示从AI投资中获得了“巨大价值”。
    - 阶段2：实施前评估（17%）：在这个阶段，企业对AI实施的业务影响采用了稍微更结构化的思考方式，但仅在流程前端进行：他们通过投资回报率预测和商业案例来论证AI项目的合理性，但仍未验证结果。这一步相较于前一阶段仅有适度提升，称实现“巨大价值”的比例提高到20%。这是模型中阶段转变带来附加值最小的一次。
    - 阶段3：实施后评估（30%）：在此阶段，企业在部署后衡量单个AI用例，这一步带来价值的激增：此阶段44%的受访者表示从AI中获得了“巨大价值”——是阶段2的两倍多。因此，我们将此确定为AI应用历程中的第一个重大转折点。但我们也发现企业似乎容易在此阶段停滞不前。受访者表示他们在此阶段平均停留了六年，使其成为某种瓶颈。
    - 阶段4：年度汇总评估（21%）：在这个阶段，企业每年汇总投资组合中的AI价值，将效益转化为组织层面的汇总价值，并在公司内部非正式地公布结果。这使领导者能够将AI的总价值与AI的总支出进行比较，也能够与收入和利润的增长或下降进行比较。这种更正式的流程在价值创造上有显著提升：此阶段58%的受访者表示从AI中获得了“巨大价值”。
    - 阶段5：正式报告（16%）：在最后阶段，企业向董事会、投资者或公开市场报告AI价值，这需要对AI价值衡量有高度的严谨性和问责性。在此，价值再次激增：85%的受访者表示从AI中获得了“巨大价值”——这是第二个也是最大的转折点。
    一些高管对外部报告表示谨慎。有人担心，如果公开披露强劲的AI回报，分析师可能会施压公司增加股息。但我们采访的高管普遍认为，当能够负责任地做到时，正式的外部报告代表了AI经济成熟度的最高水平。
    实现AI价值的关键并非主要在于技术挑战，而是管理挑战。如今每个组织都能接触到AI技术，但只有部分组织能够以产生实际且可衡量经济回报的方式进行部署。这七个因素，尤其是成熟度模型，为成为其中一员提供了切实可行的路线图。