过去两年，人工智能几乎成为全球商业组织最重要的投资主题。董事会讨论AI、CEO推动AI、CIO采购AI平台、业务部门试点AI工具，员工则在日常工作中使用各类AI模型完成写作、分析、编程、客服、销售支持和知识检索。
然而，资本市场正在提出一个更加尖锐的问题：企业在AI上的投入，是否转化为真实的收入增长、成本下降、效率提升和利润改善？
这一问题并非杞人忧天。近期一些咨询与技术服务公司在资本市场表现，恰恰反映了投资人对AI商业化进度的再评估。资本市场并不是不相信AI，而是不再愿意只为“AI叙事”付费。它开始要求企业证明：AI项目是否进入企业核心业务流程？是否改变经营指标？是否带来端到端价值？是否从试点走向规模化，从工具走向系统，从效率改善走向商业模式重构？
我们的判断是：短期内，市场对企业级AI应用的质疑是合理的；但中长期看，低估AI对企业流程、组织和经营系统的重塑能力，同样是危险的。未来3到10年，企业级AI的竞争将不再是“谁买了更多AI工具”，而是谁能够将智能体、AI工作流及运营模式真正嵌入企业核心业务流程和组织运作方式中。
一、短期现实：大多数企业的AI投入尚未转化为端到端整体价值
1 AI应用普及很快，但企业级价值兑现速度很慢
从表面看，企业AI采用速度非常快。很多公司已经部署了知识库问答、智能客服、销售助手、代码助手、合同审查、财务分析、人力资源筛选、会议纪要和市场研究等应用。但这类应用大多仍处于“局部效率改善”阶段，尚未形成真正意义上的企业级价值创造。
一个常见误区是，把“员工使用AI工具”误认为“企业完成AI转型”。要知道，二者之间存在巨大差距。
个人使用AI工具，通常是提升写作、检索、分析和编程效率。但企业级的价值创造则要求AI融入业务流程深处，改变流程节点、数据流、决策流、责任边界和组织协作方式。只有当AI能够参与从需求识别、信息收集、判断分析、执行动作、结果反馈到持续优化的完整闭环时，它才可能真正影响企业的损益表、资产负债表和现金流量表。
这正是当前大多数企业的短板。它们做了很多AI项目，但项目分散在部门内部；它们采购了很多AI工具，但工具没有深度连接业务系统；它们做了大量试点，但试点没有进入生产环境；它们证明了AI“能做事”，却没有证明AI“能创造经营结果”。
2 大多数AI项目ROI不明显，这不是偶然，而是结构性问题
当前企业AI项目ROI不明显，主要有五个原因（图1）：
第一，场景选择过于零散。很多AI项目从“哪里容易做”入手，而不是从“哪里最能创造企业价值”出发。结果是，企业做了大量低风险、低价值、低频次场景，例如文档摘要、内部问答、会议纪要、邮件润色。这些场景改善了员工体验，却很难直接改变成本、收入或资产效率。
第二，流程未被重构。AI仅作为一个插件挂在原有流程上，而不是作为新的单元有机融入到业务流程中。旧流程仍然保留所有审批、流转、人工判断和部门边界，AI只能在局部提供建议。这样的AI再聪明，其价值也会被落后的流程结构抵消掉。
第三，数据基础不足。大量企业的数据仍然分散在ERP、CRM、MES、OA、财务系统、HR系统、供应链系统和个人文档之中。数据口径不一致、权限不清晰、质量不稳定、共享机制不足，使AI无法获得可靠上下文。没有高质量数据，AI只能做表层文本生成，难以形成可信判断和可执行的建议。
第四，模型幻觉和责任边界限制了企业级应用。企业不同于个人用户。个人用户可以容忍偶尔错误，企业流程不能容忍无法追责的错误。合同、财务、采购、合规、医疗、工程、供应链和投资决策等场景，一旦AI产生错误，影响的不只是效率，而是会造成风险、责任和损失。因此，企业级AI应用必须具备可授权、可解释、可追溯、可审计的机制。
第五，组织接纳度不够。很多AI项目的失败并不是技术失败，而是组织失败。业务部门不愿改变流程，管理层没有统一目标，员工担心岗位被替代，IT部门缺乏业务指引，HR没有重构岗位和技能体系，财务部门又缺少ROI衡量框架。最终，AI项目停留在各个部门团队内部或个人电脑里，难以真正融入企业日常运营的整体流程之中，无法创造端到端整体价值。
因此，短期内企业AI应用的冷静期是必要的。资本市场要求企业证明AI投入的经营回报，是健康的压力，而不是保守的偏见。
3 AI大规模价值创造潜力尚未被挖掘
当前的关键问题，不是AI是否能创造价值，而是企业是否具备捕获AI价值的能力。这一区分非常重要。很多企业AI项目失败，并不能证明AI技术路线失败；它只能证明企业没有完成相应的流程、数据、系统和组织改造。换言之，AI的潜在生产力很高，但组织吸收能力很低。
在传统数字化时代，企业可以先上线系统，再逐步优化流程。但在AI时代，这一路径不再奏效。AI不是简单的信息系统，而是能够参与判断、生成、推理、执行和反馈的新型生产要素。它要求企业重新定义流程、岗位、权限、绩效和责任。如果组织结构、流程、数据和KPI不变，AI大概率只会成为一个昂贵的效率工具，而不是企业价值创造利器。
二、中长期判断：企业级AI会创造端到端整体价值
虽然短期内企业级AI 的ROI存在不确定性，但从3到10年的周期看，AI企业级应用创造端到端价值是毋庸置疑的。但需要指出的是，并非所有企业都会成功，而是一部分率先完成数据、流程、系统和组织重构的企业会脱颖而出，进而拉开与竞争对手的差距。
1 模型能力仍在快速迭代，AI智能体将从“回答问题”走向“完成任务”
过去大模型主要解决内容生成与知识问答问题。未来的AI智能体更接近企业流程中的新型工作单元。
多模态模型将使AI能同时理解文本、图像、语音、视频、表格、图纸和业务系统界面；推理模型将提升AI在复杂问题拆解、因果分析、方案比较和决策支持中的能力；代码模型和软件工程智能体将使AI能够参与系统开发、测试、运维和数据工程；企业级Copilot和垂直型智能体将逐渐嵌入销售、客服、研发、采购、财务、HR、法务、供应链等具体流程。
这一变化意味着，AI的价值潜力正在从“提升个人效率”转向“改变任务链条”。如果说第一代企业AI更像一个助手，那么下一阶段的企业AI将更像一组可调用工具、读取数据、执行动作、记录过程并接受监督的数字员工。
真正重要的不是模型能否写出漂亮答案，而在于它能否在受控边界内完成任务。例如，销售智能体能否识别客户线索、补全客户画像、生成触达内容、记录CRM、提醒销售跟进并分析转化率；采购智能体能否识别需求、比价、评估供应商风险、生成谈判建议并触发审批；财务智能体能否检查报销、识别异常、匹配发票、生成凭证并保留审计痕迹。
当AI从“建议”走向“执行”，企业级的价值创造才真正开始。
2 领先企业会主动重构数据、系统和流程
中长期看，一定会有一批企业愿意对自身数据和系统进行清理、整顿和重构。原因很简单：当AI带来的生产率差距足够大，企业将不得不面对竞争压力。
这些领先企业不会把AI视为一个IT项目，而会把它视为经营系统升级。它们会重新梳理核心流程，统一数据口径，打通系统接口，明确权限边界，建立AI治理机制，并重新设计人机协同方式。
这一转变的实质，是从传统业务流程转向智能体工作流。传统流程以人为中心，系统提供记录和支持；智能体工作流则以任务闭环为中心，由人、AI智能体和业务系统共同完成流程。人在其中承担目标设定、关键判断、异常处理、关系管理、价值取舍和责任承担的角色；AI承担信息处理、模式识别、初步判断、自动执行、反馈跟踪和持续优化角色。
最终，企业的组织运作模式也会随之改变。AI赋能的运营模式不仅是技术架构，更是组织架构。它要求企业重新回答几个问题：哪些工作由人完成？哪些工作由AI完成？哪些工作由人机协同完成？哪些决策可以自动化？哪些决策必须由人批准？哪些岗位会被压缩？哪些新能力必须建立？
3 AI价值创造的三大路径：降本、增收、提质增效
企业级AI的ROI不应只局限于“节省人工成本”。更完整的ROI框架至少包括三类（图2）。
第一类是成本型ROI。它主要存在于客服、运营、财务、法务、HR、IT支持、行政和合规等中后台职能。AI可以降低单笔处理成本，提高人均处理量，减少重复劳动，降低错误率和返工率。例如，客服智能体可以提升首响速度和问题解决率；财务智能体可以自动识别异常报销和发票问题；法务智能体可以完成合同初筛和条款风险提示；HR 智能体可以支持简历筛选、面试安排、员工问答和培训推荐。
第二类是收入型ROI。它主要在销售、营销、客户成功、产品创新和新业务拓展等前台场景。AI可以帮助企业更快发现线索，更精准识别客户需求，更高频触达客户，更快生成报价和方案，更系统地管理客户生命周期。例如，销售智能体可以提升线索转化率；营销智能体可以生成和测试内容；客户成功智能体可以识别流失风险；研发智能体可以辅助产品洞察和创新机会识别。
第三类是资产效率型ROI。这一类常被低估，但对企业价值影响巨大。AI可以改善库存周转、应收账款周转、设备利用率、供应链响应速度、研发项目推进速度和现金转换周期。例如，供应链智能体可以提前识别交期异常并生成替代方案；设备维护智能体可以减少停机时间；研发项目智能体可以快速汇总技术情报、专利、竞品和实验数据，提升项目筛选和淘汰效率。
因此，企业级AI的真正价值不是单点降本，而是通过流程闭环同时影响成本、收入、质量、速度、风险和资产效率。
三、未来3到10年：企业级AI应用的三阶段演进
未来3到10年，企业级AI应用将按三阶段进行演进（图3）：
阶段一：2026—2028年，筛选期与流程级智能体落地期
2026到2028年将是企业AI应用从试验走向筛选的阶段。大量低价值、低频次、无法证明ROI的AI项目会被削减。CFO会要求更明确的投入产出测算，CEO会要求AI项目与经营目标挂钩，业务部门会从“尝试AI”转向“用AI解决具体经营问题”。
这一阶段的核心特征是垂直流程智能体开始落地。
客服智能体会从简单问答走向工单分类、问题诊断、知识检索、自动回复、升级转派和客户情绪识别。销售智能体会从话术生成走向线索识别、客户画像、CRM更新、跟进提醒、报价生成和转化率分析。招聘智能体会从简历筛选走向岗位画像、候选人匹配、面试安排、测评分析和入职跟踪。财务智能体会从报表问答走向费用审核、凭证生成、异常识别、预算分析和回款跟踪。采购智能体会从供应商搜索走向寻源、比价、风险识别、谈判建议和合同流程触发。研发智能体会从资料总结走向专利扫描、竞品分析、实验设计支持和项目组合管理。
但这一阶段企业间会出现明显分化。领先企业会将AI嵌入流程和系统，形成可衡量的业务结果；落后企业则继续停留在工具采购、员工自发使用和分散试点阶段。AI应用情况将暴露出企业管理基础的差距：流程越标准、数据越清晰、系统越开放、组织越敏捷，AI创造价值的速度也越快。
阶段二：2029年以后，AI从工具层深入到企业经营系统
2029年以后，企业AI应用的竞争重点将从“单个智能体能力”转向“多智能体协同”和“经营系统重构”。
届时，AI不会只是写材料、查资料、做客服，而会进入企业的计划、预算、销售、供应链、研发、财务、人力、风控和绩效管理系统。多个智能体将围绕企业端到端流程协同工作。例如，在订单到现金流程中，销售智能体负责识别机会，报价智能体负责生成方案，信用智能体负责评估风险，合同智能体负责审查条款，供应链智能体负责确认交期，财务智能体负责开票和回款，管理智能体负责监控流程效率和异常。
这种变化将推动企业组织结构发生深层调整。
第一，组织更精简。大量重复性知识工作将被AI吸收，中后台岗位规模会下降，组织将更依赖少量高能力人才与AI系统协同工作。
第二，中后台高度智能化。财务、人力、法务、采购、IT、行政、合规等职能将从“事务处理中心”转向“智能运营中心”。它们不再主要依靠人海处理流程，而是通过AI 智能体完成大量标准化、半标准化和可审计工作。
第三，管理层级减少。过去，中大型企业常常依赖多层级管理来传递信息、监督执行和协调资源。AI系统可以提高信息透明度、任务追踪能力和异常识别能力，使组织不再需要过多中间管理层。多数中大型商业组织有可能逐步压缩到3到5个管理层级。
第四，决策速度和质量提升。AI可以实时整合市场、客户、订单、库存、财务、人力和风险数据，为管理者提供更高频、更动态、更结构化的经营洞察。管理者的价值将不再是掌握信息，而是基于信息做出判断、取舍和动员。
第五，人才结构发生变化。企业对“执行型员工”的需求下降，对“业务架构师、流程设计者、数据产品经理、AI产品经理、智能体管理者、复合型业务专家”的需求上升。未来优秀员工的核心能力，不只是会使用AI，而是能够设计人机协同流程，并对AI输出进行判断、校正和治理。
阶段三：2035年，智能体赋能的组织运作模式（AI-enabled Operating Model）成为企业核心竞争优势
更长期看，领先企业将建立起智能体赋能的组织运作模式。它不是一个系统，也不是一个平台，而是一套新的企业运作方式。
在这一模式下，企业的核心流程被重新设计，数据被持续治理，智能体被嵌入日常运营，管理者通过中枢大脑实时掌握经营状态，员工以技能为基础被敏捷配置到任务和项目中，组织通过快速反馈不断优化流程和决策。
这类企业的竞争优势将不再只是规模、品牌、渠道或成本，而是“组织学习速度”。谁能够更快发现问题、更快调用资源、更快执行任务、更快复盘迭代，谁就能在不确定环境中获得更强适应能力。
四、中大型企业的下一步：从AI工具采购使用转向企业级AI经营转型
对于中大型企业而言，未来两到三年的关键不是“是否使用AI”，而是如何从分散试点走向系统性转型。
以下五项行动应成为管理层议程的核心（图4）：
1 从战略和经营目标出发，识别20到30个端到端核心流程
企业首先要停止从工具视角部署AI，而要从战略和经营目标出发识别核心流程。
管理层应回答：未来三年，公司最重要的经营目标是什么？增长、利润、现金流、客户体验、供应链效率、创新速度、风险控制，哪个最关键？哪些端到端流程直接影响这些目标？
通常，中大型企业可以识别20到30个真正创造企业价值的核心流程。例如：线索到订单、订单到现金、采购到付款、需求到交付、产品概念到上市、客户投诉到解决、招聘到入职、预算到绩效、项目立项到收益实现、库存计划到补货、设备异常到恢复、合同申请到签署等。
每一个流程都应明确现状指标，包括周期、成本、错误率、返工率、客户满意度、人工投入、系统断点和风险事件。没有基线，就无法衡量AI的价值。
2 建立中央控制室或中枢大脑，从传统业务流程转向智能体工作流
企业需要建立一个跨业务、跨技术、跨组织的AI中央控制室或中枢大脑。它不是传统意义上的IT项目办公室，而是企业AI转型的经营指挥系统。
这一中枢应承担五项职责：第一，管理核心流程清单和优先级；第二，定义每个流程的AI改造目标和ROI指标；第三，协调数据、系统、权限和安全资源；第四，推动智能体设计、测试、上线和持续优化；第五，监控AI应用的价值、风险和组织采纳情况。
从传统业务流程（As-is Business Process）转向智能体工作流，这就需要重新设计每个流程。企业应明确哪些节点由AI完成，哪些节点由人批准，哪些节点需要人机协同，哪些异常需要升级，哪些动作可以自动执行，哪些输出必须留下审计痕迹。
这一步的关键不是自动化全部工作，而是重新划定人和AI的边界。AI负责高频、重复、数据密集和规则清晰的任务；人负责目标设定、复杂判断、伦理取舍、关系管理和最终责任。
3 重构人力资源和人才管理模式，建立技能导向（Skill-based）的组织
AI转型最终一定会触及人力资源和人才管理议题。企业不应一边推动AI替代重复性工作，一边维持原有岗位体系、绩效体系和人才配置方式。
未来组织需要从岗位导向转向技能导向。传统岗位描述通常静态、僵化、边界清晰；AI时代的工作将更加项目化、任务化、跨职能化和人机协同化。因此，HR需要建立企业级技能图谱，识别员工当前技能、未来所需技能、技能缺口和再培训路径。
敏捷人才配置将变得更加重要。企业应围绕核心流程和重点任务动态组建小型跨职能团队，将业务专家、流程专家、数据专家、AI产品经理、技术架构师和变革管理人员组合在一起。团队目标不再是上线一个工具，而是改善一个经营指标。
与此同时，企业要重新设计人机互动方式。员工需要学习如何向AI提出高质量问题，如何拆解任务，如何判断AI输出，如何监督智能体执行，如何处理异常和风险。未来的管理者也需要具备AI素养，能够理解AI的能力边界、价值场景和治理要求。
4 推进数据治理和系统整合，让AI真正获得企业完整信息
没有数据治理，企业AI转型只能停留在表层。
企业应系统梳理现有数据资产，包括客户数据、订单数据、产品数据、财务数据、供应链数据、生产数据、人力数据、合同数据、市场数据和知识文档。更重要的是，要解决数据口径、质量、权限、更新频率、主数据管理和跨系统共享问题。
系统整合也是必要条件。很多企业的问题不是没有系统，而是系统太多、太碎、太封闭。ERP、CRM、MES、WMS、SRM、OA、HRIS、财务系统和各类自建应用之间缺少统一连接，使AI无法完成跨系统任务。未来企业需要通过API、中台、数据湖、知识图谱、RAG架构和权限控制机制，使AI 智能体能够在安全边界内读取数据、调用工具和执行流程。
数据治理的目标不是为了做一个漂亮的数据平台，而是让AI能够理解企业真实运行状态，并在此基础上提出可靠建议、执行可控动作、留下审计记录。
5 强化变革管理，提升组织AI采纳度与就绪度
AI转型不是技术上线，而是组织变革。它会改变企业的权力结构、岗位价值、工作方式、管理边界和绩效评价，因此必然带来矛盾和阻力。
企业可通过人工智能组织采纳度与就绪度评估（AI-ORA）这一工具（图5），系统评估组织当前状态。评估内容应包括：管理层认知是否一致，业务部门是否有明确需求，员工是否愿意使用AI，数据基础是否支持AI应用，系统是否可集成，流程是否标准化，风险治理是否完备，HR是否具备人才转型方案。
在此基础上，企业需要开展AI时代的领导力工作坊和管理层研讨会。其目的不是普及概念，而是达成关键共识：AI转型服务于什么战略目标？优先改造哪些流程？哪些岗位会变化？如何衡量价值？如何管理风险？如何处理员工焦虑？如何在效率和责任之间取得平衡？
变革管理还需要建立透明沟通机制。企业不能只强调AI会赋能员工，却回避岗位调整和能力重塑问题。更负责任的做法是提前说明变化方向，提供再培训机会，建立新岗位通道，并通过试点案例证明AI如何帮助员工摆脱低价值重复劳动，转向更高价值工作。
结语：AI时代，胜负不在模型层，而在组织操作系统层
当前，围绕企业AI 投入产出比的质疑是一件好事。它会迫使企业从热情回到纪律，从叙事回到指标，从试点回到经营。短期内，大多数企业确实难以看到AI带来大规模端到端价值；大量AI项目也确实存在ROI不清晰、数据基础薄弱、模型幻觉、流程割裂和组织接纳度不足等问题。
但这并不意味着企业级AI价值不存在或被高估。更准确的判断是：第一波AI工具化红利正在接近尾声，真正的AI经营红利刚刚开始。
未来3到10年，AI 智能体和智能体工作流将逐步融入企业核心流程。领先企业将通过数据治理、系统整合、流程重构和人才模式升级，把AI从个人效率工具变成企业经营系统的一部分。届时，AI创造的价值将不只是降本，而是更重要的增收、提质增效、降低风险和提升资产周转率上。
最终，真正拉开企业间差距的，不是谁更早采购AI工具，而是谁更有能力重构自身组织的操作系统。那些仍把AI视为技术项目的企业，可能会停留在试点和幻灭中；但那些把AI视为业务流程、组织能力和经营模式重塑机会的企业，会真正捕捉到端到端的企业级价值红利。
作者介绍：
余天雯 麦肯锡全球董事合伙人，中国区组织及人才绩效业务联合负责人，常驻上海分公司
感谢麦肯锡全球资深董事合伙人艾家瑞(Karel Eloot)、麦肯锡全球董事合伙人张勤亚（Michael Chang）、麦肯锡全球副董事合伙人王赟超和麦肯锡全球副董事合伙人梅贻对于本文的贡献。
