AI热潮后的冷静思考，如何创造实际价值？

伴随生成式AI技术的大爆发，许多企业纷纷拥抱这一新技术，市场上掀起了一股生成式AI投资热潮；但企业在投入大量资金后发现：打造一些“炫技”的AI试点并不难，难的是真正创造出可衡量的业务价值。

麦肯锡研究显示，80%的公司表示使用了新一代人工智能，但其中有80%的公司没有显著的价值提升（如收入增加或成本降低）。最常见的现象是：企业已部署的横向应用（如企业级AI助手）虽能提升员工效率，但创造出的零散多余时间未能为企业带来明显财务效益；而高价值的纵向用例（如职能专用场景）潜力虽大，但有90%的用例均止步于试点阶段，即“生成式AI价值悖论”（图1）。

生成式AI热潮还在持续，最近兴起的AI智能体（Agentic AI）更是把生成式AI的潜力推升至新的高度。 AI智能体具有自治能力，能根据预设目标主动决策、规划并执行动作（图2）。

未来， AI智能体将彻底颠覆现有组织架构和工作模式：从最初向从业者提供AI工具和助手，到最终演变成各从业者管理15到20个“多智能体”（multi-agents)的人机团队，期间将释放出巨大生产力潜能。在可预见的未来，某些企业职能会演变为由少数从业者管理上百个智能体的融合组织，可达到的理论生产力是现在的20倍。

中国企业部署生成式AI的四大痛点

技术的发展日新月异，给商业世界带来无限可能；但多数企业并未真正将其转化为商业价值。

最近两年，麦肯锡已与150多家企业在生成式AI项目上达成了深度合作，其中有10多家在中国。我们发现，中国企业部署生成式AI时存在四大痛点，有些与外国公司类似，有些则属于中国企业所独有：

一：目标与价值不清晰。很多企业无法清楚判断生成式AI究竟在哪个领域和场景能够释放出最大价值，无论是降本、提效还是驱动业务增长。有些企业围绕具体用例进行试点，而缺乏从整体业务战略出发的系统性布局，导致AI投资碎片化、重复建设严重，难以聚焦在高潜力、可扩展的场景上。

二：缺乏关键人才与协同机制。AI驱动的流程变革需要对业务流程和职责进行重构，但业务团队与技术或数字化团队往往各有盲区。在多数中国企业中，技术团队在组织内的地位和话语权相对较弱，进一步放大了这一脱节。除此之外，模型工程、数据治理、AIOps等关键技术岗位在中国市场供需紧张，招募难度高，导致企业难以快速组建具备实战能力的团队。

三：组织动力与转型机制缺失。尽管管理层普遍重视生成式AI，但在企业级缺乏清晰的责任归属与推进机制，导致战略目标难以有效传导,转型动力不足。而在业务前线，团队不知道或不愿意使用。

四：技术架构与数据治理不足。许多企业在生成式AI的技术落地上面临两大难题：一是缺乏明确的数据策略，不清楚应收集和处理哪些数据，常因过度理想化而构建庞大的中央数据平台，导致项目陷入迟滞；二是生成式AI试点项目各自为政、成为“孤岛”，之间缺乏统一协调的技术架构，导致能力无法复用、安全措施难以标准化、难以适应AI工具与模型快速演进的需求,最终阻碍了规模化推广。

对中国企业而言，云渗透率相对较低，使得基础架构升级和AI能力接入面临更多障碍，相比全球企业，中国企业在试点与迭代方面存在更多挑战。

破局之道：刨析三家企业生成式AI部署案例

在麦肯锡发布的新书《麦肯锡讲全球企业数字化》（Rewired）中，我们基于全球数百家企业的数字化转型经验，提炼出一套完整的企业数字化转型战略框架，涵盖业务价值、交付能力和变革管理三大方面和六项核心要素（图3）。这套战略架构图对于企业规模化部署生成式AI同样具有很强指导性。因为无论是数字化转型还是生成式AI转型，其核心都在于“转型”本身——唯有全方位重塑企业的运作方式，才能真正释放技术带来的业务价值。

这套战略架构图清晰对应了中国企业面临的四大挑战：

1. 制定价值导向的转型路线图。企业应聚焦最关键的业务领域，定义出关键流程——无论是现有运营还是新业务构建，然后从上而下制定关键价值目标。围绕这些目标进行进行端到端重构，融入AI与数字化手段，按照最高价值应用场景与可行性排序，制定聚焦资源的转型路线图。

2. 构建人才能力和转型运营模式。技术与业务的深度协同，是兑现AI潜力的核心。业务团队要加强对生成式AI的理解与应用能力，设想AI能赋能的多种业务可能性；技术或数字团队则应该更深入理解业务的需求和痛点，才能有效“翻译”成技术解决方案。尽管招募看似是解决这类能力缺口的直接方式，但短期内往往难以找到兼具技术背景或组织理解力的人才。更现实的做法是，先调动组织内具备潜力的团队承担关键角色，并通过系统性机制加速整体能力建设。

3. 推动变革管理，实现技术应用和推广。技术要真正发挥作用，需要切实落地，在组织各层面应用起来，因此变革管理十分重要。企业需要设计和执行有针对性的沟通、培训、引导与激励机制，以提高员工对人工智能技术的理解和使用，将技术顺利融入日常工作。员工持续应用AI工具，才可能形成用户参与、价值反馈与持续打磨用例的正向循环。

4. 构建具可扩展性的技术架构和统一数据平台。企业需构建既具前瞻性又可落地的技术架构，能够支持未来多大语言模型与智能体的运用。更重要的是，建设应以未来路线图为导向，按场景优先级分阶段推进，避免“一步到位”的高成本投入，确保基础设施建设与AI应用演进保持节奏一致；例如，混合云架构便是在现有技术基础上逐步演进的典型路径。

为帮助中国企业应对上述挑战并释放生成式AI的真正潜力，麦肯锡已在多个行业推动相关实践。以下三个国内案例展示出我们如何助力客户实现概念验证到规模化落地的过程。案例一是“端到端转型”，覆盖全公司各业务条线和功能，以及各方面的支撑体系；案例二则聚焦可拓展的弹性技术架构搭建；案例三则突出变革管理，让AI技术渗透进组织，释放其价值。

全方位转型：从制定AI战略路线图到敏捷实施

案例一：在市场日趋饱和、竞争持续加剧的背景下，某离散制造企业面临双重压力：主营产品营收增速放缓，并且随着行业进入价格竞争阶段，利润率不断被压缩。为突破困局，领导层积极拥抱生成式AI等新技术，期望在提升效率的同时开辟新的增长空间。该企业并不满足于部署一些“炫酷”的AI用例，而是将全公司十余个业务与职能部门进行关键流程梳理——包括研发、制造、采购、供应链、质量等——融入数字化或AI场景，定义出一个跨领域、全局的AI数字化路线图来实现端到端的价值提升（图4）。

以制造部门为例，该企业结合了分析式AI、生成式AI和传统数字化工具，实时定位并解决生产中的关键痛点。其核心是一个环环相扣的闭环流程：首先，结合AI的机器视觉与设备传感器数据持续监控生产绩效指标，精确识别生产损失点。系统一旦监测到KPI偏离目标，即刻向线长或主管发出警报，促使迅速介入现场处理或上报问题。

随后，基于实时数据和警报信息，企业组织跨职能的每日/每周绩效会议，聚焦过去24小时内发生的核心问题，完成识别、优先级排序、任务分配与责任明确。对于重点难题，则启动基于生成式AI的根因分析，借助AI作为“超级助手”与“分析引擎”，帮助工程师更高效地从大量数据中定位根本原因并推动问题解决。

最终，为确保解决方案及时、有效的执行，团队引入“流程确认”数字化工具，用于记录与跟踪现场执行情况。该工具帮助管理者实时掌握现场是否已按要求采取行动，提升问题闭环的透明度与执行力，并将优化方案逐步固化为组织能力。

在制定了AI数字化转型路线图后，该企业面临的最大挑战是落地执行能力严重不足。技术团队长期以系统运维为主，缺乏推动变革项目的经验，而业务团队对AI应用理解有限，导致组织上下难以协同，转型推进阻力重重。为破解这一难题，企业跨部门识别并抽调具备高潜力的人才，组建“数字交付工厂”，并通过系统性培训，帮助他们快速建立对业务场景的理解与AI工具的使用能力。团队按业务领域划分为敏捷小队（agile squads），由业务人员牵头，与技术团队高频协作，参与每日站会、冲刺规划与评审等实践，实现持续迭代与快速反馈，确保AI工具的高效落地。

最终，通过系统性推进数字化与AI转型，该企业取得了斐然的成绩，两年内实现了利润率翻倍。

“乐高式”弹性架构：科技巨头以模块化技术栈驱动AI转型

案例二：一家业务覆盖全球的高科技电子企业，因具备强大的技术研发能力，对生成式AI的部署并非“尝鲜”，而是希望构建一套灵活且可扩展的技术架构，既适应AI技术的持续演进，也支持多业务场景中多样化AI应用的大规模部署。为此，企业全面调整核心系统，设计出模块化、松耦合的架构，便于未来接入不同类型的AI服务与模型能力（图5）。