困在AI试点炼狱中？真正的胜利在于专注于业务问题，而非炒作，并通过正确的工具组合进行智能扩展。
图片来源：SawitreeLyaon
我交谈过的许多领导者都在努力超越AI的试点阶段。他们身处试点炼狱。阻碍他们的不是雄心壮志——而是缺乏清晰的思路。关于在哪里自建、在哪里购买以及如何为规模化构建团队的问题，造成了一种组织性的僵局。我在自己领导数字化转型工作的经历中也面临过同样的挑战，我发现打破这个循环的不是炒作或愿景，而是一种务实、专注的方法。
AI要有效，并不需要复杂。但它确实需要结构、优先级排序和一种重新思考工作如何完成的意愿。
我是这样思考的。
一、购买与自建：从哲学开始，而非电子表格
早期，我听到我网络中的IT领导者试图通过比较供应商平台和内部模型之间的成本与性能，来为AI投资辩护。但我很快意识到，没有哪个电子表格能够捕捉到其中更广泛的权衡。速度很重要。规模化、维护和持续改进你所构建的能力同样重要。
随着时间的推移，我形成了一个通用的经验法则：目标是购买你所需能力的约80%，并自建剩余的20%。一些组织可能会将比例调整到接近70/30，但基本理念不变：不要重复发明别处已经行之有效的东西。
证据支持了这一点。在2025年7月的摩根士丹利AI采纳者调查中，分析师报告称，AI已经在金融服务、消费品和房地产等行业带来了切实的投资回报——其中许多都受益于带有内嵌智能的现成工具。这一市场现实也反映在供应商格局中：企业软件平台正以惊人的速度发展。供应商正在将重要的AI能力直接嵌入到他们的产品中。Gartner预测，到2026年，超过80%的软件供应商将在企业应用中嵌入生成式AI，而2024年2月时这一比例仅为1%。
这就是为什么我发现，将企业软件平台作为基础，然后识别出真正需要定制开发的地方，会远为有效。这能解放内部团队，让他们专注于高价值的用例，而不是重复制造已经存在的东西。
当然，开箱即用的解决方案并不能覆盖所有场景。在某些情况下——比如跨平台整合数据和工作流——代理式AI或内部开发对于弥合集成差距至关重要。这并非要在两种方法中择其一；而是要了解在何时，哪种方法更合理。
二、优先解决问题，而非项目
AI不是战略。业务才是战略。这是我在看到太多概念验证（POC）因未能直接与重要成果挂钩而无法规模化后学到的教训。
为了取得进展，最好将对话从将AI作为一种技术，转向将AI作为解决真实业务问题的工具。这始于倾听——真正地倾听——客户、一线员工和合作伙伴正在经历什么。
我参加了八月份的CIO 100活动，Avery Dennison因我们的AI项目Program Loop而获奖。在那里，我有机会与其他IT领导者交流他们是如何选择AI机会的。一个共同的主题是，与职能部门领导者举办研讨会，从客户的角度发现痛点。然后，几位领导者描述了他们如何召集跨职能团队来权衡潜在的解决方案。
最让我印象深刻的是他们优先级排序方法的简洁性。一种方法从三个维度对机会进行评级：业务影响、工作量和紧迫性——每个都只用高、中、低来简单衡量。当你将这些评级绘制出来时，那些在影响和紧迫性上得分高，但在工作量上得分低的机会，自然会浮现到顶端。这些就成为合乎逻辑的首要关注领域，其提供的清晰度有助于建立早期势头。
这种方法之所以有效，在于它如何让团队围绕真正重要的事情保持一致。几位领导者描述了他们如何将挑战重构为“我们如何才能……”（How might we...）的问题，这自然地拓宽了讨论范围并激发了更具创造性的解决方案。然后，AI被引入，不是作为起点，而是作为众多可能的促成因素之一。
在我看来，这种思维模式的转变改变了整个对话的基调。它不再是关于是否采纳AI的辩论——它变成了关于驱动业务价值的对话。这才是真正势头开始建立的地方。
三、从中央集权到共享所有权
在与其他IT领导者的对话中，我注意到AI项目演变过程中的一个共同模式。大多数都始于一个中心化的团队——这是建立标准、一致性和为早期实验提供安全空间的合乎逻辑的第一步。但随着时间的推移，很明显，没有哪个中心团队能够跟上每一个业务请求，或者深入理解每一个领域以提供最佳解决方案。
许多组织此后转向了轴辐式模型（hub-and-spoke model）。中心（hub）——通常是一个AI卓越中心——负责治理、教育、最佳实践和技术上复杂的用例。辐条（spokes），由产品或职能团队领导，则利用他们日常使用的工具中嵌入的AI功能进行实验。因为他们更接近业务，这些团队能够快速地测试、迭代和交付解决方案。
当我纵观各行业时，现在大多数AI创新都发生在边缘，而非中心。这在很大程度上是因为，大量的智能已经被嵌入到企业软件中。例如，一个CRM平台现在可能提供基于AI的潜在客户评分或预测性客户流失模型——这些能力，一个团队几乎无需卓越中心的参与，就可以启用和部署。
根据麦肯锡的报告，“未来三年，92%的公司计划增加他们的AI投资。但尽管几乎所有公司都在投资AI，只有1%的领导者称他们的公司在部署谱系上是‘成熟的’，因为“成熟的”意味着AI已完全整合到工作流程中并驱动了可观的业务成果。最大的问题是，商业领袖们如何能部署资本并引导他们的组织更接近AI成熟度。”但真正的洞见并非AI的使用本身——而是其完成方式的去中心化。【文末详解】
这并不意味着中心变得无关紧要。这意味着中心成为了一个赋能者。它的工作是为负责任的规模化创造条件，而不是拥有每一个项目。这是领导层在思考结构时需要做出的一个微妙但重要的转变。
四、当智能变得无形
一些最强大的AI功能也是最安静的。随着采纳的成熟，我逐渐体会到这一点。早期，AI被视为一项独特的努力——某种宏大而特别的东西。如今，最有价值的能力往往是那些感觉无形的。它们就是能用。
考虑像应付账款这样的财务流程。过去，自动化意味着严格按照发票到期日安排付款。现在，内嵌的智能可以根据供应商行为、营运资本目标和历史现金流模式，推荐最佳的支付时机。这背后没有项目名称——只有正在交付的业务价值。
这种转变——从AI作为一项举措，到AI作为基础的一部分——是我所见过的最激动人心的发展之一。它并不总是需要数据科学家或专业团队。它需要的是理解流程和他们想要改进成果的产品经理和业务负责人。
随着越来越多的企业工具嵌入智能功能，IT领导者的角色越来越倾向于帮助团队发现已经可用的东西，安全地测试它，并规模化那些行之有效的方法。
五、衡量AI的价值
我从领导者那里听到的最大障碍之一是如何衡量AI的价值。事实是，你不需要一个全新的框架。大多数组织已经在追踪他们的IT团队交付的项目的ROI、EBIT或生产力增益。关键只是将这些成果与现在许多项目都由AI驱动这一事实联系起来。
以企业软件为例。现代SaaS平台——无论是CRM、ERP、HR还是供应链——都越来越多地嵌入了AI功能。事实上，大多数新系统已经将智能能力作为其核心功能的一部分。这意味着当IT交付一个预计ROI为25%、EBIT为600万美元的新的基于SaaS的定价系统时，领导者不需要发明一个单独的“AI指标”。他们只需要认识到，那600万美元的EBIT，其盈利能力部分是由AI驱动的。没有必要过度思考，因为几年后，我们将无法区分AI和现代软件。
还有一个好处：关于AI的故事变得更容易讲述了。你不再需要依赖于某个遥远地点运行的实验性试点的轶事。AI已经存在于你正在部署的许多企业解决方案中。这意味着你可以在新的CRM系统的纯经济价值之上，再分享一些关于它如何帮助商业团队更高效工作——甚至改善客户NPS的故事。
当然，并非所有价值都将来自企业软件。也有机会将AI优先的解决方案——如数字虚拟人（数字员工）、Copilot和行业特定应用——以及解决独特挑战的定制模型进行商业化。这些也应该被捕获并作为整体AI价值故事的一部分进行报告。
要点是：你不需要过度设计衡量过程。只需搭上那些已经在某种程度上利用AI的现有项目的便车。通过这样做，你既为利益相关者提供了他们所需的数字，也提供了他们所需的叙述，让他们将AI视为进步的驱动力，而不仅仅是一个实验。
六、最后的思考
AI不是可选项。但它也不是魔法。将AI转变为优势需要清晰的目标感、放弃中央控制的意愿以及专注于真正重要事情的纪律。
我学到，成功与技术的先进程度关系不大，而更多地与它和业务需求的契合度有关。这意味着从问题开始，选择正确的方法，并建立一个能让团队在前进中学习和适应的结构。
这无关试点。这关乎进步。而这始于诚实地面对你所处的位置，并有足够的大胆和责任感向前迈进。
睿观：
【核心挑战：如何摆脱“试点炼狱”，实现AI盈利】
尽管AI（人工智能）的潜力已成为共识，但许多企业在实际采纳中正陷入“试点炼狱”（pilot purgatory）的困境。其根本原因并非缺乏雄心或投资，而是缺乏一个将AI从零散的、以技术为中心的实验，转化为能够规模化、可盈利的商业能力的清晰、务实的路径。领导者们常常在“自建还是购买”、如何选择用例、以及如何构建团队等问题上陷入组织性僵局，导致大量AI项目无法超越POC（概念验证）阶段，产生真正的商业价值。
【应对策略：一套务实的五步组合拳】
成功的CIO（首席信息官）正采用一套以业务为核心的组合拳来破局。在技术策略上，他们遵循“购买80%，自建20%”的原则，优先利用企业软件（如CRM, ERP）中已由供应商深度嵌入的AI能力，仅在弥合集成差距等高价值领域进行自建。在项目选择上，他们优先解决真实的业务痛点，而非追逐AI项目本身，通过举办研讨会、利用“影响/工作量/紧迫性”矩阵等简单方法，识别出能快速产生影响力的用例。在组织模式上，他们正从中心化的AI团队，转向“轴辐式”（hub-and-spoke）模型，即由卓越中心（CoE）负责治理和赋能，由业务部门（辐条）在各自领域快速实验和创新。在价值认知上，他们认识到最强大的AI是“无形的”，即无缝融入日常工作流程的基础能力。最后，在价值衡量上，他们不再发明复杂的“AI新指标”，而是将现有IT项目的业务回报（ROI, EBIT），清晰地归因于其背后的AI驱动力，并善于讲述这些成功故事。
【结论与启示：将AI从“项目”转变为“能力”】
因此，从试点走向盈利的关键，在于完成一种深刻的思维转变：将AI从一个需要被不断证明的、孤立的“技术项目”，重新定位为一个解决业务问题的、无形但无处不在的“基础能力”。CIO的使命不是发起更多的AI试点，而是要构建一个能让AI在组织边缘（业务一线）安全、高效创新的框架。通过这一系列务实的策略组合，CIO能够将AI的潜力，系统性地转化为可衡量的、可持续的商业进展，最终实现从“试点”到“盈利”的飞跃。
为摆脱AI（人工智能）“试点炼狱”，成功的CIO（首席信息官）正采用一套务实组合拳。在技术上，遵循“购买80%，自建20%”原则，优先利用软件内嵌AI；在项目上，优先解决真实业务痛点；在组织上，转向“轴辐式”模型赋能边缘创新；在衡量上，将现有项目的ROI（投资回报率）归因于AI驱动力。关键是将AI从孤立的技术项目，转变为解决业务问题的基础能力。
AI转型的成功秘诀：别再为AI单独立项了，去发现那些已经由AI驱动的业务项目，然后大声地讲出它们的故事。
书籍名称：Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World(中译：《在AI时代竞争：当算法和网络统治世界时的战略与领导力》)
作者：Marco Iansiti & Karim R. Lakhani
推荐理由：本文强调将AI融入核心工作流，而非作为孤立项目。这本书系统性地阐述了AI如何重塑企业的整体运营模式，提出了“AI工厂”等概念，与本文中将AI视为“基础能力”的理念高度契合，为CIO如何从战略层面思考AI的规模化应用提供了深刻的哈佛商学院视角。
研究报告：The economic potential of generative AI: The next productivity frontier(中译：《生成式AI的经济潜力：下一个生产力前沿》)
发布机构：McKinsey Global Institute (麦肯锡全球研究院)
推荐理由：本文的核心是如何将AI的潜力转化为可衡量的价值。麦肯锡的这份里程碑式报告，详细分析了生成式AI在不同行业和职能中的具体用例及其潜在的经济影响，为CIO们“优先解决真实业务痛点”和“衡量AI价值”提供了丰富的数据和案例支持。
有效链接：https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
文章名称：The Hub-and-Spoke Model for Scaling AI(中译：用于规模化AI的轴辐式模型)
发布机构：MIT Sloan Management Review (《麻省理工斯隆管理评论》)
推荐理由：本文明确提出了从中心化团队向“轴辐式模型”的转变。MIT SMR的这篇文章深入探讨了如何设计和实施AI卓越中心（CoE）作为“中心”（Hub），以及如何赋能业务部门作为“辐条”（Spokes）进行创新。这为CIO构建一个既能保证治理、又能促进边缘创新的AI组织结构，提供了权威的指导。
思考：为什么需要采用一种更先进的、结构化的“轴辐式”（Hub-and-Spoke）治理模式？
92%的公司计划增加投资：这表明，几乎所有企业高层都认识到了AI的战略重要性，并且愿意投入资金。AI项目在预算审批、立项等方面，通常能获得“绿灯”。
仅1%的公司自认“成熟”：“成熟”的定义是关键——“AI已完全整合到工作流程中并驱动了可观的业务成果”。这意味着，绝大多数（99%）公司的AI应用，仍停留在“体外循环”的状态。
这种状态，通常被称为“试点炼狱”（Pilot Purgatory）。企业投入了大量资金，启动了许多AI试点项目或概念验证（POC），这些项目在孤立的环境下可能看起来很成功，但它们从未真正融入企业的核心业务流程，无法规模化，也因此无法带来“可观的业务成果”。钱花出去了，但工作方式没有根本改变。
这句话是解释上述悖论的关键。它指出，要从1%走向更高的成熟度，企业需要改变的不是“是否使用AI”，而是“由谁、以及如何使用AI”。
过去，企业对待新技术的典型方式是中心化的：
成立一个专门的团队：比如“AI卓越中心（CoE）”、“数据科学部”或“创新实验室”。
集中处理需求：业务部门（如销售、财务、生产）向这个中心团队提出AI需求。
中心团队负责交付：由这个团队的专家来构建模型、开发应用。
这种模式的局限性在于：
瓶颈效应：中心团队的资源有限，无法应对全公司成百上千的需求，成为创新的瓶颈。
缺乏业务情境：中心团队虽然技术力强，但往往不深入了解各个业务部门的具体痛点和工作流程细节。
难以规模化：每个项目都像一个定制的手工作坊产品，难以快速、标准化地在全公司推广。
文化隔阂：它强化了“AI是少数专家的事”这种思想，业务部门仍然是被动的接受者，而非主动的参与者。
“完成方式的去中心化”正是要打破这种模式。它并非无政府状态的混乱，而是一种更先进的、结构化的“轴辐式”（Hub-and-Spoke）治理模式：
“中心”（Hub）角色的转变：AI卓越中心或IT部门不再是所有AI项目的唯一“建设者”，而是转变为“赋能者”和“治理者”。职责：
制定规则：建立全公司统一的AI治理框架、安全策略和道德准则。
提供平台：提供经过审核、安全合规的AI工具和平台，供全公司使用。
普及教育：负责提升整个组织的AI素养和基本技能。
攻坚克难：负责处理那些技术难度极高、或需要跨多个部门协调的复杂AI项目。
“辐条”（Spokes）的赋能：真正的AI应用创新，发生在业务部门的一线。
销售、市场、财务、生产等各个业务团队，被授权使用由“中心”提供的平台和工具。
他们最了解自己的业务痛点，因此可以自主地、快速地将AI能力嵌入到自己的日常工作流程中，解决实际问题。
例如，销售团队可以直接使用CRM系统中内嵌的AI功能来预测客户流失，而无需向中心团队提交一个漫长的项目申请。
职责：
我们可以把这个转变，类比为企业计算从“大型机时代”到“个人电脑（PC）时代”的演进：
大型机时代（中心化）：所有的计算任务都由IT部门的专家在中央机房完成。业务人员需要提交请求，排队等待结果。
PC时代（去中心化）：IT部门的角色变了。他们不再为每个人制作报表，而是负责提供安全、联网的个人电脑（平台），安装经过批准的软件（如Excel），并制定使用规范（治理）。之后，财务、销售等部门的员工，可以自己使用Excel来完成大部分的数据分析和报告工作。
结论
因此，麦肯锡报告的这段话，其深刻洞见在于：企业AI的成熟度，并不取决于那个中心化的AI团队有多强大，而取决于有多少比例的普通员工，能够在日常工作中，安全、合规、有效地使用AI来创造价值。
领导者的任务，不再是批准更多的孤立AI试点项目，而是要设计和构建一个能够支持“去中心化创新”的组织体系和技术平台。只有当AI像电力或Excel一样，成为业务人员手中无处不在、触手可及的工具时，企业才能真正跨越那道从1%到92%的鸿沟，让AI投资带来可观的业务成果。
