各位CEO和CIO：
一个残酷的现实成为今年（2025年）的头条新闻：麻省理工学院（MIT）的一份报告发现，尽管美国企业在生成式AI（GenAI）上投入了300亿美元甚至更多的开创性投资，但 95%的组织从中没有获得任何回报。
为什么？Cognizant的全球CIO Neal Ramasamy指出，失败往往是因为项目缺乏与商业价值的明确联系。许多技术人员跟随炒作，从模型和试点开始，而非从业务成果开始。
要想扭转这种局面，CIO必须将“技术性”工作转化为“战略性”成果。这套方法论的核心，是更好的变革管理。
以下是CIO们今天就可以付诸实践的“AI 投资回报率（ROI）五项清单”，帮你将技术雄心转化为可量化的业务价值。
CIO必须确保AI项目与业务期望的结果一致。
避免的陷阱：不要专注于使用AI重塑“流程”或“任务”本身。例如，AI可以帮助你写邮件，但这对于不以邮件为核心的员工来说，ROI可能是零。
正确的焦点：必须聚焦于你希望实现的具体结果——提高效率、改善客户体验或加快业务增长。
问责制：每一个AI用例都需要一个负责任的领导者，目标必须与企业的OKRs（目标和关键成果）相关联。高管赞助和监督（理想情况下是CEO或董事会层面），与更高的ROI直接相关。
人才框架是AI战略的基石。CIO们需要从固定的“职位”转向灵活的“技能组合”。
人才结构重组： CIO们应调整人才策略，为专注于AI的专业人士（如数据科学家和提示工程师）创造新的职位和职业路径，同时提升现有员工的技能。
四大B平衡：Skillsoft的CIO Orla Daly指出，AI时代需要一个现代人才管理框架，巧妙平衡四大B：建设（build）、购买（buy）、借用（borrow）、和机器人（bots）。
核心是信任：随着AI接管更多常规工作，领导者必须消除员工对“AI将彻底取代工作”的担忧。必须沟通“为什么”，展示AI如何增强人类角色，并消除劳累。
仅仅调整人才框架是远远不够的。组织必须重新设计核心业务流程。
产品思维：将内部AI驱动的工作流视为产品。建立产品管理的严谨性，以规范化AI用例的接受、优先排序和路线图。
打破孤岛：最关键的转变是从孤岛决策转向以数据为中心的方法。业务流程应无缝整合AI输出，自动化任务，赋予员工数据驱动的洞察。
治理委员会：设立一个治理委员会（如Xebia），通过三阶段流程监督项目，确保组织和职能的简化，鼓励跨职能流程，帮助打破壁垒。
一个常见的错误：只测量技术性KPI（如模型准确性、延迟），而未能将其与业务成果（如节省、收入、风险降低）挂钩。
建立基线：在启动AI项目之前，必须建立AI出现前的基线测量。
量化价值：定义明确且可衡量的目标，以体现具体价值。例如，“处理时间快20%”或“客户满意度提升15%”。
关键信号：衡量节省时间（如SAP文档生成）、减少每项任务的人力劳动力，以及新产生的收入机会。
终极警钟：“衡量往往是后期才加上的，所以领导者无法证明价值或决定规模化。”必须从项目第一天起就将测量融入其中。
AI的风险是致命的。数据泄露平均每次近450万美元。
代理（智能体）身份管理：必须引入代理身份和访问管理，让AI代理继承与人类相同的权限和审计权限，包括日志和审批。这是防止敏感数据泄露或恶意入侵IT系统的核心。
消除盲区：近五分之一的美国员工曾向AI工具输入登录凭证。必须设立策略，防止敏感数据被输入ChatGPT等工具。
红队协作：将雄心与强有力的防护措施相结合：进行评估与红队协作（red-teaming），以及在关键时刻设置“人机参与检查点”。
【结语】BCG（波士顿咨询集团）的数据显示，只有 4%的公司将AI推进到POC阶段之外，创造了实质性价值。AI不是魔法，它需要巨大的前期努力和对组织流程的根本性变革。
只有将AI热情扎根于核心原则，并理解你所追求的商业战略，才是迈向ROI的关键。
遵循这份多点有效变革管理检查表，确保成果持续提升。
图片来源：Rob Schultz / Shutterstock
今年早些时候，麻省理工学院（MIT）的一份报告成为头条新闻，该报告发现 95%的组织从人工智能中没有获得回报——尽管美国内部生成式人工智能（GenAI）项目投入了300亿美元甚至更多的开创性投资。那么，为什么这么多人工智能项目未能带来积极的投资回报（ROI）呢？因为它们往往缺乏与商业价值的明确联系，IT咨询公司Cognizant全球首席信息官Neal Ramasamy表示。“这导致了技术上令人印象深刻但既无法解决实际需求，也无法带来实质性收益的项目，”他说。
技术人员常常跟随炒作，盲目投入人工智能测试，却不考虑商业结果。“许多项目从模型和试点开始，而非业务成果，”Asana项目管理应用的 CIO Saket Srivastava 说。“Teams单独运行演示，不重新设计底层工作流程，也不指定损益负责人。”
缺乏前期产品思维、糟糕的底层数据实践、缺乏治理以及缺乏采用AI的文化激励等因素，都可能导致负面影响。因此，为了避免不良结果，许多技术归结为更好的变革管理。“没有流程变革，人工智能只会加速当今的低效，”Srivastava补充道。
在这里，我们将回顾五个管理组织变革的建议，CIO们今天就可以将其付诸实践。遵循这份清单，企业应当开始扭转负面AI投资回报率的局面，从反模式中学习，并发现哪些指标验证了企业范围内成功的AI项目。
1. 通过沟通业务目标并管理人工智能项目，前期协调领导层
人工智能项目需要高管的支持和明确的业务改进愿景。“强有力的领导力对于将人工智能投资转化为成果至关重要，”托管IT支持提供商CMIT Solutions的总裁兼首席 vCIO Adam Lopez表示。“高管对人工智能项目的赞助和监督，理想情况下是CEO或董事会层面，与更高的投资回报率相关。”
例如，在IT服务和咨询公司Xebia，一个子团队的高管负责其内部AI工作。该团队由全球首席信息官Smit Shanker担任主席，成员包括全球首席财务官、人工智能与自动化负责人、IT基础设施与安全负责人以及业务运营负责人。
一旦高层领导组建，问责制变得至关重要。“首先要分配企业所有权，”Srivastava建议。“每个人工智能用例都需要一个负责任的领导者，目标与关键成果（OKRs）相关联。”他建议成立一个跨职能的PMO（项目管理办公室），以定义Lighthouse（灯塔）的使用场景、设定成功目标、执行防护措施，并定期沟通进展。
即便有了领导层，许多员工仍需要实际指导，才能在日常工作中应用人工智能。“对大多数人来说，即使早上给他们工具，他们也不知道从哪里开始，”Skillsoft（一家学习管理系统公司）的首席信息官Orla Daly说。她建议在组织内寻找能够展示有意义用例并分享实用技巧的倡导者，比如如何更好地利用Copilot等工具。她说，那些有好奇心和学习意愿的人将取得最大进展。
最后，高管必须投资基础设施、人才和培训。“领导者必须倡导数据驱动的文化，并推动人工智能如何解决商业问题的清晰愿景，”Cognizant的Ramasamy说。这需要业务领导者、数据科学家和IT部门紧密合作，执行并衡量试点项目，然后再进行扩展。
2. 通过调整人才框架和投资提升技能来实现进步
组织必须开放，调整人才框架并重新设计角色。“CIO们应调整人才和管理策略，确保组织成功采用AI并实现投资回报，”Ramasamy说。“这可能包括为专注于人工智能的专业人士，如数据科学家和提示工程师创造新的职位和职业路径，同时提升现有员工的技能。”
CMIT的Lopez补充道，CIO们也应将人才视为任何AI战略的基石。“通过培训、沟通和新的专业岗位投资人才，CIO可以确信员工会拥抱人工智能工具并推动成功。”他补充说，内部黑客马拉松和培训课程常常能带来明显的技能提升和自信。
技能提升应当满足员工的现状，因此Asana的Srivastava建议分层路径：所有员工都需要基本的AI提示词素养和安全培训，而高级用户则需要更深入的工作流程设计和代理（智能体）构建知识。“我们采取了对劳动力进行调查、针对赋能目标并重新测量的方法，以确认成熟度朝着正确的方向发展，”他说。
但评估当今人才框架的范围已超越人类技能。这也意味着重新评估你需要完成的工作，以及谁或什么人负责执行哪些任务。云咨询公司Asperitas Consulting云业务负责人Scott Wheeler表示：“鉴于AI带来的新能力，审查业务流程以寻找重构机会至关重要。”
对于Skillsoft的Daly来说，当今的AI时代需要一个现代人才管理框架，巧妙地平衡四大B：建设（build）、购买（buy）、借用（borrow）、和机器人（bots）。换句话说，领导者应将组织视为技能集合体，而非固定角色，并根据需要适当配置内部员工、软件、合作伙伴或自动化。“它要求我们把事情拆解成工作或待完成的任务，并且以更碎片化的方式看待你的工作，”Daly说。
例如，她的团队用GitHub Copilot快速为某客户编写了一个学习门户。该项目强调了将人类开发者与AI助手结合如何显著加快交付速度，同时提出了其他开发者需要哪些技能才能同样高效且高效的问题。
但随着人工智能代理接管更多常规工作，领导者必须消除人们对人工智能将彻底取代工作的担忧。“传达人工智能项目背后的原因可以缓解恐惧，展示这些工具如何增强人类角色，”Ramasamy说。Srivastava同意了。“核心是信任，向人们展示人工智能如何消除劳累并增加影响力；让人类参与决策，（AI）采用自然会跟上。”
3. 调整组织流程以充分发挥人工智能优势
调整人才框架只是开始。组织还必须重新设计核心流程。“要充分释放AI的价值，往往需要重新设计组织的运作方式，”CMIT的Lopez表示，她呼吁将AI嵌入日常运营，并通过持续实验支持它，而非将其视为静态附加组件。
为此，一项必要的调整是朝着将内部AI驱动的工作流视为产品并在组织内规范化模式。Srivastava说。“建立产品管理的严谨性，以接受、优先排序和路线图来制定人工智能用例，明确所有者、问题陈述和价值假设，”他说。
在Xebia，一个治理委员会通过三阶段收费流程监督这一严谨性，包括识别和评估价值、确保业务接受，然后交由IT部门监控和支持。“每个用例中，核心团队负责组织和职能的简化，”Shanker说。“这促进了跨职能流程，帮助打破壁垒。”
同样，Ramasamy面临的最大障碍是组织上的抵抗。“许多公司低估了成功采用所需的变革管理，”他说。“最关键的转变是从孤岛决策转向以数据为中心的方法。业务流程应无缝整合人工智能输出，自动化任务，赋予员工数据驱动的洞察。”
识别合适的自动化领域也取决于可见性。“大多数公司在这方面都失败了，因为他们没有完善、有文档的流程，”Skillsoft的Daly说。她建议邀请各业务领域的主题专家（subject-matter experts）来评估工作流程以进行优化。“提名企业内部的个人，以探讨如何将人工智能融入你的工作流程非常重要，”她说。
一旦你识别出AI可以简化的通用工作单元，下一步就是让它们可见并标准化其应用。Skillsoft通过一个代理注册表来实现这一点，记录代理能力、防护栏和数据管理流程。“我们正在正式制定一个企业级人工智能框架，其中伦理和治理成为管理用例组合的一部分，”她补充道。
组织应预见障碍，建立支持结构以帮助用户。“实现这一目标的一个策略是设立人工智能特警队（AI SWAT teams），其目的是促进采纳并消除障碍，”Asperitas的Wheeler说。
4. 衡量进展以验证你的回报
为了评估投资回报率（ROI），CIO必须建立AI出现前的基线（baseline）并提前设定基准。领导者建议将所有权归属于时间价值、成本节约、时间节省、人工客服处理的工作以及新产生的收入机会等指标。
“在启动人工智能项目之前，应建立基线测量，”Wheeler表示，他建议将各个业务单元的预测指标整合进领导层的常规绩效评估中。他说，一个常见的错误是只测量技术性KPI（如模型准确性、延迟或精度），而未能将其与业务成果（如节省、收入或风险降低）挂钩。
因此，下一步是定义明确且可衡量的目标，以体现具体价值。“从项目第一天起就将测量融入其中，”CMIT的Lopez说。“CIO应为每个AI项目制定一套相关的关键绩效指标（KPI）。例如，处理时间快20%，客户满意度提升15%。”他补充说，从小型试点开始，能产生快速且可量化的结果。
一个明确的衡量标准是节省时间。例如，Lemongrass（一家软件服务提供商）的首席技术官Eamonn O’Neill分享了他如何亲眼见证客户手动记录SAP开发，这是一个极其耗时的过程。“利用生成式人工智能创建此类文档，显著减少了人力劳动力，这种努力可以非常简单地衡量并转化为美元的投资回报率。”
减少每项任务的人力劳动力是另一个关键信号。“如果目标是减少人工客服处理的服务支持台电话数量，领导者应建立明确的指标并实时跟踪，”全栈技术服务提供商TEKsystems的首席技术官Ram Palaniappan表示。他补充说，AI的采用也可能带来新的收入机会。
一些CIO正在监控多个具体用例的细致KPI，并根据结果调整策略。Asana的Srivastava，例如，通过监控周期时间、吞吐量、质量、每次交易成本和风险事件来跟踪工程效率。他还衡量代理协助运行、活跃用户、人工参与接受率和异常升级率的百分比。他说，审查这些数据有助于实时调整提示和护栏。
关键是尽早设定指标，不要陷入不追踪信号或不获得价值的反模式。“衡量往往是后期才加上的，所以领导者无法证明价值或决定规模化。”Srivastava说。“解决办法是从具体的任务指标开始，将其定为基线，并将人工智能直接嵌入工作流程中，使人们能够专注于更高价值的判断。”
5. 管理你的 AI 文化，以避免漏洞和不稳定
Gen AI工具如今已普及，但许多员工仍缺乏安全使用培训。例如，根据SmallPDF 2025年的一项研究，近五分之一的美国员工曾向AI工具输入登录凭证。“良好的领导需要建立治理和防护措施，”Lopez说。这包括设置策略，防止敏感的秘密资料被输入ChatGPT等工具。
大量使用人工智能也扩大了企业攻击面。领导层现在必须认真考虑人工智能驱动浏览器的安全漏洞、影子人工智能的使用以及大型语言模型的幻觉等问题。随着代理人工智能越来越多地参与关键业务流程，适当的授权和访问控制对于防止敏感数据泄露或恶意入侵IT系统至关重要。
从软件开发的角度来看，通过AI编码代理泄露密码、密钥和令牌的可能性非常真实。工程师们纷纷抢占MCP服务器，赋予AI编码代理访问外部数据、工具和API的能力，但Wallarm的研究发现，2025年第二季度至第三季度MCP相关漏洞激增了270%，同时API漏洞也激增。
Srivastava表示，忽视代理身份、权限和审计轨迹是CIO们在企业AI中常常陷入的陷阱。“引入代理身份和访问管理，让代理继承与人类相同的权限和审计权限，包括日志和审批，”他说。
尽管存在风险，监管依然薄弱。审计委员会的一份报告发现，虽然82%的组织正在部署AI，但只有25%的组织已全面实施治理项目。据IBM统计，数据泄露平均每次近450万美元，而IDC报告中构建可信AI的组织更有可能将AI项目的投资回报率翻倍，AI治理的商业理由非常明确。
“将雄心与强有力的防护措施相结合：明确的数据生命周期和访问控制、评估与红队协作，以及关键时刻的人机参与检查点，”Srivastava说。“将安全、隐私和数据治理整合进SDLC（软件开发生命周期），使发货和安全移动同步——没有数据沿袭或模型行为的黑箱。”
这不是魔法
根据BCG（波士顿咨询集团）的数据，只有22%的公司将AI推进到POC阶段之外，只有4%创造了实质性价值。考虑到这些令人警醒的统计数据，CIO们不应对回报设定不切实际的期望。
从人工智能中寻找投资回报率需要大量前期投入，并需要对组织流程进行根本性变革。正如万事达运营首席技术官George Maddaloni在最近接受Runtime采访时所说，他认为生成式AI应用采用很大程度上是关于变革管理。
人工智能的陷阱几乎无穷无尽，组织常常追逐炒作而非价值，发布时没有明确的数据战略，扩张过快，安全措施则是事后考虑的。许多AI项目也缺乏高管的支持或治理，无法达到目标。或者，很容易被厂商对生产力提升的炒作和超支，或者低估了将AI平台与传统IT基础设施整合的难度。
展望未来，为了更好地最大化人工智能的业务影响，领导者建议投资于扩展所需的数据基础设施和平台能力，并聚焦于一两个高影响力的用例，这些场景能够减轻人力负担，显著提升收入或效率。
将AI热情扎根于核心原则，理解你所追求的商业战略，是迈向投资回报的关键。因为没有健全的领导和明确的目标，人工智能只是一项令人着迷的技术，回报总是遥不可及。
