——打破边界：为什么个人生活中的“超级用户”，才是企业AI落地的关键？
在纳斯达克（Nasdaq）最新举办的金融领袖论坛上，一个看似“不务正业”的观点引发了热议。
德勤（Deloitte）云和AI解决方案首席架构师 Gary Arora 并没有大谈复杂的算法或架构，而是向在场的金融高管们抛出了一条建议：鼓励你的员工在下班后尽可能多地“玩”AI。
这与我们过去对企业级技术的认知背道而驰。你不会建议员工在家里玩 Kubernetes（容器编排），但在生成式AI时代，规则变了。
💡 为什么“公私不分”反而成了AI转型的捷径？读完本文，你将获得3个重塑AI落地策略的核心视角。
Arora 指出：“个人生活中的每个人，都应该成为日常工作中 AI 的 超级用户（Power User）。”
生成式AI与传统IT技术的最大区别在于其通用性和不可预测性。
传统IT（如Kubernetes）：逻辑确定，只需按手册操作。
生成式AI：充满细微差别，甚至会“一本正经地胡说八道”（Hallucination）。
只有当你尝试用AI给伴侣写一首情诗，或者给朋友准备一段生日祝福时，你才能切身体会到它何时会“取悦你”、何时会“产生幻觉”、以及什么样的提示词（Prompt）能产出高质量内容。
这种“体感”无法通过企业培训获得，只能通过高频的个人试错来积累。只有懂得了AI的“脾气”，员工才能在工作中更敏锐地识别AI的边界，而不是盲目信任或完全排斥。
💰 视角二：重构ROI公式——先找“痛”，再谈“药”
企业高管最焦虑的问题莫过于：AI的投资回报率（ROI）到底怎么算？
Arora 给出了一个回归本质的公式，但加入了一个新变量：
ROI = 实际创收 + 成本节约 + 运营效率 - 部署AI的成本
但他强调，计算的顺序至关重要。不要先问“AI的价值是多少”，而要先问“这个痛点值多少钱”。
错误做法：我们买了这个AI工具，看看能用它干什么？
正确做法：流程破碎导致的系统故障成本是多少？数据不一致导致的人力浪费是多少？如果这些已知的痛点数字是100万，那么我们在那里部署AI能省下多少？
生产力 vs. 垂直切片
Arora 区分了两个概念：
生产力（Productivity）：给员工配备工具（如Copilot），通过培训提升效率。这很难直接计算ROI，但能释放员工时间。
垂直切片（Vertical Slices）：针对特定痛点（如自动处理发票）部署AI。这是ROI产生的核心地带。
麻省理工学院（MIT）近期的一项研究声称，95%的企业AI试点项目没有获得任何ROI。
这个数字吓退了不少观望者，但 Arora 对此非常淡定。他指出，创业公司的失败率是90%，企业转型计划的失败率也有70%。
关键洞察：“许多试点失败的原因，不是因为技术不存在，而是因为组织还没有准备好扩展这些技术。”
睿信咨询AI与数据转型顾问解读：
这揭示了AI转型的残酷真相：技术往往是现成的（Ready），但组织是滞后的（Not Ready）。当企业的流程、数据治理、人才密度（即前文提到的超级用户Power User）没有跟上时，再先进的AI模型也无法在试点之外产生规模化价值。
基于德勤专家的观点，建议中国企业管理者采取以下行动：
用AI提示词大赛鼓励个人使用：不要在公司网络中封禁所有AI工具。相反，举办内部“AI提示词策划运营大赛”，鼓励员工分享他们用AI做家务、写代码甚至做攻略的经验。将这些“个人智慧”转化为“组织能力”。
以“痛点”定预算：在批准AI预算前，要求业务部门先量化“不解决这个问题带来的损失”，而不是“应用这项技术带来的想象”。
区分“全员基建”与“特种作战”：对全员提供通用AI工具以提升基础生产力（不强求短期ROI）；同时组建突击队，针对高价值的垂直痛点进行攻坚（严格考核ROI）。
AI时代的转型，不再是自上而下的技术部署，而是一场自下而上的认知升级。
当你的员工在家里习惯了与AI共舞，他们回到办公室时，就不再是技术的被动接受者，而是能够驾驭AI创造价值的超级用户。
现在，问问你自己：你的团队里，有多少人是AI的“超级用户”？
原文：德勤（Deloitte）首席架构师：个人深度使用AI，是职场应用的关键
作者：Joao-Pierre S. Ruth 来源：InformationWeek
最近，在纳斯达克市场（Nasdaq MarketSite）举办的“AI金融领袖论坛”上，一个极具挑衅性的观点引发了关注：增加个人对AI的使用，可以直接转化为工作场所中更高效的IT应用。
论坛小组成员、德勤（Deloitte）云和AI解决方案首席架构师 Gary Arora提出，员工需要在个人时间尽可能多地使用AI，以便为在工作中测试AI做好准备。
他对在场的一众财务高管表示：“个人生活中的每个人，都应该成为日常工作中AI的超级用户（Power User）。这与之前出现的任何其他技术都完全不同。”
Arora 解释道，AI与其他突破性职场技术的不同之处在于，它拥有极广泛的个人应用场景。例如，企业绝不会大规模推动每个人在 Kubernetes（容器编排平台）上运行个人工作流——“那是荒谬的，”他说。
什么是不荒谬的？“你必须在每一件事上都使用[生成式]AI，”Arora 强调，只有这样你才能真正理解它能做什么，以及不能做什么的细微差别。
他指出，这包括看似琐碎的小事，比如为重要的人准备生日祝福或挑选礼物。“你必须亲自使用AI，才能建立起对‘好输出’与‘坏输出’的判断力，”Arora 说。其目的是通过不断的挑战，识别出 AI 何时在试图“取悦”用户，甚至不惜产生幻觉（Hallucination）。
在接受《InformationWeek》的一对一专访时，Arora 进一步解释说，成为个人层面的超级用户只是第一步，在工作场所，企业仍需采取务实的方法来实现组织的 ROI。
“按季度报告某种实质性进展的压力是存在的。但这类投资往往需要时间，”他说。
Arora 认为，找到正确的指标来展示 AI 解决问题的实际进展至关重要。AI 的核心价值在于解决痛点——无论是破碎的流程、因数据分散导致的不准确，还是在连接各个环节时出现的混乱。
如何设定正确的指标？Arora 建议，组织不应直接量化“AI 的价值”，而应先量化“AI 所解决的痛点”的价值。这包括评估流程不一致的成本、系统故障的代价，以及定位问题的根源。
“如果你一开始就掌握了这些数字，你就可以问：‘我们可以部署 AI 来降低这个具体的美元成本吗？’”他说。这为公司提供了一个可衡量的基准。
Arora 指出，多年来基本的 ROI 公式几乎没有变化，但 AI 引入了一个新的变量：
ROI = 实际创收 + 成本节约 + 运营效率 - 部署 AI 的成本
“仅此而已。核心就是成本多少，以及你得到了什么，”他说。
Arora 还提到另一个关键点：并非所有 AI 相关投入都会产生直接 ROI。你需要区分你关注的是“垂直切片的痛点”还是“生产力”？
他解释道，“生产力”是确保每个人都拥有正确的工具（如 AI 助手），这通常不会直接体现在 ROI 报表上。但通过正确的培训，它能提高员工效率，释放出时间来完成其他对 ROI 有直接影响的任务。
一旦员工接受了培训，组织就可以寻找特定的“垂直切片”来部署 AI 以减轻痛点。“做得好的组织，正在精准地解决这些问题，”Arora 说。
本次论坛由数据智能平台提供商 DDN 主办，参与讨论的嘉宾还包括：英伟达（Nvidia）全球投资银行部门银行业务主管 Aser Blanco；DDN企业 AI 和数据智能副总裁 Moiz Kohari；以及担任主持人的 黑石集团（Blackstone）战术机会董事总经理 John Watson。
在小组讨论中，Blanco 透露，英伟达最近与全球 1000 多家金融机构进行了交流，这些机构表示其 2026 年的 AI 计划已经排定。
“他们将在 AI 上投资 10% 或更多。AI 投资的增长率将超过 10%，我认为几乎一半的受访者表示他们可能会花费更多，”Blanco 说。（注：英伟达作为 AI 算力核心供应商，在市场中拥有重大利益。）
Kohari 则表示，尽管 AI自主型智能体 （Agentic AI）目前备受关注，但其他形式的 AI 仍有巨大的发挥空间。
“预测性 AI（Predictive AI）仍然重要，特别是在金融市场的各类预测中。还有 NLP（自然语言处理），它使我们能够处理非结构化数据并提供洞察，”Kohari 说。
小组还讨论了麻省理工学院（MIT）8月份发布的一项研究，该研究声称大多数启动 AI 试点的公司没有从其努力中获得任何 ROI。Arora 对此并不感到意外。
“有趣的是去探究为什么 95% 的公司在试点中回报为零。一旦你揭开这个谜团，你就真正理解了正在发生什么，”他说。
Arora 将这些数字置于更大的背景下指出：90% 的初创公司都会失败，70% 的企业转型管理计划也会以失败告终。
“许多试点失败的原因，不是因为技术不存在，而是因为组织还没有准备好去扩展在这些试点项目中使用的技术。”他总结道。
作者：Joao-Pierre S.Ruth（乔奥-皮埃尔·S·鲁斯）
Joao-Pierre S.Ruth（乔奥-皮埃尔·S·鲁斯）为InformationWeek编辑故事，并报道多个行业和技术领域的高管。
译者：宝蓝 编审：@lex
