AI在哪些领域正超越试验阶段？6位领导者谈实际规模化应用情况

• 3月在慕尼黑举行的世界经济论坛行业战略会议汇聚了300多位企业、科技和公共部门的领导者。

• 他们探讨了AI等指数级技术如何重塑商业模式、价值链和全球竞争力。

• 了解AI在哪些领域正超越试验阶段、迈向大规模部署。行业领导者分享实际应用案例、对生产力的可衡量影响以及规模化所需的条件。

人工智能终于跨过了一道门槛。长期以来，企业将AI视为一种变革性力量，但大多数活动仍停留在沙盒和创新实验室中。2026年，这种局面已开始转变。

在世界经济论坛的行业战略会议本月，300多位企业战略领导者齐聚慕尼黑。讨论的问题已不再是“AI能否奏效？”，而是“AI在哪些方面已经开始大规模改变我们的运营方式？”。

回答这一问题的压力从未如此之大。会议讨论凸显了挑战的规模：约四分之三的企业尚未从AI中产生有意义的价值，尽管投资不断增长，许多企业仍困在试点阶段。正如一位高管直言，2026年是企业必须证明AI能够带来回报的一年。

在各行各业，包括AI、自动化和先进计算在内的新兴技术正被深度嵌入企业核心，涵盖从决策系统和供应链到金融、客户服务和工程工作流程等领域。

世界经济论坛近期发布的报告《重新思考AI主权：通过战略投资实现竞争力的路径》该报告预测，到2030年，AI应用的年度投资将达到1.5万亿美元，而自2010年以来，AI投资的年增长率为33%。

各经济体采取了不同的投资策略。Image: 世界经济论坛

在企业层面，Capgemini的研究发现，企业正从试点果断转向平台建设，预算不断增长，并且38%的组织已将AI用例投入运营。与此同时，早期采用者开始报告切实成果，包括生产力提升、周期时间缩短、成本节约和新的收入来源。

但从概念验证到规模化生产的道路很少是线性的。领导者必须应对从信任与治理到技能与基础设施等问题，同时将业务价值置于首位。

在此，来自各行业的高管分享了其组织内部采用模式的转变情况，以及真正让AI落地所需的条件。

1. 技术架构问题

“在我们的业务中，面向企业规划与执行的智能体AI已从试验走向运营部署。但这需要对智能体AI解决方案进行审慎设计，”阿什温·拉奥博士，o9 Solutions公司人工智能与研发执行副总裁。

“从本质上讲，我们将神经AI（大语言模型）的优势与符号AI（基于深厚企业知识构建的结构化企业数据模型和决策模型）的互补优势相结合。

“这使我们的智能体既能获得神经AI在可扩展性、适应性和学习能力方面的优势，又能获得符号AI在推理、精确性和可解释性方面的优势。因此，我们得以构建在企业实践中表现可靠的智能体，而非典型的以大语言模型为主的智能体，后者往往止步于吸引人的演示和概念验证。”

“就影响而言，我们看到AI为企业规划人员提供了巨大帮助，例如在分析供应链计划与实际结果之间偏差的根本原因方面。这使规划人员能够将调查时间缩短多达80%。

“我们还通过库存和物流的非接触式执行实现了巨大收益。这为即使是小型企业也节省了数千万美元的人工成本。此外，我们发现企业敏捷性大幅提升：得益于AI在推动集成业务规划方面的帮助，跨部门决策所用时间仅为原来的四分之一。”

2. 工业规模化部署

西门子在其位于安贝格的电子设备工厂引入AI时最初遭遇阻力，据君特·拜廷格博士，西门子制造业高级副总裁、工厂数字化负责人，在慕尼黑行业战略会议上表示。

“在引入AI的初期，存在大量顾虑，尤其是车间和制造业员工中，他们担心“AI会对我的工作做什么？”……因此，我们的做法是逐步介绍我们想要做的事情，并让员工参与到整个开发过程中。”

例如，在将AI引入X光质量检测时，工作人员训练算法，以识别那些在流程中已无需AI质量检测的产品，从而节省时间。

“我们测算过，如果能筛出5%的产品，这在经济上已经是可行的方案。”

随着时间推移，工厂团队逐渐信任AI能够正确识别无需X光质量检测的产品，目前已有30%的产品可以跳过这一额外步骤。

员工们信心十足。他们从一开始就与专家共同设计AI，确保其安全、合乎伦理且可解释。”

拜廷格博士表示，AI与数据的结合正在支持三大主要转变。

“我们正从效率转向韧性，这是我们一直在追求的目标之一。过去，我们注重全球成本优化。成本当然非常重要，但韧性正变得越来越重要。同时，我们也正从自动化迈向自主化，从单一工厂优化转向整个生产生态系统。AI确实在帮助我们实现这些转变。”

“数据和机器学习算法是AI技术应用的基础，如今使我们能够越来越出色、高效地管理业务，”菲利波·里基蒂，埃尼集团规划、控制与保险负责人，表示。

其中，埃尼已能够降低矿产资源的不确定性，实现运营流程和工业设施的数字化，并加快新业务和能源产业链的发展。

“多年来，埃尼已在众多领域应用AI工具，从勘探到运营共有约300个用例。AI解决方案的应用通过减少工厂停机、优化生产和降低排放提高了效率。例如，在钻井领域，钻井时间已减少35%。自动化和机器学习促成了这些改进。”

展望未来，公司正在其专有的企业数据和知识资产基础上构建AI智能体，这是一项有意为之的选择，旨在保留对最关键智能的控制权。部分流程的初步应用已经启动，并受负责任AI框架管辖，该框架旨在确保每一步都具备透明度和问责性。

3. 原生于企业的AI

“每一项技术都会重塑世界。其发展轨迹总是相同的：试验、采用、依赖、不可逆。这一次的不同之处在于速度，以及利害关系，”哈拉·泽恩，ServiceNow高级副总裁兼首席战略官。

“各组织并不在等待证明点。它们知道犹豫本身就是一种结构性劣势，因此率先行动。

“但试验只是第一步。真正的变革发生在AI融入工作流程之时，即重塑企业感知情境、做出决策并大规模执行的方式。那时，采用就转变为认知依赖，AI在工作流程中也将不仅有用，而且不可替代。率先跨越这一门槛的组织将积累起后来者无法简单用金钱弥补的优势。”

“ServiceNow正是为这一时刻而生。AI并非附加于我们的平台之上，而是原生于基础设施之中，该基础设施每年为85%的《财富》500强企业编排800亿个工作流和6.5万亿笔交易。我们的架构旨在推动组织从试验走向不可逆：跨系统感知企业情境，以业务问责做出决策，在受治理的工作流中自主行动，并以审计级控制管理每一个步骤。

“成果已在不断叠加。阿斯利康每年收回3万小时。Pure Storage处理案例的速度快了七倍。西门子每月自主处理21万张工单。这些并非效率提升，而是大规模认知依赖的早期信号。工作流内的AI即自主的企业执行。这正是竞争优势变得持久的地方。”

4. 以数据为基础

“标普全球站在人工智能的前沿，正在跨行业变革数据分析与决策，”斯瓦蒂·索杰贾尼，标普全球并购与风险投资战略高级副总裁。

自2018年收购Kensho Technologies以来，标普全球一直利用AI优化工作流程，为客户创造价值。

“我们致力于让客户在其工作流程所在之处都能获取可信的标普全球数据，确保我们满足其在AI领域快速变化的需求。这意味着确保客户能够将我们的数据和洞察无缝整合到其生成式AI工作流中。其中一项举措是采用可直接对接大语言模型的应用程序编程接口（API），客户借此可通过任何生成式AI应用无缝访问标普全球的一系列数据集。”

标普全球专注于推动AI创新，包括与以下领先企业合作开发新一代AI能力，例如Anthropic、OpenAI和谷歌Gemini。

“这些新能力正为我们的客户带来互联的洞察、更高程度的自动化以及更快的决策。

“AI将从根本上改变金融服务行业的运作方式。战略重点不仅在于部署技术，更在于确保整个组织的人员能够熟练运用它。这意味着要培育拥抱AI的文化，并提供相应的培训和工具，使这一转变切实落地。”

5. 客观评估

将AI分为三代进行思考颇有助益，据Cohere首席AI官茹埃勒·皮诺，她在行业战略会议期间接受采访时表示。

“预测性AI，即利用数据信息做出一些相当狭义的预测的能力，例如天气预报、分类等。如今，几乎所有企业都依赖于此。如果您的业务中有数字足迹，那么您业务的某些部分就由预测性AI提供支持。

“生成式AI较为新近，可追溯至2022至2023年左右。我们开始看到企业对此进行试验。回顾过去的重大技术变革，它们都花了数十年才真正普及。

“智能体AI才刚刚在2025年崭露头角。要想在一年之内从研究实验室直接走向整个行业的广泛采用，这似乎过于乐观。关于AI，包括智能体AI，已有许多非常激进的预测。令人惊讶的是，我们已经开始看到这一新技术带来的收益和回报。”

从试验到部署的转变是真实的，且正在加速，但它首先并非一个技术故事。它关乎组织重塑、文化信任和坚实的数据基础。

进展最快的企业并非拥有最佳模型的企业，而是那些完成了更艰巨工作、为组织接纳这些模型做好准备的企业。

引语已为篇幅和清晰度进行了轻微编辑。