为何人工智能需要明智的投资路径以确保可持续影响

• 许多人工智能投资因商业价值不明确、规划不善以及缺乏投资回报追踪而失败。

• 这凸显了需要做出更明智、更结构化的资金决策。

• 基于清晰指标和应用准备度的组合式投资策略，可确保人工智能实现可扩展、高影响力的成果。

预计仅生成式人工智能就将创造7万亿美元的价值，并有望使美国劳动生产率每年提升0.5%-0.9%，直至2030年。与其他自动化技术结合后，生成式人工智能可能将生产率增长推至每年3%-4%。针对18项知识型任务的实验显示，这些收益源于速度提高25%，质量提高40%。这有望重塑各行各业，并加速可持续发展。

然而，2025年，30%的企业生成式人工智能项目预计将陷入停滞，原因包括数据质量不佳、风险控制不足、成本不断攀升或商业价值不明确——这一发现也得到了德勤的呼应。兰德研究指出，超过80%的人工智能项目以失败告终；高盛则质疑未来数年预计1万亿美元的人工智能资本支出能否带来有意义的回报。微软首席执行官萨蒂亚·纳德拉（Satya Nadella）近期警告称，人工智能基础设施可能存在过度建设，因此我们需要开始衡量人工智能的真实影响。这是因为人工智能并非灵丹妙药；若缺乏合适的架构，企业将大举投入，却在项目失败时不得不将这些投资一笔勾销。盲目试验和在人工智能上盲目投入的时代已经结束。

从准备到成果：如何推动人工智能实验转化为回报

如今的问题已不再是是否投资人工智能，而是如何就资助哪些项目做出战略性决策，以及何时果断撤出无法取得成果的项目。企业在推进人工智能应用时，有两种关键路径浮现：

第一种路径是在全组织范围内建设人工智能准备度。成功应用人工智能需要的不止技术，还需要一个由可获取的数据、透明的治理、合适的工具以及具备人工智能相关技能的员工队伍构成的基础。通过投资员工培训、建立合适的架构、确保数据和人工智能工具的可获取性，企业能够借助内部专业知识，以及与日常运营的贴近，从内部推动人工智能创新。这一路径能够在各职能部门之间培育肥沃的土壤，依靠员工去尝试和实验人工智能，找出其最有前景的应用场景，并为探索留出充足空间。

第二种路径是以用例为驱动的人工智能战略，即聚焦于识别并落地直接影响业务绩效的高价值人工智能应用。这一路径往往更加聚焦于组织中已明确界定的现有痛点，例如降低成本或提升竞争优势的需求。其背后的理念是：正如并非组织中的每个人都需要数据访问权限一样，也并非每个人都需要一个席位许可证。这一路径有助于实现更强的控制力，并使支出节奏更为可控。

但两种路径各有优劣。第一种路径为最富成效的用例的出现创造了最大的可选空间，但在起步阶段其路径定义较为模糊。第二种路径如果实施得当，风险较小，但在人工智能仍主要作为通用工具集、专业化程度较低的早期阶段，它也更容易造成早期锁定。无论采取哪种路径，组织都必须评估收益与所投入的努力是否相称。崇尚实验并不是不监测实验的借口。反过来，聚焦的实验也并不能保证成效，更不能保证在整个组织内的可扩展性，因为聚焦可能会提高要求并减缓生产率。这正是我们认为上述统计数据之所以出现的原因：太多职能部门和组织在两种路径的设计上都不够审慎。以“现在还处于早期阶段，所以请耐心等待”作为托辞似乎很容易，但考虑到相关支出，首席财务官或股东是不会认可的。

衡量人工智能的影响：人工智能RoI框架

人工智能投资模型中最大的缺口之一，在于缺乏结构化方法来衡量人工智能项目是否带来了预期影响，或是否预示着需要尽早撤资。若缺乏清晰的评估框架，企业就可能将资源投入那些无法规模化或难以产生有意义回报的项目中。人工智能RoI框架通过提供一种结构化、以指标为驱动的方法来应对这一挑战，以追踪人工智能项目从初步探索到职能部门、业务单元或全企业范围推广的全过程。

该框架从两个关键维度评估人工智能项目：技术可行性，即人工智能解决方案的成熟度及其能否规模化落地；以及应用准备度，用以评估企业是否具备整合并有效运营人工智能的能力。通过明确界定各阶段的过渡节点，企业可以判断项目何时已准备好推进至全面部署，或是否存在停滞的风险。

该框架的核心是将人工智能项目划分为三个关键阶段：当前状态、现实的近期目标（3-6个月），以及6-12个月内的理想状态。这一结构化的推进过程有助于企业量化人工智能投资的预期影响，并聚焦于能够带来可衡量回报的项目。每个阶段的“气泡”大小代表预计收益，无论是更快的上市时间、战略差异化，还是更深层的技术能力。这是一个重要的要素，需要早期假设，但也需要频繁的调整与迭代。实验所产生的洞见可能意味着，收益框架需要循序演进，而非在第一天就固定并规范化。正在观察的指标与关键绩效指标仪表板可能需要由不同的“仪表”和“刻度盘”组成，其范围既包括学习、满意度或激发创造力等较难量化的方面，也包括营销线索生成、客户流失率降低、节省时间、流程效率等高度可量化的方面等等。

通常，负责领导实验的人员与财务经理需要进行一番权衡，以界定直接影响指标如何转化为营收（顶线）或成本（底线，即盈利能力）。但梳理这一转化路径仍然至关重要，尤其是在为增加计算资源支出以及在现有工作负荷之外增加员工时间提供理由时。

以下是将即时影响指标转化为顶线和底线结果的几个示例：

1.提升员工生产率

↑ 营收：产出提高

↓ 成本：减少劳动工时

2.改善客户满意度

↑ 营收：客户留存与推荐

↓ 成本：所需支持减少

3.强化技术自动化

↑ 营收：交付更快

↓ 成本：流程精简

4.优化线索生成

↑ 营收：潜在客户增多

↓ 成本：营销更高效

5.简化客户获取流程

↑ 营收：转化率提高

↓ 成本：获客成本降低

在人工智能沙盒中应用时，该框架确保人工智能实验不是目的本身，而是通往落地执行的系统性路径。它使组织能够测试、完善并加速人工智能应用，同时使投资与业务价值保持一致。借助这一结构化方法，企业能够将人工智能从实验性的成本中心，转变为可规模化、高影响力的竞争优势驱动力。

人工智能的组合式方法：切勿孤注一掷

人工智能投资如同金融或风险投资组合，需要多元化配置，以平衡短期效率提升与长期转型。押注单一项目风险很高，有些项目会创造价值，而另一些则可能停滞。组合式方法将投资分散到核心、相邻和转型性人工智能项目之中，使企业在获取价值的同时管理不确定性。

成功不仅取决于投资什么，还取决于如何长期管理人工智能。结构化的组合式方法确保人工智能投资分布在不同的时间跨度上。短期内，人工智能提升或优化现有运营，改善效率并降低成本。中期而言，它催生新的商业模式和差异化优势；而长期投资则聚焦于能够开创新市场机遇的转型性人工智能创新，尤其是随着智能体人工智能、数字孪生、物理人工智能及其他技术相互融合，催生新型产品与服务，例如智慧城市、智慧供应链管理、家庭自动化医疗或太空经济等领域。

随着时间推移，市场与技术的不确定性会带来更大的风险。因此，企业必须持续重新平衡其人工智能投资组合：加大对高影响力项目的投入，在必要时转向，并撤出表现不佳的项目。为确保这些投资带来可衡量的影响，人工智能RoI框架提供了一种结构化方式，用以评估可行性、应用准备度和投资回报潜力。通过明确界定过渡节点，该框架有助于企业扩大成功项目、完善进行中的项目，并尽早退出失败的项目，从而避免资源浪费。

企业无需一次性投入大笔资金，而可以从小规模起步，根据结果进行调整，并将行之有效的做法加以扩大。这一结构化、数据驱动的方法，能够确保人工智能超越实验阶段，成为持续的竞争优势驱动力。

我们倡导一种审慎的设计方法：既为探索留出空间，又不为浪费股东资金、员工时间，或伴随相应能源消耗的昂贵计算能力找任何借口。人工智能并不是造成浪费的根源，缺乏对路径的思考才是。