AI从技术炫酷到产业落地：破解高失败率迷雾的价值闭环路径

自2022年11月ChatGPT问世以来，生成式人工智能呈现爆发式增长，大模型竞争进入白热化阶段，性能指标持续刷新纪录，多模态能力不断强化。AI智能体已能自主调用各类工具，完成日益复杂的任务。众多AI大模型厂商宣称，通用人工智能（AGI）时代即将来临。

与技术迅猛发展形成鲜明对比的是商业应用的滞后。美国Ramp AI Index数据显示，美国企业采用付费AI产品的比例近期出现停滞甚至下滑趋势。

麻省理工学院在2025年7月发布的一份研究报告指出：高达95%的生成式AI应用项目效果不佳或中途夭折。这份报告甚至引发了美国股市的震荡。

当“所有行业都需用AI重塑”的豪言壮语遭遇“AI项目高失败率”的残酷现实，我们不禁要问：AI从炫目的功能到真实的产业应用，究竟瓶颈何在？又该如何穿越迷雾，实现切实的价值闭环？

01

业务流程重构与AI路径规划

AI模型的性能指标并不直接等同于商业价值。目前，AI在多数场景下无法提供端到端的完整解决方案。因此，AI的落地应用需要依据AI的能力边界，结合行业与企业具体业务场景、需求及痛点，优先在AI能力相对成熟、企业数据积累较为完善、价值体现最显著的环节进行推进。这要求在技术与需求的交汇点，找到投入-数据-效益的最小可行闭环，在产生经济效益的同时，生成新数据反哺模型优化，形成持续迭代的良性循环。

在当前阶段，AI落地应用需经历工作流程分割与业务流程重构的过程。将AI擅长的部分交由AI处理；其余部分，无论是因为AI能力限制还是数据积累不足，仍需要由人力完成。人的角色是驾驭AI，黏合流程断点，进行任务与资源分配，以及对结果进行评估与纠正。

我们可以将上述业务环节重构过程类比为路径规划。例如，从上海漕河泾开发区前往复旦大学，最快路径并非地面直线，而需借助高架道路。AI就如同高架路，能大幅提升行驶效率，但无法覆盖全程，因此仍需地面道路进行衔接，后者相当于人的作用。

AI落地所需的业务流程重构与路径规划有三点相似之处：

第一，在路径规划中，有高速的路段走高速，未通高速的路段走地面；有时高速在中间段也未连通，需临时转入地面。类似地，AI目前仅能胜任部分业务环节。企业需先拆解现有工作流，将AI擅长的环节交给AI；剩余部分，包括不同AI环节间的衔接，以及需要经验判断、情感交互的环节，则仍需由人负责，确保整体任务顺利完成。

第二，路径规划需要明确出发点和目的地，以及沿途的高速线路图。类似地，企业若想通过AI优化业务，既需了解自身需求（如同行程的起点与终点），也需清楚当前AI的能力及边界（相当于高速线路图），从而在两者的交叉领域寻找价值创造点。

第三，路径规划需要动态调整。AI技术进步如同高速公路的持续扩建：今天未覆盖的路段，明天可能通车；今天的高速入口在东侧，明天可能在北侧新增更近的入口。同样，随着AI能力的提升，企业的流程重构、AI与人的分工协作也需要不断优化。

根据观察，目前多数企业仍停留在直接套用AI工具的初级阶段，既未系统拆解工作流，也未评估AI能力与业务需求的适配性，未能形成投入-数据-效益的良性循环，结果自然不尽如人意。

02

谁来主导AI落地

如上所述，AI落地应用既需要懂AI技术，又需要行业洞察。然而，各行各业千差万别，很难两者兼备。因此，要么是懂AI的人深入行业进行改造，要么是行业从业者学习AI工具，反过来赋能自身行业。

路径一：让懂AI的人“走进行业”——前端部署工程师的崛起。

硅谷近年兴起的“前端部署工程师”模式，正是这条路径的代表。该模式由数据分析公司Palantir率先探索：核心是将熟悉AI和数据分析技术的工程师派驻到客户企业，往往长达数月甚至半年。这些工程师的任务不是推销产品，而是深入业务一线，掌握企业生产运营的详细信息，最终在AI的能力边界内找到与企业需求和痛点契合的价值创造点。

如今，Palantir的FDE模式已成为硅谷推崇的“AI落地范本”——这些前端部署工程师因同时掌握AI技术与行业洞察，成了当今最受投资人青睐的创业者群体。

路径二：让懂行业的人“掌握AI”——难点与转机。

行业从业者学习掌握AI工具后，将AI能力带回到自身业务中，这是另一条路径。文首提到的麻省理工学院报告发现，尽管只有约40%的公司是AI工具的付费用户，但超过90%的公司，其员工自费使用AI工具提升工作效率，作者将此称为“影子AI经济”。

“影子AI经济”主要体现在员工个人层面，针对特定任务，而非组织层面的系统性应用，既缺乏员工间的协调，也缺少对行业和企业的深度适配。这一方面说明，在绝大多数公司的业务中，AI确实能在不少环节提升效率。可以想象，如果能在企业层面系统性地采用这些工具，再增强其记忆、上下文功能以及对具体场景的适配，就能进一步放大效果。另一方面，根据企业业务环节需求匹配AI工具，前提是评估业务流程，这项工作可以自下而上分布式完成，过程中可能还需要进行一定程度的定制化适配。

过去AI技术门槛高，迭代速度快，由行业人士学习AI工具来赋能和改造行业难度很大。然而最近一年来，AI编程的爆发让这条路径成为可能。

03

AI编程激活行业自主改造

随着AI技术发展，AI编程工具日益强大，大幅降低了软件开发的门槛和成本，使其走向“平民化”——过去需要专业程序员数月完成的开发工作，如今零基础用户也能用自然语言描述需求，通过AI编程工具生成代码，开发出至少能验证概念、测试用户反馈的产品原型。

微软CEO纳德拉、谷歌CEO皮查伊都曾公开表示，其公司当前生成的软件代码中，约20%-30%来自AI。亚马逊云服务业务CEO加尔曼甚至称AWS 75%的代码已由AI生成。随着AI技术进步，AI编程比例将持续扩大。英伟达创始人黄仁勋、OpenAI CEO奥尔特曼等行业领袖均预判，未来编程将不必采用C++、Python等专业语言，“自然语言即代码”将成为常态。

这一变化意味着，AI落地的核心动力，很可能将从“技术专家推动”转向“行业从业者自主创造”。上文所述的路径二变得可行，行业人士无需再等待AI专家“上门改造”，而是可以主动学习、掌握并运用AI编程工具，根据行业的特定场景、需求和痛点，在业务的部分环节发现和构建AI应用的最小可行闭环，解决具体问题，创造立即可见的价值。

特别地，AI编程有望让中小企业成为AI落地的生力军。相较于大型企业，中小企业推动AI改造无需多层级部门协调，往往一位管理者搭配两三名核心骨干就能敲定方案，决策和迭代速度更快。而且，中小企业业务环节较少，即便需要补数字化“功课”，也可以直接从零构建适配AI的数字化体系，无需改造复杂的遗留系统，难度和风险通常更小。中小企业过去可能在人才储备上处于劣势，而AI编程工具大大缓解了这一问题。

04

结语

AI落地不是一蹴而就的“颠覆”，而是AI技术与产业需求在互动中逐步校准磨合。对企业而言，现阶段不必执着于“全流程AI化”，可以选择聚焦“小切口、高适配、高收益”的场景，找到AI与业务相契合的最小可行闭环，再利用AI编程工具测试、打磨功能，降低落地成本，从而赢得内部支持。

AI编程工具的能力日益强大，即使它今天还有局限和瑕疵，但进步速度很快，将让越来越多人能利用编程来解决问题，创造价值。对于个人而言，AI时代最重要的不再是掌握知识，而是眼光和创意。眼光意味着能在行业中、工作中、生活中看到未被满足的需求、存在的痛点和机会，创意就是利用新技术想出解决问题的更好方法。AI落地应用的一大路径就是鼓励员工学习AI编程工具，用来改造和提升自己的工作，进而改造和提升自己的公司和行业。

当越来越多的行业从业者能用自然语言开发软件，当企业能快速试错并优化AI方案，AI才能真正变成推动各行各业进步的生产力。但即便如此，AI仍然只是协同进化的伙伴而非万能工具。

（作者为丽瓦信息董事总经理、斯坦福成长创新圈理事长）