AI落地：从概念到产业的挑战与路径

自2022年11月ChatGPT问世以来，生成式人工智能领域迎来了迅猛发展，大模型竞赛愈发激烈，性能指标不断刷新，多模态能力持续增强。AI智能体已能自主调用工具，完成日益复杂的任务。然而，大模型厂商纷纷声称的通用人工智能（AGI）时代，似乎仍遥不可及。

与技术的飞速进步形成鲜明对比的是商业应用的滞后。美国Ramp AI Index数据显示，美国公司采用付费AI产品的比例近期有停滞迹象，甚至出现了下滑。

麻省理工学院在2025年7月发布的一份研究报告指出：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股市波动。

当“所有行业都需用AI重做一遍”的豪言遭遇“AI项目高失败率”的现实，我们不禁追问：AI从炫酷功能到真实产业应用，究竟卡在了哪里？又该如何穿越迷雾，实现真正的价值闭环？

01

业务流程重构与AI路径规划

AI模型的性能指标并不能直接转化为商业价值。目前，AI在大多数情况下无法提供端到端的解决方案。因此，AI的落地应用需要根据其能力边界，结合行业和企业的业务场景、需求和痛点，优先推进AI能力较为成熟、企业数据积累相对完善、价值最为显著的环节。这需要在技术和需求的交汇点上，找到投入-数据-效益的最小可行飞轮，在产生经济收益的同时，生成新数据以优化模型，形成持续迭代的良性循环。

所以，现阶段AI落地应用需要经历工作流程分割和业务流程重构的过程。将AI擅长的部分交给AI；剩余部分，无论是由于AI能力限制还是数据积累不足，仍需由人完成。人的工作是驾驭AI，黏合流程断点，进行任务和资源分派，以及结果的评估纠正。

这一业务环节重构过程可以比作路径规划。例如，从上海的漕河泾开发区到复旦大学，最快的路径并非地面直线，而是走高架路。AI如同高架路，能大幅提升行驶速度，但无法覆盖全程，因此仍需地面道路衔接两端。地面道路好比人的作用。

AI落地所需的业务流程重构与路径规划有三个类似之处：

第一，在路径规划中，通高速的路段走高速，未通的路段走地面；有时不只在行程两端，在中间部分高速也可能没连上，需要走地面。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；其余部分包括不同AI环节之间的衔接以及需要经验判断、情感交互的环节则仍由人负责。

第二，路径规划需要了解出发点和目的地以及沿途的高速线路图。类似地，如果企业想通过AI优化业务，既需知道自身需求（相当于行程的出发点和目的地），也需清楚当前AI的能力及边界（相当于高速线路图），从而在两者的交集中寻找价值创造点。

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：今天没有覆盖的路段明天可能通车；今天的高速入口在东边明天可能在北边新增一个更近的入口。同样地随着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调整。

据我观察目前多数企业仍停留在直接套用AI工具的阶段既未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-效益的飞轮结果自然不如预期。

02

谁来主导AI落地

如上所述AI落地应用既需要懂AI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的人学习改造行业要么是行业内的人学习AI工具改造自己的行业。

路径一：让懂AI的人“走进行业”——

前端部署工程师（FDE）的兴起。

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：其核心是将熟悉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信息最终在AI的能力边界内找到与企业需求和痛点相契合的价值创造点。

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”是在员工个人层面针对某些特定任务而不是组织层面的系统性应用既缺乏员工间的协调也没有对行业和企业的适配。这一方面说明绝大多数公司的业务中AI确实能在不少环节上提升效率。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和上下文功能以及对企业场景的适配就能进一步放大其效果。另一方面根据企业业务环节的需求匹配AI工具前提是评估业务流程这项工作可以自下而上的分布式完成过程中可能还需要进行一定程度的适配和定制化。

过去由于AI技术门槛高迭代速度快由行业人士学习AI工具赋能和改造行业难度很大。然而最近一年来由于AI编程的爆发这条路径成为可能。

03

AI编程激活行业自主改造

随着AI技术的发展编程工具越来越强大幅降低了软件开发的门槛和成本使其变得“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大约有20%-30%来自编程工具。亚马逊云服务业务CEO加尔曼甚至称AWS75%的代码已由编程工具生成。随着技术进步编程比例也将不断扩大。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专家“上门改造”而是可以主动去学习、掌握并运用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应用的最小可行飞轮解决具体问题创造立即可见的价值。

特别的编程有望让中小企业成为生力军。相较于大型企业中小企业推动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确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”也可以从零构建适配的体系无需改造复杂的遗留系统难度和风险往往更小。中小企业过去可能在人才上有劣势而编程工具大大缓解了这个问题。

04

结语

落地不是一蹴而就的“颠覆”而是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“全流程化”可以选择聚焦“小切口、高适配、高收益”的场景找到与业务相契合的最小可行飞轮再利用编程工具测试、打磨功能降低落地成本从而赢得内部支持。

编程工具的能力日益强大即使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解决问题创造价值。对于个人而言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。一大路径是鼓励员工学习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。

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