K2观察｜如何跨越生成式人工智能应用的鸿沟？

来源: | 作者:pmod6d781 | 2025-11-01 | 37 次浏览 | 分享到:

近期，MIT发布研究报告《生成式人工智能鸿沟：2025年商业中的人工智能现状》，指出尽管企业在生成式人工智能上的投资达到了300至400亿美元，但令人惊讶的是，95%的组织未获得任何回报。只有5%的集成人工智能试点项目获得了期待中可观的业务价值（数百万美元），绝大多数仍然停滞不前，没有明确可衡量的影响。

企业中关于生成式人工智能的五大误区

误区1：人工智能将在未来几年取代大多数工作

--> 研究发现生成式人工智能导致的裁员有限，且仅发生在已经受到人工智能显著影响的行业。高管们对于未来3-5年的招聘水平尚无共识。



误区2：生成式人工智能正在改变业务

--> 单点工具采用率很高，但促进了业务转型的很少。只有5%的企业在规模上将人工智能工具集成到工作流程中，且9个行业中有7个没有真正的结构性变化。



误区3：企业在采用新技术方面进展缓慢

--> 企业非常渴望采用人工智能，90%的企业已经认真考虑过购买人工智能解决方案。但将愿望付诸具体行动的进展缓慢，大部分在观望和小规模试点验证阶段，成规模应用少。



误区4：阻碍人工智能发展的最大因素是模型质量、法律、数据、风险

--> 真正阻碍它发展的原因是大多数人工智能工具学习门槛高，也不能很好地集成到工作流程中。



误区5：最优秀的企业正在构建自己的工具

--> 内部构建失败的概率是外部合作的两倍。

从报告看，大多数失败的原因是工作流程脆弱、缺乏情境学习以及与日常运营不匹配。这与K2观察基本一致，总的来说，就是新的AI工具无法直接作用于现有工作流程，或是不可靠，或是不灵活。

相较于投资于无法适应其工作流程的静态AI工具，5%跨越鸿沟的组织选择专注于与自身业务和基础匹配，且具备学习能力的系统。结合MIT的分析报告，以及K2多年的实践经验，我们来看看这些成功者都做对了什么？

1、先从最能落地价值的场景着手

K2观点：不是形势所迫，别贪大求全，也别一来就去挑战需要颠覆性改造的“硬骨头”。从"小快灵"项目切入，先拿 1-2 个能直接和成本、效率挂钩的小场景试点，初期投入控制在能通过试点收益快速验证显性或隐性价值的范围，避免资金压力过大。试成了，积累经验、提振信心，再逐步扩展到更多的产线，以及更复杂的场景。

原文译：设置负担低且价值实现时间快的工具，表现优于繁重的企业级系统构建。表现突出的不是那些构建通用工具的公司，而是那些能将AI能力嵌入到企业工作流程中、适应上下文并从细分但高价值的立足点扩展的公司。领域适配度和工作流集成比华丽的用户体验更重要。

2、注重资产沉淀，避免重复造轮子

K2观点：看起来不同的智能体开发任务，实际上共享着大量相同的基础功能，例如，数据导入、信息提取、搜索和分析。我们需要在智能体开发任务中，将诸如可观测LLM推理过程的工具、预先审核的提示词等经过验证的服务，和可复用算子、经过治理的数据、岗位操作流程等资产，整合到一个统一的平台中，并确保它们易于查找，以及在权限范围内按需使用。

原文译：员工们纷纷抱怨，每次都要手动输入一堆背景信息，还不会从反馈中学习进步。相较之下，ChatGPT之所以成功，就因为灵活且响应迅速，即便每一次对话都是一次全新的开始。而企业级工具则显得僵化呆板，每次使用前，都需要进行繁琐的设置。

3、数据治理所有智能工作的前提

K2观点：想从现有开源智能体调优开始，让其在工业环境中可用，首先要练好 “基本功”—— 精准采集设备传感器数据（温度、振动等），并预处理剔除杂音、修复异常，确保数据可靠。数据治理是所有（包括能力进阶后的异常识别、故障诊断及推理等）工作的前提。

原文译：MIT另一份报告《Data Readiness Is Key to AI Readiness》指出，82%的高管将数据集成和数据传送解决方案列为长期基础人工智能成功的优先事项。数据治理、合规性和安全性也是关键考虑因素，44% 的受访者认为这些因素是数据准备方面第二常见的挑战。60%的受访者一致认为，他们“需要纠正数据治理、信任和安全问题”，以实现其人工智能目标。

4、AI不替代人，而是拓展人的能力边界

K2观点：AI技术公司过度宣扬当前AI具备的能力甚至暗示其可以大规模取代人的做法十分有害，只会导致用户因被替代的恐惧而排斥接纳AI。事实上以大模型为代表的新一代AI技术底层所使用的人工神经网络仅仅模仿了人类大脑皮层的一小部分功能，从第一性原理的角度看，离能全面取代人脑距离甚远。正确定位AI为人类专家的助手，会加速AI接纳速度。在复杂工业生产现场，一线管理者往往在繁复的数据和生产指令中疲于奔命；而他们在领域知识、现场操作经验、数据理解和分析能力方面存在显著的个人差异，影响生产一致性。经过专项训练过的AI，将把人类从繁琐枯燥的重复性脑力劳动中释放出来，去聚焦创新决策，个人的能力边界将得到极大拓展，协作、决策和行动效率也将倍增。

原文译：关于劳动力影响的担忧远没有预期的那么普遍。大多数用户欢迎自动化，尤其是对于繁琐的手动任务，只要数据保持安全且结果可衡量。

5、工业AI成长需要长期主义

K2观点：从技术层面看，企业数据的积累、治理和优化是一项长期工程，而工业智能体的开发与在与人协同工作的过程中迭代成长更是一场持久战，需明确“数据筑基、知识赋能、分析建模到智能决策”各阶段的技术要求与价值，科学规划AI实施路径。从业务层面看，工业领域场景复杂且异构严重，同一流程在不同工厂、设备和工况下差异巨大，需要长期持续的投入和积累才能取得显著成效。

原文译：企业的招标到实施周期从2月到18个月不等。表现最好的公司报告从试点到全面实施的平均时间为90天。相比之下，更多企业则需要9个月或更长时间。投资回报率影响在试点后6个月测量，并根据部门规模进行调整。6个月观察期可能不足以全面评估复杂企业系统的“成功部署”，可能低估了长期实施的成功率。

6、工业数智化转型是一把手工程

K2观点：一些企业管理层将AI视为噱头或孤立的技术项目，而非与核心业务深度结合的长期战略，容易出现 “为AI而AI” 的情况。只有将工业AI作为一把手工程，视其为组织能力提升和企业业务转型的利器，才能从企业战略高度给予足够的重视和支持，确保AI项目与企业的整体发展目标相一致；同时，有利于跨部门协同，促进企业文化和员工观念的转变，为工业AI的落地创造良好的内部环境。

原文译：最成功的供应商明白，跨越生成式人工智能鸿沟需要构建高管们反复强调的系统：不仅仅生成内容的人工智能系统，而是在其环境中学习和改进的系统。

7、优先考虑外部战略合作伙伴

K2观点：选择外部合作伙伴与项目成功之间并不一定能证明因果关系。但据MIT调研结果，战略合作伙伴关系实现成功部署的份额显著高于内部开发工作。对于新兴技术，内部团队学习掌握需要时间，而外部合作伙伴相对有更多的实践机会与试错经验。这些合作伙伴通常能提供更快的价值实现时间、更低的总成本，以及与运营工作流程的更好契合。企业避免了从零开始构建的开销，同时仍实现了定制化解决方案。

原文译：尽管内部开发工作更常被尝试，其成功率却明显较低。虽然组织通常会结合多种方法，但通过战略合作伙伴关系构建的试点项目达到全面部署的可能性是内部构建项目的2倍。顶级买家将这些合作伙伴视为业务服务提供商，而非软件供应商，并对其设定的基准更接近于咨询公司或业务流程外包的标准。