IBM咨询：AI落地中值得反复思考的几个误区

典藏智慧，实践真金。《典实成金——首席会科厅》是由《21世纪经济报道》与IBM共同打造的高端圆桌对话栏目。 本文基于《典实成金——首席会科厅》节目中，南方财经首席记者施诗 与IBM咨询大中华区合伙人、企业运营服务总经理吕行，以及IBM咨询大中华区合伙人、AI数字化服务总经理叶剑的对谈整理而成，相关内容的使用已获得授权。

生成式AI正在渗透进企业经营的各环节，从辅助工具跃升为效率引擎和关键决策参考。面对这场不可逆转的技术变革，企业普遍存在一种心态：不用怕落伍、选了怕用错、用上怕无效。

将AI从试点推向规模化应用，企业与赛前候场的运动员一样焦虑。运动员的心态稳定下来的转折点往往始于第一个动作的开启，企业转折始于明晰“向AI要什么成绩”并迅速推进到细节层面的那一刻。

说到底，企业向AI要的是生存与发展，“降本增效“是可以拿出来衡量效果的重要证据。这让本期话题从“降本增效”说开，探讨将技术转化为经营成果，管理层要怎么操盘？

时下再谈AI，尤其要先强调一个共识：带着误解去行动，大概率会出问题。

误解一：AI是成本压缩工具

真相：用AI降低决策成本，增加组织效率

很多人对企业上AI的第一反应是：“能裁多少人”？这个起点，既动摇了人与技术协作的心理基础，也把AI的真实价值说窄了。

吕行认为，不能把“降本“和”增效“分开看，“降本是为了增效“。把”降本“当成目标，是偏离方向的歧途。当效率真正提升时，变化是连锁发生的：流程更顺畅，面对新场景响应更快，决策更准，整体运营也更稳健，成本自然会降下来。反之，如果缺少对企业复杂、系统性运营的梳理，即便省下部分成本，也很容易被内耗吃掉。

因此，“降本”与“增效”是一体两面，同时，“增效”是驱动性核心！

“增效”也常被误解，大家通常把它与“人效比”之类的指标关联。叶剑的观点是：增效的真正意义，在于释放被占用的人力资源，让人去做那些更需要创造力、判断力和同理心的工作。

如果只盯着“降本”，简单地把人“优化”掉，现实问题很快就摆在那里：AI生成的结果，谁来验证？系统出现问题，谁来排查？这些不会因为AI的存在而消失，反而对人的能力提出更高要求。

人与AI的协同，正成为新的基本工作方式，端到端的责任，最终仍然需要人来承担。对于企业，上AI，不等于裁人，而是要更多复合型人才。

事实上，除了显性的人力成本，企业最贵的成本是信息不透明、响应不及时、判断不准确所带来的隐性损耗。对AI的价值，叶剑给出了一个非常精炼的总结：

“降低从数据到决策的时间差，增加从决策到执行的确定性”，降本增效=释放组织能力。

误解二：AI是技术问题

真相：AI首先是管理问题，其次是技术问题

上AI，很多企业的惯性做法是求快，将项目接给IT部门或技术负责人，结果往往会是技术跑通了，但业务用不起来；数据模型很先进，但数据底子太糟；甚至有企业出现了上午通知全员试用，发现数据管理漏洞后，下午紧急叫停的情况。

吕行分享到：很多问题不在技术，而在于企业一开始没把场景、数据和投入产出想清楚，结果越做越乱。企业运行本身就很复杂，引入AI必须先做系统性梳理。但不少企业担心，花几个月做战略梳理会错失机会、跟不上形势，急于上线反而是导致盲目投资的原因。

在这方面，IBM践行“零号客户”理念，从最通用的人力资源领域入手，先对HR的一百多个核心工作流程进行了梳理、重构，推出AskHR，并积累了大量员工自助、沟通和互动的经验。如今，无论新老员工，都拥有了自己专属的HR助理。有了这个改变后，从HR扩展到财务、采购、供应链，一步步都遵循“先理清管理，再应用技术”进行推动，这套体系跑通了全球几十万IBM员工的协同，年化带来约45亿美元的收益。这是一场由CEO Arvind Krishna统一领导下的IBM整体向AI驱动的运营管理变革。

叶剑进一步强调：当下企业AI落地的重点已经从“追新模型”转向了 “工程化”——把数据、流程、数字员工和治理体系四件事融合在一起。谁来牵头？不是CTO一个人，而需要上升到一把手工程，在战略层面梳解，把业务价值域和推动路径理清楚。他观察到做得比较好的企业，包括汽车行业、制造业，还有快消领域都是这样。

新的技术是否马上应用到自身，要做认真的思考。企业是否做对了AI，他建议反问自己两个问题：

· 流程是否比以前更快、更准、覆盖更全？

这个问题背后，检验的是数据是否干净、AI是否真正嵌入了业务流程。流程通畅会再带来好的数据，形成良性循环。

· 组织是否开始做以前做不了的事？

如果AI只是让原来事情更快，那只是工具升级；如果AI做了原来做不了的事，带来了稳定的产出，那才是管理变革。

AI落地的难点不在算法，而在流程梳理、数据治理和组织协同。先想清楚自身的管理问题，选定在哪个业务价值域开启，技术随后跟上。

误解三：AI从点状到规模化，就是多点、快速铺开

真相：AI走多远，取决于治理边界设在哪里

很多企业管理者有一个朴素的信念：AI试点跑通了，接下来就是快速复制、全面铺开。多点开花、谁铺得快谁就胜出。但对于企业级AI而言，“可控能力”才是分水岭。

叶剑引用IBM商业价值研究院的报告：近70%的CEO相信AI将带来效率革命，但只有不到25%的管理者清楚“具体该往哪个方向走”。前两年大家拼命“追模型”，而从去年下半年开始，一个明显的转变发生了——人们意识到，模型再强，没有工程化能力和治理体系，规模化铺开只会引发更大的混乱。工程化的背后，是一套必须提前设定的 “围栏”。

吕行在服务大量客户中发现，那些AI落地顺利的国内外企业，往往上下游已有成熟的电子数据交换和数据联通机制，数据基础干净，AI很容易发挥作用。数据是基础，无法绕行。

吕行和叶剑反复强调：AI不是不能给权限，但必须在一开始就明确它能调用哪些资源、在什么范围内可以自主决策、哪些关键节点必须由人最终拍板。叶剑打了个比方——可以给AI一个很大的“球场”让它自由发挥，但球场的边界、出界规则、裁判的最终裁决权，必须在赛前定好；一旦涉及资金或安全，原则只有一个：人来做最终决策。

AI的应用分四个层次，前两层（内容识别、推理分析）相对可控，但到了第三层——数字员工和智能体层面，AI开始自己规划任务、调用资源，如果没有预先设好“围栏”，自主推理和行动就可能失控。因此，从点状走向规模化，必须先画好边界。

IBM很早就把AI治理作为企业级能力来建设：工具层面有watsonx覆盖数据治理与风险管理，方法层面通过分层方法论在第三层设定清晰的权限规则，包括人机协同、智能体协同甚至“安全房”机制。

回过头看，AI落地中的焦虑，大多源于这些误解：把成本当成目的、把技术当成全部、把铺开当成胜利—— 调整思路，战略设计和治理设计，必须同时先行启动，这是规模化的前提。这样，AI才能真正从“降本工具”变成“能力中心”。

展望

施诗请吕行和叶剑从更宏观的视角，聊了聊对中国企业规模化应用AI的展望。两位合伙人的判断是：中国制造业在AI浪潮到来之前，已经积累了相当扎实的效率基础，供应链和制造体系的底子在那里。在这个节点上叠加AI能力，进一步提效和创新，有条件，也有机会。

挑战也同样真实：数据干不干净、统不统一？安全怎么兜底？上下游数字化水平参差不齐，怎么带着他们一起往前走？这些问题没有标准答案，需要企业根据自身情况来系统作答。

一个值得参考的务实路径是“BPO+AI”——把需要提效的业务，通过业务流程外包与AI能力结合，先跑起来，先看到效果，再逐步构建自己的能力和信心。

不冒进，也不掉队，或许是当下更务实的选择。