企业人工智能的决策制定及决策流程：从战略动力到实际应用

Konrad Wolfenstein

6 小时前

企业人工智能的决策制定及决策流程：从战略动力到实际应用——图片来源：Xpert.Digital

别纠结于技术：人工智能失败的真正原因另有其他。

不仅仅是工具：为什么选择人工智能将改变您的整个业务

人工智能的热潮依然不减，德国企业的董事会中弥漫着淘金热的氛围。许多人将引入人工智能视为一个快速的运营决策——只不过是又一个承诺提高效率的软件工具。但这种想法代价惨重，也是高达80%的人工智能项目失败的主要原因。事实是：将人工智能战略性地融入企业并非短跑冲刺，而是一场马拉松，从编写第一行代码到最终完成，需要六到九个月的时间。

这种复杂性的根源不在于技术本身，而在于流程。与传统软件不同，人工智能需要对企业战略、治理结构和风险评估进行根本性的重组。自从 ChatGPT 取得突破性进展以及欧盟人工智能法案生效以来，不加约束的实验已不再可行。如今，每一项人工智能计划都必须置于严格的法律、伦理和财务框架之内。

本文将指导您完成这一艰巨而至关重要的过程。它将从最初的战略考量到最终决策的复杂路径分解为七个具体易懂的阶段。通过实际案例、成本分析以及最常见的陷阱，您将了解到为什么真正的准备工作早在技术实施之前就已经开始了，以及如何通过战略远见而非盲目行动来为成功的AI转型设定方向。

战略困境：为什么人工智能决策所需时间比企业预想的要长？

将人工智能引入公司通常被视为一项快速的运营决策。但实际情况远比这复杂得多。人工智能实施决策并非一蹴而就，而是一个层层嵌套的战略、运营、组织和技术评估过程，在第一阶段实施开始之前，通常需要六到九个月的时间。虽然其他技术领域的公司可以采用既定的决策矩阵，但人工智能的决策却截然不同：它不仅需要评估技术参数，还需要重新解读治理结构、变革管理策略和风险评估，而这些在组织内部往往尚未以这种形式制度化。

许多公司的悲剧在于低估了这项决策的重要性。在管理讨论中，人工智能经常被等同于其他软件实现，尽管它的复杂性要高得多。这导致项目资金不足、时间预估过于乐观，最终导致文献中记载的那些臭名昭著的失败案例：目前的研究表明，80%的人工智能项目都以失败告终。这些失败中很大一部分并非技术问题，而是程序问题。它们的出现是因为决策过程不够严谨。

历史发展：从乌托邦到务实治理

要理解当今的决策过程，就必须考察其发展历程。企业采用人工智能的第一波浪潮充满了狂热和技术乐观主义。在2010年代，人工智能主要由大型科技公司和资金雄厚的初创企业探索。传统企业最初持怀疑态度，后来则犹豫不决。当时的决策方式很简单：聘请外部顾问，测试学术模型，如果某个方案行不通，就悄悄放弃。

这一阶段的探索性发展随着2022年11月ChatGPT的发布而戛然而止。人工智能突然不再是抽象的科学概念，而是触手可及、无处不在的现实。这导致企业董事会对人工智能的兴趣激增。我们目前经历的第二波浪潮以监管压力、竞争压力以及对人工智能战略重要性的认知为特征。欧盟人工智能法案于2025年8月生效，其他国家的类似监管框架也从根本上改变了决策方式。企业不能再进行不负责任的实验；每一项人工智能计划都必须纳入法律和伦理框架之中。

这一发展的第三个维度是专业化。Gartner报告称，到2025年底，75%的公司将使用人工智能。这标志着人工智能的大规模应用。当然，随着人工智能的广泛应用，也出现了以前无需的标准、最佳实践和治理框架。如今，实施人工智能的公司可以借鉴已有的知识和经验，这使得决策过程更加结构化，但也更加复杂。如今的决策过程并非更快，而是更加全面、记录更完善。这正是现代人工智能决策过程的核心发展特征。

决策过程的核心机制

企业人工智能决策过程并非遵循统一的模式，而是遵循成熟组织中逐渐形成的既定模式。然而，这些过程可以分解为若干具体阶段，每个阶段都有其自身的标准、利益相关者和关键节点。

第一阶段是战略评估或评价阶段，持续两到四周。

在这个阶段，首先要回答的问题是：我们公司在人工智能领域处于什么位置？这需要通过结构化的人工智能成熟度分析来实现，分析过程中会采访来自各个部门（从IT和财务到业务拓展）的高管。其目标不仅在于了解技术准备情况，还在于了解组织成熟度。那些在这个阶段急于求成，想要快速进入下一阶段的公司，犯了一个根本性的错误。评估阶段是所有后续决策的基础。

第二阶段是战略和目标制定，持续四到八周。

在此阶段，公司需要明确人工智能在其业务中应扮演的角色。这并非一个技术问题，而是一个商业问题。例如：人工智能的主要作用是提高效率，还是创建新的商业模式？应该将其整合到现有流程中，还是应该设立独立的部门？哪些行业或职能领域最具潜力？这种战略上的明确需要董事会层面的深入讨论。许多公司低估了这一阶段所需的时间，因为他们认为这只是空谈。事实并非如此。公司对人工智能愿景的清晰认识决定了后续的所有决策。缺乏明确战略的公司最终只会推出缺乏实际商业价值的人工智能项目。

第三阶段是用例识别和优先级排序，需要六到十二周时间。

这是战略阶段的执行层面。在此阶段，需要确定具体的、以业务成果为导向的应用案例。公司会从各个部门收集想法：人工智能具体能如何帮助你们？这种收集方式是刻意采用非结构化的方式。接下来，公司会基于一个评估矩阵进行系统性的优先级排序，该矩阵会考虑业务潜力、技术可行性、数据成熟度和风险等因素。优先级排序过程是此阶段最关键的环节，因为它需要将乐观的业务部门和务实的技术部门结合起来。如何管理这些矛盾并最终确定合理的优先级是一项管理技能，而非技术技能。如果公司仅仅通过投票来选出十大应用案例，那么之后很可能会把时间浪费在无利可图的项目上。

第四阶段是风险和合规性评估，持续四到八周。

在人工智能应用的第一波浪潮（2023年之前）中，这一阶段几乎被忽略，但如今却至关重要。该阶段评估以下内容：哪些监管要求会影响计划中的人工智能应用？需要哪些数据，这些数据的合法性如何？会引发哪些伦理问题？会出现哪些责任和合规风险？理想情况下，这一阶段应由一个团队来完成，该团队应包括律师、合规专家、数据保护官和技术专家。这并非可选项。忽略这一阶段或敷衍了事的公司，日后必将面临巨大的问题。

第五阶段是财务规划和商业案例开发，需要四到六周时间。

这里汇总了具体的投资数据。人工智能实施的成本因项目范围而异。自助式人工智能解决方案每月起价为 4,000 欧元至 25,000 欧元。定制开发原型的价格从 15,000 欧元到 32,000 欧元不等，最高可达 50,000 欧元至 100,000 欧元甚至更高。基础设施成本也是一个重要因素，根据云解决方案的不同，每月费用可能在 500 欧元到 15,000 欧元之间。此外，还有一些隐性成本：员工培训（每人 300 欧元至 4,000 欧元）、变更管理、数据准备（可能占项目预算的 60% 至 80%）以及持续优化。中大型企业的企业级人工智能项目预算可从 250,000 欧元起步。商业案例的制定至关重要。企业不仅需要证明投资，还需要证明预期回报。人工智能实施的保守投资回报率为五年内 214%。乐观估计最高可达761%。这一范围凸显了做出切合实际假设的必要性。

第六阶段是组织准备和治理结构，持续四到八周。

这一阶段通常与其他阶段并行，但其本身具有独特的地位。在此阶段，需要明确以下问题：谁负责人工智能项目的决策？需要怎样的治理结构？是否需要首席人工智能官？人工智能将如何融入现有的决策层级？规模较大的公司由于治理需求更为复杂，通常会设立人工智能治理委员会，成员包括来自业务部门、IT部门、合规部门、人力资源部门和财务部门的代表。规模较小的公司可以采取更为非正式的方式，但仍应明确责任划分。这一阶段至关重要，因为它赋予人工智能项目合法性和结构性。缺乏清晰治理的公司最终会因项目间的竞争或决策缺乏问责机制而失败。

第七阶段是利益相关者动员和变革管理准备，持续四到十周。

这一阶段旨在预见阻力并做好应对准备。人工智能的经典变革管理流程遵循一套行之有效的结构：在最初的两到三个月里，提高员工意识。告知员工人工智能即将到来，但这并非对其工作的威胁，而是赋能工具。在接下来的三到六个月里，培养实验精神。展示快速见效的成果。组建志愿者试点小组。接下来的六到十二个月致力于规模化应用。记录最佳实践，并将培训制度化。利益相关者的参与至关重要：78% 的高管认为人工智能支持的决策是一种战略优势，但这并非理所当然。必须赢得这种信念。跳过这一阶段的公司不仅会造成实施阻力，还会留下长期的文化问题。

只有经过这七个阶段（总共持续六到九个月），公司才能启动具体的试点项目。这一点至关重要，但许多决策者却误解了。他们认为决定实施人工智能就是实际工作的起点。事实上，决策本身就是一个六到九个月的过程，只有在决策之后，实施工作才会开始。

我们在欧盟和德国的业务开发、销售和营销方面的专业知识

我们在欧盟和德国的业务发展、销售和营销方面的专业知识 - 图片：Xpert.Digital

行业重点：B2B、数字化（从AI到XR）、机械工程、物流、可再生能源和工业

更多相关信息请点击这里：

Xpert 商业中心

具有见解和专业知识的主题中心：

全球和区域经济、创新和行业特定趋势的知识平台
收集我们重点领域的分析、推动力和背景信息
提供有关当前商业和技术发展的专业知识和信息的地方
为想要了解市场、数字化和行业创新的公司提供主题中心

规模化而非炒作：两个案例研究揭示人工智能的真正运作方式

现状：决策即企业现实

当前人工智能决策的现状令人瞩目。一方面，监管形势紧迫。随着欧盟人工智能法案成为具有约束力的框架，欧洲企业必须将人工智能的应用纳入一套完善的治理体系。这使得决策成为合规的必要条件，而不仅仅是一种战略选择。77% 的组织已经积极实施人工智能治理计划。这不再是可选项，而是主流做法。这种广泛的应用意味着企业可以借鉴既有的模式。人工智能治理工具和咨询市场正以每年 36.7% 的速度增长，预计到 2033 年将达到 296 亿美元。这意味着如今的决策比以往任何时候都更加专业化。

另一方面，决策比以往更加务实，也更加以利益相关者为导向。47% 的组织将人工智能治理列为战略重点。这意味着决策不再由 IT 部门做出，而是由董事会层面做出。这提高了流程的严谨性，因为董事会的决策流程通常比 IT 经理更加正式。虽然这总体上是积极的，但也导致了实施过程中的显著延误。

实际情况也揭示出一个碎片化的局面。成功推动人工智能应用的公司遵循一个结构化的四阶段模型：探索（两到三个月）、标准化（两到四个月）、整合（六到十二个月）以及最终的转型。这些阶段并非可有可无，也并非可以快速完成，而是至关重要的里程碑。跳过或仓促完成这些阶段的公司注定会失败。

现状的另一个方面是成本现实。人工智能部署项目的合规支出平均为 34.4 万欧元，而研发成本约为 15 万欧元。这意味着治理成本比开发成本高出 229%。这解释了为什么决策耗时如此之长：决策本身的成本已经变得很高。

实践案例：两个真实决策案例研究

第一个案例研究涉及一家总部位于柏林的中型电子商务公司，该公司约有 500 名员工。

该公司意识到其物流流程需要优化。传统的做法是实施新的软件。但他们却选择启动一项人工智能（AI）计划。决策过程历时八个月。在评估阶段，他们绘制了现有物流流程图，评估了数据质量，并对现有IT系统进行了评估。结果显示，数据质量远低于预期。在战略阶段，他们确定AI的首要用途是优化配送路线规划。在用例阶段，他们识别出17个用例，并将其优先级排序为四个：路线优化、库存预测、客户服务自动化和欺诈检测。在风险评估阶段，他们确定大多数用例在监管方面不存在问题，但用于欺诈检测的客户数据处理必须符合GDPR的要求并做好记录。在财务阶段，他们制定了为期12个月的15万欧元初始预算，并成立了专门的AI工作组。八个月后，路线优化试点项目正式启动。经过六个月的试点工作（从最初决定到实施共计14个月），结果显而易见：平均交付时间缩短了18%，物流成本降低了12%。这些成功促使该项目扩展到其他应用场景。

第二个案例研究涉及一家跨国企业控股公司 RSBG SE，该公司拥有 80 多家子公司。

全公司范围内实施人工智能的决策历时九个月。与规模较小的组织相比，关键区别在于需要在高度分散的组织结构中建立一致性。评估阶段分别评估了各子公司的人工智能成熟度。结果显示，各子公司的成熟度水平差异显著。一些公司已经开始尝试使用人工智能，而另一些公司则完全没有经验。在战略阶段，公司决定将人工智能主要用于提高行政流程的效率——这是一个具有跨职能意义的应用。用例以分散的方式收集，并由中央统一协调。共收到80个应用方案。这些方案被分为两类：快速见效方案（可在1至3个月内完成）和战略项目（需6至12个月）。在风险评估阶段，主要挑战在于各国合规要求的差异。公司以欧盟要求为基准，制定了一个极简的治理框架。最终选定了一个中央人工智能平台。经过九个月的决策，扩展流程正式启动。三个月内，60%的公司已开始使用该平台。公司确定了80多个用例，并着手实施。一年内，人工智能每月节省了超过400小时。这是一个规模化决策成功的例子。

问题与争议：决策失败之处

人工智能决策的核心缺陷在于目标不明确。许多公司在没有明确定义预期目标的情况下就决定实施人工智能。他们采用人工智能仅仅是因为它很时髦，而不是因为它能解决实际业务问题。这导致许多项目无法带来切实的收益。经验证据表明，80%的人工智能项目最终失败，而且其中很大一部分失败是流程问题，而非技术问题。这些失败源于决策者缺乏明确的业务目标。

第二个关键错误是低估了数据质量和准备工作的重要性。许多公司认为人工智能系统可以处理任何数据，但实际情况远比这复杂得多。通常，人工智能项目预算的 60% 到 80% 都用于数据准备和清洗。未能预料到这一点的公司会面临严重的预算超支和项目延期。因此，在决定实施人工智能之前，必须始终进行数据质量审核。

第三个关键错误是低估了变革阻力以及文化转变的必要性。许多公司认为，只要技术方案好，员工就会自动接受。这种想法在心理上过于天真。人们担心人工智能会威胁到他们的工作，担心他们的专业技能会过时，担心机器决策会剥夺他们的控制权。一套完善的变革管理方案并非可有可无，而是成功的关键。低估这一点的公司最终会开发出一些技术方案，但这些方案在实践中却行不通，因为员工根本不会使用它们。

第四个错误是项目管理和资源规划不足。人工智能项目非常复杂，需要同时具备技术专长、领域知识和项目管理能力。许多公司低估了所需的时间和资源，将人工智能项目作为兼职分配给已经满负荷工作的员工。这会导致项目延期，最终效果不尽如人意。因此，在决定实施人工智能之前，必须始终进行资源规划，预估实际所需的资源能力。

第五个关键错误是缺乏成功衡量和持续优化。企业常常未能对成功的定义进行量化。他们启动人工智能项目时没有明确的关键绩效指标（KPI）。这导致项目结束时，无法确定项目是否成功。良好的人工智能决策会定义可衡量的成功指标：节省时间、降低成本、提高质量和提升客户满意度。如果没有这些定义，项目就会变成政治问题，而不是实证问题。

最后，还有治理和合规问题。欧盟人工智能法案规定，这些问题不容忽视。企业若在未评估自身合规要求的情况下实施人工智能，日后必将面临巨大挑战。尤其是在受监管行业（金融服务、医疗保健、保险），合规阶段更是必不可少。这也解释了为何决策过程比许多公司预期的要长：决策必须符合监管要求。

人工智能决策的未来：趋势与潜在颠覆

人工智能在企业决策中的未来将受到几个重要趋势的影响。

第一个趋势是从生成式人工智能向智能体人工智能的转变。

这意味着自主人工智能代理不仅能够提供建议，还能独立做出决策并执行流程。这将从根本上改变决策方式。当人工智能系统不仅能够分析，还能采取行动时，新的治理要求便随之而来。企业不再需要决定人工智能推荐什么，而是需要决定人工智能如何自主行动。这将使治理变得更加复杂。Gartner 预测，到 2028 年，约 33% 的企业应用程序将集成人工智能代理——与 2024 年不足 1% 的比例相比，这是一个巨大的增长。这意味着未来几年，决策速度不会加快，反而会变得更加复杂。

第二个趋势是人工智能的民主化。

无代码和低代码人工智能平台不仅使技术专家能够开发人工智能解决方案，也使业务部门能够开发人工智能解决方案。这导致了人工智能的去中心化应用，也使得管理更加困难。这将改变治理需求。企业将不再需要自上而下的决策，而是需要应对自下而上的人工智能项目。这可能会加快决策速度，但也意味着对控制的更高要求。

第三个趋势是将人工智能融入现有的商业工具中。

微软 365 Copilot、谷歌 Workspace AI 以及类似的集成选项意味着人工智能不再是一项独立的技术，而是日常工具不可或缺的一部分。这简化了技术层面的采用，但也使决策变得更加复杂，因为 IT 决策和业务决策之间的界限变得模糊不清。

第四个趋势是监管整合。

随着欧盟人工智能法案成为既定标准，以及其他司法管辖区类似法规的出台，治理格局将趋于统一。从长远来看，这有助于决策的标准化，从而加快决策速度。然而，在短期内（未来两到三年），监管调整将会增加复杂性。

第五个趋势是人工智能决策本身的自主性。

预计未来人工智能系统不仅将支持数据分析，还将参与治理本身。智能系统可以模拟决策过程、演练各种情景，并在人类做出决定之前评估风险。这或许能够提高决策质量，但也意味着决策本身将由人工智能辅助——这本身就是一个自相矛盾的悖论，并引发诸多新的问题。

我们能从这个过程中学到什么

企业人工智能决策并非一蹴而就，而是一个持续六到九个月的结构化流程，包含七个不同的阶段：战略评估、战略与目标制定、用例识别与优先级排序、风险与合规性评估、财务规划、组织准备以及利益相关者动员。只有在完成这些阶段后，才能真正开始实施。这一时间框架令许多渴望更快解决方案的企业望而却步，但这却是必要的。那些试图加速或跳过这些阶段的企业，往往会给自身运营带来诸多问题。

这个过程十分严谨，因为决策至关重要。如今，人工智能投资具有重要的战略意义。它们可以改变企业，也可以误导企业。因此，决策并非例行的行政任务，而是核心的管理能力。成功完成人工智能转型的企业与失败的企业之间的区别，并非在于技术上的卓越，而在于严谨的决策。它们设定了清晰的目标，系统地评估了风险，积极调动了利益相关者的积极性，并制定了明确的成功标准。这些管理美德并非新事物，只是在人工智能的背景下，它们显得尤为重要。

未来将会揭示决策速度是会加快还是减慢。目前的趋势表明，决策将变得更加复杂。随着智能体人工智能、监管整合和去中心化人工智能计划的推进，治理要求将会增加，而不是减少。那些预见到这种复杂性的公司，将比那些梦想着快速、直观决策的公司更有优势。关键在于：人工智能决策的关键不在于速度，而在于准确性。这对于踏上这段旅程的公司而言，是至关重要的教训。