人工智能本身无法扩展：那些只购买模型的人，主要是在让自己失望。

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

Available in 27 languages 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年10月3日 / 更新日期：2026年10月3日 – 作者： Konrad Wolfenstein

人工智能本身无法扩展：那些只购买模型的人，实际上是在自动化自己的失望——关于人工智能的创意图片：Xpert.Digital

人工智能规模化：企业面临的挑战和机遇

人工智能在商业领域的应用：为什么单靠技术还不够

数据作为企业责任：为什么质量至关重要

人工智能 (AI) 正日益渗透到各行各业的公司中，但尽管技术取得了令人瞩目的进步，其带来的经济突破却往往难以实现。虽然许多组织已经部署了最先进的 AI 模型，但其在生产力、收入和成本方面的实际效益往往尚未显现。挑战不仅在于技术本身的能力，更在于公司能否有效地将这些技术整合到现有流程中。关键瓶颈在于流程、数据管理和职责分配方面的不足。由此可见，大多数公司面临的与其说是 AI 问题，不如说是运营模式问题。为了充分发挥 AI 的优势，公司必须从根本上重新思考其工作流程，并将这项技术深度融入其价值链。唯有如此，他们才能真正实现效率的提升以及由此带来的经济效益。.

从人工智能开发到价值创造：如何实现转型

人工智能已渗透到商业领域，但其经济突破远未完成。现代模型的强大功能与盈利能力的持续增长之间存在着巨大的实施差距。许多组织可以生成文本、摘要文档、补充程序代码或预先分类客户咨询。然而，真正对其流程、数据、职责和控制系统进行变革，从而在生产力、收入、成本、质量或资本投入方面产生切实影响的公司却寥寥无几。因此，关键瓶颈不再仅仅是模型的智能，而是公司将这种智能转化为可重复创造的价值的能力。.

这种区别对于任何经济分析都至关重要。一项技术可以在任务层面节省大量时间，但对公司层面的影响却微乎其微。如果节省的时间没有得到有效利用，那么工作只是转移到了其他地方。如果每个结果都需要后处理，就会产生新的控制成本。如果人工智能应用游离于运营系统之外，它只能改进单个任务，而不会提高整体流程的吞吐量。如果许多部门各自独立采购类似的解决方案，工具的数量可能会增加，但附加值未必会增加。.

因此，一个颇具争议但又符合经济逻辑的观点是：大多数公司面临的并非人工智能问题，而是运营模式问题。他们投资于高性能模型，但流程仍然支离破碎，数据维护不善，职责不清，关键绩效指标（KPI）也模糊不清。然而，规模化并非仅仅通过让更多员工使用聊天机器人就能实现。只有当人工智能深度融入到与价值相关的流程中，从而显著改变其成本曲线、速度、质量或收入潜力时，规模化才能真正实现。.

从数字助理到工业生产力

当前的AI热潮与以往的自动化浪潮最大的不同之处在于其广泛的适用性。生成式系统能够处理自然语言、图像、音频、视频、程序代码，以及越来越多的结构化业务数据。这降低了技术门槛。员工无需具备编程技能即可与模型交互。这种易用性加速了AI的普及，但也带来了将使用与价值创造混淆的风险。.

到2024年，全球78%的受访机构表示已在至少一项业务职能中使用人工智能；而一年前，这一比例为55%。同期，生成式人工智能的使用增长速度更快。在欧盟，到2025年，拥有至少十名员工的公司中，约有20%将使用人工智能技术。大型公司的这一比例约为55%，而小型企业仅为17%左右。这些数据表明两点：首先，人工智能不再是小众话题；其次，人工智能的应用非常不均衡，距离覆盖所有核心流程仍有很长的路要走。.

人工智能的普及程度并不能说明其应用深度。一家为员工提供文本助手的公司，在统计上会被算作一个用户。同样，一家将预测模型与生产计划、质量控制、维护和采购相结合的工业公司，也会被算作一个用户。然而，从经济角度来看，两者之间却有着天壤之别。在前一种情况下，人工智能或许能够提高个人工作效率；而在后一种情况下，它可以减少浪费、提高工厂产能、降低库存并稳定交货日期。只有当这些影响在连贯的流程中同时发生时，人工智能才能真正改变一家公司的竞争地位。.

这使得人工智能更接近于成为一项基础性技术，其价值不在于单一应用，而在于与配套投资的结合。电力并非仅仅通过用电动机取代蒸汽机就能提高工业生产力。工厂必须进行重组，机器必须重新布局，工作流程必须重新设计。人工智能也是如此。那些仅仅将其应用于现有架构的企业只能获得孤立的效率提升。而那些围绕新功能重新设计流程的企业则可以彻底改变其商业模式。.

为什么优秀的飞行员很少能进入盈利区

从试点项目过渡到生产运营是经济上最具挑战性的阶段。在试点项目中，数据量、用户基数、流程变体和风险级别通常都比较有限。专家密切监控系统，错误通过人工方式纠正，特殊的技术解决方案也易于管理。相比之下，在规模化部署中，异常情况、接口、用户群体和监管要求都会成倍增加。在实验室条件下行之有效的系统，现在必须在时间压力下、数据质量波动的情况下，以及在既定的IT环境中可靠运行。.

实际应用与实际影响之间的差距也同样巨大。研究表明，尽管许多组织都在使用人工智能，但他们仍然没有意识到人工智能对企业盈利的显著贡献。在2026年进行的一项全球调查中，近九成受访者表示在至少一项职能中定期使用人工智能。与此同时，只有37%的受访者认为人工智能对息税前利润（EBIT）的积极贡献。仅有6%的受访者符合“高绩效用户”的更严格定义，即至少5%的营业利润与人工智能相关，并且他们从中获得了显著收益。.

其他调查虽然采用了不同的方法，但得出了类似的结论。到2024年，约四分之三的公司仍然难以从人工智能中创造切实可行且可扩展的价值。只有一小部分公司拥有超越概念验证的先进能力。这些数据不应被解读为普遍的失败率。成功的定义、抽样方法和观察期都存在很大差异。然而，这些数据表明了一个稳健的潜在趋势：企业获取人工智能能力的速度远远超过了将其转化为财务影响的能力。.

根本原因主要并非算法本身。大约70%的典型扩展问题归因于人员和流程，约20%归因于技术，只有约10%归因于算法本身。通常情况下，缺乏一位负责任的流程负责人，他不仅负责实施应用程序，还负责重新设计整个工作流程。同样常见的是，项目选择基于技术可行性，而非经济效益。其结果是，虽然展示了一些引人注目的项目，但却缺乏足够的交易量、成本优势或差异化潜力。.

另一个原因是对节省时间的误解。如果员工用 60 分钟而不是 90 分钟完成一份报告，理论上节省了 30 分钟。然而，只有当这些时间被用于增加价值的工作、减少加班、缩短交付周期或重新规划产能时，才能转化为利润。如果不调整工作组织方式，这些节省的时间就无法体现。它们以未利用时间的形式分散在系统中，既不会出现在损益表中，也不会体现在客户体验的改善上。.

价值是在过程中创造的，而不是在提示中创造的。

人工智能转型中最小的有效单元并非模型，甚至也不是单个用例，而是端到端流程。模型回答问题、对文档进行分类或生成建议。而流程则连接触发器、数据、决策、交接、控制以及可衡量的业务成果。只有在这条链条中，技术性能才能转化为经济效益。.

客户服务领域的一个例子可以说明其中的区别。语言模型可以生成回复草稿，从而缩短单个咨询的处理时间。然而，更大的影响体现在系统能够识别问题、检索客户数据、检查合同条款、提出可行的解决方案、自动处理标准案例、将复杂案例分配给合适的专家，并以可审计的方式记录整个过程。如此一来，人工智能不仅改变了电子邮件的撰写方式，还提高了整体处理效率、首次呼叫解决率、等待时间和单次处理成本。.

同样的原理也适用于工业领域。单独的图像识别可以识别表面缺陷。当识别结果与机器参数、材料批次、供应商数据和质量决策相结合时，就能创造更大的价值。这样一来，企业不仅可以剔除缺陷零件，还能更快地找到根本原因，自动调整流程，避免客户投诉，并更有效地管理供应商。人工智能由此从一种测试工具转变为学习型生产系统不可或缺的一部分。.

因此，流程重塑是普通用户与业绩卓著的公司之间最显著的、反复出现的区别。成功的组织并非简单地将现有流程自动化，而是会仔细审视哪些步骤可以省略，哪些决策应该自动准备或执行，以及在哪些环节仍然需要人工判断。他们会减少交接环节，消除信息传递中断，并重新定义角色。这比引入助理更具挑战性，但也能产生更大、更持久的影响。.

价值型投资组合需要更少的项目和更高的一致性。

许多人工智能项目都存在一种自相矛盾的过度配置问题。由于生成式人工智能看起来用途广泛，企业会收集数十甚至数百个创意。然后，这些创意会根据其吸引力、知名度或技术简易性进行优先级排序。这导致了大量的小型实验，分散了稀缺人才，并且难以构建可重用的组件。更佳的策略是专注于少数几个可以反复大规模部署人工智能的价值流。.

仅凭一般的生产力提升预期不足以选择合适的应用案例。至少有六个关键的经济问题至关重要：流程发生的频率如何？目前的总成本是多少？实际可影响的成本百分比是多少？对质量或收入可能产生的影响是什么？解决方案能以多快的速度集成到现有流程中？以及错误结果会带来哪些风险？虽然这些因素无法计算出完美的未来价值，但它们可以得出可靠的优先级排序。.

交易量大、决策相对标准化、数据数字化且等待或处理成本高的流程尤其具有吸引力。例如，文档审核、订单处理、知识检索、软件开发、客户服务、产品配置、维护计划、需求预测和质量管理等流程都属于此类。而交易频率极低、流程文档不完善，或决策中错误可能造成重大损失且难以控制的环节，则不太适合早期扩展。.

人工智能的最大影响往往并非体现在最显而易见之处。营销应用可以迅速展现，但自动化后台流程却能带来更高、更可衡量的回报。降低外部处理成本、缩短检验周期、优化库存或避免代价高昂的停机时间，都会立即转化为成本降低、资本投入减少或绩效下降。因此，可见性和价值必须严格区分开来。.

一个严谨的项目组合还会考虑依赖关系。十个使用相同客户、产品或机器数据的应用程序可以基于通用的数据和集成层构建。相比之下，十个互不关联的独立解决方案会产生十次安全审计、十个接口问题和十个维护模型。只有当底层功能可重用时，后续项目的边际收益才会增加。.

必须全程跟踪生产率，直至最终体现在损益表中。

任何想要扩展人工智能应用的人都需要一个价值衡量体系，该体系应将技术指标与业务相关因素相结合。模型准确率、响应时间和使用率固然重要，但并非充分条件。一个系统可能被频繁使用，却仍然无法产生任何财务附加值。反之，一个很少使用的应用却能在关键决策中创造显著价值。因此，衡量体系必须涵盖从技术成果和流程影响到财务影响的方方面面。.

第一层级涵盖质量指标，例如命中率、错误率、故障率、稳定性以及处理时间。第二层级描述流程：吞吐时间、自动化案例百分比、首次呼叫解决率、废品率、停机时间、转化率以及所需交接次数。只有第三层级将这些变化转化为货币价值。这包括避免的人工成本、额外的贡献毛利、更低的库存水平、减少的保修成本、避免的合同违约金以及释放的营运资金。.

合理的计算方法是在实施前设定基准线，并将其与受控的新工作方式进行比较。尽可能比较可比的团队、地点或时间段。必须考虑季节性影响、需求变化以及同期进行的改进项目。否则，人工智能带来的改变实际上可能源于订单量增加、人员变动或常规流程优化。.

同样重要的是进行全面的成本分析。许可费只是实际成本的一部分。其他费用包括计算能力、数据准备、接口、安全措施、评估、人工监督、培训、运营支持和持续调整。对于生成式系统而言，基于使用量的推理成本也可能显著增加。一个只有少数用户的试点项目可能看起来很便宜，但一个涉及数百万次查询的公司级部署则会产生新的成本结构。.

因此，投资回报率不应被视为单一指标。跨越多个成熟阶段的价值曲线更有意义。在初始阶段，前期投入成本占据主导地位。随着规模扩大，单位成本会下降，前提是平台和流程可重复使用。但后期，控制、能源或建模成本的上升可能会再次限制收益。因此，优秀的管理不仅要关注项目是否盈利，还要关注在何种规模、何种质量要求以及何种运营架构下才能保持盈利。.

数据不是原材料，而是企业的责任。

认为数据是人工智能的原材料这种说法并不准确。原材料可以按照既定规范进行购买、存储和处理。而企业数据则不然，它源于流程，含义不断变化，包含访问权限，并且常常反映出组织内部的不一致性。因此，数据质量差很少仅仅是技术问题，它往往是职责不清和工作方法不一致的直接后果。.

对于生成式人工智能而言，这一挑战尤为突出。即使底层信息过时、矛盾或不完整，语言模型也能做出令人信服的表述。这增加了用户将语言上的确定性误认为事实准确性的风险。因此，可扩展的架构必须能够清晰地展示结果所依赖的信息来源、这些信息来源的更新程度，以及用户是否拥有访问所用数据的授权。.

在许多公司，集中式标准与分散式数据责任相结合的模式是合理的。中心职能部门定义安全等级、接口、元数据、质量规则和已批准的平台。业务部门负责其数据产品的相关性、时效性和允许的使用范围。这既能防止中心数据部门成为瓶颈，又能同时允许数据不受控制地扩散。.

结构化信息和非结构化信息的结合尤为重要。发票、传感器数据和订单项通常存储在固定字段中。而合同、维护报告、电子邮件和手册的结构化程度较低。现代人工智能的经济效益往往恰恰体现在对这两种信息的综合分析上。这需要身份识别、访问控制、语义映射和可追溯的数据来源。如果没有这些基础，模型就只能是一个脱离实际业务运营的空洞模型。.

然而，数据工作不应成为无休止的前提条件。任何公司都不需要在首次投入生产应用之前清理所有数据。以价值为导向的方法才是明智之举：所选流程决定了需要哪些数据以及数据的质量要求。改进这些数据能够带来切实的效益，并可重复用于其他应用。如此一来，数据现代化便从一个抽象的大型项目转变为可衡量的价值创造计划中不可或缺的一部分。.

🎯🎯🎯 数据驱动的 B2B 行业中心，作为一种准内部解决方案

准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务——图片：Xpert.Digital

Xpert.Digital 是一个以数据驱动的 B2B 行业中心，由 Konrad Wolfenstein 领导。该公司为工业合作伙伴提供外部的、准内部解决方案，弥补其在市场营销、内容和销售方面的运营缺口，而无需客户投入额外资源。.

更多信息请点击这里：

准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务

从试点项目到人工智能可持续应用的路径

合理的架构既能保障选择的自由，又能控制成本。

技术发展日新月异，难以预测。功能强大的模型价格更加亲民，小型模型不断改进，开源和专有产品展开竞争，新型的基于代理的系统越来越多地承担多层任务。因此，可扩展的企业架构不应依赖于单一模型或供应商，而应支持在无需重建每个应用程序的情况下进行切换。.

为此，建议采用多层分离的设计。用户界面和业务流程应与编排、数据访问和实际模型解耦。安全规则、日志记录和评估应作为共享服务集成到平台中。然后可以根据任务选择模型：小型、低成本的模型用于分类，专用模型用于技术文档，以及功能更强大的系统用于复杂分析。.

模型的多样性本身并非目的，而是为了实现经济效益的优化。为每个请求都部署最强大的AI，就好比每次送货都用重型卡车。质量、速度、保密性和成本必须与任务相匹配。路由机制可以根据难度和风险分配请求。通常情况下，基于规则的解决方案或传统分析就足够了；只有在生成式AI真正能够带来附加价值时，才应该使用它。.

与此同时，自主研发或外购决策的重要性日益凸显。诸如文本辅助、翻译或日志记录等标准功能通常可以高效地购买。然而，对业务绩效至关重要的流程可能需要更广泛的定制。内部开发并不一定意味着训练一个基础模型。其战略价值通常体现在专有数据、流程知识、集成、评估以及用户体验设计上。基础模型正变得越来越可互换，但其实际操作仍然难以复制。.

平台战略还能降低额外应用的边际成本。共享的身份管理、模型访问、协议、测试流程和数据连接器避免了各部门重复构建相同的基础设施。然而，过度集中化可能会扼杀创新。因此，联邦模式更为成功：集中化的指导方针和可重用的服务，结合分散化的产品和流程管理。.

代理人既会增加收益，也会增加责任。

下一阶段的规模化不仅在于提供更优的答案，更在于构建能够执行行动的系统。人工智能代理可以收集信息、访问工具、规划任务、检查结果并启动后续行动。这使得该技术从辅助功能转向半自主运行。由于不仅可以自动化单个内容，还可以自动化整个工作流程，因此经济潜力也随之提升。.

这一发展也同时改变了风险状况。员工可以修改错误的草稿文本。而代理人如果触发订单、修改客户数据或调整生产参数，则可能造成直接损失。因此，随着自主权的提升，对权限、限制、监控和恢复的要求也随之增加。自主权不应随意授予，而必须与决策的可逆性挂钩。.

一个稳健的分层模型首先提出尚未实施的建议。随后是已批准的行动，每一步都需人工确认。在下一阶段，系统被允许在严格的限制范围内独立行动，这些限制包括数量、数据或流程。只有在风险低、结果易于验证且错误易于纠正的情况下，完全自主的流程才是合理的。这种分层方法避免了企业在完全人工干预和不受控制的自主性之间做出选择。.

从经济角度来看，当智能体能够缩短系统和部门之间的等待时间时，它们就显得尤为重要。许多行政流程成本高昂，并非因为每个步骤都复杂，而是因为流程延误、信息缺失以及责任转移。智能体可以弥补这些不足，收集数据，并触发下一步操作。此时，其优势并非源于卓越的智能，而是源于持续不断的全天候执行。.

与此同时，企业必须防止代理商仅仅为了加快低效流程而进行操作。在进行任何自动化之前，必须先问问自己，这一步骤是否真的必要。否则，企业只是在不审视其目的的情况下，将自身的官僚体系数字化并提高速度。.

治理不是障碍，而是生产基础设施。

在早期实验中，治理往往被视为一种制约因素。然而，在规模化应用中，它却是提升速度的先决条件。如果每次都要重新协商数据类别、审批流程、职责划分和测试程序，那么每个项目都会耗时更长。相反，清晰的标准则能创建一个安全的框架，让团队能够在其中更快地开发和发布产品。.

有效的治理模式融合了战略、技术和专业责任。公司管理层负责制定风险承受能力和价值目标。中央能力中心提供平台、方法和最低标准。各专业部门分别负责流程、数据和结果。法律、数据保护、信息安全和员工代表会在早期阶段就参与进来，而不是在系统完成后进行回顾性审查。至关重要的是，必须指定专人最终对每个生产系统的收益和风险负责。.

最低要求包括所有人工智能系统的清单、风险分类、已记录的数据源、已定义的测试用例、日志记录、人工干预选项以及事件响应程序。对于生成式人工智能，还必须检查其事实准确性、不良内容、防篡改能力、数据保护和内容版权。评估并非一次性验收测试。模型、数据和使用模式会发生变化，因此必须在持续运行过程中监控质量。.

对于欧洲企业而言，这种能力在监管层面也至关重要。欧洲的法律框架遵循基于风险的方法。自2026年8月起，关键规则和执法权力已生效；透明度义务涵盖了某些人工智能交互和合成内容等。对于高风险系统，适用分阶段的延期期限，并需满足风险管理、数据质量、文档记录、人工监督、稳健性和网络安全方面的要求。那些仅在审计前不久才建立此类证据的企业，会构建成本高昂的平行体系。而那些将其集成到技术平台中的企业，则既能确保合规性，又能提升运营质量。.

良好的治理应兼顾风险与价值。用于非正式头脑风暴的内部助手所需的管控措施，与用于人事决策或关键基础设施的系统截然不同。统一的最高管控标准成本高昂且会扼杀创新；而最低限度的管控则属于疏忽。关键在于采用标准化但循序渐进的程序。.

人们会决定节省的时间是否能转化为绩效。

人工智能主要在任务层面改变着工作。在全球范围内，大约四分之一的劳动者从事的工作会接触到一定程度的生成式人工智能。在高收入国家，这一比例更高。然而，接触人工智能并不一定意味着失业。大多数工作都包含易于自动化的任务和难以自动化的任务。因此，任务、职责和技能要求的重新分配更有可能发生。.

生产力研究通常表明，对于定义明确的任务，生产力提升幅度可达 10% 至 45%。在一项针对软件开发人员的大型实地实验中，人工智能辅助下，平均任务完成率提高了约 26%。在客户服务、文本处理和知识密集型任务中，经验不足的员工往往受益匪浅，因为该系统能够让他们获取经验丰富的同事的部分隐性知识。这些结果表明人工智能具有巨大的潜力，但不应不加区分地应用于整个公司。.

管理的关键任务是将个人节省的时间转化为整体绩效。这需要调整角色、目标和能力规划。如果一个团队的工作效率提高20%，它就能处理更多案例、提供更高质量的服务、提供更多咨询，或者减少外部支持。如果没有这样的决策，那么节省下来的能力将如何分配就难以确定。.

继续教育不应仅限于技巧培训。员工必须能够评估结果、认识到局限性、选择合适的任务并负责任地处理数据。管理者也需要了解流程设计、衡量和风险。专业知识的重要性不减，反而日益成为评估机器建议和处理异常情况的先决条件。.

与此同时，一种新的技能贬值现象正在悄然发生。如果年轻的专业人士将简单的任务完全委托给人工智能，他们可能会错失日后培养良好判断力所需的学习机会。因此，企业必须有意识地决定哪些活动应该自动化，哪些活动应该保留或重新设计以用于培训。短期效率的提升绝不能以牺牲长期技能基础为代价。.

单靠沟通无法达成共识。用户只有在系统可靠、符合其工作流程并能带来切实利益时才会接受它。如果需要额外的输入、控制或系统变更，使用率就会下降。因此，变革管理必须从工作场所开始：让用户参与其中，建立清晰的反馈机制，调整绩效目标，并得到管理层的明确支持。.

欧洲的规模扩张问题也是一个战略机遇。

欧洲人工智能应用率正显著提升，但各国、各行业和各规模企业之间的应用仍存在高度分散性。到2025年，欧盟约有20%的企业将使用人工智能。丹麦的这一比例约为42%，芬兰略低于38%，瑞典约为35%。罗马尼亚的比例略高于5%，波兰和保加利亚的比例则分别约为8%至9%，位居较低水平。这些差异反映了各国在数字基础设施、技能水平、产业结构、投资能力和制度框架方面的差异。.

德国的采用率约为26%，高于欧盟平均水平。德国大型企业的采用率约为57%，而员工人数在10至49人之间的企业的采用率约为23%。这奠定了坚实的基础，但也暴露出规模上的显著差距。中小企业通常拥有宝贵的流程知识和专业数据，但却缺乏平台团队、风险专家和投资资源。.

因此，对于欧洲中小企业而言，与全球性企业相比，更适合采用不同的扩展方式。它们需要的不是自有专有模型，而是安全的标准平台、行业专属解决方案、共享数据空间和外部运营模式。托管式人工智能可以汇集专业知识，前提是依赖关系、数据主权和成本保持透明。协会、机器制造商、软件提供商和研究机构可以为整个价值创造网络提供可重用的组件。.

欧洲的优势不在于平台规模，而在于其产业专长、监管完善的市场以及复杂的B2B流程。机械工程、物流、能源、交通运输、医疗保健和专业服务等领域积累了丰富的行业经验。将这些知识进行结构化整理，与运营数据关联起来，并转化为可靠的人工智能产品，就能创造出一种竞争优势，而这种优势无法仅仅通过采用更大规模的语言模型来复制。.

监管本身既非必然是优势也非必然是劣势。起初，它会增加企业的工作量，并可能给小型供应商带来不成比例的负担。但与此同时，它也对可追溯性、安全性和控制提出了要求，而这些要求在工业和关键应用领域本来就必不可少。因此，能够高效运营可信赖系统的公司将有机会进入那些仅靠速度无法取胜的市场。.

计算能力正从一个次要问题演变为一个成本和地域因素。

人工智能的规模化发展有着坚实的物理基础。2024年，全球数据中心消耗了约415太瓦时的电力，约占全球电力消耗的1.5%。到2030年，这一需求可能会翻一番以上，达到约945太瓦时。加速服务器，尤其是用于人工智能的服务器，是推动这一增长的主要因素之一。虽然单个计算操作的成本正在显著下降，但应用程序数量和复杂性的不断增加可能会抵消这些效率提升带来的影响。.

对企业而言，这意味着计算能力不再能被视为一种无形的、无限的云资源。定价、可用性、数据位置、网络容量和能源来源都成为架构决策中不可或缺的组成部分。随着使用量的增加，推理成本会直接影响用例的经济可行性。特别是智能体系统，可能为单个任务生成大量的模型调用，从而成倍增加成本。.

因此，效率正成为良好人工智能管理不可或缺的一部分。这包括使用更小、更合适的模型，缓存重复出现的结果，缩短输入时间，智能分配任务，以及有意识地限制不必要的生成。此外，任务是否真的需要生成模型这个问题也变得越来越重要。传统的软件、统计方法或简单的规则通常更便宜、更快捷、更容易验证。.

在宏观经济层面，电力和数据中心的可用性会影响区域竞争力。预计到2030年，美国和中国的电力需求增幅最大；欧洲增速较慢，但仍然是一个重要的市场。拥有高性能电网、可预测的审批流程、具有竞争力的能源价格和良好的数据连接的地区将更具优势。与此同时，以气候友好的方式满足新增容量需求的压力也日益增大。.

能源消耗并不会削弱人工智能的优势，但它确实需要进行全面的成本效益分析。一个能够减少材料消耗、运输或工厂停机时间的系统，其节省的资源远远超过其消耗的资源。反之，一个没有明确目标的应用会产生额外的数字活动，却没有相应的价值。因此，可持续性和经济效率最终都归结于同一个问题：哪些计算工作真正创造了价值？

规模化需要新的管理系统

一个稳健的人工智能运营模式整合了战略、产品组合、平台、治理、人才和价值衡量。这些要素不应作为独立的项目进行管理。没有平台的战略只会沦为纸上谈兵。没有优先排序的价值流的平台只会导致基础设施闲置。没有产品所有权的治理只会流于形式。没有流程转型的培训只会培养出热情洋溢的个人用户，却无法对企业产生任何影响。.

管理层首先必须明确几个关键业务目标，例如缩短交货时间、提高工厂可用性、加快客户群体增长或降低加工成本。然后，根据这些目标确定优先级的流程领域。每个领域都指定一名业务负责人、一个跨学科产品团队和可衡量的基准。技术平台提供对模型、数据、安全性和评估的标准化访问。.

在实践中，基于产品的方法比传统的基于项目的方法更有效。人工智能系统并非在首次发布后就完成了。用户行为、数据、模型版本和业务规则都会发生变化。团队必须观察、测试并改进。因此，资金不仅应涵盖开发，还应涵盖运营、质量保证和后续开发。.

扩展性是通过可重用模板实现的。例如，如果一家公司建立了安全的合同文档处理系统，那么其中的部分内容就可以用于发票、技术规范或投诉处理。如果它创建了语言模型评估环境，那么就可以在多个产品中进行测试。因此，每个成功的用例不仅应该带来本地效益，还应该扩展公司的整体能力。.

同样重要的是制定一致的退出策略。如果应用程序在规定的时间内未能取得足够的成效，则应停止或进行根本性的重新设计。在许多组织中，试点项目之所以持续进行，是因为没有人愿意承认失败。这会占用预算和精力。成熟的创新文化将终止项目视为一种有条不紊的资源分配，而不是失败。.

真正的竞争是根据该模型决定的。

人工智能模型的性能将持续提升，而类似的功能也将变得更加普及且价格更加亲民。这将改变竞争优势的格局。仅仅拥有强大的模型很少能永久垄断市场。更有价值的是独特的数据、深厚的流程知识、学习型组织、整合的客户关系以及安全运行系统的能力。.

因此，企业不应纠结于自身拥有何种模式，而应关注自身正在发展何种组织能力。他们能否比竞争对手更快地重新设计流程？能否系统地从反馈中学习？能否实时衡量质量和风险？能否在不重新开发应用程序的情况下交换新模式？以及能否以有效的方式调动员工积极性，从而使技术支持能够带来更优的决策？

宏观经济预期必须保持务实。未来十年，七国集团（G7）人工智能带来的年度额外生产率提升预计在0.2至1.3个百分点之间，具体数值取决于对人工智能普及和实施情况的假设。如此大的波动范围意义重大，因为宏观经济影响并非仅取决于模型性能，还取决于投资、技能、企业动态、竞争以及组织适应的速度。.

在公司层面，价值分配也将不均衡。早期采用者并非必然胜出。关键在于他们能否在技术过时之前快速学习。如果后期采用者能够高效地采用成熟的解决方案，他们也未必会处于劣势。最大的差距将出现在那些将人工智能视为持续价值创造变革的企业与那些将其视为一系列额外软件工具的企业之间。.

因此，真正的价值创造始于一个令人不安的事实：人工智能的规模化并非仅仅源于模型变得更加智能。只有当企业能够更精准地决定哪些环节需要自动化、持续地重组流程、可靠地组织数据、明确地分配责任，并将每一项影响追踪到财务报表时，人工智能的规模化才能真正实现。技术开启了通往无限可能的大门，而管理层则决定这些可能性能否转化为生产力、增长和竞争力。.

下一阶段的赢家并非拥有最多试点项目的公司，而是那些能够从少数几个优先应用领域开发出可复制的价值创造体系的公司。它们不会将人工智能视为万能灵药或简单的IT升级，而是将其视为一种全新的生产和决策基础设施。这正是潜力的终点，也是经济价值的起点。.