企业级AI离深度应用还有很多路要走丨ToB产业观察

如今，企业在应用AI过程中往往会面对一个困局，一边是AI应用率不断攀升，另一边是回报率迟迟跟不上脚步。企业在AI方面的投资在不断增加，工具的能力也在不断提升，但真正的价值兑现，似乎还隔着一道看不见的墙。

德勤中国与香港大学人工智能、管理与组织研究中心联合发布的《决策者视角下的企业AI应用》（以下简称《报告》）显示，进入生产部署阶段的企业占比已从2025年的56.0%升至64.4%，跨多个团队部署AI的企业从14.7%升至33.7%。然而，真正进入深度使用阶段的企业仅从7.4%升至10.2%。

企业级AI应用的ROI为何上不去？

过去一年，AI工具在企业中的普及速度超出许多人的预期。联想集团副总裁、中国区首席战略官兼CTO阿不力克木·阿不力米（阿木）曾公开表示，企业正从“+AI”走向“AI+”，前者像是在手工作坊里加了一台电动机，后者才是真正的工业化流水线。

但大多数企业还停留在手工作坊阶段。《报告》显示，48.5%的受访企业反馈AI项目实际投资回报低于预期，预期回报集中在10%-25%，实际更多落在10%以下；另有44.4%的企业无法明确核算AI项目的实际投资回报率。Gartner的调研数据同样印证了这种落差，在其覆盖1303名企业受访者的调查中，高绩效企业持续追踪AI的ROI、把AI当作价值组合来管理，在81%的AI项目中报告了正向回报；而低绩效企业则有29%的AI项目连回报率都说不清楚。

问题出在哪？德勤中国咨询业务全国主管合伙人华思远与我们分享了他的判断：很多企业把AI和简单的流程自动化混淆了。“如果顺着这个逻辑去做，企业会在一个微观的节点上、单个执行的工作动作上花很多精力，用AI去替代一个简单步骤。但简单步骤对应的数据和知识非常薄，最终就会陷入在很有限的数据量中反复追求准确度的困境。”华思远说。真正有效的做法，是把流程节点拉得更长，从知识入手，而不是从流程入手，用AI把散布在不同人脑子里的知识连接起来。

正如神州数码董事长郭为在2026年WAIC期间所言：“问题不出在数据本身，而出在数据进入组织之后的那段‘无人区’。”

华思远与我们分享了一个案例：某大型软件开发企业，每个程序员的个人效率提升了20%到40%，甚至有人提升了一倍，但整体组织的效率提升则难以衡量。究其原因，在于流程节点卡死了，“一个员工完成自身工作后，仍需等待其他环节的推进，在整个大的流程网络当中，单个节点的绩效并不对整个流程产生作用。”华思远如是说。

这个案例揭示了一个被普遍忽视的事实：企业效率的提升，从来不是个人效率的简单加总。

而联想则是经历过从单点提效，到组织变革整个历程的大型企业之一。阿不力克木把联想这三年的转型历程摊开来讲：2023年11月启动“+AI”的局部尝试，把AI作为流程的外挂；2024年开始在研发、供应链、营销、财务等各个环节广泛外挂，并梳理流程，提升AI在流程中的渗透率；到了2025年，联想意识到，要让AI充分释放价值，必须把它从工具属性重新刷新为一个全新的生产力来对待——于是开始建设混合AI底座，也就是生产力底座的投资与升级，推动智能体成为劳动力。从2026年开始，联想正推动“AI+”运营的重构。而按AI原生组织成熟度模型，联想如今正处在全面推向L4级的阶段。

从外挂到底座，这两字之差正是单点提效与组织变革的分水岭。阿不力克木打了个比方：工业原生企业，核心是那条24小时不间断运转的标准化产线，车间、管理人员、数据分析员、采购物流都是围绕产线配置的。同样，AI原生企业，核心是那条能够大规模生产智力的产线，企业有没有围绕它来搭建整个运营逻辑？没有，那AI就还是“果汁手工作坊里放的一个榨汁机”，用的时候拽一下而已。

从行业维度看，AI落地快慢的分化也日趋明显。德勤的报告显示，知识密集、数字化基础好的行业（如IT与软件）走得最快，其AI项目ROI约为45%；产品研发、销售营销等场景ROI在20%-30%之间。而受严格合规要求、复杂物理业务链路和长期流程惯性约束的行业，如医疗制药、工业制造、汽车，落地难度明显更高。此外，《报告》也指出，AI应用效益目前主要体现在效率提升与成本节约，87.3%的企业评估AI成效时聚焦处理速度与工时节约，而涉及收入与客户层面的仅占21.5%。

企业如何才能跑通AI应用？

联想是大型实体企业中，利用AI实现组织变革比较成功的一个案例，这个过程中联想做的最关键的一件事——首先聚焦主价值链，选择做深度变革，而不是把AI铺开在所有地方都试一遍。无独有偶，华思远对此深有共鸣：“企业不一定非要把所有事情铺开一起做。选定一件事，这件事未必特别大，但一定不是特别小。围绕几十个人做一个深度变革，包括技术、流程、岗位职级、薪酬体系，先做透，让整个企业和董事会意识到这件事大体需要哪几个维度的变更。”

联想的选择，其中一个就是软件研发部门。过去分属需求、架构、前后端、测试和运维等八类角色的工作，被整合为“全栈工程师＋五个智能体”的小团队。工程师的角色从单一环节扩展到覆盖前端、后端、测试和运维全链条。2025/26财年，联想中国区研发领域智能体综合提效30%以上，AI代码贡献率超过80%。此外，在客服业务中，硅基客服占比达到75%，在不增加人力的情况下，承接的服务工单每年增加超过25万单。目前，联想已经梳理了692个四级以上业务流程并推进重构，组织从“按岗位分工+流程驱动”转向“按角色分工+任务驱动”。

更深层的变化发生在人力资源侧。华思远告诉我们，前文提到的那家软件开发企业在推进转型时，重新设计了2000个开发岗位的职级、技能组合和绩效体系，其中六七百人重新签署了劳动合同。“有意思的是，这家企业完全转型以后，员工总人数没有减少，整体员工工资总量比原来还高了一点。难处在于，企业负责人做出决策要重新签数百份劳动合同，这个难度非常大。”

在华思远看来，AI落地需要企业选定的变革对象有一个明确的特征：“在企业战略层面，哪些场景对企业来说是最重要的？以连锁餐饮公司为例，他们要多开几千家店，卡在店长的人力瓶颈。AI帮他们实现了让一个店长同时管两到三家店。选这个场景的时候，既解决了AI试点的问题，也解决了战略侧一个更加重要的问题。”

如今，企业间AI差距的分水岭正在变得清晰。德勤报告预计，到2026年底，企业间AI的差距将更多体现在是否完成工作流重塑：仍沿用旧式流程来运行AI的企业，很可能面临更高成本和更低灵活性。运营交付和研发创新这两大职能的战略优先级已高于当前渗透率，是企业计划重点加码的方向，也最可能率先完成规模化重构。

治理决定AI能走多远

如果说流程重塑决定了AI能跑多快，那么治理则决定了它能跑多远。《报告》显示，AI部署过程中，与现有系统集成困难是最突出的瓶颈，占比达56.6%，明显高于人工审核与质量控制（38.5%）和审批、签核与治理流程（37.6%）。在金融、医疗等强监管行业，企业如何设计AI问责机制、哪些风险必须上报、治理框架如何从合规要求变成竞争优势，这些问题已经变成了企业应用AI的必答题。

以治理为例，阿不力克木表示，在企业层面，人们忽视了AI内化之后的治理体系建设。几乎绝大部分非IT公司，还没有完全意识到AI的治理将是一个最大的风险。在阿不力克木看来，治理主要集中在，治理安全、治理智能体的行为、治理AI架构不要失控、治理数据和知识、治理token资源。“现在AI在企业内部还没有到失控这个阶段，大不了关机。但等你离不开的时候，治理可能是它的天花板。”阿不力克木提醒，尤其已经进入智能化阶段的企业，应该未雨绸缪，从组织建设、探索、落地实践的角度开始动手。

与此同时，德勤的《报告》中也指出，74%的组织计划在两年内使用自主AI代理（agentic AI），但仅有21%拥有成熟的治理模型。基于此，华思远给出的问责设计遵循三条原则：责任必须落到具体的人，AI只是工具，不能成为责任的归宿；决策全程留痕，输入、输出、人工干预都有记录；在扩大AI自主性之前，先划清可逆与不可逆的边界。

治理的另一面是安全与开放，SUSE首席营销官戴珍珠（Margaret Dawson）的一个观点值得一提，她认为，安全与开放看似对立，但开源其实是更安全的，“因为只有开放了，一切才是可审计、可见的。你如果看不见，就无法检查、无法监督。”戴珍珠指出。具体来看，SUSE中国区副总经理吉晖则介绍了两条具体路径：一是上线之前的软件供应链安全，把常用开源组件经过安全加固、扫描代码、打补丁，形成经过认证的软件仓库；二是上线之后的零信任架构，运行中发现漏洞有成熟方法去解决。

此外，吉晖对中国市场提出了一个判断，他指出，在AI的世界里，开源已不是一个可选项，而是一个必选项。企业最关心的两件事——数据自主可控、架构自主可控（防供应商锁定），而最好的解法恰恰是技术的开放。无论是Sovereign AI、Private AI，还是Local AI，本质都是企业对自己的数据拥有所有权和控制权。这与阿木曾与我们分享的观点不尽相同——生产资料的归属，联想的主张是应该归每一家企业自己，不应该是少数公共AI提供者，每一家企业都应该拥有自己的人工智能，应该大胆地投资和部署。

对于企业而言，AI不是一个IT项目，而是一场组织变革。买工具的阶段，钱花得快、见效也快，但真正拉开企业之间差距的，是企业如何把流程拆开重装、把岗位重新设计、把治理体系提前建好。