研究概述
宏观背景
- 企业AI实施在当前至关重要，因为AI作为通用技术，需要并促成了流程重新设计、劳动力发展和组织重构的大量互补性投资。
- 这些投资大多是无形的，在国民账户中被严重低估，导致生产力增长在新技术早期被系统性低估，而在后期收益兑现时又被高估，形成“生产力J曲线”。
- AI既可以增强工人能力、创造新的可能性，也可以主要用于自动化既有任务并削减员工，形成“生产力分叉”。
- 一些就业效应已显现，例如AI暴露职业中的早期职业工人经历了相对就业下降。
研究目的与方法
- 研究旨在理解企业在利用AI创造价值时其内部究竟发生了什么，包括详尽的企业案例研究。
- 基于对已大规模部署AI解决方案的高管和项目负责人的深度访谈，分析了51个企业AI交付可衡量价值的案例。
- 选择标准包括运营稳定性、持续的业务采用、量化的价值创造和可扩展性与可复制性。
- 访谈方法包括结构化访谈和书面文档补充。
主要发现
- 无形成本是主要挑战：77%的最难挑战是无形和不可见的成本，包括变革管理、数据质量和流程重新设计，而技术一致被描述为最容易的部分。
- 时间线差异：相似的用例在不同公司的时间线差异巨大，从数周到数年，这取决于高管赞助、现有基础和最终用户意愿。
- 人工监督水平：基于上报的模型（AI自主处理80%以上的工作，人类仅审查例外）实现最高的生产力提升（71%），但最优监督水平因职能而异。
- 高管赞助：积极指导（每周检查、主动清除障碍）很常见，但实现组织范围转型的关键在于战略集成，即AI纳入企业OKR，激励与采用挂钩。
- 阻力来源：职能部门（法务、人力资源、风险与合规）是最频繁的阻力来源，而非最终用户，需要针对不同原因提供不同解决方案。
- 人员编制影响：减少是最常见的结果（45%），但不是大多数，替代方案包括避免招聘、重新部署、不减少等。
- 新收入来源：AI带来的新收入是真实的，但罕见，主要模式包括个性化、赢得交易的速度、内部工具打包为产品，以及AI实现从未做过的工作。
- 智能体AI价值：智能体AI有效，但大多数公司尚未使用，在具有高容量、明确成功标准和可恢复错误的职能中，实现更高的生产力提升（71%）。
- 数据挑战：只有6%的实施拥有完全为AI准备好的数据，但LLM可以修复数据问题，流程文档化和访问比数据完美更重要。
- 安全影响：安全的赋能作用大于其阻碍作用，最初作为障碍的要求后来反而使项目能够处理敏感数据。
- 模型选择：对于42%的实施，模型选择是完全商品化的，多模型策略是新兴的规范，抽象层将领导者与落后者区分开。
研究结论
- 成功的AI部署需要关注无形和不可见的工作，如流程文档化、数据访问层和变革管理。
- 早期构建多模型架构和投资数据基础设施的组织将有能力捕获下一波价值。
- 生产力分叉取决于组织是使用AI来创造新任务和增强工人，还是主要用于削减成本和减少人员编制。
- 转型不会平稳，需要政府和社会责任来帮助缓解工人和社区在效率实现时的转型。
