运营模式优势：为何AI赢家重塑组织（英）

工业与电子实践运营模式优势：为何AI领 先者正在重塑其组织架构 真正的AI优势在于重塑工作方式与决策机制。归根结底，成功将取决于由技术所支持的人员与运营模式。 克里斯托夫·施密茨、达戈·迪德里希、吉安马尔科·奇伦托和斯特芬·富克斯 人工智能革命已经到来，产生了很高的活跃度，但截至目前，财务收益却微乎其微。几乎所有主要公司都在其业务的各个细分领域部署了聊天机器人、分析仪表板和人工智能赋能工具，但很少有公司实现了具有实质意义的企业范围影响。这感觉像是工业4.0试点炼狱的文艺复兴，当时许多数字工具从未完全推出。但在这个案例中，问题不在于技术本身——甚至不在于获取技术——而在于组织。大多数公司都在利用人工智能来加速现有活动，而其底层运营模式，包括治理、团队和能力，基本保持不变。决策仍然通过管理层级、审批流程和协调结构进行，这些结构与人工智能企业之前的治理方式相同。更糟糕的是，很少有公司追踪其投入资本回报率（ROIC）。 随着人工智能能力日益普及，模型、基础设施和企业工具如今已广泛覆盖各行各业，这些失误正变得愈发影响重大。采用类似技术的公司现已产出截然不同的结果，这表明竞争优势正从工具本身转向运用这些工具的组织。 这种转变是可以理解的。尽管包括人工智能在内生产力提升很重要，但历史表明它们很少能单独创造持久的优势。事实上，随着人工智能的普及，许多效率提升很可能成为行业标配。更大的机遇在于通过组织重塑来发展运营模式——这些模式专门为支持人工智能而设计，能够加速创新、创造新的产品或服务，并捕获不成比例的新兴利润池——这些活动往往能创造最大的机遇。 与软件或基础设施不同，运营模式不能简单地购买或一夜之间复制；它们是通过在业务流程、治理、人员与人才、数据以及决策等方面积累的组织选择而发展起来的。它们影响团队间协调与合作的能力，使得运营模式成为组织优势的潜在关键来源。最佳模式将使公司能够构建并扩展难以复制的竞争优势壁垒，随着人工智能能力变得普遍。 为何仅靠技术是不够的 投资规模有助于解释为何人工智能能力正变得越来越易于获取。自2023年以来，超大规模企业已投入估计1.3万亿至1.6万亿美元用于人工智能相关的资本支出，其中约四分之三投向了专门的人工智能基础设施。1 目前，人工智能工具已覆盖全球估计10亿至15亿用户。2 在短短几年内，人工智能已从前沿技术转变为主流商业工具。然而，历史表明，新技术所创造的价值并不总是归属于其建设者——甚至不总是归属于最早采用它的那些人。相反，最大的赢家往往是那些围绕新技术带来的机遇重新组织自身、并对其运营模式、产品、服务和经营方式做出关键更新的公司。 19世纪60年代至90年代的美国铁路繁荣与人工智能时代有某些相似之处。如同人工智能，铁路基础设施建设先于需求且耗资巨大，最终通过大幅降低货物、人员和信息的运输成本，改变了经济格局。虽然其经济影响巨大，但仅有一小部分收益归铁路公司自身或那些仅利用铁路更快、更便宜地运输货物的外部企业所有。相反，最大的赢家是那些创建了全新的运营模式、重塑了行业经济、并捕获了若没有铁路便不可能存在的价值池的企业。3 品牌零售商西尔斯推出了目录销售——一种直营消费者的模式，在其鼎盛时期据估计占据了美国经济1%的份额。4 美国肉类公司斯威夫特围绕冷藏铁路车厢重组肉类加工业务，并在过程中重塑了一个 entire 行业。 现在考虑人工智能。大多数组织仅将这项技术用于加速现有流程——将其作为现有工作流程的副驾驶，将聊天机器人嵌入不变的结构中，让分析引擎为相同的审批流程提供支持。结果，他们加速了工作，却没有消除限制绩效的组织约束。这个问题很普遍，麦肯锡最近的一项调查发现，只有21%的公司从根本上围绕人工智能重新设计了其运营模式。 在那些确实能从人工智能中创造价值的企业中，一些模式逐渐显现。最成功的企业并非仅仅提高生产力，而是通过重新设计工作流程和运营模式，使它们能够更快地创新，并构建出随着人工智能的普及而持续的优势。事实上，麦肯锡的调查显示，表现优异的企业——那些将 EBIT 的 5% 或更多归因于人工智能的公司——在选择人工智能工具之前，更有可能进行广泛的运营模式重塑，其进行工作流程重塑的可能性也更高，是其他公司的三倍和两倍。 近期经济数据显示，部分公司正从人工智能中获益。2025年，美国生产率增长加速至约2.7%，几乎是前十年1.4%平均水平的两倍——尽管当时经济新增就业岗位不足20万，国内生产总值（GDP）增长3.7%。据一项分析，一小群人工智能重度用户通过围绕人工智能重新设计工作流程，驱动了大部分的改进。 然而，大多数公司发现，改变工作方式远比部署新工具困难得多。原因在于大型企业在扩张过程中积累的复杂性，以及制度层面不愿应对这一问题。可以说，最困难的变化涉及人员——具体而言，是他们的思维方式和能力。 协调挑战 每家大型企业的CEO都认识到这一规律：一家以50亿美元估值迅速发展的公司，在达到200亿美元时往往会变慢，而在达到500亿美元时则常常陷入困境。随着组织规模的扩大，决策涉及的人数、团队和相互依赖关系越来越多。一个五人团队只有10个沟通链接，而一个50人团队则有1225个。为了管理这种复杂性，公司会引入治理流程、矩阵结构和管理层级。 剪刀的复杂结构 随着公司成熟，经济后果日益显现。营收增长通常遵循S型曲线——增长缓慢，随后快速加速，然后在市场成熟时再次放缓。但协调成本，包括审查委员会、管理层级和跨职能委员会的成本，持续上升。其结果是营收与协调成本之间的差距不断扩大。从视觉上看，这两条曲线如同张开的剪刀的刀片般分离（见图）。麦肯锡对组织健康的研究反映了这一后果：不到十分之一的大型公司能在十年内持续获得高于资本成本的回报。 图1 人工智能提供了一种改变这些经济模式的方法。与其依赖日益增多的人对人的互动，人工智能系统可以通过基于清晰、非政治化、以投资回报率（ROIC）为导向的因素或治理标准的集中协调层来路由信息、决策和工作流程。消除不必要的会议或互动可以加速决策过程，并消除潜在的偏见。一家大型制药公司的网络 否则通常需要超过一千个双边连接的系统，可以通过远为简单的星型结构运行。在许多情况下，公司可以将决策责任和其他管理任务委托给人工智能代理。 这一特征正是人工智能区别于早期技术浪潮之处。业务流程再造、企业资源规划以及数字化转型都承诺打造更扁平、更高效的组织，但它们最终大多保留了底层协调结构基本不变，人员与能力配置也如故。人工智能则不同，因为它直指协调层本身。人工智能系统并非仅仅自动化单个任务，而是能够整合信息、优先排序行动、预测结果、做出决策，并协调跨团队的工作流程。这为重新设计工作流程而非仅仅加速现有流程创造了可能。 为什么即插即用式人工智能会失败 大多数组织将人工智能附加到现有的结构和流程上，期望它能自动带来生产力的提升。但这种做法往往因为以下三个原因而价值不大： ——复杂性依然大体保持原状。组织通常通过增加审核层级、治理流程和监督机制来应对人工智能。麦肯锡的研究表明，当自主系统在未为它们重新设计的业务流程中运行时，错误会以机器的速度在整个组织中蔓延。9 此外，即使人工智能改变了工作完成的方式，团队构成和角色依然保持不变。 — 价值仍然停留在任务层面。个体活动变得更快，但更广泛的业务流程并未如此。信息依然通过相同的瓶颈流动，限制了企业层面的影响。例如，新产品未必能更快地进入市场。 — 组织使用错误的指标。它们通常通过人工智能相关的许可证、试点项目和部署数量来衡量成功，而不是通过业务成果，如更快的决策周期、更低的协调成本或改善的财务表现。它们还忽视或最小化了投资回报率（ROIC）。 采取附加式方法的公司通常将人工智能视为一项技术采购挑战，而非运营模式转型。管理者往往陷入漫长的决策过程，以选择平台和供应商，而不是重新设计工作流程和决策系统。这种策略是适得其反且收益甚微，因为今天能区分不同平台的能力，往往在数月内就变得标准化。此外，研究表明，人工智能的大部分价值源于人员与流程的转型，而非算法、技术或数据基础设施。 在为实体商品进行设计、工程、制造和分销的行业中，收益可能尤为显著。例如，联合酋长国全球铝业公司（Emirates Global Aluminium）首先通过一个专门的数字学院培训了数千名员工，然后再将人工智能部署到炼铝作业中。10 经过多年的努力，该公司最终记录了超过1.2亿美元的影响效益。 包括170%的投资回报率以及处理能力和劳动生产率的两位数提升。矿业公司Freeport-McMoRan也通过重新设计其规划周期以适应人工智能的速度实现了重大收益（参见侧边栏“案例研究：一家铜业巨头发现新的增长来源”）。 案例研究：铜业巨头发现新的增长点 弗里波特-麦克莫兰公司供应了全球近十分之一的开采铜。该公司当时正蓬勃发展，但也面临每个工业CEO都熟知的战略挑战：需求增长而产能有限。建设一座新的选矿厂——一座将铜矿从废石中分离的加工厂——将耗资15亿至20亿美元，并需花费八至十年时间完成许可和建设。1 另一个选择是从现有资产中提取更多价值，但该公司通过传统工程方式在亚利桑那州的巴格达矿已持续优化超过50年。传统观点认为，容易获得的收益已经全部捕获。2 在优化工作中，弗里波特-麦克莫兰公司专注于其运营模式，而非技术部署。该公司组建了跨职能团队，该团队构建了一个机器学习模型，该模型能逐秒分析传感器数据，以确定每种矿石成分的最佳处理参数。弗里波特-麦克莫兰的集中式云数据架构存储了整个船队的所有数据。 随后，该公司开始改为每小时调整设置，而不是每个班次调整一次。几个月内，巴格达的铜产量增加了10%，回收率也得到了提高——冶金学家们将这一双重成果描述为成熟资产中“难以实现的”。 从一开始，Freeport-McMoRan就构建了具有模块化架构的AI模型，在Bagdad开发的约60%的代码可以在美洲的七个浓缩厂直接复用。后续的每一次部署都比上一次更快，因为其功能、数据架构和敏捷方法已经就绪。4 预计对整个投资组合的影响类似于新矿山的投产，包括数十亿美元的预计EBITDA改善。此外，这种改善无需经历新设施投产所伴随的长期资本周期、许可和环保问题。 这些例子的意义不仅在于它们所创造的价值，更在于它们所建立的心态和能力。每一次转型都会产生关于如何重新设计工作流程、管理人工智能赋能决策、部署人才以及管理变革的组织知识。这些经验教训随着时间的推移而积累，使得未来的转型更快、成本更低，并且更有可能成功。 其结果本身并非战略护城河，而是一种能力护城河——这是一种组织优势，使公司能够构建和扩展多个战略护城河。竞争对手可以部署类似的AI工具，但他们难以复制数年来的组织学习、实验、工作流程重塑和运营经验。随着时间的推移，这些能力帮助公司创造出更难复制的优势，例如专有数据飞轮、嵌入式客户工作流程、更快的学习周期和新的商业模式。一个成功的AI项目可以演变成自身转型的更广泛能力——这种能力随着每次部署而更具价值，且对竞争对手而言越来越难以匹敌。 构建AI优势：CEO们的启示 对于尚未围绕人工智能重组自身组织的领导者而言，挑战往往在于从何处着手。围绕三个连续的问题来构建转型框架，有助于明确前进的方向。 我该如何通过人工智能创造战略差异化？ 麦肯锡的研究表明，成功者将人工智能投资集中在一个到三个高价值业务领域。11 一种“花生酱”策略——在众多团队中铺开一层薄薄的AI——可以实现渐进式改进，但无法实现战略差异化。 最有前景的领域往往具有三个特征： —具备足够的经済杠杆，以提升利润空间、加速增长、创造新的收入来源，并强化竞争地位 专有数据资产，其价值随使用而提升 — 流程复杂度高，暴露了以协调为主的运营模式的局限性 因此，公司应优先考虑那些能够通过运营模式重塑创造竞争对手难以复制的优势，同时又能带来最高经济效益的领域。在许多行业，最大的机遇可能并不仅仅在于降低成本，而在于能够启用新的产品、服务、客户体验和商业模式，从而扩大利润池。 麦肯