八成五百强已试水，规模化却滞后

Arun Chandra 提供的数据显示，约 80% 的财富五百强企业已经引入了某种形式的智能体 AI。然而，从试点到真正产生规模效益的进展并不均衡，大量企业仍停留在相互孤立的试点项目。

“大家都在想，这项技术到底能做什么？”Arun Chandra 如此描述企业初期的普遍心态。但他强调，规模化的前提是把技术探索和明确的业务战略连接起来。

先定目标，再谈技术

在 Arun Chandra 看来，组织首先需要回答一个问题：部署智能体 AI 究竟是为了增加营收、降低成本，还是实现其他战略或财务目标。目标清晰之后，才应重新审视智能体将运行的工作流，而不是简单地把 AI 叠加到既有流程之上。

“最不该做的，就是把 AI 用在一个过时或低效的工作流上。”他提醒，若底层流程本身存在缺陷，智能体只会把问题放大。

智能体需要”系统级”支撑

要将智能体真正投入生产，企业需要把它们视作一个协调一致的系统，而非零散工具。智能体必须能够获取做出有效决策所需的数据、知识与上下文，并在需要执行动作时连接到后端系统。

Arun Chandra 认为，信息碎片化会直接削弱智能体的能力：”这些 AI 智能体的成效，完全取决于它们能够摄取并使用的上下文、知识与数据。”与此同时，随着智能体承担更关键的工作，治理、隐私、安全与变革管理的重要性同步上升。

把智能体当作”数字员工”

他进一步建议，企业应以衡量人类员工的标准来要求 AI 智能体，并把劳动力视为”人 + 智能体”的组合。在理想情况下，这种连通式的架构能让智能体主动工作，甚至与其他智能体协作，共同解决客户需求。

别想”一口吃成胖子”

对于正从试点迈向规模化的组织，Arun Chandra 给出的建议是不要”试图煮沸整片海洋”，而应围绕高价值场景、工作流、人力变革与可衡量结果，构建一套连贯的策略。

这篇内容由 MIT Technology Review Insights 制作，属于定制内容，并非该刊编辑部的独立新闻报道。

先简化，再创新

马诺哈尔在访谈中反复强调”先简化、再创新”的思路：如果在没有降低系统复杂度的前提下叠加新技术，结果往往是增加更多风险。他的判断是，任何组织现代化的目标都应是标准化流程、尽可能整合工具，并建立贯穿全公司的统一数据底座。在他看来，”当代组织的支柱是数据”——在优化、自动化或应用 AI 之前，数据必须先在不同系统之间顺畅流动。

用集成套件打通数据孤岛

Jabil 选择以 SAP Integration Suite 作为集成的核心平台，连接各业务系统、淘汰碎片化的工具，并采用 API 驱动、事件驱动的集成架构，避免在不同系统之间反复搬运数据。马诺哈尔表示，重资产、强定制的旧模式被标准化取代后，新技术的上线速度明显加快，企业也得以从”逐厂运营”转向”企业级能力”的打法。

落地的难点在于规模：100 多个厂区的流程成熟度不一，遗留系统、本地化工作流与受监管业务带来额外约束。标准化带来的价值不只是技术层面——统一的工作流与数据管道，让员工获得共享的数据可视性，减少人工对账，并能更早发现供应链异常、更快做出响应。

AI 才有用武之地

在打通集成底座之后，Jabil 把目光投向预测性供应链洞察、智能异常处理，以及 AI 驱动的排产与预测。马诺哈尔强调，AI 应当增强真正的决策能力并带来可衡量的业务价值，而不是仅在业务流程里做实验。集成确保了 AI 能访问可信数据，并能在跨国公司的多个系统之间采取行动。他总结道：”规模化的简洁，本身就是一种很强的竞争优势。”

给制造企业的启示

这期对谈的核心建议是：把集成当作基础，而不是事后补救；在启动转型之前优先做简化，用标准化替代局部优化的工具。对于同样面临工具泛滥问题的中国企业而言，先理清楚数据流与系统边界，再谈 AI 赋能，往往比直接采购模型更关键。

这句话出自 MIT Technology Review 旗下 Business Lab 播客 2026年9月1日的一期节目，由该刊 Insights 部门特约编辑 Megan Tatum 主持，另一位嘉宾是 Infosys 高级副总裁、负责澳大利亚、新西兰及东南亚地区金融保险、医疗与公共部门业务的 Sanjeev Tripathi。两人讨论的核心，是一次把 AI 真正用在遗留系统改造上的项目。

逼上门的技术债

Bupa 在亚太地区服务约700万客户，旗下的 My Bupa 移动应用建立在微软的 Xamarin 跨平台框架之上。而微软对 Xamarin 的支持已于2024年终止。

对一款承担投保查询、理赔办理等关键流程的应用来说，框架停止维护带来的不只是技术风险，还有实实在在的体验损耗。Sherazi 的表述很具体：「一次登录失败不是技术事件，而是一个想查看自己保障范围却没能查到的人。」

这也是她拒绝把延长支持当作解决方案的原因：「延长支持买到的是时间，不是未来。」最终的决定是重写——迁移到原生的 Swift 与 Kotlin。

AI 究竟做了什么

Tripathi 的判断是：「AI 的出现正在从根本上改变现代化改造的经济账。」在这个项目里，AI 的作用集中在三个环节，而且都不是替代人，而是压缩人力最不划算的那部分投入。

第一是代码理解与逆向工程。Infosys 团队用 AI 辅助的方式，从存量 Xamarin 代码中提取业务流程、规则与逻辑，直接生成可用于原生开发的用户故事和验收标准。以往这一步高度依赖业务分析师逐行读代码、访谈业务方。

第二是文档化。AI 驱动的发现与文档生成，节省了约400小时的人工业务分析工作量，并把接近1500个回归测试场景映射到了原生开发的需求集上。这一步的隐性价值在于知识转移：原本散落在少数老员工头脑里的系统知识，被沉淀成团队共享的资产。

第三是测试。团队用 AI 做缺陷分类与预测性缺陷分析，跑了近1400个案例，把测试资源集中投向高风险路径；同时用 AI 驱动的无障碍测试做大规模系统化验证。结果是上线时零安全类与高危级别缺陷。

综合起来，AI 辅助让交付周期相比没有 AI 的时代缩短了约60%。内部最初的估算是18个月，实际交付用了7个月。

数字之外的变化

新版应用上线后的指标变化相当直接：应用评分从3.7升到4.7；用户感知到的崩溃率在安卓端下降近24个百分点，iOS 端下降8个百分点；安卓端每次访问的登录成功率回升至77%，接近翻倍；代码库体积减少30%，应用占用空间减少18%。

功能层面实现了100%的双平台同步发版，不再出现一端有、另一端等的情况。活跃客户中约90%已迁移到新版本，独立下载量接近180万次。此外，账单处理速度提升了4倍，代码提交到测试人员手中的时间压缩到约1小时；整体功能交付速度大约快了4倍。

Sherazi 认为，真正的变化发生在决策的问法上：「过去是，我们的平台能不能支持这件事？现在是，这件事对客户来说是不是正确的。」而对最终用户，她的期待反而克制：「他们会注意到的是，当他们需要我们的时候——往往是在一个焦虑的时刻——它就是能用。」

两条不该被忽略的边界

这次对话中最值得企业技术决策者留意的，是两位嘉宾对 AI 边界的一致态度。

Tripathi 明确划线：「AI 不能替代良好的工程实践，它让组织能够更快地执行这些实践。良好架构、扎实工程与清晰业务目标的重要性会继续存在。」在他的展望中，现代化平台会成为更智能的 AI 驱动生态的底座，「AI 不只是附加功能，而是从设计到运营都内建其中」，客户体验将变得更个性化、更具预测性。

Sherazi 补充的则是组织层面的心得，尤其是改造过程中充满不确定性的阶段：「领导层在那些时刻的工作，是吸收模糊性而不是传导焦虑，因为如果人们觉得可以安心地尽早报告坏消息，几乎没有什么问题是修不好的。」

她对整个项目的定义或许是最凝练的一句总结：「我们做现代化改造，是为了赢得做下一件事的资格，并且能以周为单位而不是以年为单位完成它。」

多数AI落地失败，是“人”的问题

9to5Mac 的“Apple @ Work”播客在2026年9月1日的一期节目中，邀请行为科学家格列布·齐普尔斯基（Gleb Tsipursky）博士，讨论企业引入人工智能时往往被忽视的“人文面”。齐普尔斯基是未来工作咨询公司 Disaster Avoidance Experts 的首席执行官，被《纽约时报》称为“办公室低语者”，著有数本面向职场的著作。他在节目中重点推介的新书《工作中的AI采用心理学：从抗拒到成效》（The Psychology of AI Adoption at Work: From Resistance to Results）由乔治城大学出版社于2026年9月1日出版，并经过同行评审。

95%的试点未能带来实际收益

齐普尔斯基的核心判断是：大量人工智能项目折戟，根因不在技术，而在人。他引用麻省理工学院2025年的一项研究指出，约95%的AI试点或实施项目未能在损益层面产生正向回报，换言之是在亏钱。他还提到，人工智能的普及速度约为智能手机等史上普及最快技术的三倍，正因来得又快又猛，才让组织与个人普遍感到不安。

皮尤研究中心（Pew Research）的一项调查也显示，约半数受访者对AI感到焦虑多于兴奋，仅约一成受访者更偏向兴奋。

三类抗拒：恐惧、身份与沉默

在齐普尔斯基看来，员工抗拒AI通常不是因为工具难学，而是因为它触及了与工作相关的自我价值。他将抗拒归纳为三类：一是“AI警示者”，害怕被取代，常规变革管理难以抚平这种恐惧；二是“务实抗拒者”，感到身份受威胁——当AI能写出漂亮的邮件或营销文案，恰恰冲击了这些人赖以建立专业身份的本事；三是“勉强采用者”，早已私下使用AI却不愿声张，因担心被贴标签，结果个人效率的提升始终无法转化为团队与公司的整体收益。

这本书建立在他参与的一百多个企业AI落地案例，以及对微软、Uber及多家外包企业三十余位管理者的访谈之上。

先安抚情绪，再谈培训

齐普尔斯基强调，阻力本质是情绪性的，因此必须先正视并疏导情绪，再谈技能培训。他给出乐观的承诺：任何白领知识工作者，只要真正学会使用AI工具，每天可节省两小时以上的时间。衡量成效的办法也很直接——在引入AI前后，分别计时同一工作流的用时。

胡萝卜加大棒：不裁员，但必须学

对于企业领导者，他提出“胡萝卜加大棒”的组合：公司应公开承诺不因员工使用AI而裁员，并把由此省下的资源投入业务增长而非削减人头；与此同时，若员工始终不学、用不好AI而导致效率低下，仍可能成为被淘汰的理由。他引用观点认为，成功采用AI的企业，员工规模增长速度约比落后者快一成。

他也提醒，外包与离岸岗位往往因被视为与组织情感连接最弱，而最先面临被替代的风险。

所有人都要学会“管理AI”

展望未来，齐普尔斯基认为工作不会被取消，而是被重塑：每个人都将转而管理一组AI智能体。对组织而言，真正的竞争力不在于买下多先进的模型，而在于能否把人的焦虑、身份与信任问题摆平，让AI从零散的个人技巧，沉淀为全公司可复用的生产力。

供应链管理软件公司Aptean联合市场研究机构Vanson Bourne，调查了245名服装与时尚行业高管。结果显示，服装企业正在选择真正理解服装运营细节的行业专属AI方案，而非通用工具。调查显示，53%的服装企业已经采用行业专属AI——这是此类工具首次真正贴合行业运作方式。

为何是行业专属？Aptean产品管理总监阿兰·特西耶（Alain Tessier）指出，通用AI工具不理解服装业最关键的环节，例如“季末取消日期”（season cancel date），而这个日期在服装生意里意味着真实的财务影响。从设计师画出草图到商品上架，周期往往长达8到12个月，期间要锁定预算、绑定产能、押注某一颜色或花纹——这些往往只有一季的机会。通用系统能算数，却无法在款式矩阵中推理，也判断不了一件碎花为何“一季只有一次”。

41%企业已看到竞争优势

调查还显示，41%的服装受访者表示，过去一年已从AI中获得竞争优势。价值往往体现在“还有利润可救时就发现问题”。特西耶举例：某鞋类品牌计划团队每周一上午要花大量时间拉取售罄报告，等发现滞销款式时，取消日期已近，只能打折。若换用更快的工具，团队能在几分钟内锁定高库存、低售罄且窗口收窄的问题款式，在会议开始前就取消采购订单、做定向促销。这种“在决策还有意义时行动”的能力，正是服装业当前从AI获得的最实在回报。

智能体上岗，人类仍握审批权

随着自主智能体（agentic AI）推广，企业如何设防？特西耶的答案是：任何会真正改变业务动作的步骤之前，必须有人工审批。例如，多渠道品牌可以搭建一套系统，每周自动汇总批发、直营与零售三端的销售、订单与库存——这部分完全可由AI自行完成，只是信息整合；但一旦系统想把结果写回ERP、涉及订单、发货或客户承诺，就必须由人确认。他提醒，最容易出乱子的，恰恰是那些事先没划清“红线”就放智能体自由行动的企业。

国内视角：AI正渗入服饰全链路

在中国市场，服装与时尚零售同样是AI落地的重点场景。从趋势预测、生成式设计到智能补货与库存规划，头部品牌与代工厂正把AI嵌入设计、生产到分销的多个环节。与海外类似，真正的挑战不在于“用不用AI”，而在于能否把分散在各部门的数据打通，让AI在风险变成成本之前就被看见。对于中国服饰企业而言，行业专属AI带来的可预测性，或许比“炫技式”的自动化更有价值。

行业媒体 MarketScale 在 8 月 31 日刊发的分析中援引了一组来自 OpenAI 的企业侧数据：经由行业人士 Guy Weaver 在职业社交平台 LinkedIn 上转述，企业 AI 采用度排名前 10% 的公司，其单个活跃用户产出是普通企业的 8.3 倍。

这个差距指向的不是使用权限，而是执行能力——谁能把「模型可用」转化为「可治理、可规模化的工作」。换句话说，回报并不藏在下一轮概念验证里，而是藏在工作流设计、数据就绪度和员工训练当中。

写进了规划，却没跑进业务

采用率的表面数字很热闹，内核却偏薄。InformationWeek 记者 Myles Suer 在 2026 年 2 月引述 Dresner Advisory Services 的研究报道称：AI 已影响 55% 企业的战略规划，但只有 25% 的企业把 AI 称为业务战略的主要驱动力，而全企业范围的部署比例仍低于 50%。

这种撕裂会直接决定钱花在哪里。当 AI 只是「在规划里」而不是「在运行里」，预算往往先落到工具和基础设施上，随后卡在没人配人力的集成环节：数据管道、访问控制、流程归属和变革管理。

企业之间的 AI 差距，看起来不像一场模型竞赛，更像一场工作流竞赛。

「碎片化税」出现在跨团队协作处

领先企业之所以拉开身位，另一个原因是协同，而不是能力。Diginomica 在 2026 年 5 月对 Atlassian《2026 团队现状》报告的解读描述了一种典型状态：AI 让个人工作变快了，但能说清全组织层面投资回报的公司只是极少数。

据该文报道，Atlassian 的调研发现，89% 的受访高管认为 AI 让团队工作更快，但只有 6% 能指出清晰的、覆盖全组织的投资回报；85% 的知识工作者在使用 AI，而将 AI 嵌入日常工作流的只有 29%。

「高使用率、低嵌入率」之间的这段落差，正是价值流失的地方。如果 AI 只被当成一台捷径生成器，它会抬高上游产出量、也抬高下游返工量；如果它被嵌入需求受理、优先级排序和交接环节，它才会真正压缩周期时间。同样的模型权限，不同的系统设计。

如果 GPU 是资本性支出，那么协同就是运营性支出，而多数公司在后者上付了两遍钱。

GPU 集群正在变成共享算力池

基础设施的推进速度跑在了运营模式前面，这一点在 GPU 的使用方式上尤为明显。Data Center Frontier 在 2026 年 5 月报道了数据平台公司 Hammerspace 的报告《State of the Next Data Cycle: How do you GPU?》。该报告分析了近 1.7 万条网络讨论，并覆盖约 200 位企业技术负责人，讨论平台包括 LinkedIn、Reddit、GitHub、Discord 与 X。

据 Data Center Frontier 报道，Hammerspace 的分析发现，2024 年末的企业 AI 采用仍偏向讨论与站位，而非生产环境落地；但企业为 AI 项目提前采购的 GPU，正越来越多地被挪用于更广义的数据处理、分析、科研计算和媒体类负载。

对数据中心和平台团队而言，规划口径的变化很具体：GPU 集群不再是「有单一归属的 AI 项目」，而变成共享的加速计算池。瓶颈随之转移——存储吞吐与数据搬运成为一阶约束，调度策略变得关键，而由于同一批卡在服务多个业务部门，成本分摊的争论也会更响。

为什么回报数字总是模糊

2026 年 7 月 17 日，美国联邦储备委员会发布的一份 FEDS Note 提供了一个有用的框架，作者为 Paul E. Soto、Mason Thieu 和 Jeffrey S. Allen。这份笔记把生成式 AI 建设期的公开指标归入三类：能力与成本；企业投资与采用；生产率与劳动力。随后它把这些指标与通用技术的历史规律对应起来——广泛采用往往先于清晰可测的生产率提升出现。

这对企业运营者的意义在于，它印证了一个令人沮丧但真实的处境：组织可以真金白银地投入、实实在在地干活，而宏观乃至企业内部的生产率指标依然嘈杂。此时更值得问的是「在自己的环境里，哪些先行指标正在变动」，而不是「为什么还拿不出一个干净的企业 ROI 数字」。

四条可落地的动作

MarketScale 在文末给 CIO 和运营负责人列出了四项 2026 年运营计划要点。

第一，对标工作流渗透率，而不是工具采用率——Atlassian 的调研中，只有 29% 的人把 AI 嵌入了日常工作流。

第二，把 GPU 容量当作共享服务来管。在招标文件和内部设计中就要为混合负载（分析、媒体处理、科研）预留空间，并尽早确认存储吞吐、数据本地性与调度策略。

第三，把「单个活跃用户产出」做成可审计的关键指标。如果管理层引用了 8.3 倍这个前沿差距，就要在自己的语境里定义「产出」到底是什么——工单关闭数、活动上线数、代码评审量——并配套治理控制来度量它。

第四，压力测试所谓的数据底座。Dresner 的发现指向全企业部署比例不足 50%；在扩大规模之前，需要确认哪些数据集达到了生产级、哪些还缺少治理责任人，以及当 AI 助手接触这些数据时访问控制会发生什么变化。

对中国企业来说，这套判断同样有参照价值。工具铺开容易，流程改造难；模型接入是一次采购，而把模型嵌进受理、审批、交付链条则是一场组织工程。差距被拉开的地方，往往不在模型清单上，而在没人愿意接手的那段流程改造里。

已经被验证有效的四类场景

Gene Marks 总结，大公司在四类场景上已跑通人工智能的落地：一是软件开发，用 AI 编写、审查与测试代码，让小团队也能完成更多工作；二是客户服务，借助 AI 处理部分咨询流程；三是信息安全，利用 AI 平台检测异常行为、钓鱼攻击等威胁；四是语音系统，用 AI 接听来电并完成基础操作。他还观察到，不少被大厂裁掉的开发人员正用 AI 工具”复制”自己，为中小企业大规模提供外包服务。

算力账单是无声的教训

大公司还替中小企业踩中了一个隐性雷区：当员工和 AI 智能体疯狂消耗令牌（token）时，算力成本会高到惊人。中小企业经不起这种大规模试错，因此更倾向先摘”低垂的果实”。

别拿 AI 当裁员工具

文章提到，多家大公司 CEO 在财报电话会上大谈 AI 带来的成本节省与裁员预期，却换来员工与公众的反弹。中小企业反其道而行：用 AI 提升效率，却不以此削减编制，反而因此更受求职者青睐。

智能体尚不可全信

Gene Marks 也提醒，大公司在”智能体（agentic AI）”的可靠性与准确性上栽过跟头，中小企业因此不应过早把财务、营销、客服等部门整体交给 AI。更稳妥的做法，是用 AI 辅助分析业务、给出建议。他直言，自 ChatGPT 问世以来的诸多预言——大规模失业、全民基本收入、通用人工智能、机器人做家务、元宇宙新世界、自动驾驶——大多尚未兑现；连 OpenAI CEO 萨姆·奥尔特曼都承认此前的落地时间表”过于乐观”。

中国市场的中小企业同样站在 AI 落地的十字路口，大厂的试错经验同样具有借鉴意义：先把成熟场景用起来，谨慎对待全自动智能体。

AI产业竞争的新焦点：从模型能力到价值闭环

本届WAIC以”智能伙伴，共创未来”为主题。丁永指出，行业关注点正在从模型能力竞争逐步转向应用价值创造。过去几年围绕参数规模、模型性能和技术突破的讨论正在被一个更核心的问题取代：AI如何真正进入企业业务流程，如何降低应用门槛，如何通过实际业务结果创造价值。

在这一趋势下，Token成为连接算力、模型与应用的重要基础资源。润建股份的探索聚焦于此：依托五象云谷Token工厂，构建Token生产、应用、部署和服务的全栈能力，降低企业使用AI的成本门槛。

Token工厂：700%性能提升与30%成本下降

润建股份在展会上发布了五象云谷Token工厂润蟾平台，通过对Token吞吐性能的优化实现了700%的性能提升，进一步降低Token成本。

电力成本是Token生产的重要组成部分。基于润建股份在能源领域的积累，通过虚拟电厂结合储能能力调配绿电使用，降低算力生产的能源成本。公司获批准在南宁五象云谷计算中心自建220千伏专用变电站，通过专变提供480兆瓦容量，预计降低30%以上的算力使用成本。

制冷方面，采用微通道液冷结合800伏高压直流技术，使PUE降至1.1以下。

AI FDE：派工程师进企业现场

在Token应用环节，润建股份提出了AI FDE（AI Forward Deployed Engineer）服务体系，定义为VGE——Value Growth Engineering，即价值增长工程师。简单来说，FDE团队会进入客户现场，与企业共同挖掘AI应用场景和价值。

丁永解释了客户选择这种模式的原因：一方面是低成本Token，另一方面是适用于企业AI化转型的工具链。FDE团队携带工具、Token和行业场景的结合能力，帮助企业将AI从技术概念转化为可衡量的商业价值。

出海布局

丁永还谈到了出海方向。润建股份在东南亚和中东已有布局，Token工厂模式可以复制到海外市场。不同地区对AI的需求场景不同，但降低成本门槛的逻辑相通。

来源：36氪专访