以下为Alvarez & Marsal企业绩效提升业务董事总经理Daniel Schmeltz的客座文章，观点仅代表作者个人。

企业在人工智能领域投入巨大，但鲜有企业能展示出持续的财务回报。尽管实验与部署广泛，AI却很少转化为EBITDA、现金流或投入资本回报率的可衡量改善——随着全球高管将关注点从AI采用转向AI投资回报率，这一担忧正日益凸显。

问题不在技术本身，而在于AI的引入并未伴随将能力转化为价值所需的运营模式重塑。除非AI被嵌入决策的制定、归属与治理流程，否则它将继续产生可见的活动，却难以留下持久影响。

投资与影响之间的鸿沟在企业数据中清晰可见。一项近期MIT关于AI采用的研究发现，尽管全球投资激增，多数组织尚未看到可衡量的财务成果。虽然这可能过于简化了组织迄今从AI投资中实现的价值，但它揭示了一个宏观现实：当前组织从AI投资中获得的真正财务收益微乎其微。

这种脱节在项目推进方式中显而易见：多个试点同时启动，横跨各职能与业务单元，展示了活跃度，却很少实现规模化。鲜有试点与财务负责人、基线或可衡量的经济增量挂钩，导致成功与否无从判定。

这一模式源于紧迫感而非设计；领导者感到压力，需展示进展并避免落后于竞争对手，于是大量部门被要求上线AI，却缺乏明确的成功定义。

结果导致AI主导运营模式，而非支撑运营模式。AI被部署于“人力资源”或“财务”部门，这种模糊的任务令企业在试点结束后不禁发问：“接下来怎么办？”AI能够做出招聘决策或编制预算，但决策的归属是谁——经理还是机器？当决策涉及更敏感信息时，控制机制又如何维持？

运营模式由谁做决策、工作如何流转以及问责制落在何处来定义。多数AI部署忽视了这一点，仅将技术视为简单的自动化工具。

相反，企业应将AI视为一支充满热情但缺乏经验的“数字实习生”队伍，而非软件。它们精力无限，能大规模处理数据，但缺乏判断力。成功的运营模式并非用这些“数字实习生”取代人类，而是将人类提升为编辑，负责策划与验证实习生的工作。由此，技术能力与运营权威相结合，确保持久影响。

关键在于，这一转变不仅提升效率，还扩展了客户价值。当“数字实习生”承担重复性、低价值的工作时，人类得以解放，专注于更高阶的创造性与判断性任务。在此模式下，AI成为真正的思想伙伴——帮助团队设计更优产品、个性化体验——使组织创造全新收入来源，而非仅以更低成本运行同一运营模式。

早期企业部署的证据指向更有效的方法。最强成果来自人类主导、AI增强的模式。与其用AI模型替代人类决策者（如金融机构在自动化信贷与风险决策时所做的），AI应被用于决策准备环节。

这一区别在高风险决策中至关重要——可称之为“橱柜测试”。若AI生成的橱柜图像略有偏差，成本为零；若它误算信贷风险契约，成本则是生存性的。AI擅长模式识别、综合与起草，但人类必须保留高风险领域的判断责任。随着时间推移，当信心增强、性能稳定，人工干预可缩小至仅处理例外情况，而非持续介入。实践中，能带来可衡量财务回报的企业AI项目往往遵循一致的模式：

  1. 将AI项目锚定于财务价值（成本、收入、现金流——而非职能）。这意味着应用“现金流试金石”：若试点无法与特定财务科目（如应收账款周转天数或库存周转率）挂钩，它可能更适合研发实验室，而非运营预算。
  2. 在自动化决策之前，重新设计端到端的人机工作流程。
  3. 投资于变革管理与培训，通过实际使用建立熟悉度，而非依赖自上而下的指令。
  4. 在信任与控制建立后，再扩展治理与自动化范围。

这一顺序至关重要。过早自动化决策会引入风险并侵蚀信任；从增强开始则能建立信誉，使后续扩展成为可能，如软件开发、定价分析及高量交易处理等领域所示。

另一个一致发现是，当AI项目与价值而非组织孤岛对齐时，影响会提升。更成功的努力始于结果导向，例如聚焦于服务成本或周期时间的AI应用。当用例与经济杠杆挂钩时，优先级排序更清晰，权衡也更为明确。

变革管理同样影响成果。对AI的适应是通过在实际工作中反复、低风险的使用赢得的，而非通过政策、培训材料或高管指令。当早期采用者在日常工作中展示切实价值时，怀疑消退，熟悉度增长。一致性而非强度，才能建立持久的运营能力。

综合来看，这些模式指向一个明确结论：让AI端到端运行企业运营模式仍为时过早。相反，AI应成为重塑工作方式的关键部分。取得进展的组织正有意识地将AI整合到人员、流程与技术中，并让人类牢牢掌握关键决策的责任。

最终赢得AI竞争的企业，不会是部署最多工具者，而是将AI视为任何其他转型投资——锚定价值、纪律治理、嵌入实际决策流程——的企业。AI能加速运营模式，却无法弥补运营模式的缺失。