实施鸿沟:为何AI试点项目未能转化为经济效益

引言：技术已普及，成效却未显现

过去三年间，人工智能已从战略宣言的主题演变为日常企业实践的组成部分。获取模型不再是障碍：企业可以通过订阅购买，在公司内部部署，嵌入办公和生产系统。但恰恰在这一时刻，一个悖论浮出水面，并成为当下议程的焦点：技术已经普及，但可衡量的经济效益却并未随之而来。

麻省理工学院NANDA项目发布的报告《生成式AI鸿沟：2025年企业AI现状》对此给出了最具影响力的论述。研究人员分析了300多个公开披露的企业AI项目，对高管进行了结构化访谈并开展员工调查，得出结论：约95%的生成式AI试点项目未能产生可衡量的财务成效，仍停留在概念验证阶段或仅作为单个团队的局部工具。成功案例集中在一小部分企业：仅约5%的实施项目进入规模化应用阶段，并为公司带来显著成果。

正确解读这些数字至关重要。它们并不意味着AI技术本身无效，而是揭示了另一个事实：差距不在于模型的"智能"与否，而在于那些重构了业务流程的组织与那些将模型嵌入未经改造流程的组织之间。前者获得实效，后者只得到一份试点报告。

鸿沟剖析：五个典型断点

第一个断点——数据未做好应用准备。 试点项目往往基于为演示目的而人工准备的数据导出。而规模化应用则需要定期、版本化、高质量的数据流，并有明确的责任方。在这两种状态之间，存在大量工程工作，而这些工作很少被纳入试点预算，因为它们看起来不像"人工智能"。

第二个断点——缺乏成效衡量指标。 大量项目的衡量标准是"员工满意度"和"速度提升"。但节省的时间并不会自动转化为利润。如果释放出来的时间没有被重新分配——用于增加产量、减少外部采购或开发新产品——那么公司资助的只是舒适度,而非生产力。效果必须事先与损益表中的具体项目挂钩:运营成本、申请处理成本、次品率、周期时长、加班工时。

第三个问题——流程保持不变。 嵌入旧规程的模型会继承其局限性。如果在生成文档后仍保留原有的四级人工审核,周期时长就不会改变。真正的效果出现在算法应用后,随之改变规程、控制节点和责任分配的地方。

第四个问题——错误责任归属。 一旦解决方案走出沙盒环境,就会出现这样的问题:谁对错误的建议负责——执行人员、流程负责人,还是模型供应商?只要答案未在规程中明确,中层管理者理性的选择就是将系统保持在辅助状态。于是试点项目就这样持续多年。

第五个问题——在购买与自主开发之间选择错误。 MIT报告指出了从专业供应商购买的解决方案与公司内部开发方案之间的区别。两种模式都不是万能的:当流程是竞争优势来源时,自主开发是合理的;当流程是标准化的,购买更为合适。在这一选择上的错误,比选择具体语言模型的代价更高。

俄罗斯现状:试点项目众多,战略寥寥无几

俄罗斯的情况反映了全球性的鸿沟,但带有自身特色。一方面,大型企业兴趣浓厚:人工智能几乎出现在所有大公司的议程中。另一方面,管理框架远远落后于投资活跃度。根据МТС Web Services的研究数据,在已将相关支出纳入预算的企业中,只有约四分之一制定了正式的人工智能部署战略。换句话说,资金的投入早于明确这些投资究竟要购买什么样的管理成果。

第二个因素是结构性异质。国立高等经济大学统计与经济研究所的数据显示,全经济范围内使用人工智能技术的组织占比约为4.8%,而在员工超过500人的企业中,这一比例达到近15%。大型企业与其他经济主体之间的差距意味着,人工智能目前更多是强者愈强的放大器,而非整体生产率增长的驱动因素。

第三个因素是基础设施。算力的成本和可获得性仍是明显的制约:对加速器的需求持续超过供给,这使得自建模型的运营成本高昂,而云端方案则严重依赖于服务商的政策。

第四个因素是人才,这也是最被低估的一环。短缺的不仅是开发人员(全国IT专业人才缺口估计达数十万人),更是中间层专业人员:数据工程师、流程负责人、分析师——那些能够将管理任务转化为模型的正确设定,并解读其结果的人才。正是这一层级决定了试点项目能否真正投入运营。

为何这是宏观经济问题,而非企业时尚

对俄罗斯经济而言,生产率问题已不再是学术话题。劳动力的人口收缩、持续的人才短缺,以及工资增长快于产出增长所形成的剪刀差,无法通过招聘来弥合。技术驱动的生产率提升不再是选项,而是整个行业保持盈利能力的必要条件。

正因如此,部署鸿沟不是IT部门的内部问题。如果绝大多数项目止步于实验阶段,那么人工智能投资的全国性效应将远低于预测值——对俄罗斯而言,到2035年的预测规模以数十万亿卢布计。预测是可能性的上限,而非技术采购的自动结果。

全球经济的测算分歧同样值得关注:各大分析机构对生成式人工智能带来的生产率增长估值相差数倍——从每年零点几个百分点到十年内1.5个百分点不等。如此大的差异本身就是一个信号:效果取决于部署质量,而非技术本身。

5%的差异化因素:从试点到运营的过渡轮廓

成功实施的实践经验使我们能够总结出一套相当稳定的条件。

根据错误成本和重复频率选择流程。 大规模、标准化、维护成本高的操作能产生最大效益:处理客户咨询、文件初审、缺陷检测、路线和库存规划。展示性项目在演示中效果显著,但在损益表中效果微弱。

预先公布的指标和基准线。 在启动前需确定指标的当前值、目标值以及项目被判定为失败的期限。缺乏失败标准是项目未计划规模化的主要标志。

流程负责人,而非技术负责人。 成果责任人应当是业务职能部门的负责人,该指标是其工作KPI。唯一发起人是IT总监的项目,很少能走过演示阶段。

在实施过程中同步重新设计流程规范。 如果算法能够完成某个环节,该环节就应当从流程中移除,而不是"以防万一"地保留重复审核。

建立制度化的结果验证机制。 人工监督仍然保留,但转变为抽样式、规范化且可量化的方式——记录错误率并将反馈输入模型。这既是效率问题,也是员工对系统信任度的问题。

就用工问题进行透明沟通。 如果员工将系统实施视为变相裁员计划,就会产生消极抵触情绪,导致输入数据质量下降。明确的人力资源框架——再培训、任务重新分配、标准调整——不仅是伦理要求,更是技术要求。

结论:改变成功衡量标准

从全球失败案例统计中得出的主要结论并非人工智能市场被高估,而是衡量方法出现了偏差。试点项目数量、接入服务数量和投资规模反映的是活跃度,而非实际成果。真正具有经济意义的只有一个指标——投入工业化应用的解决方案占比,以及以货币价值衡量的确凿成效。

对企业而言,这意味着从试验逻辑转向运营模式逻辑:减少试点项目,深化流程重组,强化评估标准。对国家政策而言,则意味着支持重心从示范项目转向部署基础设施:数据的质量和可获取性、算力资源、面向中型企业的行业标准化解决方案,以及中间层专业人才的培养。

人工智能确实有能力成为经济增长新质态的驱动因素。但它本身既不是加速器,也无法替代管理工作。它只是极其精准地映射出组织的成熟度:在流程清晰、数据有序、责任明确的地方,效果会迅速显现。而在这些条件缺失的地方,人工智能会忠实地将混乱自动化——于是部署鸿沟再次重现。