为何企业AI在规模化前陷入停滞

由 Kamiwaza AI 赞助

大多数企业并不缺乏人工智能（AI）雄心。它们拥有试点项目、概念验证、高管指令以及预算。但它们目前（尚）缺乏的是规模化生产部署能力。

麦肯锡公司（McKinsey's） 《2025年人工智能现状报告》（State of AI 2025） 报告将这一差距置于具体背景中：当前，88%的组织已在至少一项业务职能中使用人工智能，但仅有39%的组织报告实现了任何可衡量的业务影响。 麻省理工学院（MIT）研究 显示，仅有5%的企业已将人工智能工具大规模集成至核心工作流中。

采用范围广泛，但回报浅显，且这种脱节是结构性的，而非技术性问题。

真正的障碍：碎片化

企业环境并非为人工智能而设计。在多年的发展、并购及部门扩张过程中，组织积累了横跨云平台、传统系统、SaaS应用及边缘环境的数据，每类数据均有其自身的访问模式、格式与治理规则。人工智能工作流需贯穿所有这些系统，而正是在此处，那些在受控环境中表现良好的试点项目开始瓦解。

当一个模型需要从客户关系管理系统（CRM）中提取数据、交叉核对企业资源计划系统（ERP）、查询合规性数据库，并将结果写回工单系统时，并不存在一条清晰路径。团队构建点对点集成方案，此类方案仅在未发生变更时有效——无论是安全策略更新、数据库迁移，还是引入新供应商——一旦发生变更，便需人工干预修复。每新增一个用例，工程维护开销即随之增加。

这是技术层面的碎片化：原本从未被设计为协同运作的系统，如今却被要求同时支撑跨越所有系统的AI工作流。

第二个维度是治理碎片化，其风险同样巨大。传统的访问控制机制面向确定性软件构建，后者遵循可预测的执行路径，权限可一次性设定并一致应用。而人工智能代理（AI agents）的运行方式不同：单一客户服务代理在一个工作流内可能同时查询订单历史、付款记录、库存水平及支持工单，实时跨越多个安全边界。

静态基于角色的权限无法以所需细致程度评估此类请求，结果要么导致权限过度授予的代理，从而引发安全风险；要么导致权限授予不足的代理，使其无法正常运行。 IBM 研究 发现，96%的领导者认为生成式人工智能（GenAI）的采用会提升其数据泄露风险，但当前生成式人工智能项目中仅有24%包含有意义的安全组件。

为何传统解决方案无效

惯常做法是集中化：将所有数据迁移至单一数据湖、统一采用单一平台、重写传统系统。该思路颇具吸引力，但实际操作面临硬性限制。对于受《通用数据保护条例》（GDPR）、《健康保险流通与责任法案》（HIPAA）或区域主权法律约束的全球性企业而言，数据整合成本高得令人望而却步，且在许多情况下依法不可行。监管约束、延迟要求及运营风险意味着，无论投入多少工程资源，数据往往都无法自由流动。

定制化集成则以另一种方式加剧问题。每个基于点解决方案构建的新AI项目，都为本已碎片化的环境增添复杂性；而规模化成本随用例数量增长而上升，而非随时间推移而下降。组织最终拥有的是一套需持续维护的人工智能资产，却始终无法产生足以证明投资合理性的复合回报。这两种策略均试图消除碎片化，而非构建在碎片化环境中运行所需的协调基础设施。

一种不同方法

实现人工智能规模化的企业通常具备一个共同特征：它们已投资建设一种协调层（coordination layer），该层可在不重建或整合现有系统的情况下，跨分布式系统运行。该方法并非将数据复制到中心化存储库，而是将智能路由至数据已存在的位置，并将治理嵌入工作流执行过程，在每次请求发出的当下进行上下文化评估。这一协调层即人工智能编排（AI orchestration）。

在部署人工智能编排后，每个新用例均可基于现有基础设施构建，且治理规则可在各环境中一致应用。这种一致性为企业奠定了基础，使其得以在足够深度上重构工作流，从而产生可衡量的影响。 麦肯锡发现 ，将人工智能归因于显著EBIT（息税前利润）影响的公司占全部企业的6%，此类企业对其工作流进行根本性重构的可能性，几乎是同行企业的三倍。

从试点走向规模化生产

已超越实验阶段的企业，大多已不再追问如何构建更优模型，转而聚焦于如何在其现有基础设施之上协调人工智能。这一视角转变，改变了所需构建的内容及投资应投向何处。

当前已存在一套协调基础设施，可支持人工智能在现有企业系统中实现规模化运行。完整白皮书《从混沌到可控：企业级人工智能编排》（From Chaos to Control: Orchestrating AI in the Enterprise）详细阐述了其运作原理，以及企业在实际生产环境中所取得的成果。

点击此处获取《从混沌到可控：企业级人工智能编排》 （here） ，深入了解企业正采用的编排框架，该框架助力企业从孤立试点迈向规模化生产级人工智能；或 联系我们 预约演示及咨询。