从试点到实效：企业AI转型的关键跃迁

德勤（Deloitte）在一份6月发布的报告中指出，尽管企业级人工智能（AI）采用率正在上升，但许多组织在如何有效实施——以及治理——该技术方面仍显滞后。

该报告 《2026年企业AI趋势》发现，尽管AI实施已相当普遍，但明确的成效仍难以捉摸。成功衡量标准也在发生变化，从有多少员工可访问AI，转向AI如何切实改变周期时间、决策质量及业务成果。

在本次问答中，德勤（Deloitte）合伙人兼美国AI业务主管吉姆·罗万（Jim Rowan）探讨了为何2026年标志着AI发展重心从试验阶段转向执行阶段，真正借助AI实现转型的企业与仅表面部署AI的企业之间有何区别，以及为何治理正迅速成为智能体AI（agentic AI）时代的关键挑战。

如果去年的主题是试验，那么今年AI的主要叙事是什么？您将当前正在发生的转变如何描述？

吉姆·罗万（Jim Rowan）：如果说2025年以‘试点项目’（pilots）为标志，那么2026年将以‘工作流’（workflows）为标志。去年，各组织优先推进快速 AI实施，并由此引发关于可观测成果的讨论。今年，讨论焦点已从试验转向转型，重点关注效率提升及 投资回报率转化（ROI conversion）。正如我们在‘tokenmaxxing’现象中所观察到的那样，使用量增加并不等同于AI实际价值的提升，因此许多组织如今正寻求超越通过试点项目和概念验证（proofs of concept）来证明AI有效性的方式。当下，领先组织正在追问：AI究竟应如何改变工作本身？

这一焦点转变植根于流程与组织重构。企业正致力于从孤立的试验迈向端到端工作流、可衡量的业务成果及 AI原生运营模式（AI-native operating models）；但与此同时，超过半数的组织仍在努力围绕AI重新设计工作流。

此前的成功衡量标准侧重于多少员工可访问AI，而如今则侧重于AI如何以切实方式改善周期时间、决策质量及业务绩效。

那些深度借助AI实现转型的企业，与仅在表层部署AI的企业之间，根本区别何在？

罗万：领跑组织的突出特征在于其重塑工作的意愿。其中两大模式尤为显著：第一，它们赋能员工通过 AI驱动的自动化（AI-powered automations）、协作者（copilots）及超越独立聊天体验的工作流工具，提升日常效率；第二，它们对整条工作流承担主体责任，重新思考决策制定方式，并将经验证有效的变革规模化推广至整个企业。

进展最快的组织通常始于一条端到端工作流，围绕AI对其进行重构、衡量成果，再由此向外扩展。领先组织还倾向于将治理与度量视为战略能力，而非合规性任务。它们确立清晰的责任归属，吸纳跨职能利益相关方参与，并构建机制以追踪业务成果，而不仅限于使用指标。

最终，领导者将AI视为一项业务转型倡议，而落后者往往仅将其视作单纯的技术部署。

智能体AI（Agentic AI）被界定为一种区别于生成式AI（generative AI）的范式转变。企业在规划应对智能体AI时，根本性差异何在？

罗万：生成式AI生成内容与建议，而 智能体AI采取行动（agentic AI takes action）。生成式AI通常是智能体系统的关键组成部分；然而，成功的智能体AI部署要求思维超越单纯的内容生成。虽然聊天机器人可能生成供人员审阅的答案，但AI智能体则执行工作流、触发交易、协调系统并作出运营决策，使AI更贴近业务执行，从而显著提高风险等级。

鉴于智能体AI的影响，组织需自部署之初即把治理、监控与问责机制纳入设计之中。挑战并非简单地部署能力更强的AI，而是构建支撑其规模化所需的组织架构。组织应优先明确自主权边界、保护敏感数据、 保持对智能体行为的可见性（maintaining visibility into agent behavior），并确保在出现问题时具备干预机制。

随着智能体自主性日益增强，企业应如何重新思考问责制？

罗万：2025年，许多组织高度关注智能体的能力，但如今问题正转向成果——包括对成果的所有权。随着自主性扩大，问责框架难以同步跟进，由此带来日益增长的风险。

在部署智能体之前，企业应着力确立明确的所有权，包括清晰的升级路径、审计要求及决策边界。问责制应被视为一项运营能力，由审计追踪、绩效跟踪及治理流程予以支撑，这些流程须明确定义人类介入时机与智能体可独立行动的范围。最终，无论AI驱动的决策自主性达到何种程度，组织都必须能够解释、监控并对其负全责。

良好的AI治理究竟应呈现何种形态？

罗万：AI转型既是技术挑战，也是业务挑战。当治理完全由技术团队主导时，往往忽视有关业务战略、风险偏好、劳动力影响及问责制等更高层次、更广泛的问题。高层领导有助于使治理更紧密契合组织整体优先事项，并推动在创新与负责任部署之间取得平衡的决策。

目前大多数组织仍处于这一旅程之中，仅有12%的组织报告称已达到最成熟的治理模型——即AI端到端运行，人类主要负责审核结果。治理应被视为一种支持规模化落地的跨职能运营模式，而不仅是一份合规检查清单。最具实力的组织会联合各部门共同确立 自主权边界（autonomy boundaries）、问责结构及影响度量方法。

展望未来一年，在规模化AI部署进程中，企业应重点关注哪些事项？

罗万：组织应聚焦于弥合额外AI工具部署与业务转型之间的鸿沟，因为竞争优势并非源于使用更多AI，而在于将AI更有效地融入业务运营的肌理之中。与其试图一次性全面转型，最成功的组织将通过有针对性的端到端工作流重构来验证价值，从这些部署中汲取经验，再审慎推进规模化。

与此同时，讨论焦点正从AI能力转向AI经济学。随着AI采用率持续攀升，组织愈发关注执行成本、数据所有权及基础设施战略。模型战略亦日益重要，而 开源模型（open source models） 是实现价值的一条务实路径。领先组织正超越‘哪种模型最强大’的思维，转而思考‘哪种模型对特定成果而言最高效’。

最终，信任仍是有效规模化人工智能的基石。能够展示可问责治理与运营纪律的组织，将比依赖临时性方法的组织更快、更自信地扩大自主权。

编辑注：本次访谈已为清晰性与简洁性进行了编辑。