自2022年11月ChatGPT发布以来，生成式人工智能高速发展，大模型竞赛白热化，性能指标不断刷新，多模态能力持续提升。AI智能体能自主调用工具，完成越来越复杂的任务。AI大模型厂商纷纷声称，通用人工智能（Artificial General Intelligence，AGI）时代即将到来。
与技术高歌猛进形成鲜明对比的是商业落地的滞后。美国Ramp AI Index数据显示，美国公司采用付费AI产品的比例近期有停滞迹象，甚至出现下滑。
麻省理工学院在2025年7月的一份研究报告（The GenAI Divide: State of AI in Business 2025）中指出：95%的生成式AI应用项目效果不佳或中途夭折。这份报告甚至引发了美股震荡。
当“所有行业都需用AI重做一遍”的豪言遭遇“AI项目高失败率”的现实，我们不得不追问：AI从酷炫的功能到真实的产业应用，究竟卡在了哪里？又该如何穿越迷雾，实现真正的价值闭环？
AI模型的性能指标并不能直接转化为商业价值。目前，AI在大多数情况下无法提供端到端的解决方案。所以，AI的落地应用需要根据AI的能力边界，结合行业和企业的业务场景、需求和痛点，发现AI能力较为成熟、企业数据积累相对完善、价值最为显著的业务环节优先推进。这需要在技术和需求的交汇点上，找到投入-数据-效益的最小可行飞轮，在产生经济收益的同时，生成新数据，反哺模型优化，形成持续迭代的良性循环。
所以在现阶段，AI落地应用需要有个工作流程分割、业务流程重构的过程。把AI擅长的部分交给AI；剩下的部分，不管是由于AI能力限制还是数据积累不足，还需要继续由人完成。人的工作是驾驭AI，黏合流程断点，进行任务和资源分派，以及结果的评估纠正。
我们可以把上述业务环节重构过程比作路径规划。比如，你要从上海的漕河泾开发区去复旦大学，最快的路径不是地面直线，而是要走高架路。AI就好比是高架路，它能大幅提升行驶速度，但无法覆盖全程，所以仍需地面道路衔接两端，后者就好比是人的作用。
AI落地所需的业务流程重构跟路径规划有三个类似之处：
第一，在路径规划中，通高速的路段走高速，还没通的路段走地面；有时不只在行程两端，在中间部分高速也可能没连上，需要走地面。类似的，AI目前仅能胜任部分业务环节。企业需要先拆解现有工作流，将AI擅长的环节交给AI；剩下的部分，包括不同AI环节之间的衔接，以及需要经验判断、情感交互的环节则仍需由人负责，确保整个任务得以完成。
第二，路径规划需要了解出发点和目的地，以及沿途的高速线路图。类似的，如果企业想通过AI优化业务，既需知道自身需求（好比行程的出发点和目的地），也需清楚当前AI的能力及边界（相当于高速线路图），从而在两者的交集中寻找价值创造点。
第三，路径规划需要动态调整。AI技术进步如同高速公路的持续扩建：今天没有覆盖的路段，明天可能通车；今天的高速入口在东边，明天可能在北边新增一个更近的入口。同样的，随着AI能力的提升，企业的流程重构、AI与人的分工协作也需要不断调整。
根据我的观察，目前多数企业仍停留在直接套用AI工具的阶段，既未拆解工作流，也未评估AI能力与业务需求的适配性，未能形成投入-数据-效益的飞轮，结果自然不如预期。
如上所述，AI落地应用既需要懂AI，又需要行业洞察。然而，各行各业千变万化，很难两者兼备。所以，要么是懂AI的人来学习和改造行业，要么是行业内的人学习AI工具，拿回来改造自己的行业。
路径一：让懂AI的人“走进行业”——
前端部署工程师（FDE）的崛起。
硅谷近年兴起的“前端部署工程师（Forward Deployed Engineer，FDE）”模式，正是这条路径的代表。该模式由数据分析公司Palantir率先探索：其核心是将熟悉AI和数据分析技术的工程师派驻到客户企业，往往长达数月甚至半年。这些工程师的任务不是推销产品，而是深入业务一线，掌握企业生产运营的信息，最终在AI的能力边界内找到与企业需求和痛点相契合的价值创造点。
如今，Palantir的FDE模式已成为硅谷推崇的“AI落地范本”——这些前端部署工程师因同时掌握AI技术与行业洞察，成了当今最受投资人青睐的创业者群体。
路径二：让懂行业的人“掌握AI”——
难点与转机。
行业从业者学习掌握AI工具后，将AI能力带回到自身业务中，这是另一条路径。文首提到的麻省理工学院报告发现，尽管只有约40%的公司是AI工具的付费用户，但超过90%的公司，其员工自费使用AI工具提升工作效率，作者将此称为“影子AI经济”。
“影子AI经济”是在员工个人层面，针对某些特定任务，而不是组织层面的系统性应用，既缺乏员工间的协调，也没有对行业和企业的适配。这一方面说明，绝大多数公司的业务中，AI确实能在不少环节上提升效率。可以想象，如果能在企业层面系统性地采用这些工具，再增强其记忆和上下文功能以及对企业场景的适配，就能进一步放大其效果。另一方面，根据企业业务环节的需求匹配AI工具，前提是评估业务流程，这项工作可以自下而上的分布式完成，过程中可能还需要进行一定程度的适配和定制化。
过去AI技术门槛高，迭代速度快，由行业人士学习AI工具来赋能和改造行业难度很大。然而最近一年来，AI编程的爆发让这条路径成为可能。
随着AI技术的发展，AI编程工具越来越强，大幅降低了软件开发的门槛和成本，使其变得“平民化”——过去需要专业程序员数月完成的开发工作，如今零基础用户也能用自然语言描述需求，通过AI编程工具生成代码，开发出至少能验证概念、测试用户反馈的产品原型。
微软CEO（首席执行官）纳德拉、谷歌CEO皮查伊都曾公开表示，其公司当前生成的软件代码中，有大约20%-30%来自AI。亚马逊云服务业务CEO加尔曼甚至称AWS75%的代码已由AI生成。随着AI技术进步，AI编程比例也将不断扩大。英伟达创始人黄仁勋、OpenAI CEO奥尔特曼等行业领袖均预判，未来编程将不必采用C++、Python等专业语言，“自然语言即代码”将成为常态。
这一变化意味着，AI落地的核心动力，很可能将从“技术专家推动”转向“行业从业者自主创造”。上文所述的路径二变得可行，行业人士无需再等待AI专家“上门改造”，而是可以主动去学习、掌握并运用AI编程工具，根据行业的特定场景、需求和痛点，在业务的部分环节发现和构建AI应用的最小可行飞轮，解决具体问题，创造立即可见的价值。
特别的，AI编程有望让中小企业成为AI落地的生力军。相较于大型企业，中小企业推动AI改造无需多层级部门协调，往往一位管理者搭配两三名核心骨干就能确定方案，决策和迭代速度更快。而且，中小企业业务环节较少，即便需要补数字化“功课”，也可以直接从零构建适配AI的数字化体系，无需改造复杂的遗留系统，难度和风险往往更小。中小企业过去可能在人才上有劣势，而AI编程工具大大缓解了这个问题。
AI落地不是一蹴而就的“颠覆”，而是AI技术与产业需求在互动中逐步校准磨合。对企业而言，现阶段不必执着于“全流程AI化”，可以选择聚焦“小切口、高适配、高收益”的场景，找到AI与业务相契合的最小可行飞轮，再利用AI编程工具测试、打磨功能，降低落地成本，从而赢得内部支持。
AI编程工具的能力日益强大，即使它今天还有局限和瑕疵，但进步速度很快，将让越来越多人能利用编程来解决问题，创造价值。对于个人而言，AI时代最重要的不再是掌握知识，而是眼光和创意。眼光意味着能在行业中、工作中、生活中看到未被满足的需求、存在的痛点和机会，创意就是利用新技术想出解决问题的更好方法。AI落地应用的一大路径就是鼓励员工学习AI编程工具，用来改造和提升自己的工作，进而改造和提升自己的公司和行业。
当越来越多的行业从业者能用自然语言开发软件，当企业能快速试错并优化AI方案，AI才能真正变成推动各行各业进步的生产力。但即便如此，AI仍然只是协同进化的伙伴而非万能工具。
（作者为丽瓦信息董事总经理、斯坦福成长创新圈理事长）
本文来自微信公众号“半熟财经”（ID：Banshu-Caijing），作者：李俊杰，编辑：马克，36氪经授权发布。
发布时间：2025-11-17 13:07
立即订购
在线咨询
返回顶部