如果在2026年的董事会，只问一个关于AI的问题，别问“我们今年上线了多少个AI项目？”。
你应该问：“我们的AI项目，到底在财务报表上，兑现了多少价值？”
这话很直接。但是，我们必须面对现实。麦肯锡2025年有个AI应用调查。数据显示，全球企业正陷入一种“虚假繁荣”。
具体是什么情况呢？
一方面，用AI的公司很多。高达88%的企业，都已经在至少一个部门里，经常使用AI了。这个数字比去年的78%还高。办公室里，员工用Kimi或者豆包写邮件、做摘要，好像没AI就不会工作了。
但是，另一方面，AI带来的回报却很少。只有39%的企业说，AI真的帮他们增加了利润。对大多数公司来说，AI对总利润的贡献，连5%都不到。你想想，我们投了那么多钱，买了那么多服务，结果就这？
而且，还带来了新风险。差不多三分之一的公司说，他们因为AI“犯傻”，也就是我们常说的“幻觉”，造成了实际的损失。这成了现在用AI最大的风险。
还有一个来自MIT和Timspark的数据。这个数据更吓人。它说，高达95%的生成式AI试点项目，最后都没成功。它们从一个简单的演示（Demo），到真正能规模化使用（Production）的路上，就死掉了。
作为管理者，你肯定也见过类似的事。员工用AI工具用的热火朝天。公司的数字化预算，也跟着各种智能化试点一路涨。但是，到了年底复盘，业务上到底降了多少成本？或者提高了多少效率？谁也说不清楚。就是一笔糊涂账。
更麻烦的是，公司不仅没靠AI赚到钱，反而引进了新的不确定性。AI幻觉，就是“一本正经地胡说八道”，正在让管理层对技术失去信任。
深度诊断——为什么企业的AI既“没用”又“乱说”？
想解决问题，不能只看表面。我们得往深了挖。现在企业用AI，主要卡在两个地方。一个是价值断裂。另一个是信任危机。
1. 价值断裂：AI成了玩具，没变成工具
为什么很多AI项目，最后都没什么用？
核心原因，是AI的开发和公司的战略脱节了。很多公司根本没想清楚，AI到底要在公司的发展里扮演什么角色。大家看热点，别人用什么我也用什么。结果，AI投资就成了盲目跟风。它没有去解决业务上真正的痛点。
这就像前几年搞大数据。很多公司花大钱建了一堆平台。结果平台建好了，数据也存进去了，然后呢？不知道怎么用。数据没产生价值。
现在的AI项目，很多都在重复这个错误。它们只是在自动化一些老旧的流程。比如，以前是手动审批，现在让AI点一下“同意”。这个流程本身可能就不合理，现在用AI把它固化下来，有什么意义？
如果AI只是干这个，那它充其量就是一个昂贵的聊天机器人。它不是能帮公司赚钱的工具。我们必须把AI项目，和公司的战略目标绑在一起。还要有一套标准，去衡量AI到底创造了多少价值。不然，AI永远只能是员工手里的“个人玩具”，变不成给企业赚钱的“生产工具”。
2. 信任危机：AI胡说八道，根子在“数据沼泽”
老板们现在最担心的，就是AI胡说八道。
但是，我们要明白一件事。AI“犯傻”，不完全是模型的问题。本质上，是我们的数据质量太差了。
你可以把大模型，想象成一个很聪明、很自信，但完全不了解你公司情况的实习生。
你给他一堆过时的、互相矛盾的、甚至是错误的资料（Garbage In）。他就会根据这些垃圾资料，自信地给你一份垃圾报告（Garbage Out）。你说，这能全怪实习生吗？
这就引出了“数据沼泽”这个概念。很多公司的数据，不是太少，而是太乱。
非结构化数据，比如Word文档、合同、会议纪要，通常都乱七八糟地堆着。版本混乱，内容冲突，没人管理。
结构化数据，比如ERP、CRM系统里的报表，情况也好不到哪去。各个系统之间数据不通，像一个个孤岛。同一个指标，比如“月活跃用户”，在销售部和市场部的定义可能完全不一样。数据更新也不及时。
在这样的数据地基上，你硬要把AI盖上去，那肯定要出事。它不仅不会变智能，反而会放大原有的混乱，最后误导我们的决策。
标尺——企业AI能力成熟度模型
想解决问题，我们先得知道自己在哪儿。我把企业AI落地分成了五个阶段。你可以对照一下，看看自己公司在哪个阶段。
- 阶段 1：点状探索
- 特征： 员工自己用网页版的ChatGPT、Kimi处理日常工作。这属于“影子AI”。
- 痛点： 数据靠手动复制粘贴。公司机密很容易就泄露出去了。而且，AI和公司内部系统完全没关系。
- 阶段 2：单点应用
- 特征： AI作为一个小功能，嵌在某个软件里。比如，客服软件里的自动回复，或者财务软件里的发票识别。
- 局限： 数据还是被困在那个软件里。数据治理也是出了问题再补救，很被动。AI没有碰到核心的业务流程。
- 阶段 3：人机协同
- 特征： 公司开始用RAG（检索增强生成）和向量数据库。简单说，就是AI能看懂公司的内部文件了，然后结合这些文件来回答问题。
- 变化： 这时候，AI成了员工的“副驾驶”。人来主导，AI提建议。AI开始帮助处理一些复杂的工作，比如分析研究报告、起草合同。
- 阶段 4：决策智能
- 特征： AI开始理解业务逻辑，能直接提供决策建议。比如，它能分析销售数据，告诉你下个季度应该主推哪个产品。
- 变化： 这时候，是人来监督，AI做决策。业务人员也得懂AI，知道怎么和AI合作。
- 阶段 5：自主经营
- 特征： 多个AI智能体（Agents）可以自己协作，完成一个完整的任务。它们就像“数字员工”。
- 终局： 比如，一个采购任务。一个AI负责找供应商，一个AI负责比价和谈判，另一个AI负责下单和跟踪物流。整个过程不需要人干预。公司就变成了一个“人+数字员工”的混合团队。
现在的情况是，绝大多数公司，都还停留在第一和第二阶段。除了在客服、质检这些地方用AI干了点杂活，核心的业务，根本就没被AI触及。
破局——数智化治理是AI落地的“稳定器”与“加速器”
想从第一、第二阶段，走到第五阶段，光靠招几个算法工程师是不够的。我们必须系统地解决前面说的“价值断裂”和“数据沼泽”这两个问题。
方法就是治理。但这里的治理，不是为了管死大家，而是为了赋能。治理是AI项目的稳定器，也是加速器。
1. 解决价值断裂：怎么做？
- 第一步，成立一个AI价值管理办公室 (VMO)。
这个部门不是来盖章审批的。它是来做价值投资的。它要强制所有AI项目，立项前必须回答一个问题：“这个项目，具体能帮哪个业务部门，提升哪个KPI？” - 第二步，说不清楚价值的项目，一律不能启动。
这样就能确保每一分钱，都花在能产生回报的地方。 - 第三步，在引入AI前，先优化流程。
别把钱花在“自动化一个烂流程”上。治理部门要带着业务部门，先把现有流程画出来。然后，大家一起分析，哪些环节是多余的，哪些可以合并。最后，再讨论AI怎么能让这个新流程变得更好。
2. 解决信任危机：怎么做？
- 要走出“数据沼泽”，就要进行全域数据治理。
这里说的“全域”，是指公司所有的数据，包括非结构化文档和核心业务系统。 - 具体来说，要构建“事实”和“逻辑”两个锚点。
- 事实锚点（管非结构化数据）：
- 第一步： 建立一个中央知识库。所有重要的文档，比如产品手册、规章制度、历史合同，都放在这里。
- 第二步： 制定严格的入库标准。所有放进去的文件，必须是最新、最准确的版本。指定专人负责审核。
- 第三步： 旧的、过时的、错误的文件，全部归档，不让AI读到。这样就关上了“垃圾入口”。
- 逻辑锚点（管结构化数据）：
- 第一步： 打通ERP、CRM这些系统的数据。别让它们各说各话。
- 第二步： 统一关键数据的定义。比如，“新客户”的标准是什么？全公司要用一个标准。这样，AI在调用数据时，才不会算错。
- 事实锚点（管非结构化数据）：
只有把数据地基修好了，AI才能从一个“自信的实习生”，变成一个“可信的专家”。
结语：数智融合，重塑“一体两翼”
最后，我想说一个最重要的观点。
AI不是绕过数字化的捷径。它是数字化的升级。
很多公司现在之所以痛苦，就是因为把AI和数字化分开了。其实，它们应该是一体的。
- **数字化是骨架。**它提供了结构化的数据和流程。没有它，AI就是空中楼阁。
- **AI是灵魂。**它给这副骨架注入了思考和交互的能力。没有它，数字化系统就是一堆死数据。
只有这两者深度融合，才能建成一个真正的“智慧企业”。
给下一次管理层周会的建议：
下次开会，别再问“我们今年上了多少个AI项目？”。
请转而审视“融合”——我们的AI治理，和数字化治理打通了吗？我们的AI，是建立在坚实的数据地基上吗？
在数智时代，治理不是刹车。它是安全带。它能让你的企业在加速的时候，飞得更稳。
