源信息经过deepseek翻译并总结
摘要：
企业成功规模化AI需聚焦八大要素：明确战略目标（如沃尔玛设定五大业务指标）、集中式平台建设（如Element平台）、高回报用例选择（如诺华制药优先临床试验优化）、跨职能团队协作（如麦肯锡70人小组涵盖法律与工程）、严格风险管理（摩根大通专有平台IndexGPT）、全员能力培养（摩根大通培训时长增500%）、迭代式扩展（GE分阶段推广）及全周期预算规划（占初始投入3-5倍）。财富500强企业通过治理框架（如AI指导委员会）、平台化基础设施（沃尔玛投资统一ML平台）与文化转型（诺华3万员工培训）实现年超10亿美元价值，85%失败案例主因分散举措与模糊指标。关键实践包括：绑定AI与业务KPI、季度评审机制、分层治理（摩根大通按风险分级审查）及15-20%预算投入变革管理。成功企业证明AI盈利依赖组织能力（如摩根大通300+应用落地）与执行纪律，非技术本身。
从试点到盈利：实现可扩展且投资回报率为正的人工智能真实路径 | VentureBeat
从试点到盈利：实现可扩展且投资回报率为正的人工智能真实路径
卡尔·弗兰岑@carlfranzen
2025年6月27日 下午1:00
加入近二十年来深受企业领导者信赖的盛会。VB Transform汇聚了构建真实企业AI战略的精英。了解更多
本文是VentureBeat特刊《AI的真实成本：规模化下的性能、效率与投资回报率》的一部分。阅读更多本特刊内容。
在ChatGPT开启生成式AI时代三年后，大多数企业仍陷于”试点炼狱”。尽管投入了数十亿美元，多数企业AI项目始终未能突破概念验证阶段，更遑论产生可衡量的回报。
但部分财富500强公司已破解密码。沃尔玛、摩根大通、诺华制药、通用电气、麦肯锡、优步等公司已系统性地将AI从实验性的”创新表演”转变为生产级系统，实现可观的投资回报——某些案例中年商业价值超10亿美元。
它们的成功并非偶然，而是源于明确的治理模型、严格的预算策略以及根本性的文化转变——这些因素改变了组织部署AI的方式。这无关最佳算法或最多数据科学家，而在于构建将AI实验转化为可扩展商业资产的制度机制。
“我们认为这是类似互联网的重大转折点，“沃尔玛新兴技术副总裁德西蕾·高斯比在本周VB Transform活动上表示，“它深刻改变了我们的实际运营和工作方式。“
试点陷阱：为何多数AI项目难以规模化
数据令人警醒：行业研究显示85%的AI项目从未投入生产，而成功部署的项目中仅不到半数产生实质性商业价值。问题不在技术层面，而在组织层面——企业将AI视为科学实验而非商业能力。
“AI已将某些产品开发周期缩短约40%，让企业能比以往更快推出产品并决策，“Mixpanel首席客户与营收官艾米·玄表示，“但仅限那些已超越试点阶段、实现系统化部署的企业。”
失败模式具有可预测性：业务部门间分散的举措、模糊的成功指标、不足的数据基础设施，以及最关键的是——缺乏管理企业级AI的治理框架。
Sendbird产品主管沙伊莱什·纳拉瓦迪在VB Transform上强调：“构建（代理AI）前就应建立评估基础设施。没人会在未运行单元测试时部署生产环境。可将评估简单理解为AI代理系统的单元测试。”
Writer CEO兼联合创始人梅·哈比卜指出：代理AI的构建、运营与改进方式”存在本质差异”，传统软件开发生命周期无法适应这种自适应系统。“代理不会可靠遵循规则，它们以结果为导向，具有解释力和适应性，其行为仅在实际环境中才会显现。“
生产化要务：系统化AI部署框架
成功企业展现出高度一致的实践模式。通过对高管访谈及其AI运营的分析，我们总结出区分试点实验与生产级AI系统的八大关键要素：### 1. 高管授权与战略对齐
每一次成功的AI转型都始于明确的领导层承诺。这并非象征性支持，而是将每个AI计划与具体业务成果紧密绑定的积极治理。
沃尔玛首席执行官董明伦（Doug McMillon）为AI项目确立了五大明确目标：提升客户体验、优化运营效率、加速决策制定、完善供应链以及推动创新。任何AI项目若无法与这些战略支柱对应，则无法获得资金支持。
“最终都要回归本质，“高斯比建议道，“退一步思考，首先要理解你究竟需要为客户、为员工解决哪些问题。哪些环节存在摩擦？哪些手工操作现在可以重新构思？”
“我们不想做无的放矢的尝试，“沃尔玛全球科技高级副总裁安舒·巴德瓦杰解释道，“每个AI项目都必须针对具有可量化影响的具体业务问题。”
摩根大通首席执行官杰米·戴蒙采取类似策略，称AI”对我们未来的成功至关重要”，同时通过具体资源配置践行这一主张。该行已有300多个AI应用案例投入生产，正是因为领导层从一开始就建立了清晰的治理机制。
实践方案： 组建包含高管代表的AI指导委员会；为AI计划制定3-5项战略目标；要求每个AI项目在资金审批前证明其与这些目标的明确关联性。### 2. 以平台为先的基础设施战略
成功扩展AI应用的企业不会构建孤立解决方案——而是打造平台。这一架构决策将成为其他所有工作的基石。
沃尔玛的”Element”平台正是这种理念的典范。该平台没有放任各团队开发独立的AI应用，而是提供了统一的机器学习基础设施，内置治理、合规、安全与伦理保障机制。这使得各团队能快速接入新AI能力，同时保持企业级管控。
“Element的愿景始终是：如何打造一个能让数据科学家和工程师加速AI模型开发的工具？“沃尔玛门店及线上取货配送技术高级副总裁帕尔韦兹·穆萨尼在近期接受VentureBeat采访时表示。
他强调该平台被设计为模型无关架构：“针对目标用例或查询类型，Element能让我们以最具成本效益的方式选择市面上最优秀的大语言模型。”
摩根大通专门投入20多亿美元建设云基础设施以支持AI工作负载，已将38%的应用程序迁移至针对机器学习优化的云环境。这不仅是算力投资——更是为了创建能规模化运行AI的架构。
实施建议： 在扩展具体用例前，先投资建设集中式ML平台。从第一天起就纳入治理、监控与合规功能。基础设施预算应设为初始预估的2-3倍——AI规模化需要大量计算资源。### 3. 严谨的用例选择与项目组合管理
最成功的企业会抵制追求华而不实的AI应用的诱惑，转而选择具有明确业务指标且投资回报率高的用例。
诺华制药首席执行官万思瀚（Vas Narasimhan）曾直言医药AI领域的早期挑战：“关于AI的讨论很多，但实际产生影响的案例却很少。”为此，诺华将重点放在AI能立即创造价值的特定问题上：临床试验运营、财务预测和销售优化。
成效显著。通过AI监测临床试验，不仅提高了按时入组率，还减少了代价高昂的延误。基于AI的财务预测在产品销售和现金流方面的表现优于人工预测。“AI在预测自由现金流方面表现出色，”万思瀚表示，“它比我们的内部人员做得更好，因为它没有人为偏见。”
实践方法： 初期维护的AI项目组合不超过5-7个活跃用例。优先选择年成本（或潜在收益）已达七位数的问题。为每个项目制定明确的成功指标和终止标准。### 4. 跨职能AI运营模式
传统IT项目架构难以支撑规模化AI部署。成功企业会组建”AI小组”——这种跨职能团队融合了领域专业知识、数据工程、MLOps和风险管理能力。
麦肯锡开发其专属AI研究助手”Lilli”的过程就采用了这种方法。该项目最初只有3人，但迅速扩展到涵盖法律、网络安全、风险管理、人力资源和技术等领域的70多位专家。
“技术反而是最简单的部分，“负责监督平台开发的合伙人Phil Hudelson表示，“最大挑战是在快速推进的同时，让合适的人才参与进来，从而确保这项技术能在全公司范围内落地。”
这种跨职能模式确保Lilli符合严格的数据隐私标准，维护客户机密，并能推广至70个国家/地区的数千名顾问使用。
落地实施建议： 组建5-8人的AI小组，成员覆盖业务、技术、风险和合规职能。为每个小组配备专属预算和高管支持。建立共享平台和工具，避免各小组重复开发解决方案。### 5. 风险管理与伦理人工智能框架
企业级人工智能部署需要超越模型准确性的复杂风险管理体系。成功实现规模化应用的企业都建立了治理框架，用于管理模型漂移、偏差检测、法规合规及伦理考量。
摩根大通鉴于其受监管环境，制定了严格的模型验证流程。该银行开发了专有人工智能平台（包括IndexGPT和大语言模型套件），而非依赖可能带来数据隐私风险的公共人工智能服务。
沃尔玛实施持续模型监测，通过对比当前人工智能输出与基线表现来检测漂移。他们对人工智能驱动功能进行A/B测试，并收集人工反馈以确保人工智能效用和精确度始终保持高水平。
“归根结底，衡量标准在于：我们是否实现了预期效益？是否交付了预期价值？然后据此逆向推导出正确的评估指标，“戈斯比解释道。
实践方案： 组建由法务、合规和业务部门代表组成的人工智能风险委员会；实施针对模型漂移、偏差和性能退化的自动化监测；针对高风险决策建立人工介入审查流程。### 6. 系统化员工培养与变革管理
人工智能规模化应用中最容易被低估的，或许是组织变革管理。所有成功企业都在员工能力培养与文化转型方面投入巨大。
摩根大通2019至2023年间将员工培训时长提升500%，其中大部分聚焦于人工智能与技术能力提升。该银行目前为所有新员工提供提示词工程培训。
诺华制药在启动计划后六个月内，让超过30,000名员工——占其员工总数三分之一以上——参与了从数据科学基础到AI伦理的数字技能培训项目。
“今年开始，每位新入职员工都将接受提示词工程培训，为未来的人工智能时代做好准备。“摩根大通资产与财富管理首席执行官玛丽·卡拉汉·埃尔多斯表示。
落地实践： 将AI预算的15-20%专项用于培训与变革管理。为全体员工（不仅是技术人员）设计AI素养提升计划。建立内部AI实践社区以分享经验与最佳实践。### 7. 严格的投资回报率衡量与组合优化
成功规模化应用人工智能的企业会像对待其他商业投资一样，通过严格的衡量标准、清晰的KPI指标和定期的项目组合评审来管理AI项目。
沃尔玛采用内部投资回报率计算模型，并为团队设定具体的阶段性指标。若AI项目未能达成目标，他们会及时调整方向或终止项目。这种严谨的方法使沃尔玛得以将成功的试点项目扩展为数百个实际部署的AI应用。
“我们的客户正试图自主解决问题，“高斯比表示，“我们的员工同样如此。这些新工具是否真正解决了问题？“这种对问题解决效果的关注能够催生可量化的成果。
摩根大通根据具体的业务指标评估AI项目成效。该银行AI驱动的改进措施在一年内带来了约2.2亿美元的增量收入，预计每年通过AI创造超过10亿美元的商业价值。
实践建议：
在部署前为每个AI项目设定基准KPI指标；建立A/B测试框架以对比实验组与对照组的效果差异；每季度进行项目组合评审，将资源从低效项目重新分配给高影响力计划。### 8. 迭代式扩展与平台演进
最成功的企业不会试图一次性扩展所有业务。它们采用迭代式方法：先在某一领域验证价值，总结经验，再系统性地拓展至新用例。
通用电气（GE）的预测性维护实践就是典型案例。该公司从特定设备类型（风力涡轮机、医疗扫描仪）入手，在这些领域应用AI预防高成本故障。当在部分设备上实现”零意外故障与零停机”的投资回报（ROI）后，GE将这套方法推广至整个工业产品线。
这种迭代式扩展使GE能够完善AI治理体系、优化数据基础设施，并建立组织对AI驱动决策的信心。
实施建议： 制定18-24个月内分2-3阶段扩展的计划。通过早期部署优化治理流程和技术架构。记录经验总结与最佳实践以加速后续推广。
企业级AI的经济学：真实成本与回报
AI规模化应用的经济复杂性远超多数企业预期。成功企业会为整体部署成本（而不仅是技术组件）编制预算。
Groq首席执行官Jonathan Ross在VB Transform峰会上指出：“AI支出的特殊性在于，追加投入未必能提升效果。传统软件可以双倍投入托管费来优化性能，但AI的运作逻辑截然不同。”### 基础设施与平台成本
摩根大通对云基础设施的20多亿美元投资约占其150亿美元年度技术预算的13%。沃尔玛对其Element平台的多年度投资规模与之相当——尽管具体数字未公开，但行业预估显示，支持企业级AI部署的平台需投入5亿至10亿美元。
这些投资通过运营效率提升和新增收入机会实现回报。沃尔玛由AI驱动的商品目录改进推动其电子商务销售额增长21%。摩根大通的AI举措预计通过效率提升和服务改进，每年创造10亿至15亿美元的价值。### 人才与培训投入
企业AI对人力资源的需求极为庞大。摩根大通在数据管理领域拥有超过1,000名员工，其中包括900多名数据科学家和600多名机器学习工程师。诺华制药为30,000多名员工提供了数字化技能培训。
但这些投资带来了可衡量的回报。摩根大通的AI工具为分析师每天节省2-4小时的例行工作时间。麦肯锡咨询师使用公司Lilli AI平台后，在调研和准备工作上实现了20%的时间节省。### 治理与风险管理成本
在AI预算中，常被忽视的是治理、风险管理和合规方面的巨额成本。这些通常占AI项目总成本的20%-30%，但对于企业部署至关重要。
麦肯锡的Lilli平台需要法律、网络安全、风险管理和人力资源等领域的70多名专家共同协作，以确保企业准备就绪。摩根大通的AI治理体系则包含专门的模型验证团队和持续监测系统。
文化转型：隐藏的成功要素
最成功的AI部署本质上关乎组织转型，而不仅仅是技术落地。那些能规模化应用AI的企业，往往经历了将数据驱动决策融入运营基因的文化转变。
“如果你能为员工的生活增值、帮助他们减少摩擦、节省开支并提升生活质量——这也是我们使命的一部分——信任自然随之而来，“沃尔玛的Gosby指出。当AI能优化工作、节省时间并助力员工提升绩效时，采用率和信任度便会水到渠成。### 将AI素养融入整个组织
最成功的公司不会将AI视为仅限于数据科学团队的专业能力，而是将AI素养贯穿于整个组织。
诺华制药采用了“去层级化”的管理理念，通过减少官僚主义赋予团队使用AI工具创新的权力。公司广泛的参与度——超过30,000名员工参加了数字技能培训项目——确保AI不仅被少数专家理解，更赢得了全公司管理层的信任。### 管理人与AI的协作关系
成功企业并未将AI视为人类专业能力的替代品，而是将其定位为能力增强工具。摩根大通的杰米·戴蒙多次强调，AI将”提升并赋能员工”，而非使其冗余。
这种理念配合再培训承诺，有效降低了抵触情绪并鼓励实践探索。通用电气通过为领域工程师提供分析工具技能培训，组建数据科学家与涡轮专家直接协作的跨职能团队，将AI深度融入工程团队。
可扩展的治理模式
试验阶段的AI与生产级AI系统的核心差异在于治理机制。成功规模化应用AI的企业都建立了精密治理框架，在管控风险的同时促进创新。### 集中式平台与分布式创新
沃尔玛的Element平台是“集中式平台，分布式创新”模式的典范。该平台提供统一的基础设施、治理和合规能力，同时允许各团队快速开发和部署AI应用。
这种方式既赋予业务单元灵活创新的空间，又保持了企业级的管控。团队可以尝试新的AI用例，而无需从零重建安全、合规和监控能力。
“我们当前见证的变革，与从单体架构转向分布式系统的历程非常相似，”Gosby表示，“我们正致力于将现有基础设施解构，然后重新组合成我们想要构建的智能体。”这种标准化优先的方法通过适当的抽象层，使多年前构建的服务如今能够支撑智能化体验，同时保持了灵活性。### 风险调整后的审批流程
摩根大通采用风险调整治理机制，根据潜在影响程度对人工智能应用进行差异化的审查。面向客户的AI系统比内部分析工具需经过更严格的验证。
这种分层方法既能避免治理流程成为瓶颈，又能确保对高风险应用的适当监管。该银行可快速部署低风险AI应用，同时在必要时保持严格管控。### 持续性能监控
所有成功的人工智能部署都包含持续监控，这不仅涉及技术性能，还包括业务影响、伦理考量和法规合规性。
诺华公司对其人工智能系统实施持续监控，不仅跟踪模型准确性，还关注试验入组率和预测精度等业务成果。这使得在人工智能系统表现不佳或市场条件发生变化时能够迅速调整方向。
有效的预算分配策略
成功规模化应用人工智能的企业已开发出成熟的预算方法，这些方法考虑了企业级人工智能部署的全生命周期成本。### 平台优先的投资策略
成功的公司不会资助单个AI项目，而是投资于支持多种用例的平台。沃尔玛的Element平台需要大量前期投入，但能以极低的增量成本快速部署新的AI应用。
这种平台优先的方法通常占初始AI预算的60%-70%，但能将后续部署成本降低50%-80%。该平台成为整个组织AI创新的力量倍增器。### 投资组合管理方法
摩根大通将人工智能投资视为一个投资组合进行管理，在确定性高、渐进式改进的项目与高风险、变革性举措之间取得平衡。这种方法既能确保稳定收益，又能保持创新能力。
该银行将约70%的人工智能投资分配给具有明确投资回报率的成熟用例，30%分配给潜力更大但不确定性较高的实验性项目。这种平衡既提供了可预测的回报，又能实现突破性创新。### 全生命周期成本规划
成功的企业会为AI的完整生命周期制定预算，包括初期开发、部署、监控、维护以及最终退出。这些全生命周期成本通常是初期开发成本的3-5倍。
麦肯锡的Lilli平台不仅需要开发成本，还需持续投入大量资源用于内容更新、用户培训、治理和技术维护。从一开始就规划这些成本，可以避免预算不足导致AI项目失败。
衡量成功：关键绩效指标（KPIs）
成功规模化应用AI的企业会采用复杂的衡量框架，不仅关注技术指标，更注重捕捉业务影响。### 商业影响指标
沃尔玛根据业务成果评估人工智能举措：电子商务销售额增长（部分归因于AI驱动的目录改进，增长21%）、运营效率提升以及客户满意度改善。
摩根大通通过财务指标追踪AI影响：AI驱动的个性化服务带来2.2亿美元的增量收入，文档处理效率提升90%，以及自动化合规流程节省的成本。### 领先指标与预测性指标
除了滞后的财务指标外，成功的企业还会追踪能够预测AI成效的领先指标。这些指标包括用户采用率、数据质量改进、模型性能趋势以及组织能力发展等。
诺华制药（Novartis）会跟踪全体员工数字技能的发展情况，监测AI素养如何与业务成果改善相关联。这有助于公司在问题影响业务表现之前，识别出需要额外培训或支持的领域。### 投资组合绩效管理
成功规模化应用人工智能的企业会将AI计划作为投资组合进行管理，不仅追踪单个项目的成败，更关注整体投资组合表现及资源配置效率。
通用电气（GE）从多个维度评估其AI投资组合：技术性能、商业影响、风险管理以及战略契合度。这种评估方式能支持复杂的资源分配决策，从而最大化投资组合的整体收益。
前进路径：实操落地路线图
对于希望从AI实验阶段迈向规模化生产系统的企业而言，这些财富500强企业的经验提供了一条清晰路径：### 第1-3个月：基础建设
-
成立高管AI指导委员会
-
制定3-5个与业务战略一致的AI战略目标
-
启动平台基础设施规划与预算编制
-
开展组织AI就绪度评估### 第4-9个月：平台开发与试点选择
-
实施具备治理能力的集中式人工智能平台
-
启动2-3个高投资回报率的试点项目
-
开展员工人工智能素养培训计划
-
建立风险管理与合规框架### 第10-18个月：规模化与优化
-
将成功的试点项目扩展至更广泛部署
-
启动第二波人工智能计划
-
实施持续监控与优化流程
-
扩展人工智能培训与变革管理计划### 第19-24个月：企业集成阶段
-
将AI能力整合至核心业务流程
-
推出聚焦转型场景的第三阶段计划
-
建立人工智能卓越中心
-
规划下一代AI能力部署
结语：从概念炒作到价值落地
成功规模化应用AI的企业存在共识：人工智能转型的核心并非技术本身，而在于构建能够系统化部署AI的组织能力，同时管控风险并创造可量化的商业价值。
正如戴蒙所言：“AI将改变所有岗位”，但成功仅靠美好愿景远远不够，需要严格的治理机制、战略投资、文化转型以及完善的评估体系。
本文研究的标杆企业已超越概念阶段，构建了能持续产生高回报的AI能力。他们的经验为准备从试点走向盈利的组织提供了实用指南。
通过AI获取竞争优势的时间窗口正在缩小。那些延迟系统化部署的企业，恐将被已完成”实验到执行”跨越的竞争者甩在身后。路径已然清晰——关键在于组织是否具备践行这条道路的纪律与决心。
VB每日快报带您洞悉商业应用场景
若想给上司留下深刻印象，VB每日快报是您的不二之选。我们将为您解读企业如何应用生成式AI——从政策调整到实际部署，助您分享最具投资回报价值的行业洞察。
[立即订阅]
阅读我们的隐私政策
感谢订阅。查看更多VB资讯简报。
出现错误。
新开放：VB Transform 2025峰会50张限时门票
2025年6月24-25日，旧金山。与顶尖领袖共同应对真实AI挑战，分享有效方案，塑造行业未来。席位有限，即刻预定。
-
拒绝出售个人信息
© 2025 VentureBeat。版权所有。
×### 你需要的AI洞见，引领未来
提交
感谢您的订阅。查看更多VB新闻通讯请点击这里。
发生错误。