当前，人工智能已成为企业数字化转型的重要抓手，但投资热度与实际成效之间的落差令人担忧；根据普华永道2026年1月全球首席执行官调查，56%的企业负责人报告称过去一年内既未实现收入增长，也未有效降低成本。该现象得到了权威数据机构的印证——仅有5%的首席财务官表示通过人工智能降低了成本，仅6%报告实现了收入增长。这组数据反映出一个深层问题：企业在人工智能应用中普遍存在"重投入、轻产出"的现象。 问题的症结在于衡量体系的偏差。业界人士指出，许多企业在评估人工智能项目成效时，往往关注错误的指标。汽车零售企业CarMax的执行副总裁兼首席信息技术官表示，企业存在"根本性的误解"，真正的问题在于"测量了错误的东西"。例如，一些企业将重点放在员工生产力提升上，却忽视了这种提升是否真正转化为商业价值。若人工智能为每位软件开发者节省两小时工作时间，但这段时间的利用方式无法向决策层清晰说明，那么这种效率提升就失去了实际意义。 企业对人工智能价值实现的预期也存在偏差。一些企业曾寄望通过人工智能提升生产力来减少员工编制或控制新增人力成本，但这一设想往往难以实现。根据权威研究机构数据，组织需要实现50%至70%的生产力提升才能通过减员来体现价值，而大多数人工智能应用案例的生产力提升幅度在零到30%之间，远未达到这一阈值。这意味着企业需要重新审视人工智能的价值定位，而非简单地将其作为降低人力成本的工具。 此外，企业在实施人工智能项目时，往往低估了所需的组织变革管理投入。从项目立项、流程重塑到员工培训，每个环节都需要相应的管理成本。同时，准确评估人工智能项目的持续运营成本、预测大规模应用的成本曲线，也是许多企业面临的难题。这些因素共同导致了人工智能投资回报率的不确定性。 面对这些挑战，一些领先企业已探索出可行的解决方案。首先是确保人工智能战略与业务目标的上下对齐。动物健康企业Zoetis的做法具有借鉴意义——该公司与董事会合作，优先选择研发和商业领域的战略性用例，而非盲目追求技术创新。其次是建立科学的对标体系。根据金融服务行业的研究数据，数和人工智能投入通常占整体信息技术预算的15%至20%，而这一比例又占企业营收的10%至12%。企业应了解行业内主要竞争对手的投资水平，以此作为参考基准。 第三是明确责任机制。在CarMax的实践中，业务部门主管提出人工智能应用需求，首席财务官和信息技术负责人共同审查使用场景，成本从涉及的业务单元预算中扣除，责任明确落实到业务部门负责人。这种机制确保了技术投入与业务成果的紧密关联。 第四是选择恰当的衡量指标。Zoetis在试点客户服务团队生产力提升项目时，不仅测量了单次通话时间，更重点关注了生成后续回复所需的时间。结果显示，虽然通话时间保持稳定，但后续回复时间因人工智能建议而显著改善，最终实现了服务质量提升和客户覆盖面扩大的双重目标。这表明，选择与业务成果直接相关的指标，比单纯的效率数字更具价值。 第五是保持战略耐心。一些成功的企业采取了长远的投资回报率视角，不急功近利地追求短期数字，而是将人工智能视为长期的战略资产。Zoetis在完成初期试点后，逐步将重点转向供应链和合同生命周期管理等更具变革性的领域，表明了循序渐进的战略思路。
人工智能的价值不在于部署了多少工具，而在于是否建立了与战略目标匹配的评估体系、流程和责任机制。企业需要将关注点从"试点数量"转向"实际成果"，同步推进技术建设和组织变革，才能真正将投入转化为可持续的竞争力。