从试点到生产：如何大规模操作人工智能（英）

执行摘要 · 2026年海岸人工智能运营报告 关于 牛津经济研究院 牛津经济研究院专注于循证的思想领导力、经济预测和经济影响分析。我们的经济学家运用精密的分析模型，并拥有涵盖200个国家、100个产业部门和8000个城市及地区的丰富数据、预测和分析资源。总部位于牛津，并在全球设有办事处，我们雇佣了超过600名员工，其中包括400多名经济学家、行业专家和商业编辑。我们分析的严谨性、员工的高水准，以及一流的全球经济模型和分析工具，使我们成为2500多家企业、金融机构、政府组织、专业服务公司和大学信赖的资源。欲了解更多信息，请访问www.oxfordeconomics.com。 内容 06 06 13 07 方法论 13 01 期望与表现差距 随着更快速、更智能、更集成的AI能力驱动日益扩大的应用套件，商业领袖们正面临一个熟悉的问题：摩擦。高管们难以实现预期的投资回报率，经理们遭遇IT设置的障碍，而员工们仍然倾向于沿用熟悉的工作方式，而非审核质量参差不齐的AI输出。技术本应让事情更简单——那么为什么一切感觉仍然如此复杂？ 人工智能的常见误解可能导致决策者选择低效的解决方案，而更好的选择其实就在眼前。牛津经济学与海岸公司于2026年春季进行的一项研究，探讨了来自不同行业的800名美国籍高管如何推进人工智能实施、管理试点部署以及将工具整合到工作流程中。我们发现，人工智能的价值往往受限于数据获取障碍和糟糕的变革管理，而非资金或技术短缺——而且表现优异的组织都采取了一套特定的措施来确保项目按计划进行。虽然一些组织和行业起步时具有特定优势，但所有类型的公司都可以遵循清晰的路径走向人工智能的成功。 成熟度快照：企业现状 美国企业中的人工智能整合对于大多数组织而言仍相对较浅。大多数企业将人工智能用于数据分析与报告（54%主要或完全整合到日常工作中），但在涉及更高人工智能自主性的应用场景中，整合程度急剧下降。聊天机器人和协作者这类对话界面（39%）以及嵌入现有系统以塑造用户体验的人工智能（30%）偶有使用，而仅略超过四分之一的企业通过建议或人工智能洞察来增强人类决策（27%）。 大多数企业采用混合方法构建人工智能能力（42%），但也有一些企业使用独立工具，这些工具与现有系统协同工作（31%）。只有8%的企业基于定制的基础设施进行构建——这是样本中规模最大、最成熟的企业的一个指标。 人工智能在某些特定功能领域具有更深远的影响。客户服务与支持（54%）、IT与内部工具（49%），以及销售与营收运营（44%）都拥有成熟的用例，这与这些领域组织进行试点的时间最长相吻合。 目前，只有11%的受访者已将完全自主的AI用例整合到工作流程中，而大多数仍处于发展初期阶段。试点项目规模也呈现出类似情况：平均而言，各组织目前有3.28个AI试点项目在运行，大约五分之一（22%）的项目只有一个。 02 人工智能误区 对人工智能（AI）支出和创新的承诺在我们的调查样本中几乎普遍存在，超过一半的受访者表示，领导层预算有限基本上不是问题（56%），而利益相关者的支持被列为对成功AI试点项目制约因素中最低的（23%）。事实上，投资意愿正在加速：74%的人计划在未来12个月内增加AI支出，几乎没有人计划削减。 高管们之所以批准预算，是因为人工智能技术在商业实践中有大量实际应用。超过半数受访者（54%）表示，他们的AI输出符合实际工作流程——而只有27%的人指出，在启动AI试点项目时，缺乏明确的用例是主要制约因素。 然而，预期价值与实际表现之间仍存在持续的差距。虽然84%的受访者表示他们的AI投资提升了其竞争地位，但只有54%的人表示这些举措实际上达到了或超过了最初的预期。商业领袖仍在寻求这一不足的根本原因。 请提供需要翻译的英文文本。 高管中认为AI提升了其竞争地位的比例（84%）与认为相关举措达到或超出预期比例（54%）之间的差距。 03 区分领导与普通人的三个标志 在本次调查的各个子群体和交叉维度中，有三个运营特征始终是人工智能表现的一致预测因素：结构化的所有权、问责制和数据基础设施。在这些领域的卓越表现，虽然不是解决实施困境的全面方案，但为读者提供了一套市场层面的参考基准，以便他们能够定位自身组织。 标记01 AI专属所有权 只有18%的组织拥有专门的AI或转型团队，并拥有对AI项目的最终决策权；而近半数（48%）将此责任归于IT或技术领导，三分之一（32%）则分配给业务单元或职能部门负责人。拥有专门团队的机构在AI整合方面更为深入；该群体中超过半数（52%）使用AI通过提供建议等方式来辅助人类决策。 洞察力（平均27%），而28%已在生产中使用完全自主的AI（相比之下为11%）。或许最重要的是，采用专门的团队方法与更好的绩效相关联：这些高管更有可能表示其举措带来了可衡量的商业价值，并且其项目达到了或超出了预期。 拥有专门AI团队的组织中，表示其举措带来了可衡量商业价值者占比为68%，而平均水平为71%。达到或超出预期者占比为68%，高于平均水平54%。 专业AI团队促进了更积极的AI试点项目。在该群体中，四分之三的人已启动至少四个活跃试点项目（76%，而调查平均值为40%），超过三分之一的人已向用户部署了至少六个在线工具（36%，而调查平均值为14%）。值得注意的是，这个群体往往倾向于大型组织：拥有专业AI团队的44%的企业年营收达到或超过100亿美元（而平均值为17%）。 在成功部署之后出现的更棘手的运营问题。他们更有可能提及变革管理和用户采用方面的障碍（52%对比46%的平均值），显著更可能表示AI完成任务的效率高于员工（73%对比64%），并且远更可能表示AI已成为弥补技能差距的主要手段（74%对比59%）。对于许多高管而言，这些恰恰是他们希望通过AI实现的目标，即便这些目标本身也可能引发关于权衡取舍以及AI在劳动力中角色的难题。 这些组织面临着全新的挑战，因为它们在人工智能的征程中已经走得很远，足以面对 标记02 有效治理 治理政策上的显著差异，在于那些已经建立治理机制的组织，与那些仍在构建治理机制（或完全没有）的组织之间。大约三分之二的受访者属于前者： 37%的人有正式的、成文的政策，29%的人有非正式的指导方针。其余的1/3要么仍在制定政策（占30%），要么没有计划制定（占5%）。 任何形式的政策都能为人工智能计划的持续和扩展提供信心。在正式政策下，四分之三的人（76%）表示相信其系统能够保持进展；而在非正式指南下，69%的人也表示同样看法。当不存在政策时，数据趋势向下，只有56%正在制定政策的人表示有信心持续和扩展工作——而没有任何政策的人中，这一比例仅为40%。实施治理的组织平均启动了更多试点项目（正式3.84个，非正式3.35个），高于未实施治理的组织（正在制定2.71个，没有1.96个）。 问题与需求收集（问题占比54%，无问题占比50%）——而治理成熟的组织则在部署后遇到摩擦，更常在用户采纳和参与阶段出现故障（正式流程占比62%，非正式流程占比60%）。 有限的治理也造成了下游流程问题。近四分之一的缺乏有效治理的组织表示，其模型输出无法融入实际工作流程，这要么是一个重大挑战，要么是致命挑战（与拥有非正式指南的组织的23%对比15%），超过四分之一的组织对预算重新优先排序也是如此（与拥有非正式指南的组织的28%对比18%）。这不仅仅是执行失败，更是缺乏基础结构以维持自身发展的项目症状。 治理成熟度影响着人工智能在哪些方面以及何时会显得力不从心。缺乏有效治理指南的组织会停滞在最初阶段——例如在定义 标记03 数据作为一项持续性的学科 数据代表了所有挑战中最普遍的一项。数据访问、质量和准备方面的挑战代表了AI试点项目停滞或失败的最常见阶段，占比70%，比用户采用率（57%）高13个百分点，比价值认知（49%）高21个百分点。这个问题在项目启动后也同样出现。 部署后，数据准确性与可用性是最常见的限制影响问题（36%造成“重大”负面影响或终止）。而当人工智能解决方案未能达到预期时，57%的人表示最常缺失的要素是用于有效训练和运行人工智能的干净、可靠数据。 据组织调查，数据获取、质量或准备方面的挑战是人工智能计划受阻或失败的首要阶段，这一因素比其他因素高出13个百分点以上。 70% 数据挑战的一个更具说服力的方面是，它在不同规模群体、行业分组、治理层级和建设方法中始终如一地显现出来——这一模式表明，随着组织获得人工智能经验，数据准备情况并不会自动改善。所有受访者中有一半（50%）也提到了 技术或基础设施限制作为试点成功的主要制约因素，仅次于内部带宽（58%），表明数据问题同样关乎可访问性和整合性，而不仅仅是质量。 04 价值领袖画像 这种坚实的基础使价值领导者们在人工智能的征程上走得更远。55%的领导者拥有四个或更多的活跃试点项目（相比之下，其他人是37%），26%的领导者拥有六个或更多的项目正在使用中（相比之下，其他人是12%）。人工智能的整合也更为深入：40%的领导者利用人工智能提供建议或洞察来辅助人类决策（相比之下，所有其他人是24%）。随着规模和整合的提升，衡量指标也变得更加深入，领导者们已经超越了简单的时间节省和效率提升，开始包括成本削减（24%对比16%）。 要了解人工智能成功的样貌，我们筛选出142名受访者——一个我们称之为“价值领导者”的群体，他们的AI倡议已达到或超出了最初预期。而让他们与众不同的是，并非他们所使用的技术，而是他们围绕工具建立的操作基础设施和领导行为。 将价值领导者与其他组织区分开来的几点直接差异： 价值领导者拥有更协同的策略。66%的人表示，他们的AI战略在整个组织中得到了清晰的理解和支持（而其他人是46%），76%的人表示，他们对自己的能力有信心，能够持续和扩展当前的AI计划（而其他人是64%），并且30%的人强烈同意，他们在选择工具之前，已经创建了一个清晰定义的路线图，将特定的业务问题与匹配的技术联系起来。 • 所有权：价值领导者拥有专属AI或转型团队的几率是其他所有公司的两倍（30% vs.15%）。 • 治理：43% 的企业制定了正式的、成文的政策（而所有其他企业的比例为 35%）。 • 数据：价值领导者不太可能将干净、可靠数据中的差距视为其人工智能项目的主要障碍（46% vs.所有其他人的59%），这表明他们在数据基础建设方面进行了更早、更持续的投资。 价值型领导者通过运营优势而非技术优势获得其地位。这些成就是任何愿意在扩展技术之前投资于基础的机构都可以实现的。 图2 价值领导者的特质是什么 价值领导者（其人工智能计划达到或超出预期）与其他所有人相比 行业格局 人工智能的成熟度在各个行业间分布不均。以下四个层级根据整合深度、试点项目数量以及举措达到或超出预期的可能性对受访者进行分组。 一级 · 高成熟度 金融服务与高科技 这两个行业都在进行更高数量的AI试点，实现更深入的工作流程整合，并且比其他行业更可能在生产中拥有完全自主的AI：（金融服务占25%，高科技占30%，而调查平均值为11%）。这些行业也更有可能平均而言在定制基础设施上构建了AI能力，这与它们更高的资源水平和更高的技术复杂性一致。每个行业中大约三分之二的人表示，这些举措达到了或超出了预期（与平均54%相比），并且对可扩展性有很高的信心。 二级 · 中级成熟度 医疗保健与制造业 医疗保健受访者中有63%（平均值为54%）的大部分或完全将人工智能整合到数据分析工作流程中，将人工智能嵌入现有用户界面的比例更高（42% vs.30%），并且是唯一最可能认为人工智能能带来可衡量商业价值的行业（79% vs. 71%）。制造业受访者显示出相似的深度分析能力（61%），但受基础设施问题的限制：69%的人将技术或基础设施限制列为首要障碍，比平均水平高出近20个百分点。这两个行业都比平均水平更可能建立正式的治理机制，这与它们