编者按：本文为BRG公司AI与决策智能业务董事总经理Jason Gu的客座文章。文中观点仅代表作者个人，不代表其雇主立场。

AI有望优化业务流程，提升效率并降低资源消耗。据Gartner预测，2026年全球AI支出将增长47%，总额超过2.5万亿美元。然而，现实情况是，大规模整合AI技术往往使流程更加复杂和昂贵，尤其是在缺乏有效试点项目的情况下。

以医疗保健行业为例，提供商投入数百万美元引入AI工具，用于将病历归档至现有数字系统，并将员工重新部署到更高价值的活动中。但若仓促推进，诸如命名不一致等流程错误可能导致失误，反而需要更多人力，而非减少。

遗憾的是，并非所有AI试点都能解决这些细节问题，多数最终无果而终。Zapier近期调查显示，近三分之一组织已运行超过100个AI试点，但仅13%的项目在业务中广泛部署。约40%的组织表示，其运行时间最长的AI试点已在测试阶段停滞超过一年。

在我的日常咨询工作中，此类情况屡见不鲜。从宏观层面看，失败通常源于过度乐观（“AI能解决一切！”）或过度保守（“我们遇到的流程或数据问题是模型局限所致”）。这两种态度都表明，领导力控制问题才是试点停滞的核心，因为组织往往聚焦于技术或AI模型本身，而忽视了其周围系统。

根据我的经验，阻碍AI试点发挥潜力的领导力控制问题可归纳为四大类：

1. 起步阶段：明确业务问题及其负责人

听起来简单：从可衡量、可重复的业务问题开始，并指定负责任的负责人。但现实中并非如此。部分原因在于问题本身定义不完整。例如，高管可能直觉地说：“让我们用AI审核发票。”这固然不错，但难以深入。

相反，领导者应明确AI解决问题后期望达成的业务结果。更好的表述可能是：“让我们用AI将处理时间缩短95%，实现99%的准确率，并将剩余1%的例外情况转入人工审核和验证。”这是第一步。然而，即使所有人都支持试点，仍需一位负责任的业务负责人来建立可衡量的基线、设计必要的流程重组，并评估例外队列以落实计划。这并非总是AI专属领导者的职责。虽然AI负责人可以（也应该）集中治理和最佳实践，但结果所有权应归属于具备相关业务经验的人员。

2. 试点设计：匹配技术与问题，确保输出可经济验证

再以发票为例。理想情况下，合适的AI技术应能提取并规范化发票数据，随后通过确定性逻辑，在定义的容差规则内将发票与采购订单和收货单进行比对。通过的发票可按公司政策自动批准，而例外情况则自动附加失败原因转交人工处理。

然而，选择正确的文档提取技术至关重要。是采用光学字符识别、多模态模型，还是大型语言模型？这取决于文档的变异性。同样重要的是验证潜在失败：团队常假设“通过”的发票必然正确。在规模化应用中，信任模型可能需要审计一定比例的自动批准输出，以确认真实错误率。

还需注意两大设计错误：一是使用生成式AI处理传统分析更可靠的任务；二是构建仍需人工审核所有输出的工作流。稳健的生产设计通常结合多种技术，且生成式AI的使用量可能低于预期。

3. 评估生产经济性：计算每项成功任务的完全加载成本

任何AI试点的关键目标之一是衡量新技术规模化整合的成本。管理层可能倾向于使用每Token成本或初始响应成本来评估，但这将是错误的。正确指标应为每项成功任务的完全加载成本，包括模型、工具和基础设施成本（涵盖所有尝试、重试和返工）、人工审核和例外处理、技术集成、评估和持续运营、治理以及错误输出导致的预期损失。

以发票为例，领导层应自问：多少比例可自动处理？多少进入例外队列？每个例外需多少人工时间？错误或重复付款的成本是多少？

4. 选择正确的运营模式：围绕明确控制、人工决策边界、可审计性和持续学习重新设计工作流

AI整合的价值在于将技术嵌入定义的工作流，衡量结果，并相应重新设计周边流程。这正是选择正确运营模式的关键。决策者应关注以下三项实践：

  • 实施控制层：将工作流连接至权威系统和可机器检查的规则，定义评估、授权和升级标准。同时，保留足够的活动历史，以重建输入、输出、工具操作、审批、例外以及模型和提示版本。摩根大通在其合同智能（COiN）平台中实践了这一点：通过将平台与定义的默认条款、续约条件和监管要求关联，并构建人工工作流和验证流程，AI模型能在数秒内处理数千份商业信贷协议，错误率接近零。
  • 分配决策边界：自动化符合明确标准的常规案例，并将例外或高后果决策转交人工。例如，Klarna的客户服务AI助手帮助实现了4000万美元的利润改善；但随着工具扩展，公司意识到需要增加显著的人工升级路径，以处理最复杂的问题。
  • 创建学习循环：将纠正、例外和业务结果转化为评估案例，使组织能够判断性能、例外率和经济性是否在改善。

上述最佳实践与Zapier调查中提到的成功AI试点因素相符：从一开始获得高管支持、识别高价值且易于论证的用例，以及能够清晰衡量投资回报率。难点在于以整体性思维将试点落地。这正是有效运营模式重新设计的核心，涵盖技术或模型本身及其周边系统。

如今，多数AI试点在起飞前便停滞不前。通过建立正确的领导力控制和运营结构，未来的试点将更有望实现规模化。