從酷炫功能到真實產業應用，AI卡在了哪里?

隨著AI編程技術成熟，AI落地的主動力將從“AI技術專家推動”轉向“行業從業者自主創造”

文 | 李俊杰

自2022年11月ChatGPT發布以來，生成式人工智能高速發展，大模型競賽白熱化，性能指標不斷刷新，多模態能力持續提升。AI智能體能自主調用工具，完成越來越復雜的任務。AI大模型廠商紛紛聲稱，通用人工智能（Artificial General Intelligence，AGI）時代即將到來。

與技術高歌猛進形成鮮明對比的是商業落地的滯后。美國Ramp AI Index數據顯示，美國公司采用付費AI產品的比例近期有停滯跡象，甚至出現下滑。

麻省理工學院在2025年7月的一份研究報告（The GenAI Divide: State of AI in Business 2025）中指出：95%的生成式AI應用項目效果不佳或中途夭折。這份報告甚至引發了美股震蕩。

當“所有行業都需用AI重做一遍”的豪言遭遇“AI項目高失敗率”的現實，我們不得不追問：AI從酷炫的功能到真實的產業應用，究竟卡在了哪里？又該如何穿越迷霧，實現真正的價值閉環？

業務流程重構和AI路徑規劃

AI模型的性能指標并不能直接轉化為商業價值。目前，AI在大多數情況下無法提供端到端的解決方案。所以，AI的落地應用需要根據AI的能力邊界，結合行業和企業的業務場景、需求和痛點，發現AI能力較為成熟、企業數據積累相對完善、價值最為顯著的業務環節優先推進。這需要在技術和需求的交匯點上，找到投入-數據-效益的最小可行飛輪，在產生經濟收益的同時，生成新數據，反哺模型優化，形成持續迭代的良性循環。

所以在現階段，AI落地應用需要有個工作流程分割、業務流程重構的過程。把AI擅長的部分交給AI；剩下的部分，不管是由于AI能力限制還是數據積累不足，還需要繼續由人完成。人的工作是駕馭AI，黏合流程斷點，進行任務和資源分派，以及結果的評估糾正。

我們可以把上述業務環節重構過程比作路徑規劃。比如，你要從上海的漕河涇開發區去復旦大學，最快的路徑不是地面直線，而是要走高架路。AI就好比是高架路，它能大幅提升行駛速度，但無法覆蓋全程，所以仍需地面道路銜接兩端，后者就好比是人的作用。

AI落地所需的業務流程重構跟路徑規劃有三個類似之處：

第一，在路徑規劃中，通高速的路段走高速，還沒通的路段走地面；有時不只在行程兩端，在中間部分高速也可能沒連上，需要走地面。類似的，AI目前僅能勝任部分業務環節。企業需要先拆解現有工作流，將AI擅長的環節交給AI；剩下的部分，包括不同AI環節之間的銜接，以及需要經驗判斷、情感交互的環節則仍需由人負責，確保整個任務得以完成。

第二，路徑規劃需要了解出發點和目的地，以及沿途的高速線路圖。類似的，如果企業想通過AI優化業務，既需知道自身需求（好比行程的出發點和目的地），也需清楚當前AI的能力及邊界（相當于高速線路圖），從而在兩者的交集中尋找價值創造點。

第三，路徑規劃需要動態調整。AI技術進步如同高速公路的持續擴建：今天沒有覆蓋的路段，明天可能通車；今天的高速入口在東邊，明天可能在北邊新增一個更近的入口。同樣的，隨著AI能力的提升，企業的流程重構、AI與人的分工協作也需要不斷調整。

根據我的觀察，目前多數企業仍停留在直接套用AI工具的階段，既未拆解工作流，也未評估AI能力與業務需求的適配性，未能形成投入-數據-效益的飛輪，結果自然不如預期。

誰來主導AI落地

如上所述，AI落地應用既需要懂AI，又需要行業洞察。然而，各行各業千變萬化，很難兩者兼備。所以，要么是懂AI的人來學習和改造行業，要么是行業內的人學習AI工具，拿回來改造自己的行業。

路徑一：讓懂AI的人“走進行業”——

前端部署工程師（FDE）的崛起。

硅谷近年興起的“前端部署工程師（Forward Deployed Engineer，FDE）”模式，正是這條路徑的代表。該模式由數據分析公司Palantir率先探索：其核心是將熟悉AI和數據分析技術的工程師派駐到客戶企業，往往長達數月甚至半年。這些工程師的任務不是推銷產品，而是深入業務一線，掌握企業生產運營的信息，最終在AI的能力邊界內找到與企業需求和痛點相契合的價值創造點。

如今，Palantir的FDE模式已成為硅谷推崇的“AI落地范本”——這些前端部署工程師因同時掌握AI技術與行業洞察，成了當今最受投資人青睞的創業者群體。

路徑二：讓懂行業的人“掌握AI”——

難點與轉機。

行業從業者學習掌握AI工具后，將AI能力帶回到自身業務中，這是另一條路徑。文首提到的麻省理工學院報告發現，盡管只有約40%的公司是AI工具的付費用戶，但超過90%的公司，其員工自費使用AI工具提升工作效率，作者將此稱為“影子AI經濟”。

“影子AI經濟”是在員工個人層面，針對某些特定任務，而不是組織層面的系統性應用，既缺乏員工間的協調，也沒有對行業和企業的適配。這一方面說明，絕大多數公司的業務中，AI確實能在不少環節上提升效率?？梢韵胂?，如果能在企業層面系統性地采用這些工具，再增強其記憶和上下文功能以及對企業場景的適配，就能進一步放大其效果。另一方面，根據企業業務環節的需求匹配AI工具，前提是評估業務流程，這項工作可以自下而上的分布式完成，過程中可能還需要進行一定程度的適配和定制化。

過去AI技術門檻高，迭代速度快，由行業人士學習AI工具來賦能和改造行業難度很大。然而最近一年來，AI編程的爆發讓這條路徑成為可能。

AI編程激活行業自主改造

隨著AI技術的發展，AI編程工具越來越強，大幅降低了軟件開發的門檻和成本，使其變得“平民化”——過去需要專業程序員數月完成的開發工作，如今零基礎用戶也能用自然語言描述需求，通過AI編程工具生成代碼，開發出至少能驗證概念、測試用戶反饋的產品原型。

微軟CEO（首席執行官）納德拉、谷歌CEO皮查伊都曾公開表示，其公司當前生成的軟件代碼中，有大約20%-30%來自AI。亞馬遜云服務業務CEO加爾曼甚至稱AWS75%的代碼已由AI生成。隨著AI技術進步，AI編程比例也將不斷擴大。英偉達創始人黃仁勛、OpenAI CEO奧爾特曼等行業領袖均預判，未來編程將不必采用C++、Python等專業語言，“自然語言即代碼”將成為常態。

這一變化意味著，AI落地的核心動力，很可能將從“技術專家推動”轉向“行業從業者自主創造”。上文所述的路徑二變得可行，行業人士無需再等待AI專家“上門改造”，而是可以主動去學習、掌握并運用AI編程工具，根據行業的特定場景、需求和痛點，在業務的部分環節發現和構建AI應用的最小可行飛輪，解決具體問題，創造立即可見的價值。

特別的，AI編程有望讓中小企業成為AI落地的生力軍。相較于大型企業，中小企業推動AI改造無需多層級部門協調，往往一位管理者搭配兩三名核心骨干就能確定方案，決策和迭代速度更快。而且，中小企業業務環節較少，即便需要補數字化“功課”，也可以直接從零構建適配AI的數字化體系，無需改造復雜的遺留系統，難度和風險往往更小。中小企業過去可能在人才上有劣勢，而AI編程工具大大緩解了這個問題。

結語

AI落地不是一蹴而就的“顛覆”，而是AI技術與產業需求在互動中逐步校準磨合。對企業而言，現階段不必執著于“全流程AI化”，可以選擇聚焦“小切口、高適配、高收益”的場景，找到AI與業務相契合的最小可行飛輪，再利用AI編程工具測試、打磨功能，降低落地成本，從而贏得內部支持。

AI編程工具的能力日益強大，即使它今天還有局限和瑕疵，但進步速度很快，將讓越來越多人能利用編程來解決問題，創造價值。對于個人而言，AI時代最重要的不再是掌握知識，而是眼光和創意。眼光意味著能在行業中、工作中、生活中看到未被滿足的需求、存在的痛點和機會，創意就是利用新技術想出解決問題的更好方法。AI落地應用的一大路徑就是鼓勵員工學習AI編程工具，用來改造和提升自己的工作，進而改造和提升自己的公司和行業。

當越來越多的行業從業者能用自然語言開發軟件，當企業能快速試錯并優化AI方案，AI才能真正變成推動各行各業進步的生產力。但即便如此，AI仍然只是協同進化的伙伴而非萬能工具。

（作者為麗瓦信息董事總經理、斯坦福成長創新圈理事長；編輯：馬克）