隨著AI編程技術(shù)成熟，AI落地的主動(dòng)力將從“AI技術(shù)專家推動(dòng)”轉(zhuǎn)向“行業(yè)從業(yè)者自主創(chuàng)造”

文 | 李俊杰

自2022年11月ChatGPT發(fā)布以來，生成式人工智能高速發(fā)展，大模型競(jìng)賽白熱化，性能指標(biāo)不斷刷新，多模態(tài)能力持續(xù)提升。AI智能體能自主調(diào)用工具，完成越來越復(fù)雜的任務(wù)。AI大模型廠商紛紛聲稱，通用人工智能（Artificial General Intelligence，AGI）時(shí)代即將到來。

與技術(shù)高歌猛進(jìn)形成鮮明對(duì)比的是商業(yè)落地的滯后。美國(guó)Ramp AI Index數(shù)據(jù)顯示，美國(guó)公司采用付費(fèi)AI產(chǎn)品的比例近期有停滯跡象，甚至出現(xiàn)下滑。

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

當(dāng)“所有行業(yè)都需用AI重做一遍”的豪言遭遇“AI項(xiàng)目高失敗率”的現(xiàn)實(shí)，我們不得不追問：AI從酷炫的功能到真實(shí)的產(chǎn)業(yè)應(yīng)用，究竟卡在了哪里？又該如何穿越迷霧，實(shí)現(xiàn)真正的價(jià)值閉環(huán)？

業(yè)務(wù)流程重構(gòu)和AI路徑規(guī)劃

AI模型的性能指標(biāo)并不能直接轉(zhuǎn)化為商業(yè)價(jià)值。目前，AI在大多數(shù)情況下無法提供端到端的解決方案。所以，AI的落地應(yīng)用需要根據(jù)AI的能力邊界，結(jié)合行業(yè)和企業(yè)的業(yè)務(wù)場(chǎng)景、需求和痛點(diǎn)，發(fā)現(xiàn)AI能力較為成熟、企業(yè)數(shù)據(jù)積累相對(duì)完善、價(jià)值最為顯著的業(yè)務(wù)環(huán)節(jié)優(yōu)先推進(jìn)。這需要在技術(shù)和需求的交匯點(diǎn)上，找到投入-數(shù)據(jù)-效益的最小可行飛輪，在產(chǎn)生經(jīng)濟(jì)收益的同時(shí)，生成新數(shù)據(jù)，反哺模型優(yōu)化，形成持續(xù)迭代的良性循環(huán)。

所以在現(xiàn)階段，AI落地應(yīng)用需要有個(gè)工作流程分割、業(yè)務(wù)流程重構(gòu)的過程。把AI擅長(zhǎng)的部分交給AI；剩下的部分，不管是由于AI能力限制還是數(shù)據(jù)積累不足，還需要繼續(xù)由人完成。人的工作是駕馭AI，黏合流程斷點(diǎn)，進(jìn)行任務(wù)和資源分派，以及結(jié)果的評(píng)估糾正。

我們可以把上述業(yè)務(wù)環(huán)節(jié)重構(gòu)過程比作路徑規(guī)劃。比如，你要從上海的漕河涇開發(fā)區(qū)去復(fù)旦大學(xué)，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(yè)務(wù)流程重構(gòu)跟路徑規(guī)劃有三個(gè)類似之處：

第一，在路徑規(guī)劃中，通高速的路段走高速，還沒通的路段走地面；有時(shí)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(yè)務(wù)環(huán)節(jié)。企業(yè)需要先拆解現(xiàn)有工作流，將AI擅長(zhǎng)的環(huán)節(jié)交給AI；剩下的部分，包括不同AI環(huán)節(jié)之間的銜接，以及需要經(jīng)驗(yàn)判斷、情感交互的環(huán)節(jié)則仍需由人負(fù)責(zé)，確保整個(gè)任務(wù)得以完成。

第二，路徑規(guī)劃需要了解出發(fā)點(diǎn)和目的地，以及沿途的高速線路圖。類似的，如果企業(yè)想通過AI優(yōu)化業(yè)務(wù)，既需知道自身需求（好比行程的出發(fā)點(diǎn)和目的地），也需清楚當(dāng)前AI的能力及邊界（相當(dāng)于高速線路圖），從而在兩者的交集中尋找價(jià)值創(chuàng)造點(diǎn)。

第三，路徑規(guī)劃需要?jiǎng)討B(tài)調(diào)整。AI技術(shù)進(jìn)步如同高速公路的持續(xù)擴(kuò)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(gè)更近的入口。同樣的，隨著AI能力的提升，企業(yè)的流程重構(gòu)、AI與人的分工協(xié)作也需要不斷調(diào)整。

根據(jù)我的觀察，目前多數(shù)企業(yè)仍停留在直接套用AI工具的階段，既未拆解工作流，也未評(píng)估AI能力與業(yè)務(wù)需求的適配性，未能形成投入-數(shù)據(jù)-效益的飛輪，結(jié)果自然不如預(yù)期。

誰來主導(dǎo)AI落地

如上所述，AI落地應(yīng)用既需要懂AI，又需要行業(yè)洞察。然而，各行各業(yè)千變?nèi)f化，很難兩者兼?zhèn)?。所以，要么是懂AI的人來學(xué)習(xí)和改造行業(yè)，要么是行業(yè)內(nèi)的人學(xué)習(xí)AI工具，拿回來改造自己的行業(yè)。

路徑一：讓懂AI的人“走進(jìn)行業(yè)”——

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，F(xiàn)DE）”模式，正是這條路徑的代表。該模式由數(shù)據(jù)分析公司Palantir率先探索：其核心是將熟悉AI和數(shù)據(jù)分析技術(shù)的工程師派駐到客戶企業(yè)，往往長(zhǎng)達(dá)數(shù)月甚至半年。這些工程師的任務(wù)不是推銷產(chǎn)品，而是深入業(yè)務(wù)一線，掌握企業(yè)生產(chǎn)運(yùn)營(yíng)的信息，最終在AI的能力邊界內(nèi)找到與企業(yè)需求和痛點(diǎn)相契合的價(jià)值創(chuàng)造點(diǎn)。

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(shí)掌握AI技術(shù)與行業(yè)洞察，成了當(dāng)今最受投資人青睞的創(chuàng)業(yè)者群體。

路徑二：讓懂行業(yè)的人“掌握AI”——

難點(diǎn)與轉(zhuǎn)機(jī)。

行業(yè)從業(yè)者學(xué)習(xí)掌握AI工具后，將AI能力帶回到自身業(yè)務(wù)中，這是另一條路徑。文首提到的麻省理工學(xué)院報(bào)告發(fā)現(xiàn)，盡管只有約40%的公司是AI工具的付費(fèi)用戶，但超過90%的公司，其員工自費(fèi)使用AI工具提升工作效率，作者將此稱為“影子AI經(jīng)濟(jì)”。

“影子AI經(jīng)濟(jì)”是在員工個(gè)人層面，針對(duì)某些特定任務(wù)，而不是組織層面的系統(tǒng)性應(yīng)用，既缺乏員工間的協(xié)調(diào)，也沒有對(duì)行業(yè)和企業(yè)的適配。這一方面說明，絕大多數(shù)公司的業(yè)務(wù)中，AI確實(shí)能在不少環(huán)節(jié)上提升效率?？梢韵胂?，如果能在企業(yè)層面系統(tǒng)性地采用這些工具，再增強(qiáng)其記憶和上下文功能以及對(duì)企業(yè)場(chǎng)景的適配，就能進(jìn)一步放大其效果。另一方面，根據(jù)企業(yè)業(yè)務(wù)環(huán)節(jié)的需求匹配AI工具，前提是評(píng)估業(yè)務(wù)流程，這項(xiàng)工作可以自下而上的分布式完成，過程中可能還需要進(jìn)行一定程度的適配和定制化。

過去AI技術(shù)門檻高，迭代速度快，由行業(yè)人士學(xué)習(xí)AI工具來賦能和改造行業(yè)難度很大。然而最近一年來，AI編程的爆發(fā)讓這條路徑成為可能。

AI編程激活行業(yè)自主改造

隨著AI技術(shù)的發(fā)展，AI編程工具越來越強(qiáng)，大幅降低了軟件開發(fā)的門檻和成本，使其變得“平民化”——過去需要專業(yè)程序員數(shù)月完成的開發(fā)工作，如今零基礎(chǔ)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(fā)出至少能驗(yàn)證概念、測(cè)試用戶反饋的產(chǎn)品原型。

微軟CEO（首席執(zhí)行官）納德拉、谷歌CEO皮查伊都曾公開表示，其公司當(dāng)前生成的軟件代碼中，有大約20%-30%來自AI。亞馬遜云服務(wù)業(yè)務(wù)CEO加爾曼甚至稱AWS75%的代碼已由AI生成。隨著AI技術(shù)進(jìn)步，AI編程比例也將不斷擴(kuò)大。英偉達(dá)創(chuàng)始人黃仁勛、OpenAI CEO奧爾特曼等行業(yè)領(lǐng)袖均預(yù)判，未來編程將不必采用C++、Python等專業(yè)語言，“自然語言即代碼”將成為常態(tài)。

這一變化意味著，AI落地的核心動(dòng)力，很可能將從“技術(shù)專家推動(dòng)”轉(zhuǎn)向“行業(yè)從業(yè)者自主創(chuàng)造”。上文所述的路徑二變得可行，行業(yè)人士無需再等待AI專家“上門改造”，而是可以主動(dòng)去學(xué)習(xí)、掌握并運(yùn)用AI編程工具，根據(jù)行業(yè)的特定場(chǎng)景、需求和痛點(diǎn)，在業(yè)務(wù)的部分環(huán)節(jié)發(fā)現(xiàn)和構(gòu)建AI應(yīng)用的最小可行飛輪，解決具體問題，創(chuàng)造立即可見的價(jià)值。

特別的，AI編程有望讓中小企業(yè)成為AI落地的生力軍。相較于大型企業(yè)，中小企業(yè)推動(dòng)AI改造無需多層級(jí)部門協(xié)調(diào)，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(yè)業(yè)務(wù)環(huán)節(jié)較少，即便需要補(bǔ)數(shù)字化“功課”，也可以直接從零構(gòu)建適配AI的數(shù)字化體系，無需改造復(fù)雜的遺留系統(tǒng)，難度和風(fēng)險(xiǎn)往往更小。中小企業(yè)過去可能在人才上有劣勢(shì)，而AI編程工具大大緩解了這個(gè)問題。

結(jié)語

AI落地不是一蹴而就的“顛覆”，而是AI技術(shù)與產(chǎn)業(yè)需求在互動(dòng)中逐步校準(zhǔn)磨合。對(duì)企業(yè)而言，現(xiàn)階段不必執(zhí)著于“全流程AI化”，可以選擇聚焦“小切口、高適配、高收益”的場(chǎng)景，找到AI與業(yè)務(wù)相契合的最小可行飛輪，再利用AI編程工具測(cè)試、打磨功能，降低落地成本，從而贏得內(nèi)部支持。

AI編程工具的能力日益強(qiáng)大，即使它今天還有局限和瑕疵，但進(jìn)步速度很快，將讓越來越多人能利用編程來解決問題，創(chuàng)造價(jià)值。對(duì)于個(gè)人而言，AI時(shí)代最重要的不再是掌握知識(shí)，而是眼光和創(chuàng)意。眼光意味著能在行業(yè)中、工作中、生活中看到未被滿足的需求、存在的痛點(diǎn)和機(jī)會(huì)，創(chuàng)意就是利用新技術(shù)想出解決問題的更好方法。AI落地應(yīng)用的一大路徑就是鼓勵(lì)員工學(xué)習(xí)AI編程工具，用來改造和提升自己的工作，進(jìn)而改造和提升自己的公司和行業(yè)。

當(dāng)越來越多的行業(yè)從業(yè)者能用自然語言開發(fā)軟件，當(dāng)企業(yè)能快速試錯(cuò)并優(yōu)化AI方案，AI才能真正變成推動(dòng)各行各業(yè)進(jìn)步的生產(chǎn)力。但即便如此，AI仍然只是協(xié)同進(jìn)化的伙伴而非萬能工具。

（作者為麗瓦信息董事總經(jīng)理、斯坦福成長(zhǎng)創(chuàng)新圈理事長(zhǎng)；編輯：馬克）