编者按：
这是一篇诞生于闭门对话的文章。
今年 5 月，我们发布了一篇《CIO 的使命，正在被 AI 重新定义》，并以此为主题组织了一场闭门会，与来自科技、能源、制造、航空、金融、交通、通信等多个行业的二十多位大型企业数字化负责人、数科公司负责人、一把手进行了三个多小时的深入探讨。
这场对话没有任何预设结论，所有坦诚的碰撞都来自一线。
有人坦言这是从业以来最惶恐的一年，有人负责的项目预算从几千万被砍到几十万，也有人用 1/10 的成本跑通了 200 个项目的 AI 改造。这些剧烈反差的背后指向同一个事实：AI 落地的关键，已经不在技术层，而在组织层。
纵观全球，大型企业的 AI 落地正在经历一条相似的曲线——从技术兴奋到场景泡沫，从预算骤减到重返务实。我们将关注 " 大型企业 AI 落地中人和组织如何蜕变 " 的持续讨论，以闭门研讨为形式，以坦诚交流为方法，不断穿透问题的核心层。今年 9 月的2026 ITValue Summit 数字价值年会上，我们将再次邀请各行业领军企业一把手、技术负责人、业务负责人同台，在更深维度上展开对话——我们相信，提出问题本身，就是在接近答案。
过去三年，AI 技术经历了从技术狂欢到商业落地的完整周期。大型企业作为这轮变革的主战场，走过了一条 " 焦虑入场—理性收缩—务实突围 " 的典型路径。在经历了反复试错之后，那些走在 AI 落地最前沿的企业，正逐渐看清其中最关键的变量——它不是模型，不是算力，而是组织本身。
放眼全球，这并非中国大型企业独有的困境。斯坦福商学院数字经济学实验室今年 4 月发布了一份题为《Enterprise AI Playbook》的研究报告，覆盖了 51 个真实企业 AI 部署案例，横跨 7 个国家、9 个行业，代表超过 100 万名员工的企业样本。报告开篇便给出了一组发人深省的数据："77% 的最难挑战来自变革管理、数据质量和流程重构——技术始终是最容易的部分。" 与此同时，61% 的成功项目在最终交付价值之前至少经历过一次失败。这些失败的成本，从不被计入最终的 ROI 报告。
这不是远在大洋彼岸的抽象结论。5 月底，当我们与二十多家国内大型企业的技术负责人深度交流时，他们也不约而同地指认了同一个事实：AI 落地的最大障碍，从来不是技术。
三年，从集体亢奋到理性回归
自 2022 年底 ChatGPT 引爆全球生成式 AI 热潮后，2023 年国内玩家密集入场，形成了 " 百模大战 " ——不仅有众多通用大模型，还有遍地开花的行业大模型；2024 年起逐步转向商业化与收敛；2025 年 AI 落地应用开始走向深水区。
这三年，有能力追赶 AI 的大型企业体会最深。
从行业整体来看，这三年路径呈现出一个清晰的 " 倒金字塔 " 趋势：从铺天盖地的模型竞赛，逐渐收敛到高价值场景的选择，最终沉入最底层的数据治理和流程重构。多位行业分析师将这一轨迹称为 " 从追风到筑基 " 的必经之路。Gartner 的技术成熟度曲线在这一轮 AI 周期中再次应验—— 2023 年处于 " 期望膨胀期 "，2024 年下半年进入 " 泡沫破裂谷底期 "，而真正开始爬坡的，是那些完成了数据和组织功课的企业。
一位来自大型能源集团的数字化负责人回顾这个过程时说：" 第一年，行业里涌现了数十个大模型。第二年，开始谈高价值场景——选了吗？选了。有没有高价值体现？大部分没那么明显。今年主题则是数据强基——越来越务实了。"
务实的 B 面也同步浮现。另一位来自资源领域企业的负责人袒露了更具体的困境：" 我们项目预算从几千万砍到了几百万，再砍到几十万。" 领导层的逻辑很直接——要用 AI 的效果来倒推投入。但 ROI 该怎么量化？"AI 的效果咋说清楚？说不清楚，最后砍了又砍。"
这种从狂热到冷静、谨慎的路径并非个例。研究机构 McKinsey 在 2025 年的一项全球调研显示，超过 60% 的大型企业承认在 AI 项目上至少经历过一次 " 重大预算调整 "，平均调整幅度超过 40%。斯坦福报告则提供了另一个角度：同样的用例，在一家金融科技公司只需要数周就能完成，在一家大型银行却要花上好几年。" 差别从来不在 AI 模型本身，而在组织。"
组织层面的代价，在一家大型科技企业的数字化负责人身上得到了最集中的体现。他自述 2025 年是从事数字化转型十年来最惶恐的一年：" 突然之间，从 AI 无用变成每个业务都说是我最迫切的需求—— 1260 多个需求涌到我桌上。我们出现了接不住的问题。"
三年前企业担心 " 不懂 AI 跟不上时代 "，三年后面对的新问题是：需求汹涌而来，组织却接不住了。
一位出身华为体系的算力科技企业 CEO 在交流中给出了一组令人警醒的时间线。他认为，AI 的潜力远超电力革命—— " 电力带来的只是同一性质上的数量级增长，没有带来质的变化，但 AI 创造了一个全新的自由度。" 根据他和团队在 2023 年上半年的推演，在充分竞争的全球性行业中，领先者和跟随者可能在 3 到 5 年内拉开三倍差距。"15% 的差距，对全球竞争企业来说是难以承受的。"
更残酷的判断在后面：除了金融、互联网、运营商和信息技术企业之外，绝大多数企业靠自身独立掌握从算力硬件到模型调优再到业务落地的 AI 全栈能力，" 不会超过 50 家 "。这意味着，对 99% 的大型企业而言，核心问题不是 " 要不要做 AI"，而是 " 如何在自身不具备全栈能力的条件下，把 AI 真正用起来 "。这一判断也解释了为什么三年间大型企业从 " 百模大战 " 一路退回到 " 数据强基 " ——不是不想一蹴而就，而是认清了自身能力的真实边界。
" 干好了被 AI 淘汰，干不好被老板淘汰 "
大型企业数字化负责人的角色困境，是这场落地危机的核心切片。
从全球趋势来看，CIO 这一角色的含金量正在经历一轮剧烈波动。2020 年前后，随着云计算和 SaaS 的普及，企业 IT 的复杂性下降，CIO 的战略地位一度下滑。但自 2023 年底 AI 浪潮爆发以来，CIO 的角色重新被推至聚光灯下。Gartner 在其 2026 年 CIO 议程中指出，全球 CIO 的董事会出席率从 2023 年的 38% 回升至 2025 年的 56%。
" 集团领导早上 7 点直接给我打电话说给班子做 AI 培训。" 一家航空公司的 CIO 说，他前后在集团内部讲了三次课，每次在线直播观看人数上万人次。而且他还分享了一组预测数据：航空业 AI 投入规模将从 2025 年的 74 亿美元增长至 2032 年的 269 亿美元。
但回归的不仅是关注度，更是前所未有的压力。
一家大型科技企业核心管理者用一句话概括了自己的处境：" 干好了被 AI 淘汰，干不好被老板淘汰。" 他的进一步解释是：AI 落地需要组织能力的根本性重构，但 " 组织能力、思维、响应能力都赶不上 "。
这种困境从四个维度展开：
第一，权责错位。一位来自核电行业的负责人直言不讳：" 如果一个 CIO 既不管流程也不管资源，‘ AI+ ’完全是空谈。" 但现实是，在大多数大型企业，数字化部门并不掌握流程和数据的实权。当 AI 落地需要跨部门的流程重构和数据治理时，CIO 往往 " 有心无权 "。Gartner 的数据支持了这一观察：在其调研的全球大型企业中，仅有 29% 的 CIO 对业务流程拥有直接管控权，但这 29% 的企业 AI 项目成功率是对照组的 2.3 倍。
第二，速度断裂。多位受访者反映，大型企业的战略规划以五年为周期，项目立项从论证到审批动辄一年，而 AI 技术迭代是以季度、甚至以月为单位，陷入 " 落地即落后 " 的困境。一位协会秘书长尖锐地指出：" 五年规划节奏和半年技术迭代速度之间严重脱节。" 一位来自通信运营商的负责人也印证了这一点：" 数字化部门在推流程变革的时候，往往在最后一步走不动——涉及组织调整、岗位变化，层层阻力。"
第三，认知断裂。 集团高层开动员会热情高涨，但往下传到二级单位、三级单位时发现根本落不下去。在讨论中，参会者对上下温度做了多重诊断：不仅有经典的 " 上热、中温、下冷 " ——高层推动、中层被动传导、基层无感；还有 " 上热、中温（冷）、下热 " ——上层催得紧、下面有真实业务需求，但中间层没有权柄去调动资源，夹在中间左右为难；甚至还有 " 上热、中温、下重（闹）" ——基层不是 " 冷 "，而是被考核指标和现场压力压得喘不过气，迫切需要 AI 却又应付不来。最形象的是一个被称为 " 身体和灵魂分离 " 的困境：一位来自多元化业务集团的 IT 负责人分享说，领导喊 AI 转型，HR 却说 " 你自己调整编制，减五个人才能换一个 AI 岗 "。
第四，资源断裂。当 AI 人才竞争白热化、顶尖人才年薪达到 200 万级别时，大型企业招人正陷入两极分化：高端人才不流通，基层毕业生缺乏实战经验，中间层面临被 AI 替代的风险。前述科技企业核心管理者甚至直言：" 我现在反对请咨询公司、反对从大厂招有经验的 IT 人，而是加大对社招生和年轻人的招聘。" 但他也承认，这是一个 " 混装部队 " ——传统 IT 团队的经验仍有价值，但 AI 时代需要的是一套完全不同的能力组合。
五道坎：大型企业 AI 落地的真实阻力图谱
从与二十多家企业的对话中，我们提炼出了五个反复出现的卡点。它们不是平行并列的问题，而是一条层层递进的链条：数据是地基，ROI 是通行证，安全是边界，组织是承重墙，人才是血液。任何一道坎的失守，都可能导致整个 AI 推进计划的停滞。
第一道坎：数据——过去信息化欠的债，AI 时代全找回来了
"AI 是对过去信息化成果的检验。" 这句话来自一位能源集团的负责人。它的潜台词是一句迟来的清算：过去几十年信息化建设中积累的数据质量问题，在 AI 时代以最残酷的方式暴露出来。一位核电行业业务出身的负责人给出了更直白的描述：" 数据糟得一塌糊涂。底层的生产数据很乱，基本的标准化都没做到，更不用谈再优化架构。"
多位参会者提到，传统信息化建设遵循 " 先建设后治理 " 的逻辑，导致大量数据无效、不标准、不可用。当 AI 需要高质量数据集作为输入时，这道坎就横在了所有人面前。据 IDC 2025 年的一项研究，大型企业用于 AI 的数据清洗和预处理成本，平均占到 AI 项目总投入的 40% 以上。
但斯坦福报告提供了一个稍显乐观的视角：LLM 修复了许多数据问题。报告认为，混乱数据不是阻塞器——存储一切、连接一切，让模型来做清洁。关键在于设计绕过方案，而非等待数据完美。这一观点与部分参会者的实践方向吻合：与其等待统一数据平台建成，不如在具体场景中用 AI 先 " 缝缝补补 "，边用边治。
第二道坎：ROI ——价值在哪儿
" 领导从来没有说过不让花钱，但他每次都问：你能告诉我这花了钱，最后效果在哪儿？AI 的效果咋说清楚？说不清楚，最后砍了又砍。" 这段来自一位资源领域企业负责人的话，几乎可以代表所有大型企业数字化负责人的共同遭遇。
当一个 AI 项目的产出无法用传统 ROI 框架量化——比如 " 效率提升 30%" 在不同业务场景下意义完全不同——领导层的耐心就变得极为有限。造成这一局面的，除了对 AI 技术的认知差距，更多在于 AI 项目天然缺乏 " 可量化的商业语言 "。一位来自通信运营商的负责人提供了一个少有的正面案例：其内部 AI 投入 2.97 亿元，产出 8.59 亿元（投入产出比约 1:2.9），关键做法是每一个项目都要独立核算 ROI，" 人人可用、人人有感 "。
斯坦福报告梳理了 AI 收入的三条可行路径：个性化转化（通过 AI 提升客户匹配效率）、速度赢得交易（AI 缩短交付周期）、内部工具产品化（将自研 AI 能力对外输出）。三条路径的核心逻辑一致——不要等完美的 ROI 模型出现，而是从一个小场景开始迭代证明价值，让每一块钱的投入都对应一个可感知的商业结果。
第三道坎：安全合规——护城河还是紧箍咒
" 如果一个企业在拥抱 AI 的过程中，把高价值数据交给了不可控的外部大模型，就意味着这个企业在放弃它的护城河。" 前述科技企业负责人反复强调：数据读取和决策辅助——权限可以大；数据的增删改——在没想清楚之前 " 绝不允许 "。
除了数据安全，中国企业，尤其关乎国计民生的金融、能源等行业对安全性有极高要求，核心业务无法使用公共算力，私有化部署是绕不过去的投入。但投资数亿元自建算力，短期回报难以量化，这成为摆在大型企业面前的两难选择。在全球范围内，这一问题同样不限于中国市场——欧盟 AI 法案对高风险行业提出了类似的可追溯性和数据主权要求。
斯坦福报告则提供了一个积极信号：安全要求在项目早期常被视为障碍，但成功案例表明，" 最初是障碍的要求，后来反而成为项目处理敏感数据的赋能条件 "。换言之，合规不是 AI 的敌人，而是一道筛选机制——真正活下来的 AI 项目，都是能在合规框架内找到可行路径的项目。
第四道坎：组织——大企业的秩序基因，碰上 AI 的速度逻辑
这是五道坎中最深的一层，因为它是结构性的，不是技术性的。
大型企业的组织架构是层层嵌套的科层制，流程是为确定性任务设计的，决策路径是逐级上报的。而 AI 要求快速迭代、跨部门协同、容忍不确定性——这几乎与大型企业的 DNA 相悖。一家核电企业的数字化负责人对此的判断十分透彻：大型企业的底层运行逻辑是合规和风控，整个流程体系的存在意义就是 " 不出事 "；而 AI ——尤其是 Agentic AI ——的终极逻辑是减少中间环节、直接输出结果。这两件事本质上是结构性对冲。
从行业观察来看，这个问题正在被越来越多的企业正视，但解法差异很大。斯坦福报告揭示了一个有意味的数据：AI 项目的最大阻力来源不是终端用户（23%），而是法务、HR、风控和合规部门（35%）。这意味着，组织变革的突破口往往不在技术侧，而在于重新定义 " 谁为 AI 决策担责 "。
会上有参会者提出了 " 双牵头 " 机制——由业务部门与 IT 部门共同对 AI 项目结果负责，打破传统的 " 业务提需求、IT 搞开发 " 的玻璃墙。另一些企业的做法则是成立由一把手直接挂帅的 AI 推进工作机制，绕开传统科层制的审批路径。还有企业采取了更激进的方式：将 5000 多个流程活动逐项拆解，在每个原子化环节上判断 " 这个能不能交给机器 "，能交的交给 AI，必须保留的由人担责——这是一种 " 从底层上推 " 的组织重塑逻辑，而非在原有流程上叠一层 AI。
正如前述科技企业核心管理者所总结的：大企业像航母——稳定、抗风浪、不容出错，而 AI 要的是快艇。" 这不是谁对谁错的问题，它们是两种基因的碰撞。"
从组织坎再往下穿一层，碰到的是一堵无形的墙：信任。前述算力企业 CEO 对此的判断是—— " 最重要的是，让组织里的其他人看到并且相信 AI 的力量。如果你不能让别人相信这个东西，你就不可能真正把 CEO 也好、其他部门也好的支持拿到手。" 这不是一句正确的废话。在真实的组织运行中，当 AI 的产出无法在季度考核中兑现，当一线的抵触情绪层层上报，第一个动摇的往往就是当初喊出 "AI 优先 " 的最高决策者。而一旦一把手动摇，整个组织的 AI 推进就会从 " 自上而下的战略 " 坍缩为 " 数字化部门自己的事 "。这也是为什么一些参会者反复强调：组织变革的前提，是先解决 " 信不信 " 的问题，再解决 " 会不会 " 的问题。
第五道坎：人才——两极分化与能力重塑
" 我现在招人两极分化得厉害——高端人才 200 万，人家不流通；底下的博士生没有实战经验，拿来没用；中间层会被快速淘汰。" 上述能源企业 IT 负责人表示，当大模型能完成初级开发、基础分析的工作，" 中等经验 " 员工正在变成最尴尬的群体。
前述科技企业核心管理者的策略是：不再从大厂招有经验的 IT 人，转而加大对社招生和年轻人的招聘。但他承认，这是 " 混装部队 " ——传统 IT 团队的经验仍有价值，但 AI 时代需要的是一套完全不同的能力组合。
他的判断引发了会上广泛的讨论：" 未来的核心能力是提问、审美和评判。" 在答案唾手可得的时代，决定一个人价值的不再是知识储备，而是提出正确问题的能力和判断答案质量的能力。这一观点与全多家顶尖商学院的判断一致—— INSEAD 在 2025 年发布的《AI 时代的领导力》报告中，将 " 批判性提问 " 列为未来管理者最重要的前三项技能之一。
穿过死亡谷的人，做对了什么
斯坦福报告有一个关键发现：100% 的成功案例都采用了迭代方式，没有一个是传统瀑布式规划。换言之，能够穿过 " 死亡谷 " 的企业，无一例外地抛弃了 " 规划 - 审批 - 执行 - 验收 " 的线性路径。
那些穿过了死亡谷的大型企业，到底做对了什么？我们从此次闭门对话和斯坦福的研究中归纳了几条可供参考的实践范式。
场景驱动，而非模型驱动
这种思路在航空业得到了最具体的验证。一位来自航空集团的负责人介绍，其团队开发了超过 500 个智能体，其中 400 多个活跃使用。在发动机裂纹预测场景中，通过大小模型结合的方式实现了突破性成果，并已获得行业监管部门认可，甚至开始为其他航空公司提供预测服务。
这一案例的启示不在于技术本身，而在于它的方法论：IT 搭台、业务唱戏——让业务人员主导智能体建设，IT 部门提供平台和算力支持；同时将 AI 创新纳入部门评优加分体系，用正向激励替代行政命令，成功激发了一线主动参与。
斯坦福报告的数据可以作为参照坐标：当企业把 AI 部署为 " 自动化工具 " 时，中位数生产力提升约 40%；当部署为 "Agentic 模式 "（AI 自主处理 80% 以上任务，人类只审查例外），中位数生产力提升跃升至 71%。但这目前仅占案例的 20% ——这恰恰是下一阶段的竞争焦点。
先流程再造，再 AI+
前述能源企业 IT 负责人的 5891 项流程活动梳理，代表了一种可复制的范式。" 原来的分工逻辑是先让人干，然后让机器按照人的逻辑去干。我们现在是把所有流程打开，先看能不能让机器干——机器干完，人来补充担责。"
这种 " 流程优先 " 策略的关键在于：把 AI 从一个 " 叠加层 " 变成组织流程的 " 原生组件 "。一位通信运营商负责人印证了这一点：" 我们每一个 IT 项目上必须有流程变革。没有流程变革的 IT 项目，相当于白上。" 业内也在形成共识：未经过流程重构的 "AI+"，只是旧流程上刷了一层 AI 的油漆，没有触及真正的效率瓶颈。
算清楚账，哪怕从小开始
上述多元化业务企业 IT 负责人以物业 AI 巡检平台为例作了说明：原本找外部大厂合作，单个项目改造报价几十万，而物业项目的年利润可能只有几万。于是团队自己走通了蒸馏、抽帧等降本路径，用 1/10 的成本实现了 200 多个项目的全面推广。" 做一个必须成一个 " ——这既是约束，也是倒逼出来的方法论。
非侵入式改造 VS 从零重构
" 原来的 ERP 系统、MES 系统不一定要全部推倒重来。这些系统反而是确定逻辑下有效的执行工具，你可以把它们 skill 化，变成能被 AI 驱动的东西。" 这种务实策略正在获得越来越多大型企业的共鸣。当 " 用 AI 重构企业架构 " 的激进路线遭遇组织现实时，将存量系统通过 API 化、技能化接入 AI，而非等待 " 全域数字孪生 " 建成，可能是更可行的一条路。
上述算力企业 CEO 提出了更激进的 " 从零重构 " 观点：" 每个企业最终都将变成一个制造企业——通过 AI 调用全球顶级智力资源，越过自己的人力资源边界获取能力。" 但这种愿景的实现需要一把手的绝对信任和全组织的深度重构。对于绝大多数大型企业而言，在愿景与务实之间找到平衡，才是当下更迫切的需求。
他分享了一个名为 " 智企 1.0" 的内部项目——这家从华为体系中独立出来的企业，花了三年时间，把公司从研发、生产、销售、服务到财经、人力资源的所有业务流程全部拆开，梳理出近 8000 个底层活动单元。在此基础上，他们提出了一套四阶段的智能体演进框架：从活动级智能体，到流程级智能体，再到业务级智能体，最终到达企业级智能体。
按照他给出的时间表，到今年年底，除了 ERP 之外，CRM、HR、SCM 等核心业务系统将全部实现智能体化。在研发领域，他们启动了 AI Coding 项目，让 AI 直接参与代码编写，传统研发中人与机器的边界正在被重新定义。
" 我们处于一个全球性充分竞争的行业，可能焦虑感也最强。" 他坦言这种激进并非来自技术狂热，而是来自生存压力。但他同时承认，自己有大多数大型企业不具备的条件：这是一家从零重建的新企业，没有几万台存量 IT 设备和几十年的遗留系统需要兼容，也没有数千人的传统 IT 团队需要转型——而这恰恰是绝大多数大型企业无法绕过的现实。
这种路径显然无法被历史悠久的大企业直接复制。但它的实验价值在于，它提供了一个 " 极限样本 " ——如果一家企业能放下所有存量束缚，AI 可以推着组织效率走多远。那些在存量中挣扎的大型企业，至少可以从中提炼可迁移的方法论：将流程逐层解耦为原子化活动，在活动层面判断 " 人还是机器 "，渐进式地推进智能体化，而非等待 " 全域数字孪生 " 一步到位。
" 每个企业最终都将变成一个制造企业，通过 AI 调用全球顶级智力资源，越过自己的人力资源边界获取能力 " ——这一宏大判断或许指向一个更远的未来。但它在今天至少传递了一个明确的信号：AI 对企业而言，不是帮现有的人变得更高效，而是从根本上改写 " 组织能力 " 的定义。过去，企业的竞争力上限大致约等于 " 你能雇到的最优秀的人 "；而 AI 正在把这个天花板撤掉。
结语：答案不在某一次对话里
斯坦福的 51 个成功案例和这场与二十多家企业的深度对话，共同揭示了一个残酷但清醒的事实：
技术不是瓶颈。真正的差异化优势不在模型层，而在编排层——在企业如何把 AI 嵌入流程、连接数据、重构组织的系统化能力。从这个意义上说，大型企业 AI 落地的故事，本质上是一面镜子。它照出的不是 AI 技术本身有多先进，而是过往信息化建设中的历史欠账、科层制组织的固有惯性，以及一个长久被低估的事实——技术革命从来不只是技术的事。
十多年数字化转型老兵的迷茫，几千万砍到几十万的预算，" 身体和灵魂分离 " 的组织现状——这些都不是 AI 带来的，而是 AI 揭开的。
正如斯坦福报告在方法论章节中所强调的：61% 的项目在成功前至少失败过一次。" 我们研究的不只是成功，还有那些失败的尝试——这些失败的规律，和成功的规律同样重要。"
对于仍在挣扎中推进 AI 落地的国内大型企业而言，最危险的不是 " 做不好 "，而是 " 假装在做 " ——花大钱做大模型、建算力集群，但在流程、数据、组织三个地基上什么都没动。
今天，没有人能拿出一张 " 正确答案 " 的地图。但这场闭门会所开启的坦诚对话，本身就是走向可行路径的第一步。提出问题、碰撞观点、暴露矛盾——这些看似没有给出答案的讨论，恰恰在推动参与者向更接近真相的方向移动。
我们将在今年 9 月的 2026 ITValue Summit 数字价值年会上（历届信息：https://www.tmtpost.com/events/7），再次展开更深度、更多维的讨论。而且，此后我们也将以专题闭门会的形式持续深化，每一次聚焦一个最尖锐的问题，一层一层地往下穿透。参与者不只是数智化落地一线的技术负责人，同样包括企业管理者、业务负责人。只有不同角色在同一张桌子上面对同一个问题，思想和利益的碰撞才能真正拉齐认知、减少内耗，让蜕变和创新在反复对话中发生。（本文首发于钛媒体 APP，文 | 数智达观，作者 | 盖虹达，编辑 | 杨林）
