文 | 多大 NewMedia
——为什么先进的 AI 无法自动转化为商业价值？
当下，企业对 AI 投入应用最热烈的讨论阶段，可能已经过去了。
但真正棘手的问题，也许是另一件事，即 AI 究竟能为企业创造多少价值。
这个问题之所以值得重新讨论，是因为企业的 AI 投资与商业回报（ROI ) 之间，正在出现一个越来越明显的落差。
CCW Europe（Customer Contact Week Europe）近期发布的一项关于 AI 与客户体验的研究，提供了一个颇为刺眼的数据：没有一家受访企业能够证明 AI 目前已经产生了企业级的商业影响。
这项针对欧洲及全球企业 AI 部署与客户体验（CX）的调查，揭示了当下企业 AI 投资中极其深刻的 " 价值悖论 "：
同一批企业中，62% 的企业 计划在未来 12 个月内继续增加 AI 投资；
只有 10% 的企业 将 " 收入增长（Revenue Growth）" 作为 AI 投资的首要目标；
42% 的企业 认为 " 从试点（Pilot）走向全面运营规模化（Scale-up）" 是目前最大的挑战；
0%（没有一家受访企业） 能够明确证明 AI 目前已经产生了企业级（Enterprise-wide）的商业影响或直接财务回报。
这组数据之所以在业界引发广泛讨论，是因为它精准抓住了今天企业 AI 转型中的核心痛点：绝大多数企业依然在用 " 局部效率 " 和 " 成本控制 " 的旧框架来套用 AI，导致项目大量停留在单点试点，无法穿透部门壁垒、融入完整客户旅程，最终陷入了 " 投资不断增加，ROI 却无法兑现 " 的困境。
投资继续增加，企业级商业影响却尚未出现。
如果把这两个数字放在一起看，问题就不再只是 "AI 的 ROI 为什么这么低 "，而是：
企业是不是正在用一种不适合价值创造的方式使用 AI？这可能比 "AI 是否足够先进 " 更加重要。
AI 进入了企业，却没有真正进入价值创造链。
过去两年，AI 进入企业的方式其实并不陌生。
智能客服、知识助手、Copilot、自动摘要、智能质检、营销内容生成……大量 AI 应用首先承担的任务，都是把原来的工作做得更快、更便宜。这当然能够创造价值。
客服处理时间缩短了，员工搜索资料的时间减少了，重复性的工作被自动完成，企业的人力成本因此下降。
但这里也存在一个容易被忽视的区别：
降低成本，是价值；创造新的商业价值，是另一回事。
企业大规模投资 AI，却仍然用 " 效率 " 来定义 AI 的价值；AI 项目越做越多，却很难从单点试验走向企业级运营。
于是，AI 越来越多，ROI 却没有同步出现。
问题不是 AI 没有价值。而是很多企业把 AI 放进了成本链，却期待它最终产生价值链上的结果。
从 AI 试点到规模化，真正被卡住的是组织
在现实中，我们不难看见，一个 AI 客服项目上线，但并不能改变企业整个客户服务体系；一个 AI 助手可以帮助员工写报告，但很难改变企业的决策方式；一个模型能够准确预测客户流失，但往往并不能真正降低客户流失率。
答案往往不在模型本身。
因为 AI 试点验证的是一个相对简单的问题：AI 能不能完成某项任务？
而规模化需要回答的是另一组问题：谁负责？谁可以根据 AI 的判断采取行动？不同部门能不能共享数据？原来的流程是否允许改变？AI 建议与人工判断发生冲突时谁负责？最终的业务结果由谁承担？
这已经不是技术问题，而是组织问题。
CCW Europe 的研究把这种困境量化为 42%：从试点走向全面运营，是受访企业当前最大的 AI 挑战。
这也解释了为什么 "AI 试点成功 " 并不意味着 "AI 转型成功 "。
试点可以被一个团队包围起来。规模化却会撞上部门边界、数据边界、权限边界和责任边界。
试点考验 AI 能不能做，规模化考验组织能不能让 AI 真正参与工作。
因此，AI 时代一个越来越重要的管理问题正在浮现：
当 AI 能力增长速度超过组织能力增长速度时，企业拥有的可能不是新的生产力，而是一种组织无法充分利用的新能力。
真正的变化，不是 AI 替代谁，而是重新分配人的价值
金融服务是观察这一变化最好的行业之一。
以财富管理为例。传统财富顾问大量时间用于搜索研究资料、整理客户信息、准备会议材料。这些工作并非没有价值，但其中相当一部分属于信息处理。AI 刚好最擅长这些事情。
在 Morgan Stanley 的 AI 应用实践中，其 AI Assistant 已经被超过 98% 的财富管理顾问团队使用；内部知识文档的访问率从 20% 提高到 80%。Morgan Stanley 与 OpenAI 披露的信息还显示，AI 正在帮助顾问减少信息搜索和重复性工作，让更多时间回到客户关系本身。
真正值得关注的不是 98% 这个数字，而是 AI 进入工作流程之后，人的价值发生了什么变化。
如果机器承担越来越多的信息检索、总结和准备工作，那么顾问的价值就不应该继续建立在 " 谁知道的信息更多 " 上。
人的价值开始更多体现在理解客户真正的需求、解释复杂决策、处理不确定性、做出判断以及建立长期信任上。
这不是简单的 "AI 替代顾问 "。相反，是一种工作的重新分工：
机器承担更多信息劳动，人重新获得更多判断和关系劳动。
因此，从 AI 工具走向 AI 顾问，并不是给 AI 增加一个 " 顾问 " 的身份那么简单。
真正发生的是：
AI 开始进入客户决策过程。
当 AI 进入客户旅程，价值创造才开始发生变化
如果 Morgan Stanley 改变的是顾问与客户之间的工作关系，那么 Bank of America 的 Erica，则展示了另一种可能：
AI 开始改变银行与客户发生关系的方式。
Bank of America 披露的数据显示，2025 年客户与其数字渠道产生约 300 亿次互动，同比增长 14%；Erica 在一年内被约 2060 万名客户使用，互动接近 7 亿次。自 2018 年推出以来，Erica 累计互动已经超过 32 亿次。
如果把 Erica 仅仅理解成一个更先进的智能客服，这些数字的意义无疑会被缩小。
传统客服的基本逻辑是：客户有问题，客户提出问题，银行回答问题。
而更成熟的 AI 服务正在尝试改变这个关系：银行理解客户正在发生什么，判断客户可能需要什么，主动提供信息，并帮助客户完成下一步。
这意味着 AI 开始从一个 " 触点工具 " 进入整个客户旅程。还有一个更重要的问题：
AI 能够理解完整的客户，企业是否也能够按照完整的客户来组织自己？
这才是下一道门槛。
客户的一个需求，银行却常常把它切分到几个部门
银行长期以来按照产品业务来构建组织：存款、贷款、信用卡、保险、财富管理……
这种组织方式对于管理产品十分有效。但客户并不是按照银行的组织架构生活的。
客户不会说 " 今天我要进入贷款部门 "，客户会说 " 我准备买房 "、" 我准备创业 "、" 我准备退休 " 或者 " 我需要给孩子准备教育金 "。一个 " 买房 " 需求，可能同时涉及存款、贷款、保险、投资甚至后续财富规划。
这就是客户旅程。
而传统组织的问题在于：
客户经历的是一条完整旅程，企业管理的却是一组彼此分割的产品。
AI 恰恰把这种矛盾暴露得更加明显。
因为 AI 可以越来越准确地理解一个客户的完整状态。它可以知道客户最近的资金变化、产品使用、行为特征和潜在需求。
但是，如果这些信息仍然停留在某一个部门或者碎片化在不同的部门，AI 就无法把洞察转化为行动。
于是出现一种新的错配：
AI 看到的是一个客户，组织看到的是几个产品客户。
这可能是今天很多 AI 项目难以产生企业级 ROI 的真正原因之一。
AI 真正需要重构的，是 " 谁对客户结果负责 "
这也是 DBS 星展银行等领先实践值得关注的地方。
星展银行长期强调围绕客户生活场景和体验重新设计银行服务，其核心思想并不是简单增加数字工具，而是逐渐从传统产品逻辑转向客户场景。
这背后其实隐藏着一个重要的组织变化：
企业不能只问哪个部门负责这个产品，还必须问：谁对客户整个旅程的结果负责？
这意味着组织治理开始从 Product Ownership 向 Journey Ownership 延伸。
产品部门依然存在。但在产品之上，需要有人能够看见完整的客户旅程。
这正是 AI 真正进入价值创造链以后，组织必须面对的问题。
如果 AI 发现一个客户正在进入退休阶段，它不仅需要给出一个投资产品推荐，更需要理解客户的资产状况、收入变化、风险承受能力、家庭结构、未来现金流以及退休目标。
更重要的是，这些洞察必须能够进入真正的服务过程。否则，AI 只是知道得更多。客户却没有因此得到更好的结果。
所以，AI 的价值不是 " 效率—体验—价值 " 的简单升级，效率、体验、信任和商业价值并不是四个彼此独立的阶段。
它们是在客户旅程中不断咬合发生的。
一个 AI 系统首先可以让服务更快；如果它能够理解上下文，服务就会变得更准确；如果它能够理解客户的真实需求，服务开始变得更有价值；如果这种价值能够持续发生，客户才会形成信任；信任进一步影响留存、使用和关系深度；最终才可能影响客户生命周期价值和企业收入。
所以，AI 价值创造真正需要关注的，不是简单的 Efficiency → Experience → Value，而是：
AI 能力如何通过组织进入客户旅程，并在旅程中不断转化为客户价值和企业价值。
这也意味着，不同 AI 价值目标，对组织能力的要求完全不同。
如果目标只是降低客服成本，传统职能型组织已经能够承载。但如果目标是提高客户留存，就需要跨部门共享客户信息。如果目标是提升客户终身价值，就需要重新思考产品、客户经理、数据、运营和风险之间的协作方式。如果目标是帮助客户实现一个完整的人生或商业目标，那么企业甚至需要重新定义组织的边界。
AI 能力越强，对组织重构的要求反而越高。
AI ROI 真正的鸿沟，因此不是技术鸿沟
现在回头看 CCW Europe 的那组数据，答案可能更加清楚。62% 的企业准备继续增加 AI 投资。但没有一家受访企业能够证明已经产生企业级商业影响。42% 的企业卡在从试点到规模化。只有 10% 的企业把收入增长作为 AI 投资的首要目标。
这些数字并不能说明 AI 没有商业价值。
它们更像是在提醒企业：
AI 已经进入了一个新的阶段。
过去的问题是："AI 能不能做？"
现在的问题是：" 企业能不能让 AI 参与价值创造？"
两者之间，隔着一道并不显眼，却十分坚硬的鸿沟。
这道鸿沟的一边，是越来越强大的 AI 能力；
另一边，是仍然按照过去产品、部门、流程和 KPI 运行的企业。
所以，AI ROI 的真正鸿沟，不是技术差距，而是 AI 能力与组织结构、客户旅程之间的错配。
技术能力决定 AI 能够做什么。组织目标决定企业希望 AI 创造什么；组织结构决定 AI 能否真正参与其中；
客户旅程决定这些能力在哪里转化为客户价值；治理机制则决定这种价值能否持续。
AI 转型的终点，不是 AI 无处不在
如果企业只是把 AI 部署到更多部门，AI 可能只是越来越广泛的效率工具。
真正的 AI 转型，需要改变的不是 AI 的数量，而是 AI 在价值创造链中的位置。
从完成任务到支持决策，从支持单个员工到支持整个客户旅程，从降低成本到改善客户结果，从改善单点体验到创造长期关系，最终从 " 企业使用 AI"，走向 " 企业重新组织自己，以便让 AI 创造价值 "。
这也是未来企业竞争可能出现的一道新分水岭。
不是谁拥有更大的模型，不是谁部署了更多 Agent，甚至也不只是哪个企业的 AI 应用更多。而是：
谁能够让 AI 能力、组织能力和客户旅程真正咬合在一起。
机器越来越强之后，技术本身反而可能不再是最稀缺的东西。
真正稀缺的，是企业有没有能力把机器的智能转化成客户能够感受到的价值，并进一步转化为可以持续的商业价值。
AI 不会自动创造 ROI。
能够创造 ROI 的，是一个已经学会如何承载 AI 的组织。
【作者简介】 陈婷，资深金融管理与数字转型顾问，长期关注数智时代的商业价值重构、组织转型与客户体验治理。
