企業採用 AI 的速度,比近代任何一次科技變革都要快。每場管理層會議,最終都會落到同一個期望:AI 必須為整個組織帶來可衡量的價值。 ChatGPT 推出後,工程團隊採用了 Copilot,分析師開始使用 Perplexity,營運團隊也嘗試引入自動化。生產力幾乎立即提升。
然而,僅僅幾個月後,採用速度便開始放緩。試點項目停滯不前,ROI 也變得不穩定。這種放緩並非因為模型能力不足,也不是因為管理層缺乏雄心,而是源於 AI 能力與企業環境之間的結構性錯配。
最近,我看到 Caleb 的一篇分析。他是一位經常從組織層面探討 AI 採用的創作者。他的觀點沒有引入新概念,卻釐清了許多企業領袖早已察覺的矛盾:為何 AI 在個別應用場景中表現出色,卻難以帶來系統層面的轉型。
AI 的採用並不取決於模型有多強,而是取決於 AI 在企業的哪個層面引入。
如果你是 CIO、CTO 或轉型負責人,正納悶為何 AI 在示範中表現亮眼,部署時卻停滯不前,本文將梳理背後的隱藏限制,以及讓整個企業持續採用 AI 所需的策略路徑。
從「我們應否採用 AI」到「為何採用進展如此緩慢」
兩年前,企業還在討論是否需要 AI。今天,問題已變成如何以可持續而安全的方式將它整合進來。分析師預測,企業產出的相當一部分,可能很快就會由 AI 生成。理論上,這似乎無可避免;實際上,成效仍然參差。
工程團隊的工作速度加快了,但跨部門執行工作卻幾乎沒有改善。銷售團隊將客戶聯繫工作自動化,卻仍然花費大量時間手動協調。營運團隊能迅速得出洞察,卻仍需手動核對分散的數據。
企業並非線性運作的機器,而是由治理、激勵機制、文化與舊有技術共同塑造的複雜系統。AI 非但沒有降低這種複雜性,反而將它放大。
一個有用的分析框架,是按三個成熟度層級來看企業 AI。
第 1 級:AI 輔助任務
有用,但根本上仍有限制
大多數企業都從這裏起步。員工使用生成式 AI 進行研究、整理摘要、獲取編程建議及創作內容。這些工具能即時帶來價值。
但加快任務執行並不等於工作流程轉型。周邊的審批、交接和匯報層級等流程依然不變。因此,企業整體的運作速度並沒有顯著提升。
任務執行速度不等於組織運作速度。
這個階段讓人感到安全,因為無須作出結構性調整。但這種設計本身就限制了長期投資回報。
第 2 級:自主代理工作流程
潛力大,阻力也大
自主代理 AI 能自主執行多步驟工作流程。AI 代理會修改檔案、審核輸出結果、管理任務或協調營運。前景十分廣闊。
實際採用程度卻並非如此。
障礙不在於技術能力,而在於組織是否準備就緒。自主代理系統需要信任、監督、治理,以及對自動化的容忍度。它們會打破既有的層級架構和合規慣例,並帶來陌生的營運風險。
因此,許多自主代理工具最終退回到半自主助手的角色,只在安全界限內運作。
企業拒絕自主運作,不是因為恐懼,而是因為它與組織不相配。
第 3 級:AI 原生系統
長期優勢
AI 原生系統代表最高的成熟度。這些系統從設計之初就考慮了 AI 的參與。企業不再把 AI 加裝到原本為人類而優化的工作流程中,而是建立全新的營運架構,由 AI 統籌數據流、決策次序和工作節奏。
這讓預測式營運成為可能,減少瓶頸,並實現持續決策。
門檻雖高,但長期優勢遠超漸進式改善所帶來的收益。
然而,邁向 AI 原生系統的路途漫長。真正的危險會在過渡期間浮現。
Ferrari 難題
缺乏管理的 AI 是高性能威脅
Caleb 用了一個比喻,放在企業情境中尤其有力。讓員工使用 ChatGPT 或 Copilot 這類強大的 AI 工具,不只是給他們一輛 Ferrari 那麼簡單。
這就像給他們一輛 Ferrari,卻沒有任何培訓、沒有交通規則、沒有保險,也無法看清這輛車實際會駛向何方。
這個引擎非同凡響。然而,在涉及敏感數據、合規要求和舊有系統的複雜企業環境中,這種不受控制的強大能力構成了結構性威脅。
缺乏規管的 AI 會導致意外的數據洩漏、影子 IT 的使用、無法驗證的輸出、不受控制的模型輸入,以及完全喪失審計追蹤能力。
Ferrari 不只是跑得快。它還會朝企業看不見的方向前進。
在工作流程、治理邊界、驗證層和整合架構完成重建之前,未受管理的 AI 仍然是負擔,而不是資產。
為何企業規模會帶來系統性摩擦
隨着組織擴大,協調的複雜度會以更快的速度增加。團隊規模翻倍,複雜度並非只會翻倍,而是會成倍放大。
AI 能提升個人表現,但企業是在整個協作網絡層面運作。這種錯配抵消了大部分成效。
研究揭示了一個核心事實。
AI 會放大既有狀態。協調一致的運作會加速,支離破碎的運作則會崩潰。
若不重新設計工作流程和治理機制,AI 帶來的就只是局部改善,而非整個系統的轉型。
企業面對的現實
安全、信任、數據風險與內部阻力
企業在追求自主運作或 AI 原生工作流程之前,必須面對一些無可避免的限制。
安全要求不容許在數據邊界或監管合規上作出任何妥協。
LLM 的不可靠性令人猶豫,因為幻覺無法容忍。
當官方工具未能跟上員工需要時,影子 IT 就會出現。
策略性數據及個人數據會帶來法律與聲譽風險。
缺乏集中治理會令驗證和監督存在不確定性。
這些並非保守的表現。
它們體現的是機構的責任感。
只有尊重這些基礎,AI 的採用才會加速。
真正的市場缺口
並非每個工作流程都追求重塑
有些關於 AI 的論述假設員工都希望實現自動化。實際上,許多工作流程之所以維持不變,是因為它們讓人覺得可預測,而且在組織文化中讓人感到安心。
真正的機會在別處。
手動傳輸資料。
重複編寫文件。
切換工作情境。
各自孤立的平台。
互不連接的工作流程。
這些阻力正悄悄削弱生產力。
消除無形的阻力,採用便會水到渠成。
推動可持續企業轉型的實際步驟
成功的企業都有一些共通做法。
深入細緻地審查工作流程。
在監督下逐步引入自主代理行為。
先重新設計角色,再重新設計技術。
從受舊有系統限制較少的領域入手。
衡量組織的推進速度,而非個別任務的執行速度。
這些步驟看似簡單,影響卻是指數級的。
給企業領導者的結語反思
企業採用 AI 面對的不是模型挑戰,而是結構和文化挑戰。大多數組織仍停留在個別任務層面的效益,因為其工作流程並非為自主系統而設計。
能認清這一點並有意識地重新設計的領導者,將塑造企業生產力的下一個時代。
AI 會強化協調一致的組織,也會放大組織內部的割裂。先鞏固基礎,再擴展規模。
實務補充
企業需要安全、整合的平台層
在與 CIO 和轉型團隊的交流中,一個主題反覆出現:企業不需要另一個獨立運作的助手。它們需要的是一個安全、可審計、深度整合的生產力層,能連接應用程式、保護資料、配合治理要求,並在不影響現有系統穩定性的情況下,將 AI 引入工作流程。
以深度整合、私隱優先架構和企業級監督機制為基礎的平台,能將未受管理的 AI 從風險轉化為策略優勢。這些平台提供了 Ferrari 從未擁有過、經過精心設計的道路系統。
這正是 Dvina 背後的理念。它並非為處理個別任務而設的工具,也不是獨立運作的代理,而是一個能感知工作流程的生產力層,將應用程式整合為一體、保護敏感資料,並讓團隊在不犧牲控制權的情況下,實現工作流程層面的轉型。
最後反思
未來屬於鋪設合適道路的企業
在 AI 轉型中勝出的企業,不會是擁有最多模型的企業,而是為 AI 運作建立最安全、最清晰、最能適應變化的路徑的企業。
當工作流程、治理和資料流互相配合,AI 就不再像一副實驗性引擎,而會成為真正的企業基礎設施。
未來不屬於引擎最快的企業,而屬於道路最堅固的企業。