AI 不是“魔法”，企业级 AI 落地的 3 大难点和解法

在生成式 AI 技术席卷全球的当下，企业正面临着一场新的转型困境：一方面，市场竞争压力与数字化原生代的接班上任，推动其迫切寻求 AI 赋能；另一方面，认知偏差、技术门槛与投入回报的不确定性，又让多数企业陷入 “不想转、不敢转、不会转” 的僵局。

“我们服务了六大行业、一千多个企业，他们不是不愿投入 AI，或者投不起，是不知道有没有用。”山东汉鑫科技股份有限公司（以下简称“汉鑫”）董事长刘文义在日前 2025 IBM 中国企业级 AI 巅峰论坛的媒体交流环节中，道出了众多企业的心声。“随着 AI 大模型技术的发展和应用的成熟，企业数字化转型也获得了新动力。很多大中型企业已经开始主动探索 AI 与生产的结合，借助数字化、智能化工具和手段优化生产流程，提升产品品质，以及降低运营成本。”

但从意识的转变到实际的落地之间，仍然有很多不可控的阻碍。

AI 认知与实践的双重错位

具体来看，企业的 AI 需求正在经历结构性变化，从过去的 “跟风” 到如今的不可不做。这种转变的背后，是两股力量的驱动。

一方面，是企业转型升级过程中的压力。“受大环境的影响，企业的发展确实面临很大的压力，好多企业都想能够有一套适合自己的数字化转型方案”。 刘文义表示。

以凯傲集团为例，作为一家在德国法兰克福上市的全球企业，它面临着两大挑战，一是民营企业、国企品牌的出海，在向欧美洲市场拓展过程中，全球化竞争带来的冲击；二是传统人工的工业叉车向自动化转型，甚至全面拥抱自动化时代过程中带来的挑战。

凯傲集团亚太区信息技术及数字化业务副总裁张犇表示，凯傲集团如何在其中找到自己数字化和 AI 的转型方向，来拥抱这种变革，同时增加自身的竞争力，以巩固企业在欧洲及美洲市场的绝对领先地位成为重要战略方向。

为此， 凯傲集团全面拥抱 AI，选择在中国和美国进行 AI 最佳实践，“如果能做成模板，能够被复制最好，如果不能，那至少美洲市场和中国所引领的印泰市场，能够及早获取到拥抱 AI 所带来的红利”。

另一方面，是 “数字化原生代” 接班人的崛起。IBM 大中华区董事长、总经理陈旭东强调，IBM 在调研中发现，当企业尤其是民营企业进入 “二代传承” 阶段，大多数的年轻管理者都会将 AI 视为 “接手企业的核心工具”—— 他们更熟悉数字化逻辑，更愿意通过 AI 优化生产、供应链等核心环节。

尽管需求迫切，但企业对 AI 的认知仍存在诸多偏差。陈旭东指出，“有一类公司是很积极地想参与 AI，但是他们对 AI 认知不够。特别是像生成式 AI 出来了以后，大家都会认为 AI 就是大模型，或者 AI 就是生成式 AI。但是其实在企业里面应用最广的还是传统 AI，而非生成式 AI”。这种认知误区导致企业盲目追求大模型，却忽视自身实际需求。

IBM 大中华区首席技术官、技术销售总经理翟峰也提到：“尤其是民营企业非常务实，无论新的技术也好，还是新的方法论也好。其实我觉得无论是中小企业和大的企业，其实就是在聚焦三件事情——第一，产品能力；第二，运营的能力；第三，服务的能力。但中小企业在 IT 上的投入有时候其实没有那么多，所以信息化基座数据成熟度没有那么高的时候，AI 不是魔法，还是要把底层的东西做扎实”。

不少企业误以为 AI 能跳过基础建设直接产生价值，忽略了数据、IT 架构等底层能力的重要性，这是非常大的“误解”。

IBM 咨询大中华区及韩国总裁陈科典强调，近几年来民营企业对 AI 的认知虽有提升，但仍需进一步务实，“以前大家感觉挺新奇的，好像对 AI 的期望会很高，经过一年多、两年下来，越来越多企业也意识到其实内部的数据才是王道。回到本质的东西，企业 IT 架构做好了吗？我的数据准备好了吗？如果这些基础的东西没有的话，其实是很难真正用得起来”。

企业级 AI 落地的 3 大难点

数据治理基础薄弱

数据被喻为 AI 应用的养料，但现实情况是，企业仍然普遍面临着数据治理难题。刘文义坦言，“现在的工业数据，特别是企业的数据很难通过公共资源里面查到和找到，都要在企业领域。所以大模型的建设其实挺难的。”

民营企业“不想转、不敢转和不会转”的困境，在数据层面表现为转型方向不清晰、技术能力不足，导致数据分散、质量不高。刘文义用汉鑫科技的实践举例：“我们花了一年半时间才给某头部乳制品企业做到了它的利乐罐装机预测性维护系统的搭建，才能正常运营和使用的。其中漫长周期的核心原因就是前期数据收集与治理的难度大。”

技术适配与落地成本的平衡难题

此外，企业 AI 落地还面临技术适配性差与成本不确定性的双重挑战。刘文义以制造业为例，很多企业生产场景多样，设备型号、流程标准不统一，标准化 AI 方案难以直接套用，加上对资产管理没有概念，在数字化和智能化转型过程中就需要针对性改造，这无疑增加了大量的落地成本。

进一步而言，如果技术投入的这笔账算不明白，就会成为企业转型过程中的桎梏，让企业进入进退两难的境地。“AI 毕竟是新技术，尤其是像我们 ToB 的制造业、汽车行业，应用 AI 的过程现在并不是有完整的或成熟的（产品）可以拿来直接即用的，过程中对于容错和对于时间、耐心的调整，这一部分其实是比较大的痛点。”张犇表示告诉记者，“我们拥抱 AI 的目的是要快，但是快一定代表着能成功吗？不一定。有的时候需要耐心。因为 AI 是一个智商增长和长期训练的过程。我投了 AI，我能直接用，可对于我们上市公司的，因为毕竟是我们的刚需，无论是定量，还是定性，无论是直接，还是间接，AI 如何转化成 EBITDA（息税折旧摊销前利润）贡献，其实是很纠结的一点。”

人才缺口与组织协同能力不足

除了夯实数据治理、IT 架构等硬性基础，人才储备的厚度与组织协同的效度这类软性层面的变革，同样是决定成败的关键拼图，缺一不可。

AI 的长期运营需要依赖专业人才，但人才短缺一直存在。“人的经验非常重要，过去师傅教徒弟，要保证所有人的经验在同样的程度和呈现上，花的时间成本也好，培训成本也好，质量把控也好，比智能体要难”。张犇表示，专业人才的缺失导致 AI 系统难以发挥持续价值，甚至出现 “用不起来” 的情况。

此外，企业组织内部的协同与变革也成为挑战。张犇表示，AI 带动了整个公司体系的变更管理。其实最主要变更的是人的意识和思维模式，很多企业内部部门间存在数据孤岛、流程割裂的问题“在企业进行信息化、数字化转型时，研产供销服等环节很多信息是孤立的，没有打通，这是最最根本的一个问题。”

聚焦高价值场景，学会“期待一个不完美结果”

正因为以上这一系列复杂问题的存在，使得企业 AI 落地不宜盲目跟风、盲目求全，要意识到 AI 的重要性，同时也要切中自身需求。

从效果出发，企业应该优先选择高 ROI 场景切入。汉鑫的实践表明，从生产设备预测性维护、能耗控制等场景入手，能快速看到成效。“汉鑫之前做的一些 AI 应用更多是在产线上做一些单点的技术提升，替代人，或者是提高一些效果。比如说我们通过一些自动化的装备 + 算法模型，给汽车零配件企业，比如说刹车盘、刹车片，帮助他们快速分解和肢解”。刘文义介绍， “通过长时间的积累搭建出来的模型，后续的复制是非常快的。我们用了一年半才服务了它一个厂，他们在全国有 300 多个厂，今年我们一下签了 5 个厂”。

而凯傲集团的策略是在内部按象限推进 AI 应用，通过分场景落地，逐步扩大 AI 应用范围。第一个象限，是标准化服务和效率提升，生产力提高。比如数字员工，AI 赋能的数字化流程等等；第二，对经过十几年甚至几十年的信息化建设积累的大量数据进行盘活，让数据推动业务进行数字变现；第三，利用 AI 做数字挖掘和预警类的场景，比如预警的服务、预警的产品生命周期、预警的供应链风险；第四，回归到全供应链优化。

“如何在客户需求和产品设备之间寻求最佳的效率比和效率匹配，是我们要追求的目标，而不是盲目地对接各种各样的设备。因为盲目对接的设备效率并没有提升，而且增加了运营以及与软硬件集成的难度。”张犇强调。

当然，如前文所说，AI 落地不仅是技术工程，更是组织变革。在张犇看来，AI 只不过是推动现阶段变革管理的关键技术之一。“十几年前，或者甚至二十年前，SAP 也是推动了同等的变革管理。它其实就是新技术对于传统思维模式的一种冲击。所以，我们依然从技术和管理两条线来看这个问题。首先，随着 AI 的发展，提升自己的管理程度，以及企业的成熟度；第二就是 AI 的价值，首先来说 AI 不是要替代人，AI 是把人从重复性、单调、单一的劳动变成更有创造力。所以其实目的还是通过 AI 来激发人的主观能动性和激发人的创造性”。

“但是这是一个长期的过程，从现阶段来说，我们要‘期待一个不完美结果’，这样的话技术才能提高。”张犇向 InfoQ 记者解释，“举例来说，我们不会要求现在任何一个 AI 预测目标达到 98%或者 99%，甚至是 100%，绝对值不是我们追求的目标，而是通过 AI，把原来可能只有 30%的预测率，迅速提升到 70%，甚至是 99%。这个过程远远超过原来没有 AI，用人和传统计算能力所带来的结果。”

企业用 AI 需要企业级的 AI 解法

作为 AI 领域的早期玩家，IBM近几年的战略重点是帮助企业把新的 AI 技术应用到已经存在的业务中，为企业带来降本增效，实现企业级 AI 的落地应用。

比如，在数据治理层面，IBM 的 watsonx.data 平台集成了数据经纬，通过统一元数据治理增加语义层。用户可直接进行自然语言提问，如询问“某供应商的应付款是多少”，语义层能精准定位相关数据，这些数据可能来自结构化数据，也可能来自文档库中的非结构化数据。watsonx.data integration 作为全方位数据集成工具，既能处理结构化数据，也能处理非结构化、半结构化数据。数据经其处理后存入 watsonx.data，再由 watsonx.data intelligence 进行管理并形成资产目录，最终为前端的 AI 和 BI 提供支持，解决企业数据分散、难以利用的问题。

在模型层面，watsonx.ai 平台为企业提供四类模型选择 ——IBM 自研的 Granite 模型、与 Meta 等合作伙伴的合作模型、Hugging Face 社区的开源模型（含 DeepSeek）、行业垂直小模型，还能结合企业业务需求选择适配的模型与场景落地，企业可根据自身需求与预算，选择最适合的模型，避免盲目追求大模型带来的成本浪费。

在智能体领域，IBM 推出 watsonx Orchestrate 平台，聚焦三大核心问题——为 HR、销售、供应链等场景提供开箱即用的内置智能体，支持企业基于应用模版修改；通过低代码工具，让用户以拖拽方式快速开发应用；应对企业内部智能体数量激增的情况，提供多智能体管理与编排能力。

IBM 大中华区科技事业部总经理、IBM 中国总经理侯淼介绍道：“IBM watsonx Orchestrate 有三个方面的功能：第一个是预安装模块，你想优化企业的 HR、销售、IT 或供应链，预装模块能够快速反映出一些效果，这样使 CIO 很容易得到其他部门的认可；第二，每个企业都有它的独立性和独特性，Orchestrate 具备低代码开发能力，能够使它快速采用较少的代码，在较少的时间实现企业中所要求的功能；最后，智能体一定未来发展方向，IBM 的 watsonx Orchestrate 另外一个很强的功能就是智能体的协同化运营，它是一个平台，这样企业未来整个智能体发展都有一个非常清晰的路径，减少投资所带来的浪费”。

除此之外，从底层能力的角度来看， IBM 认为 未来是混合云的世界，所有的应用在这个云上可以无缝地迁移，达到应用之间数据的一致性。针对企业系统集成难题，IBM 在 Think 2025 大会上发布了 Hybrid Integration，能够提供完整的云上、云下跨平台集成能力，解决 AI 智能体与企业现有异构系统的对接问题。

从企业 AI 应用的现状与挑战，到落地思路与 IBM 的全栈支持，不难看出，AI 落地并非一蹴而就的过程，需要企业明确需求、聚焦场景，更需要依托专业伙伴的能力，破解数据、技术、组织等多重难题。正如陈旭东所说，“数字化、智能化的转型就是企业在组织和技术能力上面的破茧”，只有多方协同、稳步推进，才能让 AI 真正成为企业发展的核心动力。