企业AI真正的问题，不是模型不够强，而是项目从立项到验收，常常没有一个人对利润负责。
"企业在生成式AI上烧了三四百亿美元，95%的项目都失败了。"
过去一年，这句话几乎成了企业AI圈的万能开场白。
卖咨询的人用它制造紧迫感，卖工具的人用它证明客户选错了产品，做项目的人则拿它解释为什么效果还没出来。
数字很吓人，但先别急着下结论。
这项常被引用的研究来自MIT NANDA发布的《The GenAI Divide: State of AI in Business 2025》。报告观察的是一批企业生成式AI实践，并指出其中约95%没有形成可衡量的损益影响。
它不是在说95%的模型不能用，也不是在给全球所有AI项目判死刑。
更准确的理解是：许多企业证明了AI能工作，却没有证明它能改变经营结果。
这两件事之间，差的不是一个更大的模型，而是一整套公司原本不愿碰的东西：流程、权责、数据、激励和验收。
01 先看一眼公司里最常见的AI"成功"
员工会写更快的邮件了，会议纪要自动生成了，市场部一天能做几十张图，客服旁边多了一个问答框。
每件事都是真的。
问题是，到了月底的经营会上，报表没什么变化。
客户响应速度没有稳定缩短，销售转化没有提高，库存周转没有改善，人工成本也没有下降。更常见的情况是，原来的工作还在，员工又多了一项检查AI输出的任务。
于是老板问："钱花在哪了？"
IT回答系统已经上线，业务回答还在试用，供应商回答模型还可以继续调优。
三句话都没错，却没有一句在回答老板的问题。
工具使用率不是经营结果，生成次数不是经营结果，演示时的掌声更不是。
企业AI真正的验收，最终仍然要回到那些朴素指标：收入、毛利、人均产值、处理周期、差错率和客户体验。
02 把AI交给CTO，不代表CEO可以离场
很多企业把AI当成新一轮信息化项目。
老板定方向："今年必须上AI。"接着成立项目组，预算交给技术部门，找供应商、买账号、接系统。以后每次汇报都在谈模型、接口和上线进度。
可AI经常触碰的并不是软件问题。
它会追问：原来的审批为什么需要五个人？客服能不能直接查看订单？销售经验是不是愿意写成规则？效率提高以后岗位怎么调整？系统给错建议谁负责？
这些决定牵涉流程、组织和利益，CTO没有权力单独拍板。
所以CEO亲自参与，不是为了学习提示词，也不是每天盯技术排期。
CEO真正要做的是三件事：
- 选定值得改变的经营问题，而不是追逐热门场景；
- 要求相关部门为同一个指标协作，而不是把项目甩给IT；
- 当旧流程、旧权限和旧考核阻碍项目时，做出组织决定。
如果AI只是多装一套软件，CEO当然可以不管；如果它要改变公司怎么工作，CEO就不可能缺席。
03 "最后一公里"不是最后一步，而是大部分工作
很多项目把模型调通称为完成80%，把剩下的系统接入、流程调整、权限和培训称为"最后一公里"。
现场经验往往正好相反。
模型能输出一份报价建议，可能只占20%的工作。剩下的问题包括：价格从哪份表读取？客户等级以哪个系统为准？特殊折扣由谁批准？资料缺失时是否停止？确认后如何写回？重复提交会不会生成两张订单？
AI像一名聪明的新员工。
招聘只是开始。它还不认识公司的产品，不知道谁能批准什么，也不知道遇到例外应该找谁。给它一台电脑和一堆文档，不能叫上岗。
这也是前沿部署工程师，也就是FDE，近年重新受到关注的原因。
微软、埃森哲等公司在2026年公开扩大了面向客户现场的AI交付团队。值得注意的是，微软媒体所说的6000多人，是新组织整合的行业、工程和AI专业人员，并不等于"新招聘6000名FDE"。
这个信号仍然很清楚：模型能力越来越容易获得，能把它嵌进真实工作的人正在变贵。
但FDE也不是万能药。
换一个更贵的岗位名称，不会自动解决客户不愿开放数据、业务部门不参加、验收指标不清和项目长期亏损。真正有价值的现场人员，必须把一次交付沉淀成可复用的方法，而不是永远靠人肉救火。
04 别急着凑齐四种头衔，先确保四件事有人负责
一些方案会把企业AI需要的人分成CEO、商业架构师、FDE和AI工程师。
这种分工可以参考，但中小企业未必需要四张新名片。
更重要的是，四种责任不能悬空。
定方向：选问题，排优先级
有人要算清哪段业务值得改，为什么现在改，投入到什么程度应该停止。
改业务：删步骤，定标准
有人要把旧流程摊开，删除没有价值的交接，明确什么是正确结果、什么必须人工判断。
跑现场：接系统，处理例外
有人要跟着一线员工真正使用，解决权限、数据、异常、培训和跨部门扯皮。
做技术：模型、工具和集成
有人负责实现、测试、监控，让系统安全稳定运行。
在大公司，这四件事可能由不同团队承担；在小公司，可能两三个人兼任。
头衔不重要。重要的是每件事都有明确负责人，而且四个人看的是同一张经营报表。
05 最常见的错误顺序，第一步就是买工具
许多企业的AI路径是这样的：
先买账号、模型或平台；同时铺开客服、合同、知识库和内容生成；上线后组织参观演示；发现没人持续使用，再继续调模型。
最后，工具越来越多，经营数据不动。
问题不是团队不努力，而是顺序反了。
更靠谱的顺序应该从账本开始。
先查账
找出长期消耗人力、影响收入或制造差错的环节。不要从"AI能做什么"出发，要从"哪笔成本最值得改变"出发。
只选一个痛点
第一轮只处理一个部门的一段流程。场景要高频、规则相对清楚、结果可以量化、出错能够人工兜底。
先改流程
如果原流程里有三次重复录入、五层无意义审批和互相冲突的数据口径，先把这些问题处理掉。否则AI只会更快地搬运混乱。
让AI先辅助人
先做提取、整理、提醒、草稿和异常发现。员工确认后再执行。等错误模式被看见、规则逐渐稳定，再扩大自动化范围。
连续验收
不要只看上线当天。至少连续观察多个业务周期：处理时间是否下降，错误率是否改善，员工是否持续使用，维护成本是否可接受。
06 一个场景值不值得做，先算这笔小账
项目启动前，可以用一张表把热情变成数字。
假设某项工作每天发生200次，每次耗时6分钟，AI辅助后降到2分钟，每月工作22天。
节省的时间大约是：
200 × 4分钟 × 22天 = 17,600分钟，约293小时。
接下来还要扣掉复核、维护、模型调用、系统改造和培训成本。
如果算完以后依然有价值，项目值得试；如果只能用"提升智能化水平"解释收益，就先别做。
这张账不需要很精确，但必须存在。
它还能提前揭穿一种伪需求：任务看起来很炫，但一个月只发生两次，即使全部自动化，也很难产生回报。
07 模型分级使用是对的，但别迷信某个"便宜新模型"
复杂合同分析、关键决策建议和普通分类任务，对能力、速度和成本的要求不同。
用更强的模型处理高价值复杂任务，用轻量模型承担批量、规则清楚的工作，是合理的成本策略。
但这不意味着应该根据社交平台上"本周最火"的模型频繁换底座。
企业要建立自己的评测集：真实订单、真实合同、真实异常。任何模型切换，都要在同一批样本上比较准确率、延迟、费用和失败方式。
真正便宜的模型，不是单次调用价格最低，而是完成一个合格业务结果的总成本最低。
08 合规不是最后补一份制度
当AI开始读取客户数据、生成报价、修改订单或触发消息，治理就进入了产品本身。
企业至少要回答：
- 谁能读取什么数据？
- 哪些动作必须人工确认？
- 系统用了什么依据？
- 每一步是否有日志？
- 错误能否发现、暂停和回滚？
- 外部模型是否被允许接触这些资料？
可验证、可追踪、可审计，并不是大型企业才需要的豪华配置。
越是缺少专门合规团队的中小企业，越需要从第一天把权限和责任写进流程，而不是出事以后再补。
09 CEO下一步最该做的，不是找人讲一堂AI课
培训可以建立基本认知，却不应该成为项目成果。
更有价值的第一步，是找老板、业务、IT和一线员工各谈一次，把最近半年最耗时、最容易错、最影响客户的工作列出来。
然后只选一个问题，写清楚：
谁在什么环节，依据哪些数据作出什么判断；AI负责哪一步，人在哪一步确认；最终哪个经营指标应该发生变化。
这句话写得出来，再谈模型和开发。
写不出来，先别采购。
写在最后
"95%没有产生可衡量回报"不是用来吓老板的营销话术，也不是证明AI泡沫的判决书。
它更像一面镜子。
企业过去习惯采购软件、验收功能，却不习惯为流程改变和经营结果安排明确责任。AI把这个老问题放大了。
未来大家能获得的模型会越来越接近。真正拉开差距的，是谁先学会把技术变成一段稳定流程，把经验变成数据资产，把一次项目变成持续经营能力。
所以，别再问公司用了多少AI工具。
问问那张利润表：
哪一行，因为AI真的发生了变化？
资料来源与口径说明
- MIT NANDA，《The GenAI Divide: State of AI in Business 2025》：https://storage.ghost.io/c/44/95/449506ca-034e-480f-9725-fcde08ef1cc1/content/files/2025/09/The-GenAI-Divide-STATE-OF-AI-IN-BUSINESS-2025.pdf
- Microsoft，EY与Microsoft宣布企业AI规模化合作，涉及前沿部署工程团队：https://news.microsoft.com/source/2026/05/21/ey-and-microsoft-announce-global-initiative-to-help-clients-scale-ai-enterprisewide-value-creation-and-move-beyond-experimentation/
- Accenture，宣布与Microsoft成立前沿部署工程实践团队：https://newsroom.accenture.com/news/2026/accenture-launches-microsoft-forward-deployed-engineering-practice-to-help-organizations-scale-ai-across-the-enterprise
说明：参考材料中"微软招聘6000名FDE"的表述不够准确。公开报道的口径是微软相关新组织整合了6000多名行业、工程和AI专业人员，并将继续通过内部调配和外部招聘扩充；本文未将其写成6000个新增FDE岗位。