随着企业竞相采用生成式AI、自主智能体和新一数据工具，领导者面临的问题已不再是是否拥抱这项技术，而是一个更艰难的课题：如何将其转化为可衡量的价值，同时避免带来新的成本、风险和组织混乱。

这一挑战构成了在纽约证券交易所举行的 Fortune AIQ 峰会的核心议题。来自科技、金融、工业运营、旅游和人力资源领域的高管们共同探讨了真正的AI转型与零散试点项目之间的区别。一个一致的模式浮现出来：最强大的企业并非只是在分发AI工具。它们正在重塑工作流程、培养人才、强化治理，并建立负责任扩展所需的数据和运营纪律。这次会议折射出企业技术的一个更宏观的时刻：领导团队正面临压力，需要为已超越小规模试验的AI投入展示回报，这一张力贯穿了大部分讨论。

峰会讨论围绕五大关键趋势展开：

• 从试验走向企业级转型
• 打造适应AI的员工队伍
• 管理治理、信任与风险
• 在物理与受监管环境中应用AI
• 衡量ROI、控制成本并创造增长

从AI采用到AI转型

关于AI最重要的问题，不是企业是否部署了工具，而是它是否改变了工作的完成方式。

多位演讲者反复告诫，AI的广泛获取并不必然带来生产力、商业价值或组织成熟度。

ServiceNow 未来趋势总监 Diana David 表示，领先企业脱颖而出靠的是对人才和运营纪律的投入，而非仅仅依赖技术。ServiceNow 的 Enterprise AI Maturity Index 发现，57% 的“领跑者”企业持续投资于AI技能提升，而其他组织仅为 4%。差距最明显的是AI人才的吸引、招聘与留任：68% 的领跑者企业做到了这一点，而其他公司仅为 10%。

“人才投资，这是最大的差距，”David 说。

她警告，不要把员工广泛使用AI当作成功的证明。“95%的人都有 X、Y、Z，”她说。“但这并没有转化为生产力，而且往往缺乏培训，这不等于成熟。”在她看来，真正的工作始于领导力、清晰的愿景、透明的系统、正确的数据基础以及对具体工作流程的迭代式重塑。

ServiceNow 全球客户运营总裁 Paul Fipps 提出了类似观点：最大的收益不会来自更快地运行旧流程，而是围绕新能力重建流程。“如果我只是把现有流程自动化，或者用自主智能体来驱动现有流程，那或许能带来一些生产力提升，”Fipps 说。“但那些真正重新思考和重塑业务流程的企业……才真正带来了改变。”

Fipps 主张，企业应横向部署AI——覆盖人力资源、法务和技术等面向员工的职能——而不是将其局限于单一部门。他举了 Standard Chartered 的例子，AI已帮助分流了 77% 的员工请求。“在这些使用场景中实现 25% 到 30% 的分流，就已经是颠覆性的，”他说。“如果能达到 75% 到 80%，那就是改变生活的。”

Future Today Strategy Group 创始人兼 CEO Amy Webb 对雄心与准备之间的落差更加直言不讳。“说实话，财富500强企业在这一点上进场太晚了，”她说。“人工智能并不是几年前才出现的。”Webb 警告，企业正在缺乏充分战略、领导力或规划的情况下，将大量资本投入试点项目——产生的孤立项目无法带来持久价值。

打造适应AI的员工队伍

AI转型的核心，是员工队伍的转型。

峰会明确指出，需要的不仅是新软件：还需要愿意重新思考既有流程、学习新技能并为新的工作方式腾出空间的员工和领导者。

HPE 执行副总裁兼首席人才官 Stacy Dillow 表示，企业必须抵制简单地将AI嵌入现有系统的诱惑。“我们必须强迫自己换一种思路，因为如果我们不尝试改变工作方式，我们只是在做改造式修补，把AI放进一个不会带来不同结果的流程里，”她说。她补充道，对高管而言，AI的采用与转型已成为核心管理职责。

在 Palo Alto Networks，据首席人才官 Danielle Gonzalez 介绍，AI已经在重塑员工体验。一个定制的AI智能体将IT工单减少了 83%，目前支持人力资源、财务和法务领域的工作流程。员工越来越多地直接向智能体询问与其岗位和所在地相关的答案，而不是求助人力资源伙伴或业务联系人。

Gonzalez 表示，企业应招聘和培养能够快速适应的人——不仅要学习新技能，还要质疑不再成立的假设。“我们寻找的是好奇心，”她说。“我们寻找的是主动性，我们寻找那些不仅能快速学习……还能忘却自己过去认定的认知，从而腾出空间向前迈进的人。”

住宅建筑商 Lennar 的首席人力资源官 Drew Holler 强调，这是一种共同责任。“我们会为你提供所有工具，但提升自身技能也是你的责任，”他说。“我们会提供培训，但你作为个人，必须自己提升技能。”

员工队伍的议题不止于再培训。Peloton 首席技术官 Francis Shanahan 警告，AI赋能的创作本身也带来挑战。员工现在“被淹没了，因为他们几乎可以构建任何东西”，他说，“倦怠”正日益成为问题。

Runway 首席运营官 Michelle Kwon 呼吁领导者不要把产出量误认为生产力。“仅仅因为你在使用AI，并不代表你的生产力高或工作做得好，”她说。她认为，AI应当改善人们的工作方式，而不是给同事带来额外工作，或用未经充分评估和整合的产出让人不堪重负。

治理、信任与控制

拥抱AI的理由，必须与加强监督的理由相匹配。

在受监管行业和高风险应用中，领导者强调，成功部署取决于选择合适的技术、理解风险，并在最关键之处保留人类判断。

Bank of America 首席技术与信息官 Hari Gopalkrishnan 警告企业不要条件反射式地求助于AI。“我们自己和他人犯的最大错误之一，就是把AI当作解决方案仓促上马，而确定性模型其实已经做得足够好，”他说。这家银行从客户需求和相关流程的详细梳理入手；有时，传统的移动应用功能或实时决策规则才是更好的工具。

Bank of America 通过 16 项风险支柱评估AI项目，包括隐私、偏见、员工队伍影响和知识产权。在自主系统方面，它也在审慎推进。“目前，在让辅助智能体真正与人类协同工作的领域，还有大量价值可以挖掘，”Gopalkrishnan 说。对于银行和其他受监管机构而言，此类框架已成为从构建AI智能体到投入生产之间的门槛。

S&P Global 首席客户官兼市场情报及 Kensho 数据与平台联席主管 Sally Moore 强调，AI的效用建立在可信数据之上。“数据是AI中的货币，”她说，并指出受监管工作流程中的客户需要准确性、引用来源、可审计性以及可回溯到源头的能力。她更宏观的观点是：企业应从要解决的问题出发，而非从想部署的技术出发。“我在这里要解决的是什么？这项技术能把我带到哪里？”她说。

Fipps 认为，治理不应被视为创新的障碍。“我认为治理和信任在推动速度，”他说。他举了一个受监管银行的例子：该行构建了数十个智能体却无法部署，因为管理层对其控制措施缺乏信心——这生动地说明了监督不力的代价。

Webb 同样敦促高管们以务实的态度对待责任与风险。她说，领导者需要“停止拟人化”AI：失败通常不是源于技术获得了独立的意识，而是源于人们在缺乏足够保障的情况下部署了设计不佳的系统。

现实世界中的AI

物理与受监管环境需要不同的AI部署标准。

在楼宇、工厂、水务系统和金融服务中，可靠性、安全性、成本、延迟和数据主权决定了能够负责任地投入生产的内容。

Honeywell Technologies 首席技术官 Suresh Venkatarayalu 表示，工业客户“要求的是 99.9999%”的可靠性，而前沿模型“可能只有 85%”。这一差距使得在安全关键和任务关键场景中的部署，与在桌面工作流中加入一个AI助手有着本质区别。

Venkatarayalu 将近期方向描述为“一个半自主的世界”，而非完全自主。“自主化也不是要取代人，”他说。在商业楼宇和工业设施中，操作人员必须保持参与，因为停机和系统错误会带来即时的运营后果。“你不能承受一栋大楼停摆一个半小时，”他说。

Ecolab 首席AI官 AJ Wijesinghe 从经济角度论证了更有选择性的方法。当公司用“市面上最好的模型”处理高批量任务时，“Token成本就飙升了，”他说。“有时比雇人还贵。”Ecolab 的应对是优化模型使用，将Token成本削减了大约 70% 到 80%。

Wijesinghe 表示，企业并不总是需要最先进的模型：“有时候你不必拥有最快的车。”他倡导在智能体AI中采用“人类主导”的方式，并认为成效取决于数据基础、流程就绪度和成本纪律三者的平衡。“如果其中一方过重，你就得不到价值，”他说。

价值、成本与增长

AI的下一个考验，是能否带来可衡量的回报。

峰会上的财务与运营领袖一致认为，企业必须在追求生产力与增长的同时，对模型成本、数据基础设施和成果质量保持纪律。

Booking Holdings 执行副总裁兼 CFO Ewout Steenbergen 表示，对AI回报的不确定性普遍存在——即使在最大的科技投资者中也是如此。“我甚至认为，那些斥资数千亿美元开发大语言模型的超大规模云厂商，其实也不清楚ROI会是什么，”他说。“他们或许有一些假设和猜想，但关键在于，你不想落后。”

对 Booking 而言，通往价值的路径不是无差别投入，而是“从一张白纸开始”重新设计流程。Steenbergen 说，在预订量保持高个位数增长的同时，公司客服成本略有下降，客户满意度则有所提升。他还表示，Booking 约 9,000 名工程师投入生产的代码量增加了约 30%，这是统计通过公司测试和质量控制标准的合并请求数得出的。

“对于端到端重塑的流程，回报会出现，”Steenbergen 说，“但你同时也必须确保另一头的成本不会失控。”Booking 通过“有效的模型成本路由”来管理这一张力：将低成本模型分配给简单任务，将更昂贵的模型留给需要更强推理能力的工作。这一做法具体展示了基于使用量的模型成本——一种随采用而增长、而非像固定软件许可那样运作的开支——是如何在一家大型上市公司内部被管理的。

Steenbergen 暗示，AI更大的潜力或许在于客户增长。这项技术不会改变旅行的基本性质——“酒店还是酒店，航空公司还是航空公司，租车还是租车”——但它可以让旅行者的规划、预订以及应对行程中断变得更加容易。他说，通过串联行程的各个环节并预判客户需求，AI有助于创造“更多的忠诚度、更多的信任和更多的品牌价值”。

结语

Fortune AIQ 峰会表明，AI领导力并不取决于一家企业购买了多少工具、试点项目规模多大，或能生成多少内容。真正走在前面的组织，是将技术雄心与人才培养、流程重塑、财务纪律、可信数据和负责任的治理相结合。峰会本身的数据点为追踪这一转变提供了标尺：ServiceNow 成熟度指数所揭示的人才与培训差距是否会缩小，工业部署能否弥合前沿模型可靠性与物理运营近乎完美的正常运行时间要求之间的距离，以及投入数千亿美元构建底层模型的超大规模厂商的ROI清晰度能否提升。随着AI更深入地进入企业，成功的领导者将是那些不仅仅用AI来自动化现有工作，而是用它构建更具韧性、更高生产力和更敏捷响应能力的企业的人。

本文使用生成式AI协助研究和/或转录。记者独立报道并核实了本文中的事实性陈述，发布前经人工编辑审阅。

本文最初刊载于 Fortune.com。