今年早些时候，麻省理工学院发布的一份报告登上新闻头条，报告发现，尽管美国在企业内部生成式AI项目上投入了高达300亿美元甚至更多的开创性资金，但仍有95%的企业未能从AI中获得回报。那么，为何如此多的AI项目未能带来正的投资回报率呢?IT咨询公司高知特(Cognizant)的全球CIO尼尔·拉马萨米(Neal Ramasamy)表示，这是因为这些项目往往与业务价值缺乏明确联系。他说：“这导致项目在技术上令人印象深刻，却无法解决实际需求或创造切实利益。”

技术人员常常跟风炒作，一头扎进AI测试中，却未考虑业务成果。“许多人从模型和试点项目入手，而非从业务成果出发，”项目管理应用Asana的CIO萨基特·斯里瓦斯塔瓦(Saket Srivastava)说，“团队孤立地运行演示，既不重新设计底层工作流程，也不指定盈亏负责人。”

前期缺乏产品思维、底层数据实践不佳、治理机制缺失以及采用AI的文化激励不足等因素综合作用，可能导致负面结果。因此，为避免不良后果，许多技术手段归根结底在于更好的变革管理。斯里瓦斯塔瓦补充道：“若不进行流程变革，AI只会加速当下的低效状况。”

在此，我们回顾五条可供CIO今日就在企业内实施变革管理的建议。遵循这份清单，企业应能开始扭转AI投资回报率不佳的局面，从反模式中吸取教训，并发现哪些指标能验证公司范围内AI项目的成功。

1. 提前与领导层达成共识，明确传达业务目标并指导AI项目推进

AI项目需要高管支持，并且要有关于如何改善业务的清晰愿景。托管IT支持提供商CMIT Solutions的总裁兼首席虚拟CIO亚当·洛佩兹(Adam Lopez)说：“强大的领导力对于将AI投资转化为成果至关重要。理想情况下，由CEO或董事会层级对AI项目进行高管支持和监督，这与更高的投资回报率相关。”

例如，在IT服务与咨询公司泽比亚(Xebia)，一个由高管组成的小组指导其内部AI工作。该团队由全球CIO斯密特·尚卡尔(Smit Shanker)担任主席，成员包括全球首席财务官、AI与自动化负责人、IT基础设施与安全负责人以及业务运营负责人。

高层领导团队组建完成后，问责制变得至关重要。斯里瓦斯塔瓦建议：“首先指定业务负责人，每个AI用例都需要一位有明确目标的负责人，该目标要与目标和关键成果挂钩。”他建议成立一个跨职能的项目管理办公室(PMO)，以定义灯塔用例、设定成功目标、执行管控措施并定期沟通进展情况。

然而，即便有了领导团队，许多员工在日常工作中应用AI时仍需要实际指导。“对大多数人来说，即使你早上给他们工具，他们也不知道从何入手，”学习管理系统Skillsoft的CIO奥拉·戴利(Orla Daly)说。她建议在企业内找出倡导者，他们能提出有意义的用例并分享实用技巧，例如如何从Copilot等工具中获得更多收益。她说，有好奇心和求知欲的人将取得最大进展。

最后，高管们必须在基础设施、人才和培训方面进行投资。高知特的拉马萨米说：“领导者必须倡导数据驱动的文化，并宣传AI将如何解决业务问题的清晰愿景。”这需要业务领导、数据科学家和IT部门之间紧密合作，在扩大规模之前执行并衡量试点项目。

2. 通过调整人才框架和投资提升技能实现变革

企业必须愿意调整人才框架并重新设计岗位。“CIO应调整人才和管理策略，以确保企业成功采用AI并实现投资回报率，”拉马萨米说，“这可能包括为专注于AI的专业人士，如数据科学家和提示工程师，创建新的岗位和职业发展路径，同时提升现有员工的技能。”

CMIT的洛佩兹补充道，CIO还应将人才视为任何AI战略的基石。“通过培训、沟通和设立新的专业岗位来投资人才，CIO可以确保员工接受AI工具并推动成功。”他补充说，内部黑客马拉松和培训课程往往能显著提升技能和信心。

例如，提升技能应根据员工的现有水平进行。因此，Asana的斯里瓦斯塔瓦建议采用分层路径：所有员工都需要接受基本的提示素养和安全培训，而高级用户则需要更深入的工作流程设计和智能体构建知识。他说：“我们采取的方法是调查员工情况，有针对性地赋能，然后重新评估以确认成熟度朝着正确方向发展。”

但评估当下的人才框架不仅涉及人类技能，它还意味着重新评估要完成的工作，以及由谁或什么来执行各项任务。云咨询公司Asperitas Consulting的云业务负责人斯科特·惠勒(Scott Wheeler)说：“鉴于AI带来的新能力，审查业务流程以寻找重构机会至关重要。”

对Skillsoft的戴利来说，当下的AI时代需要一个现代的人才管理框架，巧妙平衡四个“B”：构建(build)、采购(buy)、借用(borrow)和机器人(bots)。换句话说，领导者应将企业视为一组技能而非固定岗位的集合，并根据需要灵活运用内部员工、软件、合作伙伴或自动化工具。戴利说：“这要求我们将工作分解为待完成的任务或工作单元，并以更碎片化的方式看待工作。”

例如，她的团队使用GitHub Copilot为某客户快速编码了一个学习门户。该项目凸显了将人类开发人员与AI助手配对如何能大幅加速交付，同时也引发了关于其他开发人员需要哪些技能才能达到同等生产力和效率的新问题。

但随着智能体承担更多常规工作，领导者必须消除人们对AI将直接取代工作的担忧。拉马萨米说：“传达AI项目背后的原因可以缓解恐惧，并展示这些工具如何增强人类岗位的作用。”斯里瓦斯塔瓦表示认同。他说：“关键在于信任，向人们展示AI如何减轻繁重工作并增加影响力，让人类参与决策过程，采用就会随之而来。”

3. 调整企业流程以充分获取AI的益处

调整人才框架只是开始，企业还必须重新设计核心流程。CMIT的洛佩兹说：“充分释放AI的价值往往需要重新设计企业的运作方式。”他敦促将AI嵌入日常运营，并通过持续实验来支持它，而非将其视为静态的附加组件。

为此，一项必要的调整是将内部AI驱动的工作流程视为产品，并在整个企业中规范化模式。斯里瓦斯塔瓦说：“为AI用例的接收、优先级排序和路线规划建立严格的产品管理流程，明确负责人、问题陈述和价值假设。”

在泽比亚，一个治理委员会通过一个三阶段的关卡流程来监督这种严格性，该流程包括识别和评估价值、获得业务认可，然后移交给IT部门进行监控和支持。尚卡尔说：“每个用例都有一个核心小组负责企业和功能的简化，这鼓励跨职能流程并有助于打破部门壁垒。”

同样，对拉马萨米来说，最大的障碍是企业阻力。他说：“许多公司低估了成功采用AI所需的变革管理，最关键的转变是从孤立的决策方式转向以数据为中心的方法。业务流程应无缝整合AI输出，实现任务自动化，并通过数据驱动的洞察赋能员工。”

确定要自动化的正确领域还取决于可见性。Skillsoft的戴利说：“这是大多数公司失败的地方，因为他们没有良好且文档化的流程。”她建议邀请各业务线的主题专家来审查工作流程以进行优化。她说：“在业务内部指定人员询问如何将AI融入工作流程非常重要。”

一旦确定了AI可以简化的跨职能通用工作单元，下一步就是使其可见并标准化其应用。Skillsoft正在通过一个智能体注册表来实现这一点，该注册表记录了智能体能力、管控措施和数据管理流程。她补充说：“我们正在正式确立一个企业AI框架，其中伦理和治理是我们管理用例组合的一部分。”

然后，企业应预见到障碍并创建支持结构来帮助用户。惠勒说：“实现这一目标的一种策略是成立AI特遣队，其目的是促进采用并消除障碍。”

4. 衡量进展以验证回报

为评估投资回报率，CIO必须建立AI实施前的基线并提前设定基准。领导者建议围绕诸如价值实现时间、成本节约、时间节省、人类代理处理的工作量以及产生的新收入机会等指标指定负责人。

惠勒说：“应在启动AI项目前建立基线测量。”他建议将来自各个业务部门的预测指标纳入领导层的定期绩效评估。他说，一个常见的错误是只衡量模型准确性、延迟或精确度等技术KPI，而未能将这些指标与业务成果(如节省成本、增加收入或降低风险)联系起来。

因此，下一步是定义清晰、可衡量的目标以展示切实价值。CMIT的洛佩兹说：“从项目第一天起就纳入衡量指标，CIO应为每个AI项目定义一组相关的关键绩效指标。例如，处理时间缩短20%或客户满意度提升15%。”他补充说，应从能快速产生可量化结果的小型试点项目入手。

一个明确的衡量指标是节省的时间。例如，软件服务提供商Lemongrass的首席技术官伊蒙·奥尼尔(Eamonn O’Neill)分享了他见证客户手动记录SAP开发过程的经历，这可能是一个极其耗时的过程。他说：“利用生成式AI创建这些文档可以明显减少人力投入，这可以很容易地衡量并转化为美元投资回报率。”

每项任务减少的人力劳动是另一个关键信号。全栈技术服务提供商TEKsystems的首席技术官拉姆·帕拉尼亚潘(Ram Palaniappan)说：“如果目标是减少人类代理处理的支持台呼叫数量，领导者应设定一个明确指标并实时跟踪。”他补充说，通过采用AI也可能出现新的收入机会。

一些CIO正在监控各个用例的多个细粒度关键绩效指标，并根据结果调整策略。例如，Asana的斯里瓦斯塔瓦通过监控周期时间、吞吐量、质量、每笔交易成本和风险事件来跟踪工程效率。他还衡量智能体辅助运行的百分比、活跃用户、人机协作接受度和异常升级情况。他说，审查这些数据有助于实时调整提示和管控措施。

关键在于尽早设定指标，避免陷入不跟踪信号或获得价值的反模式。斯里瓦斯塔瓦说：“衡量指标往往后期才加上，因此领导者无法证明价值或决定扩大规模什么。解决办法是从特定的任务指标开始，设定基线，并将AI直接嵌入工作流程，以便人们能够专注于更高价值的判断。”

5. 治理AI文化以避免违规和不稳定

生成式AI工具如今已很常见，但许多员工仍缺乏安全使用它们的培训。例如，SmallPDF 2025年的一项研究发现，近20%的美国员工曾在AI工具中输入过登录凭证。洛佩兹说：“优秀的领导力包括建立治理和管控措施。”这包括制定政策，防止敏感的核心数据被输入到ChatGPT等工具中。

大量使用AI也扩大了企业的攻击面。领导层现在必须认真考虑AI驱动的浏览器中的安全漏洞、影子AI使用和大语言模型幻觉等问题。随着自主式AI越来越多地参与关键业务流程，适当的授权和访问控制对于防止敏感数据泄露或恶意入侵IT系统至关重要。

从软件开发的角度来看，通过AI编码智能体泄露密码、密钥和令牌的可能性非常大。工程师们纷纷涌向MCP服务器，为AI编码智能体提供访问外部数据、工具和API的权限，然而Wallarm的研究发现，从2025年第二季度到第三季度，与MCP相关的漏洞激增了270%，同时API漏洞也在不断涌现。

忽视智能体身份、权限和审计跟踪是CIO在企业AI中常犯的错误。斯里瓦斯塔瓦说：“引入智能体身份和访问管理，使智能体继承与人类相同的权限和可审计性，包括日志记录和审批。”

尽管存在风险，但监督仍然薄弱。AuditBoard的一份报告发现，虽然82%的企业正在部署AI，但只有25%的企业完全实施了治理计划。根据IBM的数据，现在每次数据泄露的平均成本接近450万美元，而IDC报告称，建立可信AI的企业实现AI项目投资回报率翻倍的可能性要高出60%，因此AI治理的商业理由非常明确。

斯里瓦斯塔瓦说：“将雄心与强大的管控措施相结合：明确的数据生命周期和访问控制、评估和红队演练，以及在风险较高时设置人机协作检查点。将安全、隐私和数据治理融入软件开发生命周期，使交付和安全同步进行——对于数据血缘或模型行为，没有黑箱操作。”

这并非魔法

根据波士顿咨询公司的数据，只有22%的公司将AI推进到了概念验证(POC)阶段之后，仅有4%的公司正在创造实质性价值。考虑到这些令人警醒的统计数据，CIO不应对获得回报抱有不切实际的期望。

从AI中获得投资回报率将需要大量的前期努力，并且需要对企业流程进行根本性变革。正如万事达卡运营首席技术官乔治·马达洛尼(George Maddaloni)最近在接受采访时所说，他认为生成式AI应用的采用在很大程度上与变革管理和采用有关。

AI的陷阱几乎无穷无尽，企业常常追逐炒作而非价值，在没有明确数据策略的情况下启动项目，扩张过快，并将安全视为事后考虑。许多AI项目要么缺乏高管支持或治理，无法达到预期目标，或者，很容易轻信供应商关于提高生产力的炒作而过度支出，或低估将AI平台与遗留IT基础设施集成的难度。

展望未来，为更好地最大化AI的商业影响，领导者建议投资扩大规模所需的数据基础设施和平台能力，并专注于一两个能减轻人力负担并明显推动收入或效率提升的高影响力用例。

将AI热潮建立在核心原则之上并理解你所追求的商业战略，对于逐步实现投资回报率是必要的。因为，如果没有可靠的领导力和明确的目标，AI只是一种迷人的技术，其回报总是遥不可及。

文章来自：51CTO