企业级人工智能（AI）已从试验阶段发展为管理层的优先事项。各行各业的企业都在开展试点项目、概念验证和早期部署，旨在优化决策、实现工作流自动化并提升运营效率。
然而，期望值仍持续高于实际成果。尽管许多企业都能列举出成功的AI试点案例，但能将这些初步成果转化为持续运营影响的企业却寥寥无几。全球咨询公司普华永道（PwC）在其针对95个国家4,454位首席执行官开展的“2026年全球CEO调查”中指出，56%的受访者表示“AI既未带来收入增长，也未降低成本”。[1]
这凸显了一个令人不安的事实：当今大多数组织面临的主要人工智能挑战并非构建人工智能模型，而是构建能够让人工智能可靠运行的环境。人工智能的规模化应用往往受限于基础设施准备不足、数据访问受限，以及那些从未为人工智能驱动的运营而设计的执行系统。
在受控的试点环境中，人工智能通常表现良好。但在实际运营环境中，复杂性却阻碍了其规模化应用。生产系统往往涉及多个站点、遗留平台、专有设备以及分散的数据源。除了技术上的复杂性，运营环境还涉及治理结构、变更管理动态、跨职能依赖关系以及组织准备度等因素，这些都会影响人工智能的采用和持续运行。在孤立的试点中行之有效的方法，一旦面对企业运营的现实，往往就会遇到困难。
作为一名为各行业企业提供咨询服务的兼职首席人工智能官，我屡屡目睹这一现象。本文将探讨为何人工智能试点项目往往难以实现规模化，剖析导致这一问题的基础设施和连接性方面的常见模式，并为希望从试验阶段迈向持续运营成效的领导者提出切实可行的建议。随着人工智能从试验阶段过渡到成为运营依赖，那些率先解决基础设施准备问题的企业往往能进一步拉大与竞争对手的绩效差距。
试点成功并不意味着规模化也能成功
试点项目旨在通过受控环境来验证可行性。这类项目范围限定得较窄，资金投入适度，且侧重于快速推进。对于结果尚不确定的创新，这是一种以高效且低风险的方式进行实验和测试的恰当方法。
但试点环境并非运行环境的缩小版。在试点中，数据通常需要人工筛选整理。系统集成往往只是临时性的连接。看似自动化的工作流，可能仍需依赖人工审核或干预。这些捷径使团队能够快速验证价值，而无需解决更广泛的基础设施限制。
运营环境各不相同。它们是由多年的渐进式系统变更、遗留设备、运营限制以及组织边界共同塑造的。数据并非以便于使用的形式呈现。它源自异构系统，可能因站点而异，且往往存在可靠性或格式不一致的问题。要实现规模化，人工智能必须能在这种复杂且充满挑战的环境中运行。
3
行业研究印证了这一现实。尽管许多组织都在尝试先进的AI概念，但只有极少数能够成功地将其大规模投入实际应用。研究公司Forrester估计，只有10%至15%的AI项目能够实现持续的生产应用，而超过60%的试点项目无法在受控环境之外实现规模化。[2]
这种差距很少是由于人工智能本身的局限性造成的。在许多企业中，试点项目通常作为实验性举措获得资金支持，而实现规模化所需的基建现代化却超出了试点项目的范围。因此，支持企业级部署所需的连接性、集成和运营升级既未获得资金支持，也未被列为优先事项。这种结构性错位在概念验证与实际部署之间造成了可预见的瓶颈。
该试点项目证明了人工智能是可行的。但在扩大规模的过程中，发现企业尚未做好支持其运行的准备。这一差距应当成为企业管理层的警钟。随着人工智能日益融入运营决策，基础设施的薄弱环节不再只是微不足道的低效问题，而是成为了运营和财务风险的潜在源头。
阻碍人工智能大规模应用的四大基础设施障碍
从运营基础设施的角度来看，无论所属行业如何，在从试点阶段向规模化阶段过渡时，我总会遇到以下这四个常见问题：
- 手工构建的集成方案难以实现规模化。早期的人 工智能项目通常依赖于定制化的集成方案，例如专为试点用例开发的单次性应用程序接口（API）、脚本或点对点数据管道。这些集成方案虽然能提升速度，但很少考虑到企业级可靠性、治理要求，也难以在多个人工智能应用中重复利用。
随着更多用例的出现，企业积累了大量脆弱的连接，这些连接不仅难以维护，扩展时也存在风险。
- 无法从运营资产中收集数据。 人工智能所依赖的大部分 数据源自传统企业IT系统之外。 例如，工厂车间和现场的设备、机械以及专用运营平台生成了人工智能模型所需的大量数据。然而，此类数据并非总是可用或易于获取。工业和制造设施中的老旧资产是在网络连接尚未普及的环境下设计的。 数据往往被困在资产本身或独立的专有运营技术（OT）网络中。还有一些资产未配备收集AI模型所需信号的传感器。
当运营数据不完整、不一致或难以获取时，AI系统就会存在盲区。洞察力变得片面。模型表现不佳。AI无法针对其无法观察到的内容进行优化和采取行动。
- 无法自动执行AI生成的洞察。许多AI系统虽然 能够成功生成预测、建议或警报，却缺乏可靠且自主地触发行动的手段。要根据AI输出采取行动，通常需要与运营系统集成，以启动工作流、更新企业系统、调整运营参数，或与设备和现场资产进行交互。
在试点环境中，这一局限性往往被掩盖，因为团队会手动审查 AI 输出并亲自采取行动，或者依赖为单一用例构建的临时集成。但在企业级规模下，这些一次性集成是不可持续的。当运营系统未能持续连接或集成到执行工作流中时，AI 就无法可靠地影响现实世界中的流程。其结果便是“有洞察而无执行”，即 AI 虽然展现了分析价值，却未能带来可衡量的运营影响。
- 当前的基础设施 管理并未针对人工智能驱动的运营进行优化。要实现 人工智能的规模化部署 ，运营基础设施必须能够支持跨分布式环境的持续数据流、系统可达性以及自动化执行。企业需要可靠的数据流、可始终如一访问的系统，以及在全球范围内受到监控的连接性、安全性和治理能力。
部分企业及运营基础设施最初的设计和管理主要侧重于系统正常运行时间和本地可靠性，而非跨站点、系统及合作伙伴的持续数据交换。连接性往往以分散的方式实现，可视性仅限于单个系统或地点，且数据可用性并未作为运营要求得到持续监控。因此，基础设施在技术上可能“正在运行”，却仍无法提供人工智能系统所需的、可预测的全企业范围数据访问。
规模化是领导力面临的挑战
人们很容易将扩展挑战视为需要由人工智能或 IT 团队解决的技术和运营问题。但实际上，本文所述的制约因素跨越了组织、架构和运营的界限。它们涉及资本配置、治理结构、现代化优先级以及跨职能协调。
将人工智能进行规模化部署，不仅仅是试点项目的延伸，而是一项企业就绪性的挑战。
对于企业高管而言，这种视角的转变至关重要。随着人工智能日益融入决策和运营工作流程，基础设施的短板已不再仅仅是效率问题，而是成为了运营和业务风险的潜在源头。数据不一致、集成不稳定以及可视性不足，不仅削弱了人们对自动化的信心，也阻碍了企业在该领域的应用进程。
那些及早解决这些基础性制约因素的企业将获得显著优势。而那些拖延不决的企业往往会发现，竞争对手不仅能更快地扩展人工智能应用，将执行系统更深入地融入业务，还能以难以企及的方式提升绩效预期。
领导者接下来该做什么
要实现从实验阶段向企业级应用的转变，企业领导者必须将“AI就绪”的定义扩展到模型开发之外。应将规模化视为一项企业现代化举措，而非试点项目的延伸。
人工智能的规模化部署需要IT、运营技术、安全以及业务领导层通力协作。应将基础设施的就绪状态和互联互通列为企业优先事项。
这些举措使人工智能从孤立的实验阶段迈向了持续的实战能力。
- 在制定扩展决策时，应将连接性和数据就绪性纳入考量。在 评估是否推进试点项目时 ，需确认所需数据源能否可靠获取，以及系统集成能否支持生产环境的使用。如果需要进行现代化改造，应将其纳入路线图和资金规划中。
- 在设计试点项目时，应以实际运营为出发点。 试点项目的架构 应体现未来的运营环境。测试内容不仅应涵盖模型性能，还应包括连接性、运营执行工作流以及部署所需的治理机制。
- 建立对运营基础设施的企业级可视性。通过审计 ，建立对哪些资产已连接、数据源自何处以及可靠性或治理方面存在哪些缺口的基准认知。这种可视性有助于减少扩展过程中的意外情况。
- 有针对性地投资于支持人工智能驱动运营的基础设施。评估 基础设施投资时，不仅要考虑其正常运行时间，还要评估其支持持续数据交换、企业级监控以及大规模安全自动化的能力。
结语与最终指引
人工智能的成功，不仅越来越取决于智能系统的智能程度，还取决于企业环境对其的支持程度。认识到这一现实的组织不仅能取得试点成功，还能在运营绩效方面看到可衡量的改善。
问题已不再是人工智能能否产生洞见，而是企业是否正在构建必要的基础设施、连接能力和治理机制，以确保人工智能能够在大规模环境下可靠运行。
采取行动的企业将从试验阶段迈向转型阶段。而那些不采取行动的企业，可能在等待成效显现的同时，继续为试点项目喝彩。
如果您的 AI 项目尚未投入生产环境，那么其成功可能取决于运营数据、远程资产或传统基础设施。请联系我们，了解Digi 基础设施管理解决方案如何提供实现 AI 所需的连接性、可视性和控制层。
关于企业级人工智能可扩展性的常见问题
为了判断我们的运营基础设施是否具备支持人工智能规模化发展的未来适应性，我应该提出哪些关键问题？
无论您在人工智能转型的哪个阶段，所有领导者都应思考这个问题。首先，向企业内各组织的领导者提出一套初步的诊断性问题。这些开放式问题应被视为探索性问题，它们将引导出针对贵组织及具体举措的其他问题。
- 我们能否在所有站点和系统中持续、可靠地获取人工智能所依赖的运营数据？还是说我们仍然依赖手动提取和一次性集成？
- 由人工智能生成的洞察能否自动触发我们核心系统中的操作，还是需要人工干预？
- 我们是否清楚哪些资产已连接、数据源自何处，以及存在哪些连接缺口？
- 我们的集成方案是经过标准化和规范管理的，还是属于定制开发且难以维护？
- 如果我们将目前的试点项目从一个扩展到十个站点，现有基础设施能否在不进行重大重新设计的情况下支持这一扩展？
- 基础设施的准备工作是作为企业优先事项来获得资金支持和管理的，还是在各个人工智能项目中被视为次要考虑因素？
如果这些问题暴露了不确定性、系统割裂或对人工操作的依赖，那么未来很可能面临扩展方面的挑战。解决这些问题并不需要暂停人工智能相关工作，但需要作为更广泛的企业现代化进程的一部分，有针对性地关注系统互联性、基础设施可视性以及执行机制。
IT现代化与人工智能现代化之间有什么区别？
IT现代化通常侧重于升级企业应用程序、将系统迁移至云端、加强网络安全，以及标准化ERP、CRM和协作工具等核心平台。这些举措至关重要，往往能提升传统业务系统的效率、韧性和可扩展性。
然而，人工智能的现代化转型不仅限于IT平台。它还包括确保运营技术（OT）、现场资产、遗留系统和分布式基础设施能够在企业级规模下可靠地生成、传输数据并据此采取行动。人工智能不仅依赖于现代应用程序，还依赖于对运营信号的持续访问、与执行系统的集成，以及对那些可能在多年间独立演变的各环境的可视性。
即使一家企业已经完成了IT架构的现代化改造，但如果运营系统仍然各自为政、连接不畅或难以集成，那么在扩展AI应用方面仍会面临困难。因此，面向AI的现代化改造需要采取更广泛、跨职能的视角，将IT、OT、基础设施可视性、治理和执行能力有机结合，从而支持以AI为驱动的运营。
人工智能的现代化转型，与其说是替换现有系统，不如说是确保企业环境能够适应持续的数据流和自动化决策。
我们是否需要对一切进行现代化改造，才能成功实现人工智能的规模化应用？
不。扩展人工智能并不需要替换所有旧系统，也不需要启动一场广泛且颠覆性的转型。在大多数情况下，面向人工智能的现代化改造是选择性的、有针对性的。其目标并非重建企业，而是确保人工智能所依赖的系统、资产和基础设施能够可靠地生成数据、与其他平台集成，并支持自动化执行。
领导者应着力识别那些限制可扩展性的具体运营系统和连接性缺陷。某些环境可能需要的是集成标准化、提高可视性或增强连接性，而非彻底替换。而另一些环境则可能只需稍作调整即可满足需求。目标并非全面现代化，而是消除那些阻碍人工智能在规模化运行中保持一致性的结构性瓶颈。
人工智能的现代化改造应以业务影响和可扩展性要求为导向，而非基于“一切都必须改变”的假设。
下一步工作
关于作者
陈本森是Strategy of Things公司的首席运营官，该公司总部位于硅谷，致力于协助政府及企业通过人工智能与物联网实现创新。 他拥有逾30年创新技术从业经验，服务对象涵盖《财富》500强企业、初创公司及政府机构。曾任美国国家标准与IoT 主席，为联邦政府提供物联网政策建议；担任CompTIA与IoT 顾问联席主席；并在美国能源部建筑技术办公室的IMPEL计划中担任行业导师，该计划旨在通过连接产业界与国家实验室研究人员，培育创新创业思维。
参考资料