执行摘要：

当企业部署像Claude或ChatGPT这样的前沿AI模型时，每周活跃使用量往往停滞在14%左右，最终沦为简单的邮件改写，而高摩擦的手动工作却依然无人问津。 将前沿AI视为传统SaaS采购的做法注定会失败，因为价值并不存在于模型内部——它存在于模型与企业内部的data、权限以及日常工作流程之间的衔接环节。价值的产生遵循一个简单的算式： 价值=模型 × 部署 × 层级. 如果无法弥合这一差距，一家公司就谈不上具备人工智能能力；它拥有的不过是一份订阅服务罢了。.

几个月前，一位首席信息官向我展示了他的Claude Enterprise仪表盘。2000个用户席位，六周内完成部署，通过企业身份提供商实现单点登录，使用政策经法务部门批准，且每位员工在首次登录时均已确认同意。随后，他滑动到了第二个标签页。 每周活跃用户：14%。最常见的提示是：“总结这封邮件。”第二常见的提示是：“用更专业的语气重写这段内容。”既没有与ERP系统、data仓库或文档库的任何连接，生产环境中也没有部署任何智能代理。 在我们楼下三层，应付账款团队正在逐一打开供应商的 PDF 文件，核对发票号、金额和成本中心，然后手动将这些信息录入财务系统——每月大约有 100 张发票，相当于一个人一天半的工作量。.

我已经不再对此感到惊讶了。我现在认为，这正是企业采购人工智能时的默认结果，而我想直截了当地说明原因。.

我们集体决定将前沿模型视为软件来对待：购买许可证、分配用户席位、举办一场网络研讨会，然后继续前进。这种做法在电子邮件和客户关系管理（CRM）领域行之有效，因为这些工具的价值就蕴含在工具本身之中——收件箱就是产品，销售 pipeline 视图就是产品。 前沿模型的价值并不在于模型本身，而在于模型与特定公司data指标、权限、习惯和流程之间的距离：模型能否按SKU查看上季度的销售额，是否知道 “净收入”是否不包含贸易支出，销售总监是否曾利用该模型解答过当周实际需要处理的问题。 组织中没有人被付薪来弥合这种差距。IT部门负责管理租户并衡量系统正常运行时间；业务部门负责使用场景却不进行任何衡量；供应商负责路线图并衡量用户数量。其间的空白地带归谁所有？而价值，恰恰就存在于这片空白地带。.

经过一年时间，在企业处于“14%”阶段时深入走访各家公司，我深信这一领域本身就是一门独立的学科。它既不是配有更精美幻灯片的变革管理，也不是搭载了新API的系统集成。 它是由工程、data、安全与采用工作有机结合而成的，在客户内部由那些既参与实验室路线图制定、又对结果而非交付成果负责的人员共同完成。我称之为“部署层”，本文将论证它为何比下一个模型版本的发布更为重要。.

为何企业人工智能在签署许可协议后陷入停滞

无论是在银行业、消费品行业、房地产行业还是电信行业，这种模式都如出一辙，且遵循着一个可识别的流程：试点项目取得成功——由市场营销或客户服务部门的一个小团队负责，有位支持者，明确的应用场景，以及一场让执行委员会成员们都聚精会神的演示；随后，另一个职能部门的第二个试点项目也取得了成功。 领导层批准了全公司范围的推广，通常会设定诸如“第二季度前实现AI普惠”之类的目标。推广工作随即展开。最初三周，由于新鲜感，采用率迅速攀升；随后趋于平稳，仅维持在“更强大的搜索引擎”这一水平；而本应在推广之后跟进的业务部门，却一直停留在名为“第二阶段”的幻灯片上。”

通常的解释是错误的。问题并不在于员工抵制变革；我接触到的员工都迫切希望这个工具能帮助他们处理实际工作，却因它无法识别他们正在查看的电子表格而感到沮丧。 问题也不在于模型不够成熟；早在两代之前，它们就已经具备了大部分这些能力，而自那时以来，克劳德（Claude）或GPT所能做到的与组织对它们的要求之间的差距反而越来越大。更不是因为缺乏应用场景。 我主持的每场研讨会，仅一个上午就能产生八十个用例，其中一半都是“别再让我重新输入这些数据了”的变体。”

它会卡住，因为有三个问题没有负责人：

  • 模型对我们了解多少？ 它能访问哪些系统——仓库系统、文档存储系统、票务系统还是人力资源平台？它是以谁的权限访问这些系统的：服务账户的，还是提出请求者的？当它返回一个编号时，是否有人能追溯到该编号对应的表或文档？
  • 各部门中，谁负责推广工作？ 这并非为了统计许可证数量——而是为了培养一种习惯：在周一早晨，销售、财务、法务和运营等部门将该工具应用于实际工作。这些部门各自拥有不同的“data”指标、不同的术语体系，以及对“有用”这一概念的不同定义。”
  • 谁来开发这些代理程序？当顾问离开后，又由谁来维护它们？ 是已经积压了十八个月的IT待办事项，还是签订了“工时和材料”合同的外部供应商，抑或是那些身处业务一线、了解正在实现自动化的流程的员工？

我尚未见过哪个项目是由指导委员会来解答这些问题并取得成功的。这些问题应当由在现场实际开展工作、且拥有决策权的人员来解答。.

人工智能价值的计算

我反复思考的这套算术很简单： 价值=模型 × 部署 × 层级

该模型是一个非常大的数值。将其乘以零，结果就是零。实验室的每次发布都会使第一个因子变大，而第二个因子的决定性作用也随之增强。.

对于那些希望花钱解决问题的公司来说，这里有一个令人不快的事实：部署层无法作为软件购买。实验室出售的是模型和平台，而他们只做到这一步是正确的。 具体背景、权限设置、部门层面的工作习惯以及首批实施人员，都与每家企业的“data”架构及其内部政治密切相关——例如，对客户而言哪个系统是“权威数据源”，谁有权查看各产品的毛利，财务团队实际如何完成月度结账。 这些必须由既了解模型路线图又熟悉客户系统的人员，在企业内部构建。没有捷径可走，对于任何兜售“捷径”的人，我都持怀疑态度。.

⏭️ 接下来是第2部分——蓝图：部署、落地、采用、构建

如果无法将部署层作为现成的软件购买，那么它由哪些部分组成？在 第二部分, 我们将把一个通用模型转化为内部同事的四个具体组成部分——部署、落地、采用、构建——进行详细剖析，并探讨护发产品组 博拉·巴西 通过让克劳德深入参与data公司的实际运营，解决了那个经典的“周一早晨”销售难题。.