为何企业AI在规模化前陷入停滞

规模化鸿沟：采用广泛但影响有限

大多数企业并不缺乏人工智能（AI）雄心。它们拥有试点项目、概念验证、高管指令以及预算。但它们目前（尚）缺乏的是生产级规模化能力。

麦肯锡《2025年人工智能现状》（State of AI 2025）报告将这一差距置于具体背景中：当前88%的组织已在至少一项业务职能中使用人工智能，但仅有39%的组织报告实现了任何可衡量的业务影响。麻省理工学院（MIT）研究显示，仅有5%的企业已将人工智能工具大规模集成至核心工作流中。

采用范围广泛，但回报浅显，且这种脱节是结构性的，而非技术性的。

真正障碍：碎片化

企业环境并非为人工智能而设计。在多年的发展、并购及部门扩张过程中，组织已在云平台、传统系统、SaaS应用和边缘环境中积累了大量数据，每类环境均有其自身的访问模式、数据格式与治理规则。人工智能工作流需贯穿所有这些环境，而正是在此处，那些在受控环境中表现良好的试点项目开始瓦解。

当一个模型需要从客户关系管理系统（CRM）中提取数据、交叉参考企业资源规划系统（ERP）、核查合规性数据库，并将结果写回工单系统时，并不存在一条清晰路径。团队构建点对点集成方案，此类方案虽能短期奏效，但一旦发生变更——无论是安全策略更新、数据库迁移，抑或引入新供应商——便需人工干预修复。每新增一个用例，工程开销即随之加剧。

这是技术层面的碎片化：原本从未被设计为协同运作的系统，如今却被要求同时支撑横跨全部系统的AI工作流。

第二个维度是治理碎片化，其风险同样巨大。传统的访问控制机制面向确定性软件构建，后者遵循可预测的执行路径，权限可一次性设定并一致应用。而AI智能体的运行方式不同：单个客户服务智能体可能在一个工作流内查询订单历史、付款记录、库存水平及支持工单，实时跨越多个安全边界。

静态的基于角色的权限无法以所需精细度评估此类请求，结果要么导致权限过宽的智能体，引发安全暴露；要么导致权限不足的智能体，无法正常运行。IBM研究发现，96%的领导者认为生成式AI（GenAI）的采用增加了其数据泄露风险，但当前生成式AI项目中仅有24%包含实质性的安全组件。

为何传统解决方案失效

惯常做法是集中化：将所有数据迁移至单一数据湖、统一采用单一平台、重写传统系统。该思路颇具吸引力，但实际面临硬性限制。对于受《通用数据保护条例》（GDPR）、《健康保险流通与责任法案》（HIPAA）或区域数据主权法律约束的全球性企业而言，数据整合不仅成本高得难以承受，而且在许多情况下依法禁止。监管约束、延迟要求及运营风险意味着，无论投入多少工程资源，数据往往都无法自由流动。

定制化集成则以另一种方式加剧问题。每个依托点解决方案构建的新AI项目，都在本已碎片化的环境中增添复杂性；而扩展成本随用例数量增长而上升，而非随时间推移下降。组织最终拥有的是一套需持续维护的AI资产，却始终无法产生足以证明投资合理性的复合回报。这两种策略均试图消除碎片化，而非构建在碎片化环境中运行所需的协调基础设施。

一种不同方法：AI编排

实现AI规模化的企业通常具备一个共同特征：它们已投资建设一种协调层，该层可在不重建或整合底层系统的情况下，在分布式系统间运行。该方法并非将数据复制到集中式存储库，而是将智能路由至数据已存在的位置，并将治理嵌入工作流执行过程，在每次请求发出的当下进行上下文感知的动态评估。这一协调层即AI编排（AI orchestration）。

部署AI编排后，每个新用例均可复用现有基础设施，且治理规则可在各环境中一致应用。这种一致性为企业奠定了基础，使其得以在足够深度上重构工作流，从而产生可衡量的影响。麦肯锡发现将显著EBIT影响归因于AI的公司占比为6%，此类公司对其工作流进行根本性重构的可能性，约为同行企业的近三倍。

从试点迈向生产

已超越实验阶段的企业，大多已停止追问“如何构建更优模型”，转而聚焦于“如何在其现有基础设施之上协调AI”。这一视角转变，重新定义了所需构建的内容及投资应投向何处。

当前已存在一套协调基础设施，可支持企业在现有企业系统之上规模化运行AI。完整白皮书《从混沌到可控：企业级AI编排》（From Chaos to Control: Orchestrating AI in the Enterprise）详细阐述了其运行机制，以及企业已在生产环境中借助该架构实现的成果。