全文阅读时长约8分钟 

如果人工智能没有被深度嵌入到企业的使命、人才、流程和架构中，它就无法真正推动业务繁荣。以下将介绍如何通过正确的对齐来确保 AI 投资的最大价值。

在过去三年里，人工智能获得了前所未有的投资和关注，但其炒作与实际业务价值之间的差距依然顽固存在。波士顿咨询（BCG）最近的一项研究显示，虽然  98%  的公司正在探索  AI ，但只有  4%  在投资中获得了显著回报，只有约四分之 一（ 26% ）创造了任何价值。   

那么，为什么如此少的 AI 项目能带来有意义的回报？答案在于未能将 AI 技术决策与组织的战略企业架构（Strategic Enterprise Architecture, SEA）对齐——即企业的整体使命、人才、流程和现有技术，这些资源共同服务于战略目标。太多情况下，AI 部署是出于对新技术的迷恋或对“错失良机”的恐惧，而不是基于对其与更广泛业务契合度的分析。 

这并不是一个新问题。自信息技术革命伊始，技术与业务目标的错配一直是难题。正如我在互联网泡沫破灭后于《华尔街日报》中所指出的，这是组织必须系统性克服的挑战。然而，AI 的利害关系远比以往任何一波技术更大，集成点更多，组织影响更深远。不像早期的创新往往只在部门层面实施，跨部门影响有限，即使是看似微小的 AI 项目也会在整个企业架构中引发连锁反应。 

我和合著者们在最近发表于《MIT 斯隆管理评论》的文章中提出，组织需要一种全新的领导者来协调 AI 转型的前所未有的规模和广度。但成功的 AI 实施不能仅仅依赖某位高管。每一位企业高层都必须理解 AI 带来的承诺与威胁，以及它如何影响整个业务的系统与战略。 

本文旨在为企业提供一份务实的指南，帮助决策哪些 AI 项目值得支持。它简明概述了领导者需要掌握的技术知识，以便做出明智决策，并展示了 AI 技术应如何与更广泛的企业级架构对齐。 

这套统一的概念体系，是所有部门和专业领域之间进行连贯思考、对话与规划的基石。

战略企业架构（SEA） 

要创造持久的价值，AI 项目必须与组织的战略企业架构（SEA）保持一致。企业架构这一概念最早出现在 20 世纪 80、90 年代，用于描述企业的技术架构。当我在 2000 年出版的《e-Enterprise》（剑桥大学出版社）中引入战略企业架构这一术语时，我的目标是强调一个经常被忽视的观点：价值创造依赖于将技术架构与整个企业的更广泛结构对齐——包括使命、战略、流程和运营模式。 

构建 SEA 还有一个关键的实施作用：它为整个组织提供一个共同的语言和愿景。这种共享的概念性词汇对于跨部门、跨学科的统一思考、交流和规划至关重要。 

关键的业务架构组成部分

要理解哪些 AI 项目能够为组织创造价值，领导者首先需要对现有企业的四个相互关联的要素有清晰的认识。 

组织宗旨与商业战略 

这些要素描述了你的企业存在的理由，以及它如何在市场中取得成功。这包括使命、愿景、核心价值观、竞争定位和战略目标。那些能够直接推进这些核心目标的 AI 项目，自然会获得更强的组织支持，并带来更大的价值。 

人员与文化

再雄心勃勃的 AI 战略，如果没有合适的人才来执行，也无法落地。成功需要清晰描绘组织的领导力模型、人才结构和技能画像。同样重要的是，AI 项目如何与企业的文化价值观保持一致。 

流程与运营结构

组织内部的工作方式决定了实施 AI 的具体方法是否可行。业务流程、决策框架、治理模式和组织层级都需要被仔细梳理，以确保 AI 项目的开发和日常运行能够与企业的工作流程保持一致。 

现有技术架构

尽管企业领导者应当独立地理解 AI，但成功的实施同样意味着必须将新技术与现有的企业技术栈相结合。当前的系统、数据资产、基础设施和技术债务，都会决定 AI 的可实现性，以及如何真正释放其潜力。 

理解 AI 架构 

当领导者能够描绘出战略、流程、人员和现有技术如何契合时，他们就能够将 AI 项目的技术需求映射到同一蓝图之上。 

下图所示的当代 AI 技术栈由五个相互关联层组成： 

要获取有关 AI 技术栈的更多基础信息，请参阅 IBM 的入门指南。 

成功部署 AI 项目意味着在每一层都要做出选择，以确保与组织需求保持一致。关键考量因素包括：部署模式（本地、云端或混合方式）、开放系统与封闭系统的取舍、算力需求以及数据基础设施要求。与仍在为数据孤岛或数据质量问题困扰的企业相比，数据基础设施成熟的组织可以更快速、更高效地实施 AI。 

什么是错位与对齐？

在技术选择与战略企业架构（SEA）之间的任何层面出现不一致，都会导致 AI 项目的失败。 

案例 1：Stability AI 

当 Stability AI 推出其热门的 Stable Diffusion 图像生成器时，它依赖的云计算基础设施每年的成本接近 1 亿美元，而运营成本则高达 5400 万美元。但其收入仅有 1100 万美元，缺乏可扩展的商业计划。这是典型的技术与业务错位案例。 

启示：成本结构远远超出了现有的变现战略。 

案例 2：三星（Samsung） 

2023 年，三星员工使用 ChatGPT 辅助编程，导致极具价值的源代码泄露。此次数据泄漏的根源在于：允许使用了外部 AI 模型，而该模型不在公司安全的 IT 基础设施和数据治理政策之内。

启示：松散的数据治理危及知识产权安全。 

案例 3：《体育画报》(Sports Illustrated)

《体育画报》使用 AI 生成文章，并署上虚构的作者名，这种方式虽然提高了内容生产效率，但与其“可信信息提供者”的品牌承诺严重背离。最终，这一举措对业务造成了伤害，而非帮助。 

启示：不透明的 AI 使用侵蚀了长期积累的读者信任。 

适当的对齐反而能带来真正价值 

案例 4：Adobe 

Adobe 决定仅使用公司自有图像或公共领域的图像来训练其内部生成式 AI，从而确保输出结果不会侵犯知识产权。这保证了 Adobe 的商业客户可以放心使用该技术，而无需担心法律责任。 

启示：权益对齐的数据集将客户的下游法律风险降到最低。 

案例 5：彭博（Bloomberg） 

2023 年，彭博推出BloombergGPT，这是一款专门基于金融数据和新闻训练的大型语言模型（LLM）。定制化模型使彭博能够在自身基础设施中控制模型加权与数据流，并提供比通用模型更优的金融任务支持。 

启示：领域专属模型强化了高端客户的价值主张。 

AI 对齐清单

除非你能够对以下四个问题都回答“是”，并且能提供相应的证据，否则该 AI 项目不应推进： 

• 该 AI 项目是否能直接推进你的战略优先事项，并带来清晰可衡量的成果？

如果不能显著贡献于组织使命，那么它只是一个技术实验，而不是可行的创新项目。 

• 你的领导层和员工是否已经做好迎接变革的准备？ 

如果没有，你需要先制定一份路线图来提升团队的能力，然后再继续推进项目。 

• 该项目是否能够与现有流程和运营模式融合？ 

需要对业务流程和系统进行端到端的梳理，以确保新的AI 能力能够无缝融入现有流程。

• 该项目是否与现有技术架构契合？

所选择的技术方法必须与组织的技术生态系统、数据流以及安全要求兼容。

从项目到组合

随着企业逐步建立 AI 项目管道，技术与企业架构之间的长期对齐变得越来越复杂，也越来越重要。投资组合管理方法可以帮助企业在其不断演进的 SEA 框架下，有系统地评估和优先排序多个 AI 项目。 

我在《Reinvent》（由 IMD 出版）一书中深入讨论了投资组合管理原则，并在我最新的著作《Transcend》中结合 AI 作了特别探讨。 

结论

AI 领域将继续快速演进，但成功实施的基本原则始终不变。那些能够将组织的 AI 项目与战略企业架构对齐的领导者，将远远优于那些只关注技术本身的领导者。 

本文翻译自 I By IMD，中文版本仅供参考。

关于作者

关于瑞士IMD国际管理发展学院

瑞士IMD国际管理发展学院（International Institute for Management Development，IMD）已有75年以上历史，始终致力于培养能够推动世界更加繁荣、可持续与包容的领导者与组织。IMD由一支专业且多元化的教师队伍领导，在瑞士洛桑和新加坡设有校区，并在中国深圳设有管理发展中心，致力于成为全球有志个人和组织最值得信赖的学习伙伴。IMD的高管教育和学位项目长期位居全球领先地位。这一持续领先源于IMD独特的“真实学习，真实影响（Real Learning, Real Impact）”教育理念。通过高管教育课程、工商管理硕士（MBA）、高级管理人员工商管理硕士（EMBA）项目及专业咨询服务，我们助力商业领袖找到更新更好的解决方案，挑战现状，启迪未来。