回顧人類歷史的發展軌跡，每一次重大飛躍都源於人類智慧與變革性技術的完美結合。從駕馭蒸汽動力到構建網際網路，每個時代最大膽的突破都始於人們利用新工具來放大自身潛力的時刻。如今，人工智慧正是這個故事的最新篇章。它已經徹底改變了我們工作和創造的方式,然而當人類專業知識與AI能力真正結合時,我們能夠實現的目標其實才剛剛觸及表面。
當前的企業領導者面臨著一個前所未有的挑戰：如何從試點階段邁向真正將AI融入組織核心的境界。這需要一種審慎的轉變——由人們設定願景並做出負責任的選擇,由AI提供洞察、速度和規模來實現這一雄心。這意味著要圍繞AI重新設計核心流程和運營模式,確保人類的優勢——如判斷力、創造力、同理心和建立關係的能力——得到提升而非被自動化取代。
今年的報告捕捉到了這個關鍵時刻。一方面,我們看到組織正在明顯加速：員工獲得AI工具的範圍更廣,早期生產力有所提升,對AI潛力的信心不斷增強。另一方面,我們也看到實驗與真正的企業轉型之間存在差距。許多組織主要將AI用於提升效率,而一小部分組織則通過開始重新構想商業模式、產品服務、角色和工作方式而脫穎而出。領先的組織正在重新思考工作如何完成、團隊如何構建,以及人類和機器能力如何在日常運營中相互補充。
幾個關鍵趨勢也在重塑AI的未來。主權AI正在重新定義國家和組織的技術自主權,影響著信任和競爭力。智能體AI正在實現自主推理和行動,帶來新的治理和控制挑戰。物理AI正在融合數字世界和物質世界,使安全性和人類監督變得至關重要。這些趨勢預示著一個更具變革性的未來,要求組織戰略能夠將技術規模與人類指導和意圖保持一致。
從試點到規模化：員工訪問權限擴展調研數據顯示,企業正在從試點和實驗階段轉向企業級擴展。僅在一年時間裡,員工獲得AI工具訪問權限的比例就增長了50%——從不到40%增長到約60%的員工現在配備了經過批准的AI工具。在這些領先企業中,11%的公司目前為員工提供了近乎普遍的訪問權限,即超過80%的員工可以使用經批准的AI工具。然而,在那些已經擁有訪問權限的員工中,只有不到60%的人在日常工作流程中真正使用這些工具——這一模式與去年基本保持不變。這表明雖然訪問範圍在擴大,企業AI仍然利用不足,其生產力和創新潛力在很大程度上尚未開發。
從試點到生產環境的轉變可以說是獲取AI價值最重要的一步,然而這正是許多公司停滯不前的地方。雖然企業正在以加速的步伐進行AI實驗,但許多企業難以將這些實驗擴展為能夠帶來可衡量商業影響的解決方案。
調研顯示,目前只有25%的受訪者表示其組織已經將40%或更多的AI實驗推向了生產環境。然而,54%的受訪者預計在未來3到6個月內達到這一水平,這展現出從試點到企業規模的加速轉變路徑是清晰且可實現的。這些早期規模化者突顯出從試點到企業規模的加速轉變趨勢。
為什麼這麼多試點無法進入生產環境？答案在於試點和生產要求之間的根本性不匹配。試點通常可以在幾個月內由一個小團隊使用清洗過的數據在隔離環境中運行。然而,生產部署通常需要基礎設施投資、與現有系統集成、安全審查、合規檢查、監控系統和持續維護——每一項都需要更多的資源和協調。
生產環境還會暴露試點可以隱藏的現實。在測試中達到高準確率的模型在大規模處理邊緣案例時可能表現不足。預計需要三個月的用例在出現集成複雜性時可能延長到18個月。在試點階段屬於學習機會的失敗在生產環境中就變成了業務風險。
經常進行AI實驗的組織在受控條件下看到了積極結果,但無法一致預測哪些用例將產生最高的投資回報。這種缺乏明確價值實現的情況造成了一個惡性循環,公司繼續資助新的試點——這些試點成本相對較低且風險較小——而不是面對擴大現有成功的更艱難工作。
正如一位醫療AI領導者所說："如果組織中沒有連貫的AI戰略,你很可能會看到試點疲勞。你在追逐下一個閃亮的對象,承受著用AI做點什麼的壓力,卻沒有真正的計劃。我見過很多情況,人們啟動試點,但當被問及如果成功如何擴展時,他們往往沒有答案。沒有清晰的路線圖,執行一百個試點只會導致糟糕的結果和失敗的價值創造。"
AI對現實世界業務的影響正在快速上升。25%的領導者現在報告AI對其公司產生了變革性影響,是一年前12%的兩倍多。信任和投資也在激增,84%的組織增加了AI投資,78%的領導者對該技術的信心更強。然而,大多數公司仍處於大規模AI驅動轉型的邊緣。
AI已經在效率和生產力方面帶來了廣泛的收益。然而,其他領域的好處需要更長時間才能實現。特別是收入增長在很大程度上仍然是一種期望,74%的組織希望通過其AI計劃在未來增長收入,而只有20%已經做到了這一點。這些數字表明AI即將突破並帶來遠超效率和生產力改進的廣泛好處。然而,AI的成功最終不僅僅是提高效率甚至增長收入,而是實現戰略差異化和市場上持久的競爭優勢。
調研的公司中,三分之一(34%)已經開始使用AI深度轉型其業務——創造新產品和服務、重塑核心流程,甚至從根本上改變其商業模式。另外三分之一(30%)正在圍繞AI重新設計關鍵流程,但保持其商業模式不變。其餘三分之一(37%)在更表面的層面使用AI,對現有流程幾乎沒有改變或完全沒有改變。雖然每一組都在獲取生產力和效率收益,但只有第一組才真正在重新構想其業務,而不是優化已經存在的東西。
一家礦業公司的AI和自動化以及全球工程主管解釋了他們如何採取大膽的戰略方法進行AI轉型,將AI嵌入公司的核心產品和服務中,最顯著的是將傳統礦業設備轉變為具有傳感器和預測分析功能的智能互聯平台。"AI不僅僅是一項技術...我們想把它提供給每個人日常使用,讓它無處不在。但我們也想顛覆市場。"該組織不是僅關注內部改進,而是通過使用AI為自己和客戶解鎖新價值,並創造新的數字解決方案和收入流來重新構想其業務。
AI流暢度建設與工作重新設計的滯後儘管對自動化有很高的期望,但84%的公司尚未圍繞AI能力重新設計工作。在一年內,超過三分之一的調研公司(36%)預計至少10%的工作將完全自動化。絕大多數調研公司(82%)在展望三年時預計至少10%的工作將完全自動化。
這些變化需要仔細思考職業路徑。定性訪談中的領導者表達了對自動化可能破壞專業發展管道的擔憂。他們公司中涉及數據錄入、對賬和一線客戶支持的入門級工作被優先考慮自動化,但這些工作往往是更長職業生涯的起點。組織可能需要開發專業晉升的替代路徑,確保員工擁有包括基礎流程在內的專業知識。
儘管對自動化有很高的期望,但84%的公司尚未圍繞AI能力重新設計工作。AI不僅僅是增強現有流程,它往往需要從根本上重新思考運營模式和工作如何完成。一個總是使用判斷和經驗來批准貸款的信貸員現在必須與提供建議的AI系統合作。這引發了問題：他們什麼時候應該否決AI？他們如何向客戶解釋決策？他們的專業知識和職業軌跡會發生什麼？
入門級和任務導向的角色可能受影響最大,因為自動化可能取代常見的耗時任務。然而,隨著一線工作變得更加自動化,主管和管理角色可能會轉向協調人類-AI團隊。這促使許多組織探索更扁平的結構：53%的組織自更少角色需要監督大型團隊以來考慮了基於小組或非層級模型。然而,只有16%的組織在很大程度或最大程度上轉向了這種模式。
根據調研的領導者,員工技能不足是將AI整合到現有工作流程中的最大障礙。然而,不到一半的公司對其人才戰略進行了重大調整,大多數公司(53%)只是專注於教育員工以提高AI流暢度。雖然大多數公司專注於教育員工,但很少有公司在重新架構角色、工作流程和職業路徑。
一家大型物流組織的AI和創新總監強調了員工技能提升和在業務團隊適應新AI技術時支持他們的重要性："我們正在對業務方面的人員進行再培訓——投入大量資金以確保他們採用新的AI工具,這樣他們就能夠交付更大、更好、更智能的成果。"該公司對員工隊伍轉型的願景不僅限於基本的技能提升。相反,重點是確保員工能夠從傳統角色轉變為更具戰略性的職位——由AI工具支持。"例如,將來我們希望看到AI能夠使今天的定價分析師成為定價戰略家。"
主權AI是指一個國家——以及在其境內運營的公司——在自己的法律下,在他們控制的基礎設施上,使用本地管理的數據來設計、訓練和部署AI。目標是減少對外國供應商關鍵AI能力的依賴。
超過十分之八的公司(83%)認為主權AI對其戰略規劃至少具有中等重要性,近一半(43%)認為它非常重要或極其重要。類似地,66%的公司對依賴外國擁有的AI技術和基礎設施表示至少中等程度的擔憂,其中22%非常擔憂或極其擔憂。
主權AI的興起具有直接的實際影響。跨境工作的公司必須駕馭因國家而異的複雜要求,迫使他們為不同市場構建定製化解決方案。超過四分之三的公司(77%)現在在選擇供應商時將AI解決方案的來源國作為決策因素,近五分之三(58%)現在主要使用本地供應商構建其AI堆棧。這表明地理主權現在與創新同樣重要。
正如一家大型電信公司前可觀測性副總裁所指出的："我最近與很多國際公司合作,他們堅持要求我們使用國內基礎設施。我們正在採取的方法是為這些客戶提供精簡的小語言模型,以滿足進出口控制規則,因為我們在他們的國家建立模型。特別是對於國有企業,當你使用來自國外的東西時會有懷疑。"
主權AI壓力因地理和行業而有顯著差異。在美洲,只有11%的公司依賴外國來源的解決方案作為其AI堆棧的大部分,而在歐洲/中東/非洲(EMEA)地區,這一比例為32%。在美國,州級部署考慮越來越多地塑造著格局。
歸根結底,主權AI不僅僅是技術所有權,而是戰略獨立性。通過在自己控制的基礎設施上構建(由自己的數據、模型、人才和生態系統推動),公司有能力安全和負責任地創新。
智能體AI：擴展速度快於防護欄經過多年的非AI聊天機器人只能回答基本問題,公司現在正在部署複雜的AI智能體,這些智能體可以設定目標、通過多步驟任務進行推理、使用工具和應用程序編程接口(API),並與人或其他智能體協調工作。這一轉變將AI從資訊和洞察來源轉變為可以以不同身份執行的系統。
在去年的AI現狀報告中,26%的受訪者表示其組織已經在很大程度或非常大程度上探索自主智能體開發。這些早期探索努力現在開始轉化為現實世界的應用,並準備推動短期內採用率的急劇上升。今天,23%的公司至少在中等程度上使用智能體AI。然而,在未來兩年內,智能體AI預計將變得幾乎無處不在,近四分之三的公司(74%)至少在中等程度上使用它,23%廣泛使用,5%將其完全整合為其運營的核心組成部分。
雖然智能體AI預計在客戶支持方面產生最高影響,但供應鏈管理、研發、知識管理和網路安全的用例也被視為具有特別高的潛力。我們訪談的企業已經在多個職能部門部署AI智能體。一家金融服務公司正在構建智能體工作流程,自動從影片會議中捕獲會議行動,起草通訊以提醒參與者下一步,並跟蹤後續情況。一家航空公司正在使用AI智能體幫助客戶完成最常見的交易,如重新預訂航班或重新路由行李,為人工坐席騰出時間處理更複雜的事務。一家製造商正在使用AI智能體支持新產品開發計劃,利用AI找到成本和上市時間等競爭目標之間的最佳平衡。在公共部門,AI智能體被用於彌補勞動力短缺,與人類工作者合作完成關鍵流程。85%的公司預計將定製智能體以適應其業務的獨特需求。
智能體AI的採用可能會在短期內增加對獨特人類優勢的需求,如適應性和判斷力。一家大型電信公司的前可觀測性副總裁說："我們認為我們將自動化工作。事實是,你不會。你將為現有工作者提供力量倍增器,使他們能夠更有效。也許有一天這些東西會開始變得無頭,它們只是從儀錶板指標中獲取資訊,你可以減少員工等待警報喚醒某人或在螢幕上閃爍紅色。但最初對這些人來說將是更多的工作。他們不會無所事事;他們將監視這些智能體,確保量指標正確,確保質量指標正確,並在它們遇到人在環中的門時與人互動以實現問責目的。"
調研的公司中約五分之一(21%)報告目前擁有成熟的自主智能體治理模型。鑑於該技術的快速採用軌跡,這可能是一個重大限制。隨著智能體AI從試點擴展到生產部署,建立強大的治理對於在管理風險的同時獲取價值至關重要。
治理智能體AI需要超越傳統AI監督的新方法。與提供建議供人類採取行動的傳統AI系統不同,智能體直接採取行動——進行購買、發送通訊或修改系統。組織需要為智能體自主性建立明確的界限,定義智能體可以獨立做出哪些決策,哪些需要人類批准。跟蹤智能體行為並標記異常的實時監控系統至關重要,捕獲智能體行動完整鏈的審計跟蹤也是如此,以幫助確保問責制並實現持續改進。
看到最大成功的公司正在採取審慎的方法——從低風險用例開始,建立治理能力,並審慎擴展。這包括跨職能治理結構,將IT、法律、合規和業務部門領導聚集在一起制定政策、監控績效和管理升級。在建立這些治理基礎之前急於廣泛部署智能體可能會使組織面臨重大風險。
物理AI：已嵌入運營且足跡快速增長物理AI是一類感知真實世界、做出決策並通過機器或控制系統驅動物理行動的AI系統。它位於AI和機器學習、傳感器、控制和機器人技術的交叉點。
物理AI整合已經在擴展,58%的公司報告至少有限度地使用物理AI,其中18%在中等或更大程度上利用它。然而,在任何程度上使用物理AI的公司百分比預計將在兩年內達到80%——15%廣泛使用物理AI,3%將其完全整合為其運營的核心要素。
物理AI應用涵蓋廣泛的工業和商業環境。例如,我們訪談的一家公司正在自動化包裹分類和路由,同時授予倉庫機器人更多自主權來決定在哪裡以及如何存儲物品以最大化地板空間。其他常見用例包括裝配線上的協作機器人(cobot)、具有自動響應能力的檢查無人機、機器人揀選臂和自主叉車。採用在製造、物流和國防領域尤其先進,機器人、自主車輛和無人機已經在重塑運營。
早期採用的一個關鍵因素是環境控制。在受控領域(如工廠和倉庫)進行的物理AI用例往往比在開放的真實世界環境中的用例進展快得多,後者的挑戰和風險要複雜和不可預測得多。
隨著物理AI獲得更廣泛的採用,某些類型預計將比其他類型產生更大的長期影響：智能安全系統和智能監控(21%);協作機器人(20%);和數字孿生(19%)。接受採訪的AI領導者分享說,智能監控和數字孿生已經在顯著改變運營流程。例如,公司正在使用商店的3D映射來支持室內設計和虛擬現實培訓。這些詳細的數字副本允許設計團隊根據實際商店掃描創建定製環境,還為面向客戶和零售員工提供現實的培訓體驗。
在餐廳業務中,AI技術被用於定向營銷和自動化庫存管理。例如,電腦視覺能夠在整個餐廳工作流程中自動跟蹤食品和飲料項目——從訂單到交付——優化庫存控制並使員工從重複性任務中解放出來。
為了幫助確保公眾接受和信任這些解決方案,公司應該專注於使它們安全、可互操作並能抵禦中斷和網路威脅。與在數字環境中運行的軟體AI不同,物理AI系統以可能帶來安全風險的方式與人、設備和基礎設施互動,如果它們發生故障或受到損害。這提高了測試、認證和持續監控的標準。
公司還必須應對因行業和地理而異的複雜監管環境。物理AI系統通常需要獲得安全監管機構的批准,遵守特定行業的標準,並遵守並不總是考慮自主系統的責任框架。這些要求增加了部署的時間和成本,但對於負責任的採用至關重要。
在我們的調研中,成本被最常引用為物理AI部署的關鍵障礙。在評估物理AI的業務案例時,決策者應該考慮總擁有成本,而不僅僅是初始設備成本。完整的圖景包括設施改造以容納新設備、傳感器和機器人本身、與現有系統和工作流程的集成、維護和備件,以及實施和故障排除期間的潛在停機時間。這些成本可能大大超過AI模型和軟體的初始投資。
倉庫自動化項目可能需要數十萬美元的AI開發,但需要數百萬美元的物理基礎設施、機器人系統和設施改造。低估這些成本的公司面臨項目延誤或在實施中途放棄的風險。
AI準備程度：戰略就緒高於運營就緒儘管AI從生成式AI快速演變為智能體和物理AI,但42%的公司認為其戰略為AI採用做了充分準備,30%的公司對風險和治理也持同樣看法,兩者自去年的報告以來都有所上升(分別增加3和6個百分點)。這些領域可能進展更快,因為它們主要依賴於高管決策和政策制定。
與此同時,與去年相比,對高度準備程度的看法在技術基礎設施(43%)、數據管理(40%)和人才(20%)方面有所下降,揭示了以創新速度現代化系統和技能的持續挑戰。事實上,大多數受訪者認為解決其組織優先AI計劃的關鍵挑戰將需要一年多的時間——在當今快速發展、競爭激烈的市場中時間太長了。
正如一家大型歐洲銀行的AI戰略主管所解釋的："許多組織通過為傳統AI模型構建基礎設施和治理為AI未來做準備。隨著大語言模型的出現,這些努力被顛覆了。突然間,出現了一種不同於以前AI的新能力。現在,傳統的AI用例——從頭訓練模型、定製界面——已經減少。近80%到90%的新用例是生成式AI。所以是的,公司做了準備,但是為了不同的未來。生成式AI需要一套新的能力。"
充分發揮AI潛力的六大重點領域研究結果很明確：AI的變革潛力是真實的,但獲取它遠不止技術投資。組織應該將AI視為基礎性的。最成功的不會是擁有最多AI項目或最大預算的組織,而是那些將AI構建到其運營、競爭和增長方式基礎中的組織。
第一個重點是縮小訪問與激活之間的差距。大多數組織已經部署了AI工具,但實現有意義使用的組織要少得多。可用性和採用之間的差距現在是價值的主要障礙。成功的公司專注於激活,而不僅僅是訪問。高績效實施始於被賦權的員工,他們進行實驗、分享早期成功並成為內部倡導者。僅靠自上而下的指令很少推動有意義的變化。由高級贊助支持的草根採用創造了動力,並幫助確保解決方案與實際工作流程保持一致。激活需要儘早關注實際約束：系統集成、數據權限和運營可靠性。從一開始就設計部署的組織,而不是將規模視為事後考慮,會看到更高的採用率。實踐性的、針對角色的培訓和可見的高管倡導會實質性地改變員工行為。將試點視為通向生產的踏腳石而非孤立實驗的領導者可能實現更快和更持久的影響。
第二個重點是通過圍繞AI重新設計工作來釋放人類優勢。AI正在各個層面重塑工作。雖然大多數組織目前專注於個人生產力,但領導者正在圍繞擴展的AI能力重建流程、角色和職業路徑。最成功的組織重新構想工作,無縫結合人類優勢和AI能力,確保兩方面都得到充分利用。新角色——AI運營經理、人機交互專家、質量管家等——標誌著更深層次的轉變：AI現在是工作組織方式的結構性組成部分。先進的組織簡化AI可以端到端執行的工作流程,而人類專注於判斷、異常處理和戰略監督。目標不是取代人類或僅僅協助他們,而是在人類和AI之間創造互補的工作關係,其中組合輸出超過任何一方單獨能夠實現的。隨著AI承擔日常執行任務,組織結構開始變得扁平化。一些公司正在合併技術和人員領導職能,以確保系統和勞動力設計共同發展。速度因行業而異,但方向是一致的：角色、技能和職業路徑應該重建,而不是簡單調整。組織應該採取AI原生方法,整體重新設計工作,而不是將AI疊加到遺留流程上。
第三個重點是在擴展之前建立治理並使其成為每個人的角色。治理不再是合規練習;它是實現快速、自信擴展的機制。高級領導積極塑造AI治理的企業比僅將工作委託給技術團隊的企業實現的業務價值要大得多。真正的治理使監督成為每個人的角色,將其嵌入績效標準中,這樣隨著AI處理更多任務,人類承擔主動監督。這種共同責任賦予員工權力,幫助識別挑戰並指導安全、可信的AI使用。有效的治理與現有的風險和監督結構整合,而不是平行的"影子"職能。它專注於識別高風險應用、執行負責任的設計實踐,並在適當時確保獨立驗證。領先的組織主動監控不斷演變的法律要求,並建立能夠證明安全性、公平性和合規性的系統。自主系統提高了對數據和網路安全治理的需求。組織需要定義人類應該保持控制的地方、自動決策和數據使用如何審計,以及應該保留哪些系統行為記錄。跨職能團隊——技術、法律、合規和業務——儘早建立治理框架,以便規模不會超過控制。同時,治理應該經過校準以平衡風險管理與創新,確保監督能夠實現實驗而不是限制實驗。目標不是增加官僚主義,而是創建明確的、適應性強的防護欄,允許負責任地快速前進。
第四個重點是有重點和紀律地應對主權AI要求。隨著各國政府加速建立主權AI能力的努力,企業可能會駕馭圍繞數據控制、模型透明度、合規性和本地化的日益複雜的期望。主權AI不再局限於公共部門;它正在重塑處理敏感數據或跨司法管轄區運營的每個組織的要求。同時,計算策略成為核心組成部分,需要仔細評估數據駐留和處理位置(例如,在雲、本地、混合或邊緣環境中),以保持與不斷發展的法規和性能需求的一致。領先的公司採取重點方法：評估哪些數據和工作負載必須保持在國家或區域邊界內,確定本地模型託管何時是強制性的,並闡明透明度、可審計性和文檔標準在市場之間如何不同。他們為數據駐留、模型再訓練和跨境流程建立明確的政策,由能夠同時滿足多個監管制度的基礎設施支持。忽視主權AI約束的企業將面臨運營中斷升級、更高的合規風險以及進入關鍵市場的受限訪問。主動參與的企業建立戰略優勢：他們可以減少監管不確定性、增強客戶信任,並在主權關切占主導地位的行業中將自己定位為首選合作夥伴。主權AI準備現在是企業彈性和全球競爭力的核心要素,而不是專門的合規任務。
第五個重點是為明天的AI構建"活的"技術和數據基礎設施。遺留數據和基礎設施架構無法為實時、自主的AI提供動力。隨著AI能力從軟體擴展到設備、機械和邊緣位置,組織需要評估其技術基礎是否準備好支持潛在的物理AI部署。現代化應該創建一個活的AI骨幹：一個組織範圍內的實時系統,動態適應業務和監管變化,將基礎設施從IT計劃提升為戰略能力。領導者正在啟用模塊化、雲原生平台,安全連接、治理和集成所有數據類型,促進快速實驗和無縫擴展。他們通過領域擁有的數據產品打破孤島,並嵌入隱私、主權和設計安全,同時執行質量、互操作性和血統的企業標準。這種平衡的方法在集中控制的支持下提供分散創新。統一的、可信的數據策略是不可或缺的。糟糕或碎片化的數據會加劇風險並破壞每個AI計劃。前瞻性的組織融合運營、體驗和外部數據流,並投資於預測新興AI需求的不斷發展的平台。基礎設施決定企業速度;那些儘早現代化的人可能會加速,而其他人則保持受限。
第六個重點是追求戰略再造,而不是漸進式效率。將AI視為戰略核心的公司與將其視為節省成本工具的公司之間的績效差距正在擴大。領先的組織大力投資於使用AI重塑運營和創造新的收入流,抵制追逐每一項趨勢技術的壓力,轉而支持真正推進戰略目標並帶來真正價值的計劃。這些組織在多個層面追求增長：加強當前運營、擴展到相鄰市場,以及構建由AI支持的全新業務。他們從頭開始重新思考其組織,設想如何在沒有遺留約束的情況下構建,而不是數字化舊流程。這延伸到重新構想商業模式和適應主權AI等新興趨勢。這種有意的再造是實現超額回報的最強預測因素之一。自主AI系統正在加速這一轉變。在知識密集型行業,它們可以承擔大量日常工作,使人們能夠專注於更高階的活動。高績效者正在圍繞能夠感知背景、做出決策和獨立行動的系統進行重組,平衡大膽的轉型與運營連續性。他們以適合其組織準備情況的速度前進,做出深思熟慮的權衡並培養基於證據而非炒作的明智決策。戰略機會是發現競爭對手無法輕易複製的新價值來源。
隨著智能體、物理和主權AI的發展迅速擴展可能性的邊界,今天的公司正處於充分挖掘AI全部潛力的邊緣。無論是弄清楚如何利用最新的尖端創新、從試點飛躍到大規模部署,還是使用AI創造持久的競爭優勢,全球各地的企業都處於用AI轉型自己的邊緣。現在的挑戰是激活：彌合從工具訪問到有意義採用的差距,超越實驗到大規模運營AI,將AI嵌入核心業務流程——將技術潛力轉化為企業價值。
論文地址：
https://www.deloitte.com/content/dam/assets-zone3/us/en/docs/services/consulting/2026/state-of-ai-2026.pdf
Q&A
Q1：什麼是主權AI，為什麼企業要關注它？
A：主權AI是指一個國家或企業在自己的法律框架下，在自己控制的基礎設施上，使用本地管理的數據來設計、訓練和部署AI系統。調研顯示，77%的公司在選擇AI供應商時會考慮技術來源國，83%的公司認為主權AI對戰略規劃至少具有中等重要性。這關係到技術獨立性、數據安全和合規要求，對於跨境運營的企業尤其重要。
Q2：物理AI與傳統軟體AI有什麼區別，採用速度為何較慢？
A：物理AI是能夠感知真實世界、做出決策並通過機器或控制系統驅動物理行動的AI系統，如機器人、自主車輛和無人機。雖然58%的公司已在使用物理AI，但其採用速度明顯慢於軟體AI，原因包括更高的成本和資本要求、更長的開發周期、更嚴格的安全法規以及對專業硬體和維護的需求。不過，預計兩年內將有80%的公司使用物理AI。
Q3：企業如何從AI試點階段成功過渡到規模化生產？
A：目前只有25%的企業將40%以上的AI實驗推向了生產環境，但54%的企業預計在3到6個月內達到這一水平。成功的關鍵在於：從一開始就考慮生產部署需求，而非將規模化視為事後考慮；建立明確的價值衡量標準和路線圖；儘早關注系統集成、數據權限和運營可靠性等實際約束；將試點視為通向生產的踏腳石，而非孤立實驗。缺乏連貫AI戰略會導致"試點疲勞"，無法創造真正價值。
