
 
 
 人工智能已成为企业标准,但大规模采用并未保证大规模成功。 这就是为什么如此多的企业正在努力将超声转化为可测量的价值,以及2025年人工智能采用失败的原因。 AI has become a corporate standard, but mass adoption hasn’t guaranteed mass success. Here’s why so many enterprises are struggling to turn hype into measurable value and what explains AI adoption failure reasons in 2025. AI is everywhere, but not everyone is happy AI到处都是,但不是每个人都快乐 在2025年,人工智能在2025年业务不再是一个大胆的实验 - 它是一个基准。 ,2025年,在企业中采用人工智能已经达到约78%至80%的企业至少在一个业务功能中使用人工智能,在纸上,这看起来像是胜利:曾经生活在研究实验室和初创企业中的技术已经嵌入到全球企业中。 麦肯锡的技术趋势展望2025 麦肯锡的技术趋势展望2025 对于大多数公司来说,人工智能带来了挫折而不是转型 - 基础设施账单不断上涨,回报保持温和,无数飞行员仍然被困在测试中。 这篇文章探讨了方程式的两面:人工智能在哪里提供了可衡量的结果,在哪里没有达到预期,以及哪些企业对人工智能实施的挑战仍然存在,这些企业无论是过度承诺还是滞后。 Beyond the headlines: adoption doesn’t equal impact 超越标题:收养不等于影响 在表面上,2025年大公司的人工智能的故事看起来像是一个胜利,近80%的全球公司在其运营中采用了某种形式的AI,银行部署了欺诈检测模型,零售商试验了个性化的建议,物流公司测试了预测需求的规划。 对于每个公司将人工智能嵌入其工作流程中,数十家公司都将其视为“检查箱创新” - 对于新闻稿来说是好事,对于结果来说则不太好。太多的人工智能飞行员不是战略;他们是股东的剧场。 结果是悖论:企业在竞赛中宣布AI领导地位,但许多人除了试点和新闻报道之外,没有什么可表现的。 The first wave of disappointment: when ROI doesn’t add up 失望的第一波:当 ROI 没有增加时 如果采用是容易的一部分,那么货币化已经证明更具挑战性,许多公司现在正面临人工智能失望的第一波浪潮:雄心勃勃的期望和温和的财务回报之间的差距。 该问题通常从基础设施开始。培训和部署大型模型是昂贵的,成本不会以GPU结束。公司必须维持高带宽云环境,管理数据管道,在专有数据集上精心调整模型,并雇用稀缺的工程人才。 到2030年,全球人工智能基础设施投资可能达到3至4万亿美元。 路透 路透 然后是组织的不匹配. 管理人员经常希望人工智能在营销活动或新产品推出的视野内提供结果 - 几个月,而不是几年。 然而,人工智能的回报更像是ERP现代化或云迁移:长期、累积和高度依赖执行纪律。 这种不匹配已经让许多公司陷入困境,他们已经大量投资于GPU,许可证和顾问,但没有重组工作流程或调节激励措施,该技术被不足以利用,而不是变革力,AI只是IT预算中的另一个线条 - 昂贵,复杂和政治敏感。 AI不会因为数学错误而失败,它会因为业务错误而失败,这些都是最常见的AI实施问题:数据薄弱,指标不清晰,集成差,以及不切实际的回报率视野。 Where AI actually works: from copilots to supply chains 人工智能实际上在哪里工作:从辅导员到供应链 在令人失望的环境中,一些公司悄悄地证明人工智能可以提供可测量的结果 - 当它被精确地应用时,成功故事共享一个模式:整合到核心工作流程中,清晰的KPIs和规模,将增量收益转化为重大回报。 最明显的例子之一是 通过将Copilot直接嵌入Office和Windows中,微软避免了需要改变行为的“可选”AI工具的陷阱,相反,它扩展了员工已经每天使用的应用程序内部的功能 - Word,Excel,Outlook。 微软 微软 另一个例子来自 该公司报告称,其自治库存倡议通过使用人工智能来优化物流,减少浪费,并更准确地预测需求,总共节省了超过5500万美元,与实验性聊天机器人或一次性试点不同,该倡议针对沃尔玛的核心业务 - 库存和航运。 沃尔玛全球供应链 沃尔玛全球供应链 微软和沃尔玛之间的共同点不是尖端算法,而是业务对齐,这两种情况都表明,人工智能在高量、可重复的流程中最有效,生产率的提高很容易衡量。 自动化小任务,如编写电子邮件或调整交付时间表可能看起来越来越多,但在企业规模上,这些效率会转化为严重的回报。 When AI underdelivers: pilots, promises, and regulatory walls 当人工智能不足时:试点,承诺和监管墙 对于每一个微软或沃尔玛的成功故事,公司AI的警告故事都没有达到预期,这些案例通常不会成为头条新闻,但在董事会室内,它们刺激了怀疑主义和预算冻结。 考虑 JPMorgan. 该银行已经大量投资于人工智能交易和风险管理,解释性和合规性治理已成为一个核心问题。 JPMorgan 维护了模型风险治理结构,以确保其人工智能 / ML 应用程序符合道德,监管和透明度标准。 Salesforce的Einstein GPT提供了另一个例子:作为客户关系管理的下一个边界,它承诺通过生成人工智能来革命销售工作流程,但在部署一年内,结果是混合的:一些试点,如Gucci的服务运营,报告高达30%的效率提高,而许多企业只看到增量改进,如更快的电子邮件草案或更顺利的通话笔记。 顾客也经历了“决策疲劳”和质疑回报率,引起客户支付优惠许可费的不舒服的担忧。   巴伦的 巴伦的 更广泛的模式是明确的:财务方面的合规性限制,销售团队的文化抵抗,或不明确的回报指标,都在推出时所作的伟大承诺之上。 教训是清醒的:人工智能不是一个普遍的增长引擎,一些领域 - 特别是那些受监管或依赖人类信任的领域 - 不管模型有多强大,都抵制自动化。 Corporate AI in 2025: wins and misses 2025年企业人工智能:胜利与失利 
 
 
 
 
 
 
 
 
 
 
 
 Company 
 Use Case 
 Outcome 
 Lesson 
 
 
 
 
 
 Microsoft 
 Copilot in Office/Windows 
 Mass adoption, Fortune 500 use 
 Embed AI in daily workflows 
 
 
 
 
 
 Walmart 
 Supply chain logistics 
 Over $55M in total savings reported 
 Scale amplifies small gains 
 
 
 
 
 
 JP Morgan 
 AI in trading 
 Constrained by regulation and explainability requirements 
 Compliance caps ambition 
 
 
 
 
 
 Salesforce 
 Einstein GPT in CRM 
 Mixed results: up to 30% gains in some pilots, modest improvements in others 
 Not every workflow benefits equally 微软 在 Office / Windows 中使用 Copilot 大量采用,财富500使用 在日常工作流程中嵌入AI 沃尔玛 供应链物流 超过5500万美元的总储蓄业务 规模扩大小收益 摩根 JP 谁在贸易 受到监管和解释性要求的限制 标签:CAPS AMBITION 销售力 爱因斯坦在CRM中的GPT 混合结果:在一些飞行员中获得了高达30%的收益,在其他飞行员中获得了温和的改进 并非每个工作流均受益 Final lessons: barriers to adoption and risks of refusal 最后的教训:收养的障碍和拒绝的风险 企业人工智能的混合历史使领导者面临一个困境:尽管出现了挫折,但仍在继续前进,或者坚持到技术成熟为止.这两种选择都带来风险,但平衡正在向采用倾斜 - 不是因为它很容易,而是因为站立的成本可能仍然更高。 采用障碍仍然是巨大的,首先是全球计算能力短缺,特别是GPU和其他AI优化的硬件。需求推动了价格创纪录的高点,引发了招标战争,让企业面临着长期的交付等待时间。 接下来是整合,成功的人工智能不是一个紧凑的功能,它需要导水数据管道,执行治理,并确保安全性。 员工担心被更换,抵制新的工作流程,或缺乏与人工智能系统有效协作的技能。 最后,规章法。 这些规则旨在保护用户和市场,但它们也减缓部署,特别是在金融,医疗保健和其他敏感部门。 我做法 我做法 然而,只关注这些障碍会错过另一半的方程式:拒绝的风险。选择忽视人工智能的公司可能会发现自己积累了技术债务,坚持过时的工作流程,而竞争对手则扩大了效率。就像那些在20世纪90年代放弃互联网或在2010年代失去云计算的公司一样,那些放弃人工智能的公司可能会面临永久性不利的风险。 采用人工智能是混乱的、昂贵的和不确定的,但选择完全是更具风险的,获胜者不一定是第一个移动者或最大的支出者,而是那些将纪律性的采用与长期战略相结合的人。 Conclusion 结论 这些数字讲述了一个悖论的故事:近十分之八的公司现在使用人工智能,但绝大多数人工智能试点(高达95%)提供很少或没有可衡量的回报。 其影响不太取决于模型力量,而不是业务纪律:整合到核心工作流程中,与可衡量的目标保持一致,并为持久变革做好人和系统的准备。 这留下了一个问题:如果大多数组织今天失望了,那么长期的赢家究竟会是什么 - 优越的技术,更清晰的策略,或者只是忍耐看到人工智能的承诺实现?

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

該音頻是用故事的原始語言製作的！

人工智能的严厉数学:78%的采用,90%的失望与生成人工智能回报

About Author

註釋

標籤

这篇文章刊登在

Related Stories

架构师指南：构建 AI/ML 数据湖参考架构

成功云迁移的完整指南：策略和最佳实践

如何将您的工作流程提高 10 倍：17 个必备应用程序

比特币 UTXO 模型，为独特的生态系统提供动力

架构师指南：构建 AI/ML 数据湖参考架构

成功云迁移的完整指南：策略和最佳实践

如何将您的工作流程提高 10 倍：17 个必备应用程序

比特币 UTXO 模型，为独特的生态系统提供动力

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps