科技资讯

AI已进入企业57%的核心流程，但七成处于失控状态——当部署速度碾压人才储备，这场”无人驾驶”的转型到底要开向哪里？

2026年的夏天，全球企业正经历一场前所未有的”AI悖论”：一方面，AI已经深度渗透进超过半数的企业核心业务流程；另一方面，绝大多数公司发现自己根本没有足够的人来管理这些系统。这不是技术不够先进的问题——而是整个组织的”操作系统”还没有跟上。

多家权威研究机构在短短一周内密集发布报告，从不同维度描绘了同一幅图景：AI部署的速度远超企业的人才准备和组织适应能力。当技术狂奔时，人的脚步却跟不上。

一、57%的流程已AI化，但”准备好”的企业不到四分之一

全球最大IT基础设施服务公司Kyndryl发布的一份最新报告显示，截至2026年中，57%的企业核心业务流程已经集成了某种形式的AI。这个数字在过去两年中几乎翻了一番。

然而，与这个亮眼数字形成鲜明对比的是另一个令人不安的数据：在全世界范围内，只有约25%的组织明确表示自己的员工队伍已经做好了充分准备来运营和维护这些AI系统。印度市场的Kyndryl研究同样印证了这一趋势——尽管AI采用率持续攀升，但仅有四分之一的企业认为其劳动力具备相应能力。

“我们看到的不是技术瓶颈，”Kyndryl报告指出，”是组织能力和人才储备的结构性缺口。企业采购了最先进的AI工具，但没有建立起相应的培训体系、治理框架和运营流程。这就像给一辆F1赛车配了一个还没考驾照的司机。”

二、70%的AI在”裸奔”：影子企业的崛起

如果说人才缺口只是隐忧，那么”不受控AI”的蔓延则是一个正在发生的现实危机。

联想旗下StoryHub平台发布的调研数据显示，70%的企业AI应用处于”不受控”状态——这意味着这些AI系统是由各部门自行部署、未经过IT部门审核、没有纳入统一治理框架的。这种现象在业内被称为”影子AI”（Shadow AI），与IT管理中的”影子IT”概念类似。

“影子AI带来的风险是多层次的，”报告分析道。首先是数据安全风险——员工可能将敏感商业信息输入到未经安全评估的AI工具中；其次是合规风险——不受控的AI输出可能违反行业监管要求；最后是成本风险——各部门重复购买相似的AI服务，造成资源浪费和ROI稀释。

TraceGains同期发布的《2026 AI准备度与治理调查报告》进一步揭示了问题的严重性：在高监管行业（如食品饮料），仅有41%的企业正式采用了AI工具，远低于非监管行业的采用率。更令人担忧的是，员工的”非正式AI使用率”反而更高——大量员工在未经公司批准的情况下私自使用AI工具处理工作。

三、Forrester的判断：”追逐者众，收获者寡”

咨询机构Forrester在最新的Agentic AI行业报告中给出了一个冷静的判断：“2026年的企业Agentic AI，正处于’期望膨胀期’向’泡沫破裂低谷期’过渡的阶段。”

Forrester的研究覆盖了两百余家企业，发现了一个明显的分层现象：

• 约15%的企业已经实现了Agentic AI的规模化部署，并看到了明确的业务回报
• 约30%的企业处于试点阶段，在特定场景下验证了可行性
• 超过55%的企业仍处于规划或早期探索阶段，尚未形成可复制的模式

“问题不在于企业不投入，而在于投入的方向错了，”Forrester分析师指出。“大多数公司在2024-2025年把预算砸在了模型采购上，而不是组织能力建设上”。当模型能力不再是稀缺资源时，真正的竞争壁垒就变成了——谁能更好地把AI嵌入到日常业务流程中，谁能培养出既懂业务又懂AI的复合型人才。

四、巨头们开始”下场”：从卖工具到卖能力

面对人才与治理的双重挑战，科技巨头们正在改变策略。过去几年，它们主要扮演”卖铲子”的角色——提供AI模型、API和开发工具。但现在，它们开始意识到：如果客户不会用这些工具，再好的模型也毫无价值。

AWS的做法最为激进。该公司近期推出了面向企业客户的”前置工程团队”（Forward-Deployed Engineering Team），直接派遣工程师入驻客户企业，帮助搭建AI Agent的部署环境和治理框架。这不是传统的咨询服务——AWS工程师将与客户团队并肩工作，确保AI系统真正落地运行。

Adobe的策略则是生态合作。该公司通过新的代理机构和技术合作伙伴关系，加速企业级Agentic AI的采纳。Adobe不再仅仅销售AI功能，而是打包”AI+工作流程+培训”的一体化解决方案。

Gartner则从方法论层面给出指引。该机构最新报告强调，”上下文层”（Context Layer）才是AI Agent规模化部署的关键——不是模型的智能程度，而是企业能否为AI提供结构化、高质量、实时更新的业务上下文数据。

五、深层矛盾：技术迭代周期 vs 组织进化周期

这场”部署快于准备”的困境，折射出一个更深层的结构性矛盾：技术迭代是以月为单位的，而组织进化是以年为单位的。

AI模型的更新周期已经从年缩短到周——OpenAI、Anthropic、Google等公司几乎每周都在发布新模型、新能力。但一家中型企业完成一次组织架构调整需要6-12个月，培养一个合格的AI运营团队需要1-2年，建立一套完整的AI治理框架则需要更长时间。

“这不仅仅是培训不足的问题，”UX专家Jakob Nielsen在一篇分析文章中写道，”AI在企业的真正障碍是组织设计，而非技术问题。大多数公司的流程、权限结构、决策链条都是为’人类执行任务’设计的，而不是为’人机协作’设计的。要让AI真正发挥作用，企业需要重新思考的不是’用什么AI’，而是’组织应该怎么运转’。”

Grant Thornton的报告同样证实了这一点：“人才缺口正在阻碍新兴企业的AI规模化”。不仅在大型企业，连那些刚刚起步的科技公司也在遭遇同样的瓶颈——它们能买到最好的AI工具，但找不到足够的人来运营这些工具。

六、出路在哪里？

面对这场”无人驾驶”的AI转型，企业并非束手无策。综合多家机构的建议，以下几条路径正在被广泛探讨：

第一，治理先行。与其让各部门各自为政地部署AI，不如先建立统一的AI治理框架，明确数据使用规范、安全标准和合规要求。联想的报告建议企业首先对现有AI使用情况进行全面盘点，识别”影子AI”的范围和风险等级。

第二，人才投资。这不仅是招聘AI工程师的问题——更重要的是培养”翻译型人才”，即那些既理解业务需求又了解AI能力边界的复合人才。AWS的前置工程团队模式提供了一种思路：让技术专家深入到业务一线，帮助团队建立实际能力。

第三，从小处着手。Forrester的建议是，不要试图一次性在所有流程中部署AI。选择一个高价值、低风险的场景作为切入点，验证可行后再逐步扩展。Agentic AI的成熟度是阶梯式的，不是跳跃式的。

第四，重新设计组织。这是最难但也最根本的一步。当AI成为日常运营的一部分后，企业需要重新思考岗位设置、决策流程、绩效考核方式。这不是在现有流程上加一层AI，而是从根本上重构工作方式。