AI转型的"最后一公里"：技术不是瓶颈，组织才是。

哈佛商学院的 Digital Data Design 研究所和微软联合发起了一个叫“前沿企业倡议”（Frontier Firm Initiative）的项目，专门研究企业如何从零散的 AI 试点走向真正的 AI 驱动型组织。最近他们在哈佛商学院搞了一场闭门峰会，请来了十几家全球企业的高管，涵盖医疗、银行、工业制造等多个行业，一起聊一个共同的困惑：AI 工具我们都买了，试点也做了几百个，为什么整个公司就是转不过来？

这篇发表在《哈佛商业评论》上的文章，把峰会的核心发现整理了出来，信息量很大，值得仔细看看。

1、试点遍地开花，转型却原地踏步

文章开头就点出了一个很普遍的现象：大多数大型企业在 AI 方面的投入已经相当可观了。一家全球投资银行搞了 250 多个连接大语言模型的应用，一家食品饮料巨头在 185 个国家都上线了 AI 试点项目，一家服装公司自动化了 18000 多个财务流程。数字看起来很漂亮。

但问题是，这些试点各自跑得挺好，放在一起却拼不出一个完整的拼图。它们像一座座孤岛，每个岛上的居民都很满意，但岛和岛之间没有桥。一个 AI agent 几秒钟就能起草一份复杂的合同，但这份合同接下来要在人工法务审核的队列里排两个星期，因为公司的风控和治理框架根本没有为 AI 的速度做过调整。瓶颈只是换了个位置，并没有消失。

与会的高管们有一个共识：阻碍 AI 转型的首要障碍，很少是模型质量或者数据可用性的问题，几乎总是卡在“最后一公里”上，也就是技术能力和组织设计之间的那道鸿沟。

这个判断对于很多正在推进 AI 落地的企业来说，可能是当头一棒。大家习惯性地把注意力放在选什么模型、用什么平台上，但真正让事情推不动的，往往是那些看不见摸不着的组织摩擦力。

2、七道结构性摩擦力，道道都扎心

文章梳理了七个阻碍 AI 从试点走向全面转型的结构性障碍，每一个都来自真实企业的一线经验。

**第一道摩擦：从试点到标准化没有可复制的路径。** 很多公司可以说是“试点富翁，转型穷人”。单个试点成功了，但没有人知道怎么把它变成全公司通用的工作方式。缺的不是技术方案，是一条从概念验证到标准操作模式的可重复路径。

**第二道摩擦：生产力提升找不到落脚点。** 一家全球支付网络的 99% 以上员工都在用 copilot，一家大型制造商的工程师用 AI 辅助编程后生产力提升了两位数。但当财务部门去找这些收益到底体现在哪里的时候，答案模糊得很。省下来的时间去哪了？很多时候被吸收进了更多的内部会议、不必要的邮件这类低价值活动里。除非领导层有意识地重新设计岗位和预算，把省下来的时间结构性地导向更高价值的工作，否则这些效率提升就像水泼在沙地上，渗下去就看不见了。

这一点特别值得琢磨。我们平时用 AI 工具省下来的时间，是真的拿去做了更重要的事，还是不知不觉就被各种琐事填满了？如果没有刻意的规划，“省时间”很可能只是一个自我安慰的幻觉。

**第三道摩擦：流程本身就是一团乱麻。** AI 经常扮演一个诊断工具的角色，它会暴露出那些脆弱的、充满例外的流程。一家大型医疗保险公司发现，自己的工作流程碎片化到 AI 发现问题的速度比解决问题的速度还快。一家在 170 多个国家运营的专业服务公司发现，同一个流程在不同地区有几十种不同的执行方式。在这种环境下，你得先把流程本身重新设计好，AI 才能稳定地跑起来。这需要一种特殊的领导力，既懂业务逻辑又懂技术约束的人，能从零开始重新设计流程。

**第四道摩擦：隐性知识锁在老员工的脑子里。** 在基础设施和专业服务等领域，大量关键知识从来没有被文档化过，而且往往被有意保护着，因为“知道这些东西”本身就是一种地位的象征。AI 要求这些人把自己的判断力外化出来，编码进系统里。这触及了一个很敏感的身份认同问题：如果我把我知道的东西都教给了机器，我还有什么价值？一家工程咨询公司把这个问题定义为“身份问题”而非“技能问题”，非常精准。

这个洞察放到任何组织里都成立。很多时候推不动变革，表面上看是技术问题、流程问题，底下其实是人的安全感问题。如果不解决“我的价值在哪里”这个根本焦虑，再好的技术方案也会被软性抵抗消解掉。

**第五道摩擦：治理框架跟不上 agent 的速度。** 当 AI 从“给建议”升级到“直接行动”的时候，传统的治理模式就崩了。一家全球银行发现，人工审核在单个案例上还能用，但面对多 agent 协作的架构就完全跟不上了。一家已经运行了 100 多个 agent 的资产服务机构，正在为未来可能出现的数万个 agent 做规划。领导者们现在要回答的问题，更像是人力资源部门的问题：怎么给一个数字员工做入职培训、绩效评估、权限管理，以及最终的“退休”？

**第六道摩擦：多平台之间的协调成本巨大。** 大多数企业同时使用多家云服务商和多套应用系统。一家全球服装公司花了好几个月才让 SAP、微软和谷歌环境里的 agent 能够可靠地互相通信。更麻烦的是，平台的迭代速度现在比项目周期还快，每次出一个新模型，团队就忍不住想推倒重来。

**第七道摩擦：把 AI 定位成“降本工具”反而限制了想象力。** 好几家企业把 AI 的早期定位比作新一轮的外包，这直接触发了中层管理者的防御心理，也让高管层的转型野心变得保守。一家数据分析咨询公司警告说，过度聚焦效率可能会掏空那些真正区分高价值工作的人类能力，比如判断力和讲故事的能力。虽然董事会要 ROI，但最大的收益很可能来自重新思考价值创造的方式，而不仅仅是从现有任务上省几分钟。

3、前沿企业的操作蓝图

文章在指出问题之后，也给出了那些走在最前面的企业正在收敛出来的一套操作蓝图。

首先是“白纸设计”思维。领先的企业已经不再把 AI 往旧流程上硬贴了，而是把 AI 当作一个触发器，从零开始想：如果今天我们用 AI agent 来重新搭建这个流程，它应该长什么样？哪些步骤根本就不需要存在？哪些环节应该由 agent 来做，哪些必须由人来把关？一家大型医疗机构正在用短周期、跨职能的冲刺方式重新设计流程，一家全球金融机构正在把核心服务当作全新产品来重新构想。

其次是把隐性知识当作战略资产来经营。那些推进得快的企业，正在系统性地识别依赖专家经验的流程，然后安排资深专家和设计师配对，把专家的判断力外化出来。关键在于怎么定位这件事：如果你告诉专家“我们要把你的知识抽走给机器用”，没人愿意配合。但如果你说“我们要帮你建立遗产，把你独特的判断力编码进一个数字系统里，让你从重复性工作中解放出来，去专注那些最复杂、最有挑战性的问题”，效果就完全不一样了。这是一种放大专业能力的叙事，而不是替代的叙事。

第三是从“模型治理”升级到“agent 治理”。前瞻性的企业正在设计集中式的控制面板，定义谁可以创建 agent、agent 可以执行什么操作、出了问题谁来负责。指导原则是：把 agent 当作一支需要管理的劳动力，而不是一堆软件脚本。

第四是主动重新设计人的角色。当 AI 吸收了越来越多的执行性任务之后，人的角色必须显式地向设计、编排和解读方向转移。工程类企业正在向“保障”和“系统思维”类角色转型，咨询类企业正在把“讲故事”的能力正式化，金融机构开始给数字员工配备管理者，就像管理人类团队一样。

4、最后一公里的真正障碍

文章最后的结论很直白：AI 的最后一公里，卡住的地方不在技术上，而在操作模式、治理框架和人的身份认同这三个未解的问题上。

前沿企业的操作蓝图已经逐渐清晰了，执行层面的自动化程度越来越高，但真正稀缺的是领导者的想象力和决心。他们需要想象一种完全不同的企业运营方式，并且有勇气去落地。今天摆在高管面前的核心问题是：你愿不愿意重新设计整个组织，让它终于能释放出你已经买回来的那些技术的潜力？

这个问题的分量，远比“选哪个 AI 模型”要重得多。

原文地址：hbr.org/2026/03/the-last-mile-problem-slowing-ai-transformation

#科技先锋官##How I AI#