从“能用”到“用好”，中间缺了什么
企业AI正在跨越一道分水岭。过去两年，生成式AI的部署速度远超预期，但真正把AI从试点推向生产级运营的企业仍是少数。Digitate与Sapio Research联合发布的最新研究报告，对600家北美大型企业的IT决策者进行了调研，揭示了一个关键矛盾：AI的信任度和采用率都已达到高位，但支撑规模化运营的基础设施却远未就位。
报告显示，94%的IT决策者认为AI值得信赖，45%的企业已处于半自主到完全自主的运营状态。平均实施支出为1.87亿美元，平均已实现回报为2.21亿美元，ROI同比增长约30%。这些数字看起来相当乐观。
但报告同时指出，96%的组织在AI采用过程中面临实质性障碍。这些障碍并非集中在模型能力上，而是指向一个更底层的结构性缺口——基础设施、治理框架、数据管道和人才储备的“专业化缺口”。
基础设施缺口：旧地基撑不起新负载
报告指出，传统企业基础设施在设计时面向的是“信息规模”——交易处理、网页流量、数据存储。而AI工作负载要求的是“智能规模”，对计算密度、延迟和能效的要求完全不同。
这一判断与IDC在2026年4月发布的调研结果相互印证。IDC对500多名企业网络高管的调查发现，许多组织的AI进展在过去18个月中停滞不前，早期试点未能推进到更大规模的部署。核心原因被归结为三点：遗留基础设施无法承载生产级模型的数据需求、专业AI人才严重短缺，以及安全与治理控制滞后。
报告用“成本-人力困境”来描述这一局面。42%的受访者将技术成本上升列为主要障碍，反映了基础设施、云计算和AI模型训练带来的通胀压力。但更深层的问题在于，许多组织在部署AI时并未同步升级数据管道。在没有建立可靠的数据采集、清洗和治理流程的情况下，AI模型的上限很快就会被数据质量所限制。
治理缺口：政策写在纸上，没有嵌入系统
报告在治理层面给出了一个值得关注的判断：大多数企业的AI治理框架仍停留在“政策驱动”阶段，而非“系统嵌入”阶段。
这意味着，治理规则被写进了合规文档，但没有被转化为系统中的技术约束。当AI智能体在执行任务时，它遵循的是代码中的规则，而非PDF文件中的条款。两者之间的脱节，在试点阶段可能不会暴露问题，但一旦规模化部署，风险就会迅速放大。
报告还指出，数据治理的角色正在从“合规功能”向“核心战略需求”转变，直接关系到企业对AI系统的信任和可靠性。这一转变要求企业重新思考数据治理的组织归属和资源投入——它不再只是法务部门的事情，而是需要IT、业务和风险部门协同参与的系统工程。
人才缺口：需要的是“混合型”人才
报告反复强调的一个概念是“混合技能”——既懂技术，又懂业务，还能理解治理要求的人才。这与传统IT岗位的能力模型有明显差异。
随着IT角色从“运营效率”向“业务价值创造”转变，企业对人才的需求也在变化。报告观察到，人的角色正在从“日常执行”向“监督、解读和创造性决策”演进。这意味着，企业需要的不只是会训练模型的人，还需要能够判断模型输出是否合理、在什么边界内可以信任AI决策、以及在异常情况下如何进行人工干预的人。
报告显示，78%的组织在IT运营中部署了AI，65%在此领域看到了最大收益。软件开发和商业智能紧随其后，分别为52%和51%。IT运营成为AI在企业中的“主要试验场”，这一趋势意味着，AI落地的第一波经验积累正在发生在IT部门内部，而非业务前端。
从自动化到自主化：一条需要耐心的路径
报告将企业AI的演进路径概括为三个阶段：为效率而自动化、为智能而AI、为价值创造而Agentic AI。当前，大多数企业正处于第二阶段向第三阶段过渡的时期。
报告对“自主企业”的定义值得留意：自主运营不是取代人类，而是与人类协作——系统在定义边界内做出决策、跨职能协调资源、并在人类参与下优化性能。这一表述将“自主”从一个技术概念转化为一个组织概念，其实现难度远高于部署一个AI工具。
报告建议企业从三个方向着手：将治理框架嵌入系统而非停留在政策层面，建立面向AI工作负载的基础设施而非依赖遗留架构，以及培养兼具技术、业务和治理能力的混合型人才。这些工作无法在短期内完成，但它们决定了AI从“试点成功”到“规模化价值”之间的距离。
（智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。