2025 年我们获得人工智能的5点教训及2026年5点展望

2025年，市场终于不再纠结于人工智能是否“真实存在”。问题转变为更为实际的问题：能否可靠地交付成果？不再有那些永远无法完成的试点项目，也不再有那些华而不实、却无法提升业务的演示。董事会和首席执行官们开始要求切实的收益——更低的成本、更快的周期、更稳定的收入、更明智的决策——所有这些都必须在不引入新风险的前提下实现。在我们今年观察的数十个人工智能、数据和传统系统现代化项目中，一个共同的模式尤为突出：最终的赢家并非那些拥有最炫酷算法的企业，而是那些将人工智能视为一项真正的业务能力，并建立在严谨的运营管理之上的企业。

这意味着要有强大的数据基础、明智的平台选择、有效的治理以及周全的变革管理。换句话说，执行力胜于实验。

下面，我们总结了团队在 2025 年学到的最重要的经验教训，并预测 2026 年将会取得哪些成果。

第一点：“人工智能税”真实存在——数据准备程度仍然决定最终结果

2025年初的一个重大误解是，人工智能的成功主要取决于选择正确的模型。但实际上，人工智能的成功更多地是一个数据和工作流程整合问题，而不是一个模型选择问题。

各行各业的团队都重新意识到，人工智能的“税”——额外的投资和精力——是不可避免的，而且每次都出现在同样的几个方面。我们看到，许多组织都在苦苦挣扎，例如数据定义不一致（“究竟什么才算客户或有效订单？”）、上游系统中隐藏的数据质量问题、关键流程步骤的事件日志缺失，以及神秘的“影子”数据管道——没人承认拥有，但每个人都依赖它们。如果不解决这些基础性问题，即使是实验室里看起来很棒的最强大的人工智能试点项目，在生产环境中也会束手无策。正如德勤的研究人员所观察到的，许多公司高估了自身的数据成熟度，在解决核心数据和基础设施缺陷之前就贸然投入人工智能——他们的概念验证在干净的样本数据上可能有效，但在真实数据上却会彻底崩溃。

81%的人工智能专业人士表示，他们所在的公司存在严重的数据质量问题，而且大多数人认为领导层没有充分重视并解决这一问题。这些低质量的输入会导致人工智能输出结果不可靠、资源浪费以及风险增加。简而言之，在人工智能时代，“垃圾进，垃圾出”的现象依然普遍存在。

今年取得真正进展的组织，并没有将数据准备视为一次性的项目阶段，而是将其视为一项持续的产品。他们需要不断地衡量、维护和改进数据准备。那些投入资源制定数据合同、共享指标定义、构建稳健的数据管道和追踪数据沿袭的团队，行动更快、更安全；而那些没有这样做的团队，最终得到的只是看似强大的沙盒模型，这些模型在实际环境中却无法发挥作用。

一位首席信息官在目睹了许多人工智能演示失败后说道：“也许其中一两个是真正有用的。其余的都只是包装软件或科学项目。”

2025 年的关键在于：数据准备并非一劳永逸，而是一项持续的运营规范。没错，数据准备和集成方面的前期“AI 成本”确实存在——但迟早都要付出，所以明智的策略是尽早主动地承担这部分成本。 在2025 年，那些从一开始就着手清理数据基础架构、引领 AI 创新潮流的企业，往往是那些行动迅速、勇于承担责任的企业。

第二点：人工智能的大部分价值来自于那些“枯燥乏味”但做得极其出色的用例。

回顾2025年投资回报率最高的AI应用案例，鲜少是那些吸引眼球、引领潮流的未来科技项目。真正带来巨大成功的，是那些看似“枯燥乏味”却至关重要的日常运营应用——它们如果执行得当，就能直接提升收益或效率。例如，我们看到收入保障机器人能够发现人工疏忽的计费错误和收入流失（从而节省真金白银）；AI驱动的审计和对账工具能够避免代价高昂的返工；保险行业的理赔处理引擎能够自动完成日常审批流程，从而节省数千工时。这些应用看似平凡，但利润却极其丰厚。事实上，超过一半的AI预算都花在了花哨的面向客户的工具上（例如营销或销售助手），而最大的投资回报却来自后台自动化——它能够消除人工操作、简化支持流程并优化内部运作。

同样，那些将人工智能应用于后端流程的公司，比那些专注于面向客户的应用（例如营销和社交媒体分析）的公司获得了更高的投资回报率。简单来说：自动化你的会计或客户支持听起来可能并不吸引人，但它带来的收益可能比又一个能撰写广告文案的人工智能聊天机器人要高得多。

我们观察到的最有价值的类别包括理赔、账单和支付操作（人工智能可以识别异常情况或处理日常事务）、收入周期自动化（查找漏收费项或防止重复工作），以及为内部支持团队提供的人工智能助手，这些助手能够真正缩短处理时间，而不仅仅是生成冗长的答案。我们还看到，当人工智能被设置为自动采取行动时，需求预测和异常检测也取得了显著成效——例如，自动调整库存或实时标记欺诈行为，而不仅仅是生成报告。另一个看似“不起眼”的亮点是知识管理：人工智能系统能够导入公司文档、工单和客户关系管理 (CRM) 数据，并在员工已使用的工具中提供准确的答案（而不是使用没人信任的独立聊天机器人）。

所有这些成功的实施案例有什么共同点？三点：

首先，他们选择了一个非常清晰、可衡量的关键绩效指标 (KPI) 来进行改进。

其次，他们将人工智能嵌入到现有的工作流程中，使使用人工智能成为日常流程的自然组成部分。

第三，他们培训了最终用户和操作人员如何使用人工智能并不断改进它。

2025年的教训是，如果人工智能解决方案不能真正改变工作方式，它就只能停留在科学项目或“创新秀”的阶段。这与麦肯锡的全球调查结果相符，该调查发现，在那些从人工智能中获得最大价值的公司中，大多数都在重新设计工作流程以适应人工智能，而不是将人工智能作为事后补救措施。

我们见过的所有成功团队都将人工智能项目视为真正的产品：明确的负责人、成功指标以及运营计划。他们也毫不畏惧地专注于流程改进，这些改进虽然并不光鲜亮丽，却能直接影响最终收益。2025 年证明，人工智能无需创作诗歌或自动驾驶汽车就能改变你的业务——有时，它只需要每天可靠地、大规模地处理那些繁琐的工作。

第三点：GenAI 从“聊天”转向“系统”

早期对生成式人工智能的探索通常意味着搭建一个聊天界面（或许是一个经过精细调校的大型语言模型），然后寄希望于它能令人惊艳。到2025年中期，具有前瞻性的团队已经超越了这种模式。我们看到了一种明显的架构转变：生成式人工智能不再是孤立的聊天机器人，而是代理系统——能够执行操作、调用其他工具或API，并在既定工作流程和规则范围内运行的人工智能代理。

在实践中，这意味着将LLM系统接入业务系统。客服机器人不再仅仅是回复短信，它还可以从数据库中检索客户的订单历史记录，通过API执行退款，然后将交互记录到客户关系管理系统（CRM）中——所有这些都可以在一个流程中完成。这些多步骤代理开始端到端地处理更复杂的任务，有效地成为日常流程的AI“员工”。到2025年底，23%的受访公司表示他们至少有一个代理AI系统正在生产环境中扩展，还有更多公司正在尝试这种方法。这种热情不难理解：能够在监督下采取行动的AI比只会聊天的AI能创造更大的商业价值。甚至财富500强企业也在IT支持和知识管理等职能部门试点基于代理的自动化。

然而，2025 年也让我们对这些人工智能“代理”有了更深刻的认识。放任其自主而不设任何限制，只会加速错误的发生。成功的团队会投入大量精力，确保人工智能系统的安全性。他们将生成模型建立在值得信赖的、经过精心筛选的知识库之上而非开放的互联网。他们为代理设定了明确的权限范围和逐步约束，通常会限制人工智能未经授权可以访问的工具或记录。对于任何高风险操作（例如支付或发送外部电子邮件），都会安排人工审核或批准。此外，代理的所有操作都会被记录并可审计，并制定了相应的回滚方案，以防出现问题。

2025年最优秀的AI系统都拥有强大的“免疫系统”。例如，AI解决方案正在被由专业代理组成的协调生态系统所取代——但为了蓬勃发展，这些代理必须通过内置的完善治理和互操作性进行协调。

正确运用人工智能的回报在于，你不仅可以信任它进行对话，还可以信任它执行任务。企业不再以有趣的聊天记录来衡量成功，而是开始以已解决的工单、已处理的订单、已起草的提案和已安排的交付来衡量。领先企业的工作单元已从聊天会话转变为可以全天候运行的人工智能增强型业务流程。

到2025年底，我们所见到的最先进的企业将“人工智能产品”视为其技术栈中的任何其他软件产品——配备产品经理、版本更新、用户反馈机制，并明确责任归属。它们不再是边缘的新奇事物，而是成为运营结构的一部分。由此可见：聊天机器人本身改变不大。但一个能够感知、决策并在一定规则下采取行动的人工智能系统，可以改变工作方式。2025年让我们得以窥见未来，而到了2026年，这些景象将转化为竞争力的必要条件。

第四点：传统系统现代化已成为先决条件，而非并行轨道

多年来，“现代化改造我们的遗留系统”一直是IT部门的一项普遍要求，其理由通常是消除技术债务或提高系统弹性。到了2025年，遗留系统现代化改造又有了新的迫切理由：为人工智能做好准备并加快变革速度。我们一次又一次地看到，旧的架构阻碍了人工智能项目的推进，或者使项目变得比实际需要的更加繁琐。

这些痛点是可以预见的。许多仍然采用批处理数据架构的公司发现，批处理数据对于现代人工智能驱动的决策来说过于陈旧——如果数据已经过时24小时，人工智能就无法对客户事件或运营异常做出实时反应。另一些公司则遇到了单体系统的经典问题：由于所有组件紧密耦合，即使是针对人工智能用例的微小调整或集成，也需要耗费大量时间和精力进行部署。在一些极端情况下，关键业务流程仍然被锁定在几十年前的大型机或ERP系统中，集成人工智能代理甚至提取实时数据都难如登天。

成熟的基础设施在敏捷性方面很快就暴露出其弊端。我们甚至在2025年目睹了一些公开的失败案例，印证了这一点：例如，一家大型航空公司由于老旧的重量平衡系统崩溃而不得不停飞航班；一家全球性银行也遭遇了长达数小时的系统宕机，最终被追溯到其陈旧的核心平台。教训惨痛而清晰：你不能把现代人工智能生硬地套用在脆弱、反应迟缓的老旧系统上，还指望获得可靠的结果。

我们观察到的最佳结果来自于企业将现代化视为其人工智能和数字化转型战略不可或缺的一部分，而不是将其视为一个独立的“IT项目” 。他们没有冒险进行大刀阔斧的旧系统替换，而是采用了一种循序渐进的方法：逐步剥离旧系统的各个部分，用灵活的服务或云平台取而代之，并在过程中不断取得成效。例如，一家拥有单体订单管理系统的企业，首先通过API“封装”关键功能，使新的AI驱动服务（例如可以查询订单状态的聊天机器人或可以调整订单的算法）能够与旧系统对接，而无需立即替换旧系统。

至关重要的是，2025 年的现代化不再仅仅被视为削减成本或技术升级，而是被视为提升速度。领导者们开始思考的不再是“我们如何摆脱大型机？”，而是“我们如何才能以安全的速度改造这个平台以支持新的工作流程？我们能够以多快的速度进行试验？”

我们还看到现代化团队与人工智能团队的合作更加紧密，他们基本上以人工智能优先的理念设计新系统（例如实时事件流、内置机器学习模型连接器等）。一个具体的趋势是转向事件驱动架构和流数据管道，这些架构和管道能够为人工智能系统提供持续数据，并实现实时响应。正如 Confluent 所说，“僵化的请求/响应模型会造成瓶颈，而事件驱动架构则能释放自主代理所需的灵活性和可扩展性”。

总之，2025 年彻底改变了局面：现代化成为人工智能竞争的战略推动因素甚至是先决条件。企业高管开始意识到，如果他们想要人工智能的炫酷功能，就必须投资于平台演进的艰苦工作。因此，现代化路线图被提前，与人工智能目标直接挂钩，并以业务能力来衡量（例如，“我们能否在几周内而不是几个月内推出一项新的数字服务？”）。

第五点：良好的治理并没有拖慢优秀团队的步伐。

许多组织中一直存在一种根深蒂固的误解，认为治理是创新的敌人——引入过多的控制或审查会扼杀创新项目。然而，2025 年表现最佳的人工智能团队证明，事实恰恰相反。

轻量级但有效的治理机制，对于那些正确实施的人来说，实际上成为了速度优势。原因很简单：如果及早建立清晰的规则和指导方针，团队就不会在每次出现新用例时陷入分析瘫痪或无休止的审批循环。相反，他们了解规则，可以在这些规则范围内更快地行动。我们在数据治理方面就看到了这一点：拥有清晰数据分类和访问策略的公司可以自信地向其人工智能开发人员开放高质量数据，而其他公司则浪费数周时间在数据权限的争论上，或者更糟糕的是使用不完整的数据，最终遭遇合规性问题。最先进的组织为人工智能模型设定了分级风险级别——例如，区分低风险人工智能（比如一个简单的内部工具）和高风险人工智能（比如一个需要做出合规性敏感决策的人工智能）——并为每个级别制定了相应的测试和验证标准。这意味着并非每个人工智能都需要数月的审查；低风险项目几乎可以自助完成，而高风险项目则会受到更深入的审查。这种框架实际上简化了创新流程，将监管重点放在了真正重要的地方。

另一个领域是供应商和工具的管理。2025年，无数人工智能初创公司和工具涌入市场，我们看到一些公司盲目追逐每一个热门产品，而另一些公司则建立了一定的管理机制：标准化的采购标准、安全审查，以及一份“已批准”和“已禁用”人工智能工具的清单。这些管理严谨的公司并没有因此而落后——事实上，由于他们拥有可重复的评估流程，他们能够更快地采用新技术。他们避免了“我们是否应该允许使用这个新的人工智能工具？”这种分析瘫痪，而是提前决定了哪些数据可以或不可以离开他们的环境，哪些供应商符合他们的标准等等。在实践中，我们看到一些管理委员会迅速召开会议（有时甚至是每周一次的“人工智能委员会”），以解决项目障碍并提供指导，而不是仅仅为了撰写文书工作。

最终结果是，拥有良好治理的组织遭遇的失败更少，因此对人工智能项目的恐惧也更少。团队无需小心翼翼，因为他们清楚界限在哪里。例如，一家治理完善的公司可以自信地部署面向客户的人工智能工具，因为它已经对模型进行了偏见和合规性审查，建立了输出监控机制，并培训了客户服务人员如何处理人工智能的建议。与此同时，一家缺乏这些准备工作的竞争对手可能还在内部争论在客户服务中使用人工智能是否合法。

2025 年的关键在于：有效的治理并非官僚主义，而是创造安全高效的环境。精心设计的治理不会扼杀创新，反而能通过避免引发高管恐慌、公众强烈反对或监管机构干预的失误，来促进创新。最优秀的团队已经掌握了这一点，并将治理转化为竞争优势。

2026年展望：接下来什么最重要

如果说2024年是探索人工智能新理念的一年，2025年是将这些理念付诸实践的一年，那么2026年将是人工智能大规模运营的一年。仅仅拥有几个成功的应用案例已经远远不够；企业能否在整个企业范围内可靠、高效、安全地运行数十个人工智能驱动的流程，将成为评判其成败的关键。以下是我们认为2026年对领导者提出的要求：

1.“人工智能运营”成为核心业务职能

正如企业最终将网络安全、数据工程和DevOps规范化一样，我们将看到专门的AI运维团队或AI卓越中心涌现，负责管理生产环境中的AI。这不仅仅是模型部署；它还包括持续的模型监控，防止模型漂移；对AI计算和代币使用进行成本控制；管理AI决策的监管合规性和审计；以及监督训练和应用。 运营 AI将被视为一项至关重要的能力——高管将负责其持续性能。事实上，一些组织已经将AI治理提升到高管层和董事会层面；德勤2025年的调查发现，10%的公司由其首席执行官担任AI议程的主要负责人，这表明AI的战略地位已经变得多么重要。

预计到 2026 年，AI运营 部门将拥有类似 IT 部门事件管理的剧本和响应计划——因为如果 AI 系统大规模出现故障，就需要一个团队来检测故障并实时进行干预。

2.必须有可衡量的投资回报率

随着经济形势趋紧，最初的热潮逐渐消退，那种可以随意挥霍“人工智能创新”预算的时代即将结束。到2026年，每一项人工智能计划都必须证明其价值，否则将面临被砍掉的风险。成功的项目将首先设定基准指标，然后实施人工智能解决方案，并承诺在规定的时间内实现可衡量的改进——否则就必须快速迭代或停止。我们将看到更多的人工智能项目在严格的项目管理办公室（PMO）框架下运作。一位首席信息官将其描述为“像对待真正的项目一样对待人工智能项目”，并像对待任何其他重大投资一样，运用同样的商业论证方法。

这意味着要设定明确的关键绩效指标 (KPI)，明确负责人对结果负责（而不仅仅是技术交付），甚至要设定项目止损点，如果项目未能达到目标就必须停止。另一方面，当人工智能真正发挥作用时，领导者会加倍投入。但人们对“科学实验”的耐心正在逐渐耗尽。到了 2026 年，仅仅说“这项人工智能技术可能可以做到 X”是远远不够的——高管们会问“拿出证据来，而且什么时候能拿出证据？”。那些能够以商业术语（例如收入增长、成本降低、净推荐值提升等）定义和追踪人工智能投资回报率 (ROI)的组织，而不仅仅是那些关注技术指标的组织，才能真正蓬勃发展。

3.架构正朝着实时、事件驱动型数据方向转变

为了大规模支持人工智能尤其是智能体、嵌入式工作流的人工智能，企业将大力投资实时数据基础设施。批量处理和隔夜 ETL 流程对于人工智能驱动的业务环境而言将显得过于缓慢。预计到 2026 年，将有更多事件流平台（例如 Kafka 或同类平台）持续向人工智能系统提供数据，从而实现即时响应。这与传统系统的现代化改造密不可分：我们预测，在核心系统之上构建“事件驱动”层的项目将会激增，以便将重要的业务事件（例如客户交易、传感器读数、支持工单更新）实时发布，供任何人工智能或分析系统订阅。

我们还预见到语义层和指标存储的兴起，这将确保所有人（包括人类和人工智能）都基于相同的关键指标和实体定义开展工作。到2025年，许多公司意识到他们需要一套一致的数据词汇表（例如“什么是收入？什么是活跃用户？”），以避免人工智能造成混乱；到2026年，实施这些语义层将成为人工智能自信扩展的首要任务。简而言之，数据架构将朝着实时、领域导向和源头管控的方向发展，从而为人工智能奠定坚实的基础。

4.“构建+购买+组装”模式优于“大爆炸”式平台

2026 年的技术投资策略将更加务实灵活。企业不会再孤注一掷地依赖单一的大型平台，也不会试图从零开始定制开发所有功能，而是会采取组合式方法。核心平台（云服务提供商、主流 ERP 系统、数据云）将实现标准化以避免碎片化，除此之外，团队还可以自由地通过组合 API、SaaS 工具和自定义代码来“组装”解决方案。

具体到人工智能领域，这意味着您可以购买一款用于文档处理的人工智能工具，构建自己的内部模型来应对特定的预测任务，然后将它们集成到使用现有自动化平台的流程中——选择能够最快实现价值的方式。2025 年的成功企业已经展现出这种模式：那些寻求合作伙伴并购买专业人工智能解决方案的企业，其成功率通常是那些试图完全自主构建的企业的 3 倍。

到2026年，人们将会深刻体会到，购买或授权那些并非核心差异化优势的功能才是明智之举，而应将定制工程的重点放在真正具有核心竞争力的领域。我们预计，企业也会避免耗时多年、投资回报率不明朗的“推倒重来”式IT项目。如果一家公司仅仅为了三年内打造一个统一平台而考虑重写一个主要系统，那么它将面临严格的审查。届时，企业将倾向于采用渐进式、模块化的现代化改造方式——例如，一次只开发一个领域或功能——并利用人工智能和自动化来加速这些工作。例如，许多企业不会重写整个遗留系统，而是会使用API对其进行封装，并逐步替换各个部分（如第四课所述）。总而言之，2026年的准则将是：在技术选择上保持敏捷性和结果导向。利用现有的资源——无论是自主研发还是购买的——快速搭建解决方案，避免那些夸大其词、承诺无限却迟迟无法兑现的“一刀切”式平台。

5.传统系统现代化将重新定义为“能力现代化”

基于第四 点教训 的内容，我们相信围绕“传统IT”的思维模式将发生显著转变。领导者不再仅仅将其视为从旧技术向新技术的过渡，而是会从业务能力的角度来探讨：我们如何提升自身的变革和适应能力？讨论的焦点也将从“我们需要将X系统迁移到云端”转变为“我们需要确保能够在几周内推出新产品，或者将负载扩展到10倍，或者将人工智能端到端地集成到任何客户流程中”。

技术变革（例如云计算、微服务等）成为实现这一目标的手段。这意味着现代化指标也可能随之改变——企业不再衡量系统迁移的百分比，而是可能衡量部署频率、变更交付周期、组件复用率，甚至是人工智能增强的工作流程百分比。到2026年，一个成功的现代化传统系统替代方案不仅要能正常运行，更要切实提高变更的速度和安全性。预计在董事会会议上，我们将更频繁地听到“实现能力所需时间”或“实现价值所需时间”之类的表述。我们还预测，企业将更加关注可重用性——他们不希望每个新的人工智能解决方案都重复造轮子。如果一个团队构建了一个出色的欺诈检测微服务，其他部门应该能够直接接入，而不是从零开始构建自己的微服务。

模块化业务能力（有时也称为“可组合企业”）的理念将日益受到重视，成为解决单体式遗留系统和分散式一次性项目问题的良方。正如一份2025年的现代化报告所言，其目标并非抛弃数十年来积累的成熟逻辑和经验，而是将其释放并使其在新数字环境中可重复使用。因此，到2026年，遗留系统现代化成功的案例将不再是“我们迁移到了云端”，而是“得益于我们的新平台，我们现在可以每天更新定价算法，而不是每年更新一次”——即业务敏捷性方面的成就。以这种方式构建现代化战略的公司将获得高层的支持，因为这与增长和竞争力直接相关。

一位首席执行官的想法

2026年我们可以汲取的最重要的经验教训很简单：人工智能本身并不能改变企业——执行力才是关键。技术模块比以往任何时候都更加强大，但如何组装和管理这些模块才是决定成败的关键。2025年的经验告诉我们，成功者会执行整合战略：他们构建现代化、适应性强的平台；他们创建人人信赖和使用的数据基础；他们将人工智能嵌入核心工作流程并设置适当的安全措施；他们大力投资于变革管理的人员因素，从而确保新工具能够被真正接受，而不是被抵制。

这些工作远没有接入新模型并看着它产生漂亮的输出那么轻松或引人注目。但这正是真正产生影响的5%的项目与其余95%的项目之间的区别所在。

展望2026年，标准正在不断提高。仅仅尝试人工智能是不够的——如今，卓越的人工智能运营才是关键。令人鼓舞的是，对于那些愿意将人工智能、数据和现代化视为一项统一使命的人来说，这是可以实现的。如果我们做对了——如果我们专注于严谨的执行——那么2026年的回报将远远超过我们在2025年付出的“代价”和奠定的基础。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：马斯克，36氪经授权发布。