by Alex Sawaya, Kevin Wei Wang, Lambert Bu, and Michael Chang
生成式AI热潮持续升温，企业纷纷投入大量资源。然而，麦肯锡研究显示，尽管80%的企业已采用最新一代AI技术，但同样比例的企业尚未在营收或利润上取得显著提升。通用型AI工具虽能提升员工效率，但微小的时间节省往往难以转化为可观的财务回报。与此同时，高价值的垂直场景应用仍多停留在试点阶段——这一现象被称为“生成式AI价值悖论”（见图1）。
随着智能体AI（agentic AI）的发展，AI正从辅助工具向自主决策、规划与执行的系统演进（见图2）。未来，组织结构和工作方式将被重塑：单个员工可指挥15至20个AI智能体，形成人机协同团队；部分职能部门甚至可能由少数人员管理数百个智能体，实现高达20倍的生产力跃升。
大中华区企业部署生成式AI的四大共性挑战
过去两年，麦肯锡在全球范围内支持多家企业推进生成式AI项目，其中涵盖大中华区企业。我们观察到该区域企业在落地过程中普遍面临以下四类问题。
1. 价值目标不清晰，转型路径模糊
许多企业难以明确生成式AI在降本增效或驱动增长方面的核心发力点。即便启动试点项目，也常缺乏与整体战略对齐的清晰路线图，导致投入碎片化、重复建设，难以规模化复制高价值用例。
2. 关键人才短缺，跨部门协作不畅
AI驱动的流程变革需重构工作流与职责分工，但业务与技术团队之间常存在认知鸿沟。在部分中国企业中，IT部门话语权较弱加剧了这一矛盾。同时，数据工程师、AI运维专家、模型治理等关键岗位人才稀缺，制约了高效团队的组建。
3. 执行机制缺位，推进动力不足
尽管高层重视，但组织内部常缺乏明确的责任归属和标准化实施流程，导致执行迟缓、承诺弱化。一线员工则或因不了解工具价值，或因缺乏激励，使用意愿不高。
4. 技术与数据基础割裂
技术层面，两大问题突出：一是缺乏清晰的数据战略，盲目建设复杂集中式平台反而拖慢进度；二是AI试点各自为政，依赖不同工具与架构，难以复用能力、统一安全标准，阻碍规模化推广。此外，中国企业云化率偏低，进一步延缓基础设施升级，影响AI应用的快速迭代与部署。
突破瓶颈：三大实践案例揭示规模化路径
在《Rewired：麦肯锡数字与AI时代竞争指南》一书中，我们提炼了数百家全球企业数字化转型经验，提出以“价值、交付、变革管理”为核心维度、六大支撑要素为依托的战略框架（见图3）。该框架同样适用于生成式AI的规模化落地，并可针对性解决上述挑战。
构建价值导向的转型路线图
企业应优先识别核心业务领域，梳理驱动绩效的关键端到端流程。基于此设定自上而下的价值目标，重新设计流程并整合AI能力。按影响力与可行性评估用例优先级，制定分阶段实施路径，确保资源精准投放。
打造人才能力与敏捷交付模式
释放AI价值需业务与技术团队深度协同。业务领导者应深化对AI的理解，拓展价值创造视野；技术团队则需更贴近业务需求。外部引进人才难度较高，更可行的做法是选拔内部高潜员工，通过系统化培训赋能，组建具备复合能力的交付团队。
通过变革管理推动落地
要实现真正业务影响，必须将AI融入日常运营。企业需加强沟通宣导、开展针对性培训、建立激励机制，帮助员工掌握工具使用。持续采纳将形成“使用—反馈—优化”的良性循环，推动AI方案持续进化。
建设可扩展的技术架构与统一数据底座
企业需构建面向未来的灵活技术架构，既能支持大模型与智能体的持续演进，又与短期业务重点匹配。建议采取渐进式投入策略，根据用例优先级逐步完善基础设施。混合云架构有助于在现有系统基础上平稳升级。
案例解析：从试点到规模化落地
案例一：全链路转型——从AI战略到敏捷执行
一家离散制造企业面临市场饱和与价格战压力，利润持续下滑。管理层决定以生成式AI重构研发、制造、采购、供应链等十余个职能单元的核心流程，制定跨职能AI路线图（见图4）。
在制造环节，企业融合分析型AI、生成式AI与传统数字工具，建立闭环系统：通过机器视觉与传感器实时监控产线，发现异常即时预警；每日召开跨部门会议，聚焦24小时内问题，快速分配责任人；复杂问题由生成式AI辅助根因分析，帮助工程师高效定位症结。配套上线数字化确认工具，追踪整改措施执行情况，强化问责机制。
为破解执行难题，企业从各部门选拔高潜人才组建“数字交付工厂”，通过集中培训快速提升其业务与技术能力。各小组按业务域划分，由业务人员牵头，与技术团队通过站会、冲刺计划等方式紧密协作，实现快速迭代。两年内，企业利润率实现翻倍。
案例二：模块化可扩展架构——打造乐高式AI基础
某全球高科技电子企业拥有强大自研能力，目标并非试水AI，而是构建可支持大规模部署的弹性技术底座（见图5）。
企业重构核心系统，建立松耦合、模块化的架构，支持未来接入多种AI服务与模型。平台涵盖四大能力：一是建设统一数据湖，集成结构化与非结构化数据，打通采集、标注、分层与治理全流程；二是部署多个大语言模型与嵌入模型，并建立输出质量评估机制；三是采用LLM编排框架与开源工具，灵活支持多样业务场景；四是设计覆盖研发、制造、销售、服务等领域的统一用户体验层，保障员工操作一致性。底层采用混合云架构，配备高性能GPU集群与容器化工具，确保可扩展性与多模型支持。
其核心价值在于构建了数据、模型、工具与业务逻辑深度融合的基础体系，支撑用例的持续迭代与规模化扩展。
案例三：变革管理——推动AI深入一线
某头部互联网公司在销售、编程、产品设计三大领域成功落地生成式AI，其关键不仅是技术，更是文化转型（见图6）。
公司从四个层面推进：
- 统一认知：管理层通过战略宣讲、内部活动与现场演示，传递AI重要性，增强组织信心与共识。
- 能力建设：为全员设计结构化学习路径，针对关键岗位定制培训内容，包括工作坊、教练辅导、产品实操与知识库访问，并鼓励员工自主开发AI智能体。
- 行为转变：将AI工具嵌入OKR、团队会议、迭代评审等日常工作流程，设立AI先锋、职能负责人，并通过徽章、积分等机制激励高频使用。
- 效果追踪：建立明确KPI与使用监测机制，职能负责人跟踪采纳率与业务成果，结合调研与数据识别障碍，持续优化。
此举确保AI不仅被部署，更被广泛使用并转化为实际业务价值。
生成式AI时代已然到来，这不仅是技术跃迁，更是企业智能化转型的战略拐点。从重构核心流程到重塑组织模式，从夯实数据技术底座到推动文化变革，企业需在战略、人才、技术与治理层面构建系统能力，方能释放AI全部潜力。
从实验探索迈向规模化价值创造，企业必须以战略视角推进全面转型。机遇窗口已经开启，主动者将定义未来，迟疑者或将陷入被动追赶。
Source: McKinsey Technology Trends Outlook 2024, McKinsey.com