Back to Insights
InsightNov 17, 2026

朴谷分享 | AWS重磅108页报告:让AI产生真金白银,企业必须跨越的10个断点

P

PG Advisory

Research Team

朴谷分享 | AWS重磅108页报告:让AI产生真金白银,企业必须跨越的10个断点

近期,AWS发布了一份长达108页的AI应用落地报告《Reimagine: Turning AI into Value》。这份报告没有采用常见的统计图表和成熟度模型,而是基于一项极具分量的实证研究:历时9个月,访谈了横跨四大洲的126家组织中的128位外部高管及23位亚马逊高管,并收集了27个国家3.5万名实践者的内部研究数据。

报告开篇即抛出核心拷问:同样在投资AI,为什么有的企业赚到了钱,有的却只收获了一堆汇报?

研究发现,AI未能产生价值,往往并非因为模型或技术系统落后。从“用上AI”到“用好AI”,中间横亘着十个关键的断点。

01 效率、生产力与价值,是三件事

很多企业将这三者混为一谈,但它们并不自动递进。

效率:同样的任务,做得更快或更便宜;

生产力:同等资源下,产出更多;

价值:客户与损益表上产生了实质性结果。

大多数AI项目止步于测量“效率”。正如某位CTO所说:若将4小时工作压缩至1小时,却未对空出的时间进行妥善规划,企业实际上毫无收益。真正的价值实现,需要在同一季度内,将释放出的产能明确投入到新的增长项目中。企业立项时应反思:你的AI是在生产“昨天的更快版本”,还是在创造客户以前拿不到的新事物?

02 警惕“采用率陷阱”

用量级指标衡量AI是常见的误区。报告中提到一家企业,AI采用率高达88%,但在每5000次会话中,真正产出更好工作的不到1次。

用量衡量只能告诉你谁登录了,无法反映谁掌握了创造价值的能力。正确做法是“配重”:每个效率指标都要搭配一个质量指标(如:工单结案数配客户满意度,代码生成量配缺陷数),双轨运行90天。此外,指标应是学习工具而非打卡工具,若某个指标已无法指导决策,应果断淘汰。

03 从“用过”到“改流程”的A2V五级台阶

报告提出了A2V(Adoption to Value,从采用到价值)框架。很多培训项目错把“教人用工具”当成了“教人用AI”,真正的落地分为五级:

1. 好奇阶段:仅能访问工具,处于探索期;

2. 发展阶段:应用于离散任务,一次提问单向输出;

3. 实践阶段:将AI作为复杂工作的起点,会提供上下文、迭代输出并建立模板;

4. 熟练阶段:工作流固化为团队可复用的资产;

5. 专家阶段:彻底重构业务流程,消除人工环节。

报告建议,首要目标是让所有人达到第2级。值得注意的是,推进采用率不能仅靠自上而下的命令,更依赖同伴之间的可信度扩散、领导的亲身示范以及难度阶梯的合理设置。

04 技能重塑:执行贬值,判断力升值

过去的人才培养围绕“执行力”,而这正是AI最擅长的领域。未来企业需要重注五项“耐用技能”:

1. (反)学习敏捷性:敢于抛弃旧技能,学习新技能;

2. 问题界定能力:明确“要解决什么”而非直接执行;

3. 判断力:AI提供同等信息,价值在于从中识别关键并决定下一步;

4. 系统思维:将任务与更广泛的业务结果相连接;

5. 好奇心:激活其他四项技能的底层动力。

有意思的是,AI时代最会写Prompt的往往不是技术人员,而是深谙业务痛点的老员工(如懂病人全周期的护士、懂流程卡点的会计)。同时,企业面临一个严峻挑战:AI替代了大量重复劳动,导致初级员工无法像过去那样通过“干脏活累活”来喂出判断力,这成为了当前无人宣称有答案的断层。

05 治理不是踩刹车,而是将规则写入系统

当前,许多企业仍用管理“六个月大项目”的流程来管理“几天就能做完的小事”,这直接导致了“影子AI”的泛滥。影子AI的存在并非治理失败,而是治理被设计成了妨碍业务的绊脚石。

治理应遵循两条硬原则:

让Agent“挣”自主权:先人审,可靠后再放权,随时可收回,如同新员工试用期。

将安全边界置于Agent之外:Agent可能会误读或绕过Prompt中的规则,真正的防线必须在系统层。

最有效的做法是按后果分级:衡量“错一次有多贵”。高代价、低频次的决策保留人工在环;高频、低风险的决策交由自动化护栏。治理跟上,既是控制风险,也是保障创新速度。

06 成本透明化:没有历史基线的新挑战

AI的成本开销缺乏历史基线,每出一次新能力,需求先到,财务校准总是慢半拍。因此,策略不是盲目省钱,而是让钱可见:将Token花在哪个团队、哪个场景清晰摆上台面。

反直觉的是,早期实现成本透明的公司往往花得更多——因为他们能证明资金产出了价值,从而敢于继续下注。关键在于成本归属:谁定义需求、谁享受价值,成本就应落在谁的损益表上。预算上限、按团队归集等规则应直接写进平台系统,而非仅仅停留在文档里。

07 挖掘“人的层”数据,用纠错代替清洗

组织数据分为“系统层”(数据库、CRM)和“人的层”(邮件、会议纪要)。AI的强大之处在于能挖掘“人的层”中隐藏的决策逻辑与老经验。

数据质量不是“洗”出来的,而是“改”出来的。在应用中埋设反馈机制,统计人类纠正AI输出的频率,这才是真实的指标。不要等数据洗干净了再开始,应先从真实用例切入,让使用过程暴露数据缺陷。

08 构建AI平台:买基础设施,拥有核心逻辑

支撑AI运转的平台包含四个模块:编排、评测与可观测、网关、上下文层。

编排工具的差异化在于领域知识;

网关的价值在于更换模型时业务不震荡;

上下文层比模型更值钱,且需要主动治理其“新鲜度”,否则过期的文档会迅速拖垮准确率;

平台成熟后,后续Agent的开发成本将大幅降低。

宝马CIO的原则值得借鉴:在能形成差异的地方自建,在需要加速的地方采购。

09 组织提速与领导力重塑

AI的执行速度极快,但组织往往很慢。报告中有个案例:Best Buy一个评估需14周工作量的功能,用AI一天就完成了,但前期规划却花了两周(占项目总预算的91%)。传统的审批与交接流程是为“执行很贵”设计的,当执行变便宜,这些流程便成了收益的吞噬者。

领导者必须同时握住两根绳子:既要更快,也要对人有耐心;既要放权,也要建立治理。优秀的领导者会做三件事:把试验做小让失败安全;公开表扬尽早发现问题的人;接受评判AI的标准将不断演变。他们把AI产出的初稿视为“工作假设”而非最终承诺。

后记与行动指南

报告在最后指出:具体的解决方案终会过时,但商业痛点始终存在。组织真正的竞争资产是“学习速率”,那些看起来投入最深、反复捍卫既定架构的团队,往往是最慢的。

先开始,是打破僵局的最优解。 企业无需等待完美方案,只需立即着手五件事:

1. 给团队两周时间验证结果是否值得投产,交付物是“学到什么”;

2. 先做出能跑的小东西,将对话从“该不该”变为“学到了什么”;

3. 双轨并行:一线在沙箱试错,领导层公开关键管线的进展;

4. 用一句话写出业务结果,若描述的是技术而非客户/运营指标,则重写;

5. 明确生产环境的负责人,无人愿接说明组织并未真正投入。

朴谷观点

作为专业的咨询机构,朴谷认为,这份AWS报告揭示了当前企业AI转型的核心痛点:技术易得,系统难改。

过去两年,大量企业陷入了“工具狂欢”,以为引入大模型就能实现降本增效。但报告中的十个断点清晰地表明,AI价值实现本质上是一场组织架构、流程机制与人才能力的全面重塑。我们看到,真正跑通AI价值闭环的企业,往往不是技术最激进的,而是那些能将成本透明化、治理分级化、指标配重化,并把AI能力沉淀为组织平台资产的企业。

企业在制定下一阶段AI战略时,建议将重心从“模型接入”转向“业务重构”。一方面,建立以“终局价值”为导向的度量体系,跳出采用率陷阱;另一方面,在设计组织流程时,必须匹配AI的运转速度,大幅削减那些在“执行昂贵”时代遗留的冗余审批。

我们始终强调,AI不产出直接价值,真正产出价值的是被AI重塑后的组织。 在充满不确定性的技术周期里,保持敏捷,小步快跑,用低成本的试错去换取组织学习速率的最大化,才是穿越周期的护城河。


Disclaimer: The information provided in this article is for general informational purposes only and does not constitute financial advice.