为何2026年将标志着人工智能试点项目"有去无回"时代的终结
2025年，描述企业人工智能现状最贴切的画面，并非一项失败的技术，而是一项从未获得真正承诺就被投入使用的技术。麻省理工学院当年发布的一份报告显示，95%的生成式人工智能试点项目未能进入具有可量化影响的生产阶段。问题不在于技术本身，而在于各组织构建的实验缺乏支撑其持续运行的架构。
这一切正在2026年发生改变，而且这种改变并非循序渐进。
Astound Digital首席执行官威廉·唐兰（William Donlan）在《福布斯》杂志上对此作出了精准阐述：如果说2025年是探索之年，那么2026年便是执行之年。然而，这句话所承载的分量远比表面看起来更重。从探索到执行的跨越，并非意志力或预算的问题，而是架构的问题。而那些无法理解这一区别的企业，正冒着重蹈覆辙的风险——这一次，花出去的钱只会更多。
真正的问题不在于各公司是否采纳人工智能。根据TEKsystems的数据，71%的组织计划在今年增加人工智能支出。真正的问题在于，这些支出究竟是在构建结构上坚实的东西，还是在为又一轮同样无法规模化推进的试点项目买单。
问题不在技术，而在数据、决策与执行之间的契合
在谈及任何具体趋势之前，有必要先点明一个贯穿所有问题的最常见失误：企业在尚未解决自身数据问题的情况下，便仓促引入了人工智能工具。他们将模型叠加在碎片化的数据源、各部门信息孤岛以及从未被设计用于互联互通的平台之上。
结果是可以预见的。人工智能无法弥补输入数据质量低劣的缺陷。基于不一致客户历史记录训练出来的语言模型，不会产生个性化服务，只会制造精致的噪音。一个连接着过时库存系统的自主代理，并不能优化供应链，只不过是以更快的速度将原有错误自动化复制。
因此，2026年最具深远意义的趋势，并不在于人工智能模型本身，而在于支撑这些模型运行的基础设施。Versich报告指出，最先进的组织正在整合集中化数据平台，将工程、分析和运营整合进一套统一架构之中。这不是一项技术决策，而是一项关于信息如何在企业内部流转、以及谁拥有据此采取行动之权力的结构性决策。
唐兰从客户视角对此进行了阐释：他观察到的第一个根本性变化，在于人们不仅改变了购买的内容，更改变了做出购买决策的方式与原因。大型语言模型开始在购买过程中扮演可信中介的角色——这是传统数字渠道从未能在如此规模上实现的。搜索引擎展示选项，而大型语言模型则能够学习用户偏好、理解需求背景，并持续引导决策。这为那些拥有干净、一致数据的品牌打开了相当大的机遇空间；而对于平台严重碎片化的品牌而言，同一渠道则会成为其内部混乱状态的放大镜。
超级自动化与缺乏核心支柱的扩张之困
2026年的第二个压力向量，是自动化超越其历史疆域的扩张。Inceptive Technologies将超级自动化描述为机器人流程自动化、人工智能与低代码平台的组合应用，旨在无需工程团队参与每一次迭代的情况下，全面覆盖人力资源、财务和客户服务中的完整工作流程。
这听起来颇具吸引力，从效率潜力而言也确实如此。但陷阱就藏在扩张规模之中。将设计欠佳的流程自动化，不会带来效率提升，只会将低效固化成代码。超级自动化会放大它所遭遇的一切。如果信贷审批流程中存在三个冗余步骤和两个相互矛盾的数据源，将其大规模自动化，只会随着处理量的增加成倍扩大问题。
这里真正重要的区别，不在于哪些企业在自动化，哪些没有，而在于：哪些组织在自动化之前审视了自身流程，哪些组织是为了逃避审视而匆忙实施自动化。后者正在建造外表坚实、内里脆弱的架构。
TEKsystems隐晦地记录了这一风险，其数据显示，即便在已有37%的组织实现了规模化人工智能运营的背景下，实施挑战依然是主要障碍。这个数字乍看之下颇高，但细究各个案例中"规模化"的具体含义，便会发现问题所在。在许多组织中，这仅意味着在某一职能或业务线上的密集应用，而非跨部门、以一致数据为基础的集成架构。
两种模式之间的差异，从外部看不出来，但在资产负债表上清晰可见。集成化自动化会随着业务量的增加降低可变成本；而碎片化自动化则在削减某一领域固定成本的同时，将其以技术复杂性的形式转嫁到另一个领域。
代理商务正在改写客户获取的方程式
唐兰所识别的第三个维度值得特别关注，因为它触及了几乎所有拥有数字渠道之企业的单位经济模型。在大多数电子商务领域，客户获取成本持续攀升。传统数字渠道——主要是付费搜索和社交媒体——已趋于饱和。电子商务的平均转化率维持在约1.8%左右，尽管线上流量持续增长，这一数字却几乎没有改善。
结构性原因众所周知，却鲜少被直接正视：基于打断用户注意力的获客模式无法规模化，原因在于人类注意力是非弹性的。可以购买更多流量，却无法购买更多注意力容量。渠道饱和度越高，每次有效曝光的成本越高，每次转化的成本也越高。
大型语言模型所开辟的，是一种截然不同的机制。唐兰描述道：语言模型能够深入了解特定消费者——其偏好、购物模式、尚未明确表达的需求——并构建出广告渠道无法复制的累积性背景认知。随着用户对大型语言模型推荐能力信任度的提升，在其环境中完成购买的动机也会随之增强。
对于品牌而言，这转化为一个关于在哪里构建客户关系的结构性问题。如果消费者的主要交互界面开始转变为对话式代理，那些缺乏结构化第一方数据的品牌——缺乏清晰的互动历史记录、缺乏有据可查的用户偏好——将在恰恰最能影响购买决策的渠道上失去曝光机会。这并非因为平台刻意将其排除在外，而是因为它们将没有足够高质量的数据，让代理可以自信地向用户推荐自己。
这使得第一方数据架构成为一种具有直接估值影响的竞争性资产。在代理商务环境中，一个记录完整、持续更新的客户数据库，比在付费搜索环境中更具价值。通过一个渠道与通过另一个渠道服务该客户的边际成本差异，可能是相当可观的。
决定谁能在2027年参与竞争的分水岭
唐兰在其分析的结尾，以一段警示之语作为收束——其作为诊断的价值远胜于其激励意义：现在所构建的基础——数据成熟度、人工智能就绪程度、运营敏捷性、人才战略——将决定一个组织能否在未来数年中保持竞争力。
值得将上述每一个维度逐一拆解为其操作层面的含义，因为在转化为具有实际成本的具体决策之前，这份清单听起来过于抽象。
数据成熟度，并非指拥有海量数据，而是指系统能够在无需人工干预清洗的情况下直接调用这些数据。一个具备高数据成熟度的组织，可以在周一早晨直接将周日晚间的数据输入人工智能模型，而无需工程团队在周末处理数据不一致问题。一个缺乏这种成熟度的组织，可能拥有更多数据，却产出更差的结果。
人工智能就绪程度，并非指购买了工具许可证，而是指已经明确界定哪些决策可以委托给系统、哪些决策需要人工监督，并已构建相应的控制机制来验证这种委托是否按预期运作。没有进行这种明确界定的组织，其代理正在自主作出决策，而无人确切知晓这些决策是如何形成的。
运营敏捷性，在此语境下并非指速度，而是指修改技术架构中某一模块的能力，且这种修改不会连带破坏三个相邻流程。背负大量技术债务的组织无法做到这一点。每一次变更都需要数月项目周期，因为没有人记录过系统依赖关系。
最后，人才战略，归根结底不是招聘问题，而是配置问题。在人工智能实施领域推进最快的企业，未必拥有最优秀的人工智能工程师。它们拥有的，是业务知识与技术知识能够在共享数据基础上共同解决同一问题的团队。这两类职能之间的割裂——在拥有独立IT部门的中型企业中极为普遍——是最常见却最少被提及的瓶颈所在。
凯捷咨询（Capgemini）将这一时刻描述为一个拐点：人工智能正从董事会的热议话题演变为运营的核心支柱。这一转变之所以发生，不仅因为模型性能的提升——尽管模型确实在进步——更因为那些在2023年和2024年投资于支撑性基础设施的组织，正开始看到可量化的成果，足以证明规模化推进的合理性，而这些显而易见的成功案例正在向其他组织施加压力。
执行之年不附带任何保证。它带来的，是这样一种可能性：那些在结构性赌注上真正下了功夫的组织，将开始与那些仅仅拥有正确形式的赌注之间，产生清晰可见的分化。
