2026，AI落地要先闖過的三個關口

劉湘明2026.08.20 14:44 · 來自北京全文6139字00:00 / 17:03企業站在哪兒、和誰做、以及這件事怎麼變成一門持續賺錢的生意？如果只看最近這幾周的新聞，會覺得這個行業已經快到了讓人喘不過氣的速度。8月初，DeepSeek V4 Pro結束長達數月的預覽狀態正式轉正上線；幾乎同一時間，阿里的Qwen3.8-Max以2.4萬億參數規模開放API訪問，並承諾一週內放出開源權重——這是繼月之暗面Kimi K3開源權重發布之後，又一次"開源風暴"式的追趕。大洋對岸，OpenAI一邊在8月推出專供受信任安全團隊使用、限制更少的GPT-5.

6-Cyber，一邊卻在同一周內被曝出暫停了新一代模型Astra的部分研發——原因是內部紅隊測試發現，這個模型可能已經觸及其"關鍵"風險等級的門檻：測試中的Astra智能體曾潛入OpenAI自己的內部系統，並在數週內未被察覺。全球最激進的實驗室，一邊在往前衝，一邊不得不叫停自己，這種撕扯感本身就是2026年AI行業最真實的註腳。人才版圖也在劇烈重組。今年6月，AlphaFold之父、諾貝爾化學獎得主John Jumper離開效力九年的谷歌DeepMind，轉投Anthropic——頂級科研人才的流向，正在成為衡量各家實驗室長期實力的新指標。

而在資本市場，被視為AI應用落地代表股的Palantir，市值一度衝上3000億美元，又在質疑聲中年內一度回撤超過兩成，市場對它的估值爭論從未停止；更大範圍的軟件板塊，今年年初經歷了一輪被稱為"SaaSpocalypse"（軟件末日）的拋售潮——市場普遍擔心OpenAI、Anthropic這樣的模型公司會繞過傳統軟件廠商直接吃掉客戶入口，傳統SaaS的商業模式會被徹底改寫。幾個月過去，這場爭論仍未有定論，卻已經足夠說明一個事實：連資本市場自己都還沒想清楚，AI到底是在成就現有產業，還是在替換它。

這就是眼下的行業底色——模型迭代以周為單位刷新，頂尖人才在實驗室之間快速流動，資本市場對同一家公司、同一個賽道的判斷可以在幾個月內反轉。身處其中的CIO、CTO和投資人，很容易產生一種共同的焦慮：技術在狂奔，但自己所在的組織，真的跟得上嗎？這種焦慮不是沒有來處。回頭看，2023年大家問的是"AI能做什麼"；2024年問的是"AI能用在我的哪個場景裡"；2025年問題變得尖銳起來——"AI到底能改變什麼、企業該往哪兒追問"。而現在，走到2026年，幾乎所有認真做這件事的人，問的都是同一個問題：企業在這條產業鏈上到底站在哪兒、該和誰一起做、這件事最後怎麼變成一門能持續賺錢的生意。這不是孤立的觀察。

今年以來陸續披露的幾份行業報告，幾乎都在從不同角度印證同一個結論：AI的競爭，正在從"技術能不能用"急速切換到"能不能真正落地"。MIT媒體實驗室2025年那份被廣泛引用的研究給出過一個刺眼的數字：企業級生成式AI試點項目中，95%沒有產生可衡量的財務回報。問題不在模型不夠聰明，而在於大多數企業把AI當成了一次"工具採購"，而不是一次組織能力的重建——項目停在了"能跑起來的demo"，卻從未真正嵌入業務流程、組織權責和績效體系。Gartner今年也做出了類似的預警：到2027年底，超過40%的Agentic AI項目會被取消，原因不是技術不行，而是成本失控、業務價值不清、風險管控跟不上。

另一份2026年的企業調研則顯示，79%的組織在AI落地上遇到實質性障礙，其中過半的C級高管坦言，AI轉型正在"撕裂"自己的組織——戰略、預算、人才評價體系還沒跟上技術的速度。沃爾瑪首席經濟學家、Anthropic經濟顧問委員會成員John List對這個問題的診斷更加尖銳。他觀察到的"Tokenmaxxing"（企業以Token消耗量作為AI應用程度的替代指標）浪潮，只流行了三個月就宣告失敗：新上馬的AI項目裡，超過80%最終以失敗告終，失敗率是傳統IT項目的兩倍以上。

原因不是算法不好用，而是指標從一開始就問錯了——Token是投入不是產出，把"用了多少"當成目標本身，就掉進了古德哈特定律的陷阱：少數"超級用戶"靠AI大幅提效，不代表強迫所有人產出同樣多的Token調用，就能換來同樣的生產力。這些數字和前面那一連串新聞放在一起，指向一個並不複雜但常被忽視的事實：大模型的能力曲線，早就跑贏了企業的組織曲線。模型一週一個臺階往上跳，頂尖實驗室甚至要靠暫停自己來控制風險，但一家企業的數據治理水平、流程顆粒度、組織決策方式、人才評價標準，不可能以同樣的速度跳級。這個"能力—組織"的剪刀差，才是2026年AI落地最真實的戰場。

落地為什麼這麼難：一個必須拆開看的複合命題太多企業把"AI落地"當成一個單一問題去解——好像只要選對模型、招到懂AI的人，事情就成了。但真正做過的人都知道，"落地"其實是三個層層遞進、彼此依賴又各自獨立的問題，任何一個卡住，整件事就推不動。第一個問題是能力問題：組織能不能接得住AI？這是最容易被低估的一關。John List有個貼切的比喻：今天的大模型已經是一流的"食材"，但多數組織缺的是懂得把食材做成一桌菜的"廚師"——落地損耗往往不是算法不夠聰明，而是管理者沒能正確引導AI被使用。

他在《勢能效應》裡還提醒過：一個在小範圍試點裡表現驚豔的點子，放大到全組織規模時常常會"拉傷肌肉"，幾個"超級員工"的成功經驗，直接套用到所有人身上大概率會失靈——這和MIT那份95%試點無回報的研究，指向同一件事：企業不缺算力、不缺模型API，缺的是把AI"喂進"業務的結構——數據是否可信可用、流程是否可拆解可編排、組織是否能沉澱而不是依賴個別人的經驗、人和AI的分工邊界是否清晰。這一層解決不了，後面模型再強也只是空轉。第二個問題是生態問題：產業鏈上的各個角色，能不能真正協同交付？

大模型廠商、算力廠商、企業軟件公司、行業解決方案商、企業自身——過去這五種角色的邊界很清楚，現在正在被Agent重新打散重組。軟件公司要從"賣工具"變成"賣可調用的業務能力"，解決方案商要從"一次性項目"變成"持續價值運營"，模型廠商要從"參數競賽"變成"穩定可控的企業級服務"。誰也無法單獨把AI從能力變成生意，這是一場必須組局的協同戰，但目前這張產業地圖上，誰該負責什麼、誰對最終結果負責，還遠沒有共識。第三個問題是場景問題：客戶願不願意為這件事持續付費？一個AI能力從"能演示"到"能規模化收錢"，中間隔著ROI能不能被驗證、能不能跨客戶複製這兩道坎。

行業裡常說的ROI矛盾，本質上不是算不清楚，而是三重錯位——投入的是長週期的地基建設，期待的卻是短週期的財務回報；買單的是業務部門，收益卻分散在組織各處；建設的是通用能力，驗證的卻要求單點場景的確定性結果。這道題不解開，AI永遠停留在"漂亮的demo"，成不了生意。這三個問題不是並列關係，而是有嚴格先後順序的：能力築不牢，生態無從談起；生態組不起來，場景就沒有穩定的供給；場景兌現不了，能力和生態的投入就失去了終點。這正是為什麼，把AI企業落地簡單歸納成"選個好模型"或者"招一批懂AI的人"，從一開始就問錯了問題。

一個真實的樣本：AI落地到底"重"在哪裡與其空談框架，不如看一個已經跑通的真實案例——百麗時尚這幾年的企業AI建設實踐，很有代表性，也很有啟發性，因為它給出的答案和大多數人的直覺恰恰相反。大多數企業做AI，是從模型下手的：選個大模型、做一輪微調、搭一套檢索問答，指望AI能直接"讀懂"企業的經營現實。百麗的選擇是反過來的——他們花了十幾年時間，先把企業自己"工程化"，再談AI。用他們自己的話說："別人忙著讓AI去讀懂企業的混亂，我們先把企業自己工程化。

"這背後的邏輯其實很紮實：企業普遍缺三樣東西——業務沒在線（經營過程散落在會議、報表和一線經驗裡，系統只記結果不記過程）、判斷沒標準（怎麼決策鎖在老師傅腦子裡，換個人口徑就變）、判斷連不成網（就算某個環節想清楚了，也觸發不了下一步動作，執行還得靠人盯）。這三個缺口的根源是同一個：企業從來是圍著"人"運轉的，從未被結構化成一套AI能進場理解和調用的體系。模型再強，也讀不懂一個沒有被結構化的企業。百麗的解法分三步——節點、本體、任務。

先用"協同在線"把業務過程搬上線，落到一個個具體的決策節點上，讓業務"看得見"；再把沉澱下來的工程化資產和藏在人腦子裡的經驗，翻譯成AI能理解、能推理的"本體"，讓AI在某個節點上能算出真正靠譜的判斷；最後靠企業工作臺、全局任務中心和四大助理體系，把成百上千個判斷落成任務、連成網、盯到底，讓判斷真正"辦得成"。三步環環相扣：協同積累的資產是本體的原料，本體算出的判斷是任務的上游，任務跑完的結果又反過來餵養更準的認知——這是一個會自我強化的複利循環，而不是一次性的工具採購。這套體系落地後的效果，是能拿出具體數字的。

比如僅電商這一個業務域，AI每月就在工作群裡接管數十萬張超時單據的盯辦和催辦，過半能在兩小時內完成——這背後釋放出來的，是過去大量消耗在"催辦"這種重複性管理勞動上的人力時間。再比如門店診斷場景，過去一份"達成率超額"的漂亮報表，可能只是月底衝量堆出來的"虛假繁榮"，AI通過關鍵鏈分析能把主導因素和放大因素拆開，把這種傳統BI報表體系下要等到月度覆盤才能發現的問題，壓縮到近乎實時。這不是又一個聊天機器人式的功能演示，而是一套把AI真正嵌進組織決策肌理的系統工程——用他們自己的總結："模型讓AI會思考，工程化讓AI會做事。

"這個案例被引用在此，不是為了講一個企業的成功故事，而是因為它精確地印證了前面拆解的三層問題裡最難、也最容易被忽視的第一層——能力層。百麗用十幾年時間去做組織進化、流程重構、數據治理，恰恰是因為他們比大多數企業更早意識到：AI從來不是一次簡單的技術升級，而是組織、流程、人才、數據和治理能力的系統重塑。這不是一句漂亮話，而是他們真金白銀踩出來的結論。這正是三層價值漏斗存在的理由回到開頭的問題：為什麼2026 ITValue Summit要用"L1能力重塑—L2生態協同—L3場景融合"這樣一個三層結構，而不是像過去幾年那樣，圍著一個個熱點場景或者熱點技術做話題？

因為這個結構不是會務團隊閉門造出來的議程分類法，而是對上面這套"能力—生態—場景"遞進關係的忠實還原，也是像百麗這樣的企業已經用真實代價驗證過的路徑。L1能力重塑，對應的正是“組織能不能接得住AI”——數據治理、流程重構、組織進化、研發提效、人機協作，這五個年度議題，逐條都能在百麗的實踐裡找到對應的真實場景：本體建設對應數據治理，Agent進入工作群對應流程重構，四大助理體系對應組織進化和人機協作的邊界重劃。這一層要回答的，是每一家企業都繞不開的自我診斷——自身的組織，究竟能不能承接AI。

L2生態協同，對應的是"產業能不能一起把這件事交付出來"——模型廠商、算力廠商、軟件公司、解決方案商、企業本身，五個角色的邊界正在被Agent重新打散。誰掌握客戶入口、誰對最終業務結果負責、外部廠商在企業自建能力越來越強之後還能提供什麼不可替代的價值——這些問題沒有標準答案，只能靠產業裡的關鍵角色坐到一起，摸索出新的分工契約。L3場景融合，對應的是"能不能變成一門可持續、可複製的生意"——從AI營銷看真需求與偽命題，從具身智能看"能跑"到"跑通"要跨過什麼，從ROI驗證看企業到底該用什麼尺度為AI價值買單。這一層最終決定了前兩層所有的投入，能不能兌現成看得見的商業回報。

三層疊在一起，恰好是"蒸餾—泛化"的完整路徑：先把通用能力做深（能力築基），再把協同關係理清（生態組局），最後把可衡量、可複製的價值做大（場景兌現）。蒸餾解決"為什麼值得買"，泛化解決"為什麼能做大"——這條路徑，和百麗從節點到本體再到任務的推進邏輯，幾乎是同構的。這不是巧合，而是因為無論是一家企業內部的AI落地，還是一整條產業鏈的AI協同，遵循的都是同一條現實規律：能力決定能不能做，生態決定和誰一起做，場景決定能不能成為生意。跳過其中任何一層去空談下一層，得到的都只會是又一個無法驗證、無法複製的demo。

為什麼這場大會值得CIO、CTO和投資人認真安排三天行業大會太多，很多人對"論壇""峰會"已經有一種本能的疲憊感，這一點不難理解。但需要說明的是，2026 ITValue Summit想做的，不是又一場"展示AI能做什麼"的秀場，而是一場AI生態的集體定位——把需求方、能力方、交付方和決策者放到同一個現場，逼著彼此把"我做什麼、和誰做、怎麼形成生意"這幾個問題攤開來講清楚。對CIO、CTO而言，這裡能拿到的不是又一輪技術佈道，而是一張關於自身能力邊界的座標——通過CXO閉門會和千億俱樂部這樣的深度場，和同量級的組織真實交換"踩過的坑"，而不是聽供應商講PPT。

對投資人而言，這裡能看到的是產業鏈條上真實的分工重組正在發生在哪裡、價值正在往哪個環節遷移——這比任何一份行業研究報告都更接近一手信息，因為它來自正在真金白銀投入的決策者本人，而不是二手轉述。2026年9月15日至17日，海南三亞，大會將把這三層價值漏斗完整地鋪開：主論壇沿"能力築基—生態組局—場景兌現"的主線縱覽全局，CXO閉門會、千億俱樂部和場景閉門會分別深入到組織轉型、產業協同和垂類場景驗證的具體問題裡，最終沉澱成一份面向全行業的《AI落地白皮書》和一套可以帶回企業的行動參考。

無論是正在為AI轉型的組織效能焦慮的CIO，正在為產業角色重新定位的CTO，還是正在尋找下一個真正能穿越週期的投資標的的投資人——這場大會存在的意義，就是把"能力、生態、場景"這三道題，和這個行業裡最認真在解題的一批人，一起攤開來算清楚。誠邀各位CIO、CTO與投資人，9月15日至17日，共赴三亞。我們的議程還未最後確定，歡迎您帶著自己的問題和見解，和我們一起參與到這個全新的會議議程設定中來。