企业要在竞争中脱颖而出，得兼顾多个职能领域的能力建设，忽略任何一个环节，都会影响其发展根基。

核心摘要

1.企业内部关于生成式人工智能（以下简称“GenAI”）的创意构想，大多远超现有资源承载能力。建立能统筹监督、聚焦重点、规范治理的“AI管控中枢”，是推动AI应用有效落地的关键。

2.除了技术本身，数据成熟度、合作伙伴生态与人才储备，同样是前瞻性AI战略里不可或缺的部分。

3.高管团队需摒弃将GenAI套入现有流程与商业模式的固有思维，转而重塑业务逻辑，方能实现AI价值的最大化。

或许您的企业已经探索了大量的GenAI应用场景，部分场景也取得了初步成效；可能还搭建了用于可控实验的“沙盒环境”，获得了核心高管的支持，甚至为开发和测试划拨了不少预算。但一年过去，您大概率还是会遇到难题，比如没法快速应对竞争风险，没法笃定地把潜在机遇变成实际价值，更谈不上推动业务实现根本性变革。

在经历了又一个经济韧性突出却满是不确定性的年份后，企业高层对GenAI寄予厚望，企盼它能降本增效、增加营收。虽然GenAI的基础设施、应用领域和企业使用多年的传统人工智能（AI）有不少相似之处，但传统AI应用多部署于基础自动化领域，与GenAI应用有着以下显著差异：

数据的获取、管理与预处理

这对训练GenAI算法模型，为不同利益相关方输出有效结果来说至关重要。

伦理框架搭建

GenAI的利弊还没完全摸清，因此需要通过搭建伦理框架，给GenAI技术应用设好“防护栏”。

合作伙伴生态构建

需借助合作伙伴生态能够帮助企业以高性价比跟上技术发展，同时获取更多数据集，进一步丰富大型语言模型和知识库。

员工变革管理

缓解员工对GenAI影响职业发展、改变工作职责的担忧。

我们发现，企业若想构建起具备变革价值的AI能力，实现AI从试点到规模化落地的全面成功，往往离不开六大支柱的支撑。

支柱一：建立AI管控中枢

——管控中枢需全面统筹企业内所有AI应用场景与投资，明确优先级，避免重复投入。

GenAI的应用场景数量庞大，且都在争夺时间、关注度与资源。许多企业正因重复开发浪费资金，部分项目甚至在缺乏合规管控的“灰色地带”推进，埋下声誉风险隐患。随着全球各地AI监管政策逐步落地，这一盲区的威胁将持续加剧，金融服务、能源、医疗健康等行业受影响会更为显著。

管控中枢（而非单一职能部门）作为GenAI时代的“催化剂”，需始终聚焦AI的价值，合理分配时间、资金与人力资源，同时建立监督机制，引导人们对AI的热情朝着积极方向发展。许多AI与GenAI解决方案存在共性，可通过复用资产缩短价值实现周期、降低成本投入。若缺乏管控中枢，企业内部不同团队可能针对不同应用场景，从零开始开发高度相似的方案。因此，一个高效的管控中枢核心权责应包括：识别符合跨业务需求的共性场景，确定AI投资方向和价值创造路径，优先推进高价值GenAI解决方案的开发。

支柱二：重塑未来商业模式与职能体系

——当前，许多高管团队更关注“如何将AI融入现有业务流程与商业模式”，却忽视了“AI如何重新定义未来的业务逻辑”。

人们本能上更加习惯于将新技术套入已知框架，正如工业革命时期，城市规划者花了很长时间才重新设计出适配汽车（而非马车）的城市布局，并在蒸汽机被淘汰后，重新开始思考工厂的建设方式。GenAI在如今时代背景下，也将带来一系列变革。

以采购流程为例：企业可借助AI自动化处理招标文件评审的前五个环节——例如，通过AI生成内容对比报告，明确哪些投标符合要求、差异点在哪里，并标注对应文件页码。这能将原本耗时四周的修订时间缩短至一周，大幅提升效率。但需注意，这类基础性流程虽重要，却并非企业的核心价值所在。

GenAI变革的真正价值，在于彻底重塑前端业务，而非仅优化后端流程。若仍以机器人流程自动化的思维看待GenAI，很容易忽视其在新产品、新服务、新商业模式上的潜力。例如：开发由GenAI驱动的新产品与功能，通过按需付费的订阅模式提供服务；绕开中间渠道，直接向消费者销售产品；利用消费者数据挖掘洞察，甚至将数据作为独立营收来源。

尽管技术迭代迅速，但商业的核心规律始终未变，若不率先创新，竞争对手终将抢占先机。

支柱三：建立AI应用信心

——GenAI部署初期，其变革潜力可能会因现实复杂性（如效果不及预期等）而让热度降温。此时，持续测试与合规治理至关重要。

您的AI模型是否曾给出令人困惑的答案、偏离核心任务，甚至出现“幻觉输出”（指AI生成虚假或无依据内容）？它是否输入了正确数据，抑或是冗余数据？

在管控中枢的管理框架下，必须建立起完善的业务规则和流程，管理好AI模型从构建、部署到运营的全过程，从而减少偏见、保证公平，让模型的逻辑能够说得清、过程看得见。同时，数据安全与完整性需从项目启动之初就严格把控，GenAI应用所需的数据与传统AI工具之间存在显著差异，它不存在于表格类结构化数据中，而是分散在聊天记录、邮件、调研问卷等非结构化内容中，因此需要更精细的预处理。

管控中枢的负责人还必须明确GenAI的伦理准则框架，并确保其与企业价值观一致。试想：若消费者知道自己的投资决策或医疗诊断由AI模型主导，会更安心还是更担忧？企业必须在部署GenAI前明确这类问题。安永在自身的AI实践中明确了“公平、负责、可靠”的核心原则，并针对每个原则设计了可量化的指标，用于评估AI解决方案的可信度。

一个看似矛盾却关键的点是：“人”的参与，是建立AI信心的核心。在GenAI的设计、开发、测试与部署过程中，是否纳入了最终会受到影响的员工？确保员工参与度的有效方式是强化学习，即邀请员工参与模型训练，对GenAI聊天机器人或算法的输出结果进行评分，帮助AI持续学习演进。若缺乏这一环节，模型的有效性将大打折扣。此外，需建立相应的反馈机制，让员工能够及时上报问题，针对无效功能、错误响应、与业务需求不符等情况提出改进建议。

GenAI算法与输出结果必须经过严格验证，否则会带来巨大的风险。例如，部分为特定场景设计的聊天机器人，可能被诱导输出仇恨言论、泄露知识产权，或告知客户不存在的公司政策；部分算法在运行中可能出现“黑箱进化”，导致外部人员难以理解其逻辑。因此，“红队测试”（组建模拟攻击者团队，尝试突破AI防护）至关重要，需通过独立监督验证AI安全性与可靠性。

安永推出的“EY.ai信心指数”解决方案，可根据我们的负责任的人工智能原则，对企业的完整人工智能模型生命周期进行压力测试，帮助企业规避上述风险，提升AI的可靠性与可解释性，进而支持更科学的决策与更高效的运营。

支柱四：填补人才与技术缺口

——AI从试点应用走向规模化价值释放的关键，在于破解员工的AI应用焦虑，并科学规划技术实现路径。

安永曾向40万名员工开放内部GenAI模型，从中获得的关键经验是：“工具与培训必须同步交付”。这一结论在《安永商业AI焦虑调研》中得到进一步验证，80%的员工表示，若接受过AI培训，会更愿意使用相关工具；但73%的员工称未获得所需指导。调研同时显示，员工已在工作中广泛使用AI工具，且迫切希望深入了解负责任的AI实践应用方法。

那么，如何提升员工对AI的接受度？关键在于针对性培训与技能提升。

技术层面，企业普遍面临一个经典难题——核心功能需求是自主开发、外部采购，还是两者相结合（如通过现有软件拓展功能，或基于现有平台融入自有知识产权）？虽然当下技术格局还不稳定，充分讨论与规划仍是不可或缺的。例如：若现有ERP系统终将整合金融类AI应用功能，则可暂缓对金融类AI工具的投资；若产品开发全流程存在大量个性化需求，则值得投入定制化GenAI工具。这场讨论的核心，不仅是“识别差距”，更在于“确定填补差距的路径”。

支柱五：构建合作伙伴生态体系

——AI技术复杂度高，影响企业各层级运营。要想跟上行业发展速度、甚至领先竞争对手，都离不开合作伙伴支持。

如今，企业需要以全新的人才结构与思维模式来应对核心业务之外的新需求，而不是一味依赖“过去的团队”解决“未来的问题”。当前市面上不存在能基于企业独特需求与数据、即插即用的一站式系统，且去年看似前沿的功能，可能几个月后就会过时。在这样一个快速变化的世界中，很少有企业能完全依靠内部资源满足新解决方案、新数据集与新能力要求。

因此，强大的合作伙伴生态变得尤为重要，通过共同明确“企业需要什么”以及“如何加速实现”两大问题，企业能够更加快速、灵活地填补能力缺口，也能更快地适应技术迭代。具体而言，合作伙伴生态可分为四大类别：

1.技术合作伙伴：提供技术指导、创新支持，甚至实验性资金。

2.学术机构：在假设验证、研究、专业指导与创新思维方面提供支持。

3.专业服务机构：协助企业梳理AI落地全流程，制定战略、识别价值来源，甚至参与解决方案开发。

4.数据合作伙伴：若某一数据领域对企业而言不具备差异化价值，可通过行业数据联盟实现集体共赢。

支柱六：提升关键数据的成熟度为AI应用做好准备

——如今，数据质量的重要性空前提升，但如果一味等待所有数据达到完美可信状态，再启动AI场景测试，很可能会让企业错失先机。

提升关键数据成熟度的核心原则是，并非所有数据都达到绝对精准，才能接入GenAI模型，这一认知在应对监管要求时显得尤为重要。

企业需建立覆盖全组织、适配特定用途的数据战略，并辅以严格的治理体系，根据数据的实际用途制定差异化策略。例如：若计划开发供客户查询产品信息的GenAI应用，产品数据就需要经过高度精细化的管理与治理；若是其他非核心场景的数据，则无需遵循同等严格的标准。

数据战略应引导企业实现“精准投资”，即聚焦最高优先级需求，集中资源突破关键环节。具体来说，需满足以下关键要求：

1.规模化可访问性：能够提供海量历史数据，支持探索与生产使用，且数据处理速度快。

2.可理解性：既能从技术维度解析数据，也能结合业务场景解读数据价值，同时支持跨系统、跨来源快速查找数据。

3.时效性：数据文件实时更新，延迟程度匹配场景需求（如实时处理或批量处理）。

4.开放性：兼容文本、数字、图像等多种文件格式，平台内工具保持统一适配。

5.可靠性：数据传输管道故障少，缺失数据量处于可控范围，更新前后的数据一致性强。

6.全域一致性：在全球各区域、各业务单元保持数据标准统一，确保客户与产品信息能够顺畅关联。

7.可信安全性：确保AI应用合规开展，数据访问权限严格管控，仅对授权人员开放。

总结

企业建立AI管控中枢，既能调动全员参与AI创新的积极性，又能聚焦核心目标、强化监督治理、对齐业务需求，推动技术资产复用，同时筑牢可信AI的实践根基。

技术只是AI落地的其中一环，企业还需同步提升员工技能、搭建多元合作伙伴生态、提升数据质量以适配AI应用需求。更关键的是，要始终聚焦“如何以AI重塑未来业务”，而非仅满足于用AI优化当下流程，唯有兼顾短期成效与长期变革，才能真正发挥GenAI价值，在竞争中建立优势。

本文是为提供一般信息的用途所撰写，并非旨在成为可依赖的会计、税务、法律或其他专业意见。请向您的顾问获取具体意见。