企业人工智能正在经历一场严重的发展危机：虽然 95% 的公司已经投资了人工智能解决方案，但只有 1% 的公司达到了实施成熟度。更令人担忧的是，95% 的生成式人工智能试点项目都以失败告终，放弃率在短短一年内从 17% 猛增至 42%。

‍

问题出在哪里？人工智能孤岛正在破坏该技术的变革潜力。本文将探讨人工智能协同框架如何彻底改变企业的人工智能整合方法，将昂贵的投资转化为可持续的竞争优势。

‍

索引

1. 人工智能孤岛的隐性成本
2. 什么是人工智能协同框架
3. 跨职能人工智能整合的支柱
4. 案例研究：谁赢得了挑战
5. 如何在企业中实现人工智能协同效应
6. 投资回报率和成功指标
7. 常见的挑战和障碍
8. 未来：人工智能代理和超级代理
9. 常见问题

人工智能孤岛的隐性成本

现状：代价高昂的悖论

2025 年，企业正面临着专家们所说的"人工智能悖论"：创纪录的投资伴随着极高的失败率。根据标准普尔全球市场情报公司（S&P Global Market Intelligence）的数据，42%的公司在投入生产之前就放弃了大部分人工智能计划，这一比例与2024年的17%相比有了毁灭性的增长。

‍

人工智能碎片化的真正代价

麦肯锡的研究显示，超过 80% 的企业在生成式人工智能方面的投资并没有对息税前利润（EBIT）产生切实的影响。主要原因包括

• 系统间数据重复和不一致
• 相互矛盾的见解导致战略混乱
• 冗余的人工智能投资增加了总体拥有成本
• 公司层面对人工智能影响的了解有限

据《信息周刊》（InformationWeek）报道，员工每周有近 20% 的工作时间是在互不关联的系统间搜索零散信息。

‍

什么是人工智能协同框架

‍

定义和基本原则

人工智能协同框架代表了从传统技术集成到真正运营和谐的根本性范式转变。这种方法不是将人工智能视为一系列孤立的工具，而是创建一个智能生态系统，让人工智能系统积极协作，放大彼此的能力。

框架结构：纵向与横向人工智能

根据《首席信息官》杂志的研究，最佳方法是结合两种类型的人工智能：

垂直人工智能（特定系统）

• 直接嵌入业务平台（Salesforce、ServiceNow、SAP）
• 专为任何系统的工作流程和数据结构而设计
• 优化执行，减少流程摩擦

横向人工智能（跨企业）

• 它是连接数据、系统和团队的 "地图
• 提供统一的视角并指导决策过程
• 促进发现并加快企业知识的流动

三个关键要素

1. 洞察高速公路：跨越传统部门界限共享人工智能洞察的专用渠道
2. 决定一致性协议：确保人工智能建议一致性的治理系统
3. 能力放大：使人工智能系统能够通过共享专业知识增强彼此能力的方法

‍

跨职能人工智能整合的支柱

支柱 1：统一人工智能的数据流

研究发现，最有前途的创新之一是利用数据流平台统一企业人工智能代理。这种方法

‍

• 实现人工智能平台之间的实时协作，无需僵化的集成
• 通过使用共享事件流而不是专有应用程序接口，避免锁定供应商
• 有效扩展，因为每个代理只需注册和消费相关事件

支柱 2：联合治理和人工智能 TRiSM

Gartner Hype Cycle 2025将人工智能 TRiSM（信任、风险和安全管理）确定为一项关键技术，包含四个层次的技术能力，可支持所有人工智能用例的业务政策。

‍

支柱 3：跨职能小组

从传统部门到跨职能 pod的演变正在彻底改变企业协作。这些小型、灵活的团队将销售、营销、产品和客户成功结合在一起，取得了卓越的成果。

‍

案例研究：谁赢得了挑战

UPS：人类与人工智能融合的卓越典范

UPS成功实施了网络规划工具 (NPT)，无缝整合了取货和送货系统。成功的关键是什么？该工具增强了人工决策，而不是取而代之，在人类工程师和人工智能系统之间形成了一个持续的学习循环。

谷歌健康：跨学科合作

谷歌健康展示了跨职能整合如何产生非凡的效果，它与放射科医生、临床医生和研究人员合作开发了用于乳腺癌诊断的人工智能工具，其效果明显优于传统方法。

加拿大农业信贷：可衡量的投资回报率

微软报告称，加拿大农业信贷部通过 Microsoft 365 Copilot 为 78% 的用户节省了大量日常工作时间，其中 35% 的用户每周节省的时间超过一小时。

NTT DATA：高级自动化

NTT DATA 实现了令人印象深刻的自动化水平：IT 服务台的自动化率高达65%，某些订单工作流程的自动化率高达100%，展示了系统性人工智能集成的潜力。

‍

如何在企业中实现人工智能协同效应

‍

第 1 阶段：人工智能生态系统审计

在实施任何解决方案之前，绘制贵组织当前的人工智能状况图至关重要：

• 现有人工智能系统及其能力盘点
• 确定系统间的高价值交叉点
• 评估团队技能和知识差距
• 分析当前数据流和依赖关系

步骤 2：采购战略与内部发展

麻省理工学院的研究提供了明确的指导：从专业供应商处购买人工智能工具的成功率约为67%，而内部构建的成功率仅为三分之一。

第 3 阶段：逐步实施

小处着手，大处着眼

• 仅连接两个人工智能系统的试点项目
• 重点关注高价值、低风险的使用案例
• 制定能反映协同效益的衡量标准

步骤 4：扩展和优化

• 系统地扩展到其他系统
• 根据反馈和绩效不断改进
• 投资变革管理，促进广泛采用

投资回报率和成功指标

投资回报率硬指标

根据IBM 的数据，从整体角度看问题的组织在开发方面的投资回报率要高出 22%，在 GenAI 集成方面的 投资回报率 要高出 30%：

• 节省人力成本：通过自动化节省工时
• 提高运行效率：减少资源消耗
• 提高转化率：改善客户体验

软投资回报率指标

• 员工满意度与人工智能举措有关
• 通过人工智能分析改进决策
• 通过人工智能定制提高客户满意度

行业基准

德勤报告指出，回报率最高的领域包括

• 客户服务和体验：74
• IT 运营和基础设施：69%。
• 规划和决策：66

常见的挑战和障碍

采用的主要障碍

Informatica CDO 洞察 2025》研究报告指出了主要障碍：

1. 数据质量和准备（43）
2. 技术不够成熟（43）
3. 缺乏技能和数据素养（35）

影子人工智能：隐藏的挑战

使集成变得复杂的一个新现象是 "影子人工智能"--员工在未经授权的情况下使用人工智能工具。Harmonic Security 公司揭示，员工经常绕过授权的业务工具来使用更灵活的解决方案，从而造成重大的治理风险。

组织变革管理

IBM 2025 年首席执行官研究》显示，首席执行官们认为组织孤岛之间缺乏协作是创新的主要障碍。未来三年，31% 的劳动力需要接受再培训。

‍

未来：人工智能代理和超级代理

人工智能代理年

2025 年被一致称为"人工智能代理年"。据IBM报告，99% 的企业开发人员正在探索或开发人工智能代理。这些自主系统代表了人工智能协同框架的自然发展。

迈向超级代理

凯捷预计会出现 "超级代理"--多个人工智能系统的协调者，可优化它们之间的互动，是向统一商业智能发展的最后阶段。

影响预测

Gartner预测，到 2029 年，代理人工智能将在没有人工干预的情况下自主解决80% 的常见客户服务问题，从而将运营成本降低 30%。

2025 年战略建议

1.立即审计人工智能信息库

首先要全面评估当前人工智能的分散性：

• 绘制所有正在使用的人工智能系统（包括影子人工智能）
• 确定重叠和冲突点
• 数据流和依赖性分析

2.投资数据准备工作

获胜组织将50-70% 的时间和预算用于数据准备。这包括

• 数据提取和标准化
• 元数据管理
• 质量仪表板
• 保留控制

3.积极治理

实施人工智能治理框架，其中包括

• 组织数据管理
• 人工智能专用安全协议
• 示范文件标准
• 算法影响评估

4.跨职能团队

组建团队，其中包括

• 数据科学家和人工智能专家
• 各部门的领域专家
• 基础设施 IT 专业人员
• 战略协调的行政领导

最佳实施方法

购买与建造方法

麻省理工学院 NANDA的研究结果很明确：倾向于从专业供应商处购买解决方案，而不是内部开发，因为内部开发的成功率要低得多。

‍

关注后台流程

与通常的直觉相反，麻省理工学院发现，最大的投资回报率来自后台自动化，而不是销售和营销工具，因为目前超过 50% 的投资集中在这两个领域。

‍

结构化变革管理

国际商业机器公司（IBM）建议采取一种全面的方法，考虑以下因素

• 目标明确的战略规划
• 人力资源管理和培训
• 积极主动的变革管理

促进人工智能协同作用的赋能技术

数据流平台

数据流平台正在成为一种重要的技术解决方案，可提供

• 用于代理间通信的共享事件流
• 无点对点依赖关系的动态可扩展性
• 产出与相关代理的智能映射

集中式集成平台

最佳做法包括实施可提供以下功能的中间件：

• 信息路由和转换
• 流程协调
• 中央绩效监测

衡量成功：关键绩效指标和衡量标准

直接绩效指标

运行效率

• 节省日常工作时间
• 减少流程中的错误
• 请求处理速度

财务影响

• 降低运营成本
• 提高每位员工的生产率
• 特定人工智能投资的投资回报率

跨职能协作指标

决定的质量

• 各部门之间见解一致
• 决策速度
• 预测的准确性

采用和参与

• 积极使用集成人工智能系统的员工百分比
• 用户对新工作流程的满意度
• 使用协同功能的频率

技术和组织方面的挑战

传统集成的复杂性

许多组织都在为设计上不具备互操作性的遗留系统而苦恼。解决方案包括

• 信息技术基础设施逐步现代化
• 连接异构系统的API 网关
• 在不同协议之间进行转换的智能中间件

抵制变革

组织阻力是实施综合人工智能系统的常见挑战。有效的解决方案包括

• 跨部门培训，建立团队之间的信任
• 开展联合试点项目，展示实际价值
• 调整激励措施，促进跨职能合作

安全治理

BigID显示，69% 的组织认为人工智能数据泄漏是一个主要问题，但 47% 的组织没有实施具体的控制措施。

‍

向代理人工智能发展

定义和特点

基于代理的人工智能是人工智能协同框架的自然演进。IBM将代理式人工智能定义为使用 LLM、机器学习和 NLP 数字生态系统执行自主任务的系统，而无需持续的人工监督。

采用预测

Tredence报告称，目前使用生成式人工智能的公司中有 25%将在 2025 年启动代理人工智能试点，到 2027 年，采用率将翻一番，达到50%。

风险与机遇

然而，Gartner警告说，由于成本上升、商业价值不明确或风险控制不足，到 2027 年底，40% 以上的代理人工智能项目将被取消。

‍

2025 年路线图：具体步骤

2025 年第一至第二季度：基础

1. 对现有人工智能系统进行全面审计
2. 组建具有跨部门权限的跨职能治理团队
3. 实施连接两个人工智能系统的试点项目
4. 建立绩效指标基线

2025 年第三季度至第四季度：扩展

1. 扩展与其他系统的连接
2. 为实时通信实施数据流平台
3. 根据试点结果优化工作流程
4. 准备向人工智能代理过渡

2026 年及以后：变革

1. 为复杂的协调部署超级代理
2. 全面的纵向和横向人工智能整合
3. 基于人工智能洞察力的持续优化
4. 新协同能力的创新管道

失败的教训

人工智能项目为何失败

兰德公司的研究指出了失败的五大原因：

1. 问题界定不清或目标传达不充分
2. 训练有效模型的数据不足
3. 关注技术而非用户的实际问题
4. 对时间和结果的期望不切实际
5. 缺乏适当的组织技能

确定的成功模式

成功的组织具有共同的特点：

• 他们从明确的企业痛点出发
• 加大对可靠数据管道的投资力度
• 他们将人工监控设计为一种功能，而非紧急情况
• 他们将成果作为有路线图和衡量标准的活产品来运作

特定行业的考虑因素

金融服务

该行业在人工智能整合方面拥有特殊的专长，许多机构都在尝试使用通用案例来建立信心并完善风险和控制模型。

医疗保健

医疗保健领域的跨职能人工智能成果尤为可观，不仅提高了诊断准确性，还缩短了诊断时间。

制造业

集成人工智能正在改变供应链管理和质量控制，一些机构报告称缺陷率降低了 30%。

‍

给决策者的建议

针对首席执行官

• 在人工智能战略路线图的指导下调整领导层
• 建立绩效评估和重新调整投资的衡量标准
• 投资于人才培养和战略伙伴关系

针对首席技术官

• 实施模块化架构，避免被供应商锁定
• 在部署人工智能之前，优先考虑数据准备工作
• 制定持续监测和质量控制规程

针对首席信息安全官

• 实施人工智能 TRiSM 框架，促进全面治理
• 监控影子人工智能并实施适当的控制
• 制定人工智能代理安全战略

结束语关键时刻

2025 年是企业人工智能的关键转折点。如果企业继续将人工智能视为一系列孤立的工具，就会发现自己在竞争中处于越来越不利的地位。

‍

人工智能协同框架不再是一种选择，而是一种战略需要。研究表明，实施集成方法的公司跨职能效率提高了 25-40%，而那些保持孤岛状态的公司则以创纪录的速度失败。

现在的问题不再是您的组织是否会采用人工智能，而是您的人工智能系统能否学会像人类团队一样有效地协同工作。未来属于那些认识到人工智能的真正潜力不是来自单个系统，而是来自它们在整个企业中的和谐互动的人。

‍

常见问题 - 有关人工智能协同作用框架的常见问题

‍

什么是人工智能协同框架？

人工智能协同框架是企业实施人工智能的一种战略方法，它强调人工智能系统之间的整合与协作，而不是孤立的部署。它包括三个关键组成部分：用于信息共享的 "洞察高速公路"（Insight Highways）、用于决策一致性的 "决策一致性协议"（Decision Coherence Protocols）以及用于相互增强人工智能能力的 "能力放大"（Capability Amplification）。

‍

实施人工智能协同框架的成本是多少？

根据组织规模和现有系统的复杂程度，成本差异很大。不过，成功的组织会将 50-70% 的预算和时间分配给数据准备工作。IBM 报告显示，采用整体方法的组织比分散实施的组织投资回报率高出 22-30%。

‍

全面实施需要多长时间？

典型的实施路线图为 18-24 个月：6 个月用于审计和试点，6-12 个月用于逐步扩展，6 个月以上用于优化和过渡到基于代理的人工智能。德勤报告指出，大多数组织认识到，他们至少需要一年时间来解决投资回报率和采用方面的难题。

实施的主要障碍是什么？

根据 Informatica 的数据，前三大障碍是：数据质量和准备（43%）、技术成熟度不足（43%）和技能短缺（35%）。其他障碍包括对组织变革的抵制、管理和安全问题，以及对取得成果的时间不切实际的期望。

‍

是购买解决方案好，还是内部开发好？

麻省理工学院的研究清楚地表明：从专业供应商处购买人工智能工具的成功率约为 67%，而内部构建的成功率仅为三分之一。这对于金融服务等高度受监管的行业尤为重要。

‍

如何衡量人工智能协同作用框架是否成功？

关键指标包括：提高跨职能效率（目标：25%-40%）、减少搜索信息的时间（目前占每周工作时间的 20%）、各部门见解的一致性以及人工智能投资的实际投资回报率。德勤报告显示，74% 的先进举措达到或超过了投资回报预期。

‍

哪些行业最受益于人工智能协同效应？

德勤确定了三个领先领域：客户服务和体验（74% 的积极投资回报率）、IT 运营和基础设施（69%）以及规划和决策（66%）。在跨职能整合方面，医疗保健和金融服务领域的成果尤为显著。

‍

如何处理过渡时期的 "影子人工智能"？

影子人工智能是指员工未经授权使用人工智能工具。与其完全阻止它，不如实施以下措施：主动发现正在使用的工具，根据具体使用情况进行风险评估，制定兼顾安全性和生产力的治理政策，以及逐步迁移到经过批准的企业工具。

‍

AI Synergy 和 AI agentica 有什么区别？

人工智能协同框架侧重于现有人工智能系统之间的集成与协作，而代理人工智能则代表着向完全自主系统的演进。代理人工智能通常被视为人工智能协同的终极目标，即集成系统发展成为能够独立规划和行动的自主代理。

‍

如何为人工智能代理做好准备？

从人工智能协同效应的坚实基础开始：集成系统、稳健治理和优化流程。Gartner 预测，到 2028 年，33% 的企业软件应用将包括基于代理的人工智能。通过实施广泛的治理框架、员工培训和针对自主系统的安全协议来做好准备。

‍

实施过程中的主要风险是什么？

主要风险包括：成本上升（42% 的项目因此而放弃）、数据安全和隐私问题、组织变革阻力，以及过度依赖技术而缺乏足够的人力监督。BigID 报告称，55% 的组织没有为遵守人工智能法规做好准备。

‍

本文基于对麻省理工学院、麦肯锡、Gartner、德勤、IBM 和其他领先人工智能机构等权威来源的广泛研究。所有链接和引文截至 2025 年 9 月。