2018年，两家全球巨头着手利用AI技术重塑其产品设计和将产品推向市场的方式。
通用汽车利用Autodesk Fusion 360的生成式设计软件，重新构想了一个看似不起眼却至关重要的部件——座椅支架。由AI生成的结构宛如自然生长而成，轻盈的网状外形比原件轻40%，强度则提升了20%。然而，这个部件最终未能投入生产。原因何在？通用汽车的供应链和生产线——专为冲压钢材而设计——无法处理AI生成的复杂几何形状。改造系统需要数年时间。这项创新就此搁置。
与此同时，苹果公司开始试验超薄光学元件——一种经过AI优化的超薄光学组件，能够取代传统的相机镜头。这项技术需要整合机器学习、材料科学和半导体制造工艺。短短两年内，苹果就申请了数十项专利，并且（截至本文撰写之时）据报道正准备将这项突破性技术嵌入其面部识别传感器中——首先应用于iPad Pro，随后也将应用于iPhone 17系列机型。与通用汽车不同，苹果公司不仅拥有大胆的想法，还拥有实现大胆想法的系统。
这两个案例揭示了关于AI的一个重要真相：问题通常不在于AI能做什么或不能做什么，更多时候，问题在于公司领导想要达成的目标，与公司的价值链、运营模式和技术架构实际能够支持的目标之间存在错位。这个问题相当普遍——62%的公司认为成功采用AI的主要障碍是跨职能协作不畅，63%的公司则认为需要调整工作流程。科尔尼咨询公司（Kearney）和福图伦集团（Futurum Group）的一项调查显示，只有25%的CEO表示他们已做好充分准备，可以在整个组织范围内部署AI。
不幸的是，绝大多数公司在这方面更像通用汽车，而不是苹果公司。研究表明，许多AI项目未能带来切实可见的商业价值：标普全球市场情报公司的数据显示，到2025年，42%的公司将放弃大部分AI项目（高于2024年的17%）；平均而言，46%的概念验证项目在投入生产前就被废弃。此外，新兴AI创业公司Writer近期对1 600名企业高管和员工进行的一项调查发现，尽管73%的企业每年在AI上的投入超过100万美元，但目前只有三分之一的企业从AI投资中获得了显著的投资回报率。
本文将提供一个实用的框架，旨在帮助企业提高AI投资回报率。基于对跨行业企业（包括消费品和先进制造业）的研究和经验，我们总结了影响AI成功的两个关键维度：价值链控制力和技术广度。这些因素界定了各种可能性，并指明企业可以采取四种截然不同的方法来发挥AI的潜力：聚焦差异化、垂直整合、协作生态系统和平台领导力。每种方法都伴随着各自的风险、要求和突破性创新的潜力。但当某种方法与企业的实际情况相匹配，回报将是巨大的。
让我们首先仔细看看构成该框架基础的两个维度。
从两个维度看清自己
第一个维度，价值链控制力（value-chain control），指的是公司对其产品从构思到上市的整个过程，拥有多大程度的影响力。拥有对价值链高控制力的公司，能够快速测试、迭代和扩大创新规模，因为它们自有或能够强势影响产品设计、制造、分销和客户互动等环节。例如，三星之所以能够在其所有产品中推广AI驱动的显示屏或摄像头改进，是因为它掌控着从芯片制造到全球零售网点的所有环节。
光谱另一端的一些公司，对价值链的控制力较弱（例如汽车行业的二级供应商或消费品行业的品牌授权商）。这些公司必须依赖其他公司来验证、采纳或推广其创新成果，因此很难快速行动。它们对其他公司的运营方式几乎没有影响力，创新空间也相对狭窄。
第二个维度，技术广度（technological breadth），指的是企业为了保持竞争力而必须整合的技术的范围和相互依存程度。在半导体、自动驾驶汽车和生命科学等广度很宽的行业，AI很少能独立运作。它必须融入其他快速发展的技术网络中，例如传感器、机器人、材料科学、云架构和边缘计算。在高广度技术的行业，企业必须应对持续的技术融合。
相比之下，低广度技术的行业——例如食品加工、建筑材料和基础物流——往往采用更稳定的技术架构。它们可以利用AI获得巨大收益，但通常是通过改进现有流程来实现，而不是重新定义整个行业格局。
这些维度并非地图上的固定点，而是会随着职能、地域和时间而持续演变的动态力量。一家公司可能在研发方面拥有很高的技术广度，但在客户互动方面覆盖面较窄。也可能在一个地区拥有强大的价值链控制力，但在另一个地区严重依赖中间商。企业应该专注于那些自身处于最佳位置、能够集中精力、充满自信开展业务的领域。
挑选正确的策略
上述框架衍生出四种AI创新策略。每种策略都代表着一种不同的方式，使组织定位与可行的创新路径相契合。现在来深入了解每一种策略——其逻辑、倾向于释放的特定创新类型，及其风险。
聚焦差异化（Focused differentiation）：磨砺自身优势。对价值链控制力有限、技术广度较低的公司，通常身处成熟行业。它们在价值链的某个环节拥有深厚的专业知识——例如产品配方、上游采购或消费者洞察——但无法掌控整个市场通道。它们并非AI领域的先锋，但它们拥有数据，并且懂得如何运用数据。它们无法重新设计整个系统，但可以使其更加智能。它们利用AI在特定领域内对产品或流程进行微调和优化。这正是精准、高影响力应用场景的领域：更优质的标签、更智能的传感器、更具适应性的配方。这些公司要想在AI领域取得成功，关键在于深入钻研，而非浅尝辄止。
例如，食品饮料巨头百事公司在其马铃薯供应链上游应用了AI技术，并通过与种植农户的合作项目对供应链进行严格管控。百事公司利用无人机和机器学习技术评估作物健康状况的早期指标，帮助农民优化灌溉和施肥，从而减少碳排放，提高产量，增强作物抗逆性——这在商品贸易中至关重要。百事公司欧洲分公司还与全球作物营养公司雅苒（Yara）合作，为农民提供精准农业数字化工具，以推动再生农业实践的普及。
同样，味好美公司（McCormick & Company）将重点收缩到一个特定的优势点：口味开发。2019年，这家全球香料制造商与IBM合作开发了SAGE，这是一个基于数十年感官数据、食谱和消费者洞察进行训练的AI系统。此后，该工具已成为味好美产品开发流程的核心，帮助公司加速创新，并在2022年至2024年间使新产品的净销售额翻了一番。
恒天然（Fonterra），这家新西兰乳业巨头的领导层并没有试图将整个业务数字化，而是聚焦于一个关键环节——预测牛奶离开农场前的品质——并精准地运用AI技术。恒天然与农业科技和分析领域的合作伙伴携手，将来自农场的传感器数据（例如天气、牧场状况和牛群健康状况）与历史牛奶收集记录整合在一起。随后，他们训练机器学习模型来检测预示牛奶品质潜在下降的模式——在牛奶到达加工厂之前，就标记出诸如体细胞计数升高或细菌污染风险等问题。这使得恒天然能够实时优化牛奶收集路线，优先选择优质奶源，并减少浪费。
身处这一象限的公司，面临的主要风险是过度扩张。2021年底，美国领先的在线房地产平台Zillow，其房屋翻新业务Zillow Offers遭遇惨败。该业务依赖于其AI生成的“Zestimate”定价模型。Zillow根据AI的估值购买了27 000套房产，但最终只售出了17 000套。对于非公开房源，Zestimate的估价误差高达6.9%。最终结果是：高达3.04亿美元的库存减记、2 000名员工被裁，以及整个Zillow Offers业务被砍掉。
垂直整合（Vertical integration）：联动整个机制。拥有强大价值链控制力但技术广度相对有限的公司，往往是企业级AI应用的理想对象。它们或许无须追踪每一项前沿技术趋势，但通过将AI嵌入现有流程，就能产生巨大的影响。AI可以将内部系统间的洞察连接起来，揭示数据、部门或流程之间的协同效应和效率提升空间。AI正是在这些领域提升卓越运营，例如预测性维护、动态定价和需求驱动型物流等等。在此，规模效应起到倍增器的作用——运营规模越大，即使是微小的效率提升也能带来很大的累积收益。
中国电商巨头京东，在其物流网络中全面应用AI，利用实时数据优化从仓库库存、配送路线到劳动力调度和需求预测等各个环节。疫情期间，京东的智能系统根据封控区域重新规划配送路线，利用AI驱动的机器人实现仓库运营自动化，并根据区域需求激增动态调整库存。当竞争对手苦苦应对瓶颈和延误时，京东凭借其更智能的系统，保持了服务的持续稳定。
在能源领域，埃克森美孚利用AI技术解读地震数据，并优化圭亚那的钻井路径。基于海量历史数据训练的算法将平均钻井时间缩短了15%，每个井场节省了数百万美元。由于埃克森美孚拥有从勘探到生产的基础设施，因此无须等待外部验证，即可快速行动。
再以沃尔玛为例。凭借对供应链、门店运营和定价系统的掌控，沃尔玛利用AI优化了物流、库存和劳动力部署。例如，在佛罗里达州，该公司开展了一项试点项目，利用当地天气预报和社交媒体趋势来预测需求高峰。在飓风伊恩来临之前，该系统自动重新分配了应急物资。风暴过后，该系统重新规划了运输路线，避开受损的配送中心，并确保门店的必需品供应充足。
追求垂直整合的公司往往擅长挖掘新的关联——打破信息孤岛，将数据和流程连接起来，从而发现他人无法察觉的模式和效率提升点。当AI应用于严格控制的系统中时，将物流与定价、运营与预测等环节串联起来的能力，便成为独特的竞争优势来源。
再次强调，切勿好高骛远。即使是运营实力雄厚的公司，一旦雄心壮志超越执行力，也可能遭遇挫折。例如，通用电气曾试图凭借其Predix平台成为工业AI领域的微软，该平台旨在连接从涡轮机、机车到医疗设备等各种机器的分析数据。然而，数据孤岛、内部阻力、缺乏连接软件以及领导层更迭等问题阻碍了平台的推广。在投入超过40亿美元后，通用电气缩减了平台规模，并剥离了GE Digital的大部分业务。
协作生态系统（Collaborative ecosystem）：构建网络。有些公司身处技术复杂的生态系统，却无法掌控其解决方案最终如何推向市场。这个象限的公司，其AI成功并非来自单打独斗，而是源于战略合作——共享创新风险、基础设施和专业知识。这些公司通常身处高科技、快节奏的行业，但执行的杠杆并非完全掌握在自己手中：它们需要依赖监管机构、研究人员或平台合作伙伴才能触达最终用户。它们的优势在于合作：共享平台、共同开发工具以及建立联盟，从而协调各方利益，而不仅仅是时间节点。
以诺华和微软为例。它们不仅建立了合作伙伴关系，还创建了一个AI创新实验室，旨在加速药物发现和开发。该项目的核心是一套机器学习模型，这些模型经过训练可以预测分子行为、识别潜在治疗靶点并优化临床试验方案。例如，该实验室的工具帮助诺华识别出用于肿瘤试验的新生物标志物组合，从而将试验设计时间缩短了30%以上。该项目的成功不仅源于技术共享，更源于共同的目标、共同开发的基础设施，以及对科学和运营整合的承诺。
宝马集团与英特尔和Mobileye的联盟是另一个引人注目的例子。各方贡献了各自独特的能力——算力、计算机视觉和车辆集成，共同开发自动驾驶解决方案。它们联合开发的原型车在德国高速公路上进行了测试，在受控环境下实现了安全、无须人工干预的驾驶。任何一方都无法单独完成这项任务。
再看看辉瑞在新冠疫情期间与BioNTech的合作。BioNTech的AI模型在短短几天内筛选了超过1万个mRNA候选分子，最终选定了BNT162b2配方作为疫苗。辉瑞公司凭借其全球范围内的监管和生产能力，以及AI工具的辅助，加速了疫苗的生产和审批流程。两家公司携手合作，将一项大胆的尝试转化为历史性的成功。
正如这个例子所示，这个象限的公司最容易实现根本性突破——那种能够重塑科学、技术或医学的早期突破。但这些突破需要协作。如果监管不明、文化冲突或目标不一致，即使是最有前景的工具也可能失败。当各方深度契合——认知、激励机制和执行方案完全一致，其回报将是变革性的。这个象限中的公司，其AI应用不仅仅关乎协作，更关乎一致性以及合作伙伴的协同。
AI合作要想释放强大的协同效应，就不能止于新闻发布会。IBM与安德森癌症中心的高调合作，旨在利用基于Watson的肿瘤专家顾问系统革新癌症治疗。尽管技术成果令人鼓舞，但该项目遭遇了组织和整合方面的挑战。实施过程困难重重，系统始终停留在试点阶段。最终，项目搁置——并非因为缺乏雄心壮志，而是因为合作伙伴难以将技术、数据和临床实践有效整合。
平台领导力（Platform leadership）：塑造规范。在技术广度和价值链掌控力这两个维度上都处于巅峰的公司，不仅能适应变化，更能塑造变化。它们不仅打造产品，还创建基础设施和生态系统。这就是统筹的力量所在：制定标准、开放API，并设计出其他公司想在其基础上构建的系统。
以彭博社推出的BloombergGPT为例，这是一款专门针对金融领域的大语言模型，其训练数据基于超过7 000亿个代币（Token）。这不仅仅是一次技术升级，更是一项旨在定义下一代金融AI的战略举措。与通用模型不同，BloombergGPT基于独特的金融文档、财报电话会议和专有数据集进行训练，使其能够总结财报、自动分类新闻并辅助风险建模——所有这些都可以在彭博社高度集成的终端生态系统中完成。彭博社的这项举措不仅仅是生成式AI的应用，更是在树立新的行业标准。
西门子医疗在医学影像领域也取得了类似的平台领导地位。其AI-Rad Companion套件可直接与医院系统集成，自动分析X光片、CT扫描和MRI图像。该系统能够突出显示异常情况。经过超4亿次扫描的训练，该系统已在60多个国家和地区获得FDA（美国食品药品监督管理局）批准，在提高诊断准确性的同时，简化了临床工作流程。西门子不仅销售AI工具，更塑造医院使用这些工具的方式，并为医疗护理树立了新的标准。
微软的AI平台方案融合了基础设施、工具和生态系统协调。GitHub Copilot经过数十亿行代码的训练，如今贡献了高达40%的受支持语言代码。在Microsoft 365中，Word、Excel和Teams中嵌入的AI助手正在重新定义工作方式。借助Azure OpenAI服务，微软已成为企业级生成式AI的支柱。微软之所以能够担起这一领导地位，不仅在于其卓越的技术性能，更在于其完善的治理、透明的流程以及与企业客户的紧密合作。
该象限中的公司凭借其能力，已做好充分准备进军看似遥远的领域：跨地域、跨行业、跨领域发现微弱信号和新模式。平台领导者拥有规模、数据和架构优势，能够洞察他人无法发现的事物，并抢先采取行动。
但影响力越大，风险也越大。塑造行业的能力意味着肩负着更大的责任，必须努力赢得和维持信任——包括合作伙伴、监管机构和最终用户之间的信任。这一领域的失败很少因为技术薄弱。以谷歌通过其DeepMind Health进军医疗AI领域为例，该团队与英国多家医院合作，开发了基于真实患者数据训练的诊断模型。从技术角度来看，这个项目前景光明。但当DeepMind未经授权访问数百万份NHS（英国国家医疗服务体系）记录的消息曝光后，公众舆论一片哗然。随后，该项目被并入谷歌健康，发展势头也随之减弱。失败的原因不在于其算法，而在于破坏了信任。
调动员工
在所有四种策略中，最根本的挑战并非技术，而是人。许多AI项目失败并非因为底层算法存在缺陷，而是因为人们抵制使用这些工具。在前文提到的Writer企业调查中，31%的员工承认曾积极抵制公司的AI项目——通常是因为他们害怕被取代。十分之一的员工甚至更进一步，表示他们篡改了绩效指标或故意生成低质量的输出结果，以阻碍AI的推广应用。
苹果设备租赁公司Rent a Mac推出AI驱动的库存管理系统时，引发了员工焦虑。这导致系统实施延迟了七周，并损失了约8.5万美元的预期提升效益。但通过任命AI示范官来展示实际应用案例，该公司员工的参与度在短短几个月内就翻了三倍——从31%飙升至89%。透明度、沟通和员工体验，让局面得以逆转。高露洁棕榄公司也意识到员工参与的重要性，因此推出了内部AI中心，让员工无需编程经验即可开发自己的AI助手——最终开发了数千个。结果不仅仅是工作流程的优化，更重要的是员工的认同感。当人们觉得自己是未来的参与者，他们不会感到恐惧，而是会成为未来的建设者。
在AI驱动的组织中，管理者的角色也在发生转变。除了调遣员工，管理者还必须帮助团队学习如何与算法协作——解读机器的洞察、重新设计工作流程，并将技术进步解读为员工的进步。这通常需要一种文化变革：创造空间进行实验、快速试错并实时学习。
最成功的组织并非将AI视为答案，而是视为一个问题：我们如何才能更聪明地一起工作？最终，这意味着其中一些组织会同时出现在所有四象限中。让我们来看看具体情况。
引领AI时代
乍一看，宝洁公司似乎是垂直整合的典型案例（信息披露：宝洁是本文两位作者所在公司Iprova的客户），从研发实验室，到制造工厂，再到零售执行，该公司对整个流程都拥有端到端的控制力，并将AI深度嵌入其运营核心。借助微软的Azure IoT运营系统，该公司在工厂部署新的机器学习模型所需的时间缩短了高达90%，从而使预测算法能够监控机器振动和温度数据、预测设备故障并持续优化生产。
除了运营，宝洁还在关键领域精准应用AI。例如，Oral-B iO电动牙刷利用传感器和实时机器学习技术指导用户正确的刷牙技巧，从而改善口腔卫生效果。汰渍团队则运用AI加速配方测试，将测试时间从数月缩短至数周。这些都是典型的聚焦差异化的策略——范围虽窄，但影响深远。
在公司外部，宝洁积极构建协作生态系统，例如其长期运营的“连接+发展”（Connect + Develop）平台。这个开放式创新网络为AI工具（例如玉兰油护肤顾问）提供支持，该工具通过分析用户的自拍照来推荐护肤方案。宝洁还构建了一套专有的消费者脉搏系统，该系统整合了来自社交媒体、客户服务、产品评论和零售数据的信号，使其不仅能够响应市场趋势，还能引领市场走向。
宝洁的独特之处在于它有意在所有四个象限都采取策略：它专注于AI能够立即创造价值的领域；它通过规模效应提升绩效；它寻求拥有重要互补能力的合作伙伴；它打造平台，使自身处于其运营所在的关键生态系统的核心地位。宝洁的这些举措，揭示了一个更深层次的真理：战略或许始于某个象限，但成功却建立在整个系统之上。
未来十年的最终赢家，不是那些启动AI试点项目最多的公司，而是那些懂得如何将AI能力规模化的公司。这意味着要将雄心壮志转化为实际行动——选择符合自身组织实际情况的战略，赋能员工，并将AI与真正可控的因素相结合。归根结底，AI本身并非战略，而是一种将战略付诸实践的工具。所以，企业需要回答一些关键问题：我们的优势在哪里？我们可以在哪些方面快速行动？我们天生适合释放什么样的创新潜力？AI能够产生洞见，但需要组织能力将这些洞见转化为实际成果。通用汽车和苹果公司之间的区别不仅仅在于技术，更在于支撑技术的体系。那些构建了正确系统的公司——那些将雄心壮志与执行力相结合的公司——不再止于AI试点，而是开始引领行业。
西里尔·布凯是瑞士洛桑国际管理发展学院（IMD）的战略与创新教授，也是《异类思维：通往突破性创意的非常规路径》（ALIEN Thinking: The Unconventional Path to Breakthrough Ideas，PublicAffairs 出版社，2021年）一书的合著者。
克里斯托弗·J.赖特是瑞士公司Iprova的首席发明官，该公司利用AI加速突破性发明的诞生。
朱利安·诺兰是Iprova的创始人兼CEO。
西里尔·布凯（Cyril Bouquet） 克里斯托弗·J.赖特（Christopher J. Wright）朱利安·诺兰 （Julian Nolan）| 文
Gemini | 译 程明霞 | 编校