战略企业架构对齐：释放AI商业价值的关键路径

完整阅读本文大约需要8分钟时间

如果人工智能未能深入融合到企业的核心使命、人才体系、工作流程和组织架构中，它就难以真正驱动业务增长。本文将探讨如何通过精准对齐，确保AI投资实现最大价值回报。

过去三年间，人工智能领域吸引了前所未有的资金投入和市场关注，但其炒作与实际业务产出之间的鸿沟依然显著。波士顿咨询公司（BCG）近期研究显示，尽管高达98%的企业正在尝试AI技术，但仅有4%在投资中获得了可观回报，只有约四分之一（26%）的企业创造了任何形式的实际价值。

那么，为何如此少的AI项目能带来实质性收益？核心原因在于未能将AI技术决策与组织的战略企业架构（Strategic Enterprise Architecture, SEA）对齐——即企业的整体使命、人才、流程和现有技术，这些要素协同服务于战略目标。太多情况下，AI部署是出于对新技术的追逐或对“落后于时代”的恐惧，而非基于对业务契合度的深入分析。

这并非新问题。自信息技术革命以来，技术与业务目标的脱节一直存在挑战。正如我在互联网泡沫破裂后于《华尔街日报》中指出的，这是组织必须系统克服的障碍。然而，AI带来的影响远超以往技术浪潮，集成点更多，组织波及更广。不同于早期创新常局限于部门层面，即使是看似小型的AI项目也可能在整个企业架构中引发连锁反应。

我和合著者在最近发表于《MIT斯隆管理评论》的文章中提出，组织需要新型领导者来协调AI转型的庞大规模与广度。但成功的AI实施不能仅依赖单一高管。每位企业高层都必须理解AI的潜力与风险，以及它如何影响整体业务系统与战略。

本文旨在为企业提供实用指南，帮助决策哪些AI项目值得投入。它简要概述了领导者所需掌握的技术知识，以便做出明智选择，并展示AI技术应如何与更广泛的企业级架构对齐。

这套统一的概念框架，是所有部门和专业领域之间进行连贯思考、对话与规划的基石。

战略企业架构（SEA）

要创造持久价值，AI项目必须与组织的战略企业架构（SEA）保持一致。企业架构概念最早出现于20世纪80、90年代，用于描述技术架构。当我在2000年出版的《e-Enterprise》（剑桥大学出版社）中引入战略企业架构术语时，我的目标是强调一个常被忽视的观点：价值创造依赖于将技术架构与整个企业的更广泛结构对齐——包括使命、战略、流程和运营模式。

构建SEA还有一个关键实施作用：它为整个组织提供共同语言和愿景。这种共享的概念性词汇对于跨部门、跨学科的统一思考、交流和规划至关重要。

关键的业务架构组成部分

要理解哪些AI项目能为组织创造价值，领导者首先需要对现有企业的四个相互关联要素有清晰认识。

组织宗旨与商业战略

这些要素描述企业存在的理由及其在市场中的成功方式，包括使命、愿景、核心价值观、竞争定位和战略目标。能够直接推进这些核心目标的AI项目，自然能获得更强组织支持并带来更大价值。

人员与文化

再雄心勃勃的AI战略，若缺乏合适人才执行，也无法落地。成功需要清晰描绘组织的领导力模型、人才结构和技能画像。同样重要的是，AI项目如何与企业的文化价值观保持一致。

流程与运营结构

组织内部的工作方式决定了实施AI的具体方法是否可行。业务流程、决策框架、治理模式和组织层级都需要仔细梳理，以确保AI项目的开发和日常运行能够与企业工作流程无缝对接。

现有技术架构

尽管企业领导者应当独立理解AI，但成功实施同样意味着必须将新技术与现有企业技术栈结合。当前系统、数据资产、基础设施和技术债务，都会决定AI的可实现性及其潜力释放方式。

理解AI架构

当领导者能够描绘战略、流程、人员和现有技术如何契合时，他们就能将AI项目的技术需求映射到同一蓝图之上。

下图所示的当代AI技术栈由五个相互关联层组成：

要获取有关AI技术栈的更多基础信息，请参阅IBM的入门指南。

成功部署AI项目意味着在每一层都要做出选择，以确保与组织需求对齐。关键考量因素包括：部署模式（本地、云端或混合方式）、开放系统与封闭系统的权衡、算力需求以及数据基础设施要求。与仍在为数据孤岛或数据质量问题困扰的企业相比，数据基础设施成熟的组织可以更快速、更高效地实施AI。

什么是错位与对齐？

在技术选择与战略企业架构（SEA）之间的任何层面出现不一致，都会导致AI项目失败。

案例1：Stability AI

当Stability AI推出其热门的Stable Diffusion图像生成器时，它依赖的云计算基础设施年成本近1亿美元，运营成本达5400万美元。但其收入仅1100万美元，缺乏可扩展的商业计划。这是典型的技术与业务错位案例。

启示：成本结构远超现有变现战略。

案例2：三星（Samsung）

2023年，三星员工使用ChatGPT辅助编程，导致极具价值的源代码泄露。此次数据泄漏根源在于：允许使用外部AI模型，而该模型不在公司安全的IT基础设施和数据治理政策之内。

启示：松散的数据治理危及知识产权安全。

案例3：《体育画报》(Sports Illustrated)

《体育画报》使用AI生成文章并署上虚构作者名，这种方式虽提高了内容生产效率，但与其“可信信息提供者”的品牌承诺严重背离。最终，这一举措对业务造成了伤害而非帮助。

启示：不透明的AI使用侵蚀了长期积累的读者信任。

适当的对齐反而能带来真正价值

案例4：Adobe

Adobe决定仅使用公司自有图像或公共领域图像来训练其内部生成式AI，从而确保输出结果不会侵犯知识产权。这保证了Adobe的商业客户可以放心使用该技术，而无需担心法律责任。

启示：权益对齐的数据集将客户的下游法律风险降到最低。

案例5：彭博（Bloomberg）

2023年，彭博推出BloombergGPT，这是一款专门基于金融数据和新闻训练的大型语言模型（LLM）。定制化模型使彭博能够在自身基础设施中控制模型加权与数据流，并提供比通用模型更优的金融任务支持。

启示：领域专属模型强化了高端客户的价值主张。

AI对齐清单

除非你能对以下四个问题都回答“是”，并能提供相应证据，否则该AI项目不应推进：

• 该AI项目是否能直接推进你的战略优先事项，并带来清晰可衡量的成果？

如果不能显著贡献于组织使命，那么它只是一个技术实验，而非可行的创新项目。

• 你的领导层和员工是否已经做好迎接变革的准备？

如果没有，你需要先制定路线图来提升团队能力，然后再继续推进项目。

• 该项目是否能够与现有流程和运营模式融合？

需要对业务流程和系统进行端到端梳理，以确保新的AI能力能够无缝融入现有流程。

• 该项目是否与现有技术架构契合？

所选择的技术方法必须与组织的技术生态系统、数据流以及安全要求兼容。

从项目到组合

随着企业逐步建立AI项目管道，技术与企业架构之间的长期对齐变得越来越复杂且重要。投资组合管理方法可以帮助企业在其不断演进的SEA框架下，有系统地评估和优先排序多个AI项目。

我在《Reinvent》（由IMD出版）一书中深入讨论了投资组合管理原则，并在我最新著作《Transcend》中结合AI作了特别探讨。

结论

AI领域将继续快速演进，但成功实施的基本原则始终不变。那些能够将组织的AI项目与战略企业架构对齐的领导者，将远优于那些只关注技术本身的领导者。

本文翻译自I By IMD，中文版本仅供参考。

关于作者

关于瑞士IMD国际管理发展学院

瑞士IMD国际管理发展学院（International Institute for Management Development，IMD）已有75年以上历史，始终致力于培养能够推动世界更加繁荣、可持续与包容的领导者与组织。IMD由一支专业且多元化的教师队伍领导，在瑞士洛桑和新加坡设有校区，并在中国深圳设有管理发展中心，致力于成为全球有志个人和组织最值得信赖的学习伙伴。IMD的高管教育和学位项目长期位居全球领先地位。这一持续领先源于IMD独特的“真实学习，真实影响（Real Learning, Real Impact）”教育理念。通过高管教育课程、工商管理硕士（MBA）、高级管理人员工商管理硕士（EMBA）项目及专业咨询服务，我们助力商业领袖找到更新更好的解决方案，挑战现状，启迪未来。