人工智能与战略企业架构对齐：驱动业务价值的核心法则

全文阅读时长约8分钟 

若人工智能未能深度融入企业的使命、人才体系、业务流程与组织架构，则其难以真正驱动业务增长。以下将阐述如何通过精准对齐，确保人工智能投资释放最大潜能。

近三年来，人工智能吸引了空前的资本投入与行业聚焦，然而其宣传声势与实际创造的商业成效之间，鸿沟依然显著。波士顿咨询公司近期研究显示，尽管98%的企业正在探索人工智能应用，但仅有4%从中获得了可观回报，约四分之一（26%）的企业实现了部分价值创造。  

那么，为何如此众多的人工智能项目未能带来实质性收益？症结在于技术决策与组织的战略企业架构未能有效对齐——即企业的整体使命、人才、流程及现有技术未能共同服务于战略目标。在许多案例中，人工智能部署往往源于对新技术的迷恋或对“错失良机”的焦虑，而非基于其与业务全局契合度的审慎分析。 

此问题并非新近浮现。自信息技术革命发端，技术与业务目标的错配便是持续挑战。正如笔者在互联网泡沫破灭后于《华尔街日报》所指出的，这是组织必须系统性克服的难题。然而，人工智能所带来的影响远超以往任何技术浪潮，其集成点更为广泛，组织影响更为深远。与早期通常仅在部门层面实施、跨部门影响有限的创新不同，即使是看似微小的人工智能项目，也可能在整个企业架构中引发连锁反应。 

笔者与合著者在近期发表于《MIT斯隆管理评论》的文章中提出，组织亟需新型领导者来协调人工智能转型前所未有的规模与广度。但成功的人工智能实施不能仅依赖个别高管。每位企业高层都必须深刻理解人工智能带来的机遇与挑战，及其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，助力决策哪些人工智能项目值得投入。它将简明勾勒领导者所需掌握的技术知识，以便做出明智决策，并展示人工智能技术应如何与更广泛的企业级架构相融合。 

这一统一的概念体系，构成了跨部门、跨专业领域连贯思考、深度对话与系统规划的基石。

战略企业架构（SEA） 

要创造持久价值，人工智能项目必须与组织的战略企业架构保持一致。企业架构概念最早于20世纪80、90年代提出，用以描述企业的技术架构。当笔者在2000年出版的《e-Enterprise》（剑桥大学出版社）中引入战略企业架构这一术语时，意在强调一个常被忽视的观点：价值创造依赖于技术架构与整个企业更广泛结构的对齐——包括使命、战略、流程和运营模式。 

构建战略企业架构还具有关键的实施作用：它为整个组织提供共通的语言与愿景。这种共享的概念性词汇对于跨部门、跨学科的统一思考、交流与规划至关重要。 

关键的业务架构组成部分

要判断哪些人工智能项目能为组织创造价值，领导者首先需清晰把握现有企业的四个相互关联要素。 

组织宗旨与商业战略 

这些要素界定了企业存在的理由及其在市场中取胜之道，包括使命、愿景、核心价值观、竞争定位与战略目标。那些能直接推进这些核心目标的人工智能项目，自然更易获得组织支持并释放更大价值。 

人员与文化

再宏大的人工智能战略，若无合适人才执行，也难以落地。成功需要清晰描绘组织的领导力模型、人才结构与技能画像。同样关键的是，人工智能项目如何与企业的文化价值观相契合。 

流程与运营结构

组织内部的工作方式决定了人工智能实施的具体路径是否可行。业务流程、决策机制、治理模式与组织层级需被细致梳理，以确保人工智能项目的开发与日常运行能与企业工作流程无缝衔接。 

现有技术架构

尽管企业领导者应独立理解人工智能，但成功实施同样意味着必须将新技术与现有企业技术栈融合。当前系统、数据资产、基础设施及技术债务，都将影响人工智能的可实现性及其潜力释放方式。 

理解人工智能架构 

当领导者能够描绘出战略、流程、人员与现有技术如何协同，他们就能将人工智能项目的技术需求映射至同一蓝图之上。 

下图所示的当代人工智能技术栈由五个相互关联的层次构成： 

欲获取更多人工智能技术栈的基础信息，请参阅IBM的入门指南。 

成功部署人工智能项目意味着在每一层均需做出选择，以确保与组织需求保持一致。关键考量包括：部署模式（本地、云端或混合）、开放系统与封闭系统的权衡、算力需求及数据基础设施要求。相较于仍受数据孤岛或质量问题困扰的企业，数据基础设施成熟的组织可更快速、高效地实施人工智能。 

什么是错位与对齐？

在技术选择与战略企业架构之间的任何层面出现不一致，都将导致人工智能项目的失败。 

案例1：Stability AI 

当Stability AI推出其热门的Stable Diffusion图像生成器时，其依赖的云计算基础设施年成本接近1亿美元，运营成本高达5400万美元，而收入仅为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的承载能力。 

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。此次数据泄漏的根源在于：允许使用外部人工智能模型，而该模型未纳入公司安全的IT基础设施与数据治理政策之内。

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》使用人工智能生成文章，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，此举对业务造成了伤害，而非助益。 

启示：不透明的人工智能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训练其内部生成式人工智能，从而确保输出结果不侵犯知识产权。这保证了Adobe的商业客户可放心使用该技术，无需担忧法律责任。 

启示：权益对齐的数据集将客户的下游法律风险降至最低。 

案例5：彭博（Bloomberg） 

2023年，彭博推出BloombergGPT，一款专门基于金融数据和新闻训练的大型语言模型。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。 

人工智能对齐清单

除非你对以下四个问题均能回答“是”，并能提供相应证据，否则该人工智能项目不应推进： 

• 该人工智能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？

若不能显著贡献于组织使命，则其仅为一个技术实验，而非可行的创新项目。 

• 你的领导层与员工是否已做好迎接变革的准备？ 

若尚未准备就绪，需先制定路线图提升团队能力，再继续推进项目。 

• 该项目是否能与现有流程和运营模式融合？ 

需对业务流程和系统进行端到端梳理，以确保新的人工智能能力能无缝融入现有流程。

• 该项目是否与现有技术架构契合？

所选技术方法必须与组织的技术生态系统、数据流及安全要求兼容。

从项目到组合

随着企业逐步建立人工智能项目管道，技术与企业架构之间的长期对齐愈发复杂且关键。投资组合管理方法可帮助企业在不断演进的战略企业架构框架下，系统评估和优先排序多个人工智能项目。 

笔者在《Reinvent》（由IMD出版）一书中深入探讨了投资组合管理原则，并在最新著作《Transcend》中结合人工智能作了特别阐述。 

结论

人工智能领域将持续快速演进，但成功实施的基本原则始终不变。那些能将组织的人工智能项目与战略企业架构对齐的领导者，将远远优于仅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”教育理念。通过高管教育课程、工商管理硕士、高级管理人员工商管理硕士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。