AI ROI的真正鸿沟：不是技术差距，而是组织与客户旅程的错配

文 | 多大NewMedia ——为什么先进的AI无法自动转化为商业价值？ 当下，企业对AI投入应用最热烈的讨论阶段，可能已经过去了。 但真正棘手的问题，也许是另一件事，即AI究竟能为企业创造多少价值。 这个问题之所以值得重新讨论，是因为企业的AI投资与商业回报（ROI)之间，正在出现一个越来越明显的落差。 CCW Europe（Customer Contact Week Europe）近期发布的一项关于AI与客户体验的研究，提供了一个颇为刺眼的数据：没有一家受访企业能够证明AI目前已经产生了企业级的商业影响。 这项针对欧洲及全球企业 AI 部署与客户体验（CX）的调查，揭示了当下企业 AI 投资中极其深刻的“价值悖论”： 同一批企业中，62% 的企业 计划在未来 12 个月内继续增加 AI 投资； 只有 10% 的企业 将“收入增长（Revenue Growth）”作为 AI 投资的首要目标； 42% 的企业 认为“从试点（Pilot）走向全面运营规模化（Scale-up）”是目前最大的挑战； 0%（没有一家受访企业） 能够明确证明 AI 目前已经产生了企业级（Enterprise-wide）的商业影响或直接财务回报。 这组数据之所以在业界引发广泛讨论，是因为它精准抓住了今天企业 AI 转型中的核心痛点： 绝大多数企业依然在用“局部效率”和“成本控制”的旧框架来套用 AI，导致项目大量停留在单点试点，无法穿透部门壁垒、融入完整客户旅程，最终陷入了“投资不断增加，ROI 却无法兑现”的困境。 投资继续增加，企业级商业影响却尚未出现。 如果把这两个数字放在一起看，问题就不再只是“AI的ROI为什么这么低”，而是： 企业是不是正在用一种不适合价值创造的方式使用AI？这可能比“AI是否足够先进”更加重要。 AI进入了企业，却没有真正进入价值创造链。 过去两年，AI进入企业的方式其实并不陌生。 智能客服、知识助手、Copilot、自动摘要、智能质检、营销内容生成……大量AI应用首先承担的任务，都是把原来的工作做得更快、更便宜。这当然能够创造价值。 客服处理时间缩短了，员工搜索资料的时间减少了，重复性的工作被自动完成，企业的人力成本因此下降。 但这里也存在一个容易被忽视的区别： 降低成本，是价值；创造新的商业价值，是另一回事。 企业大规模投资AI，却仍然用“效率”来定义AI的价值；AI项目越做越多，却很难从单点试验走向企业级运营。 于是，AI越来越多，ROI却没有同步出现。 问题不是AI没有价值。而是很多企业把AI放进了成本链，却期待它最终产生价值链上的结果。 从AI试点到规模化，真正被卡住的是组织 在现实中，我们不难看见，一个AI客服项目上线，但并不能改变企业整个客户服务体系；一个AI助手可以帮助员工写报告，但很难改变企业的决策方式；一个模型能够准确预测客户流失，但往往并不能真正降低客户流失率。 答案往往不在模型本身。 因为AI试点验证的是一个相对简单的问题：AI能不能完成某项任务？ 而规模化需要回答的是另一组问题：谁负责？谁可以根据AI的判断采取行动？不同部门能不能共享数据？原来的流程是否允许改变？AI建议与人工判断发生冲突时谁负责？最终的业务结果由谁承担？ 这已经不是技术问题，而是组织问题。 CCW Europe的研究把这种困境量化为42%：从试点走向全面运营，是受访企业当前最大的AI挑战。 这也解释了为什么“AI试点成功”并不意味着“AI转型成功”。 试点可以被一个团队包围起来。规模化却会撞上部门边界、数据边界、权限边界和责任边界。 试点考验AI能不能做，规模化考验组织能不能让AI真正参与工作。 因此，AI时代一个越来越重要的管理问题正在浮现： 当AI能力增长速度超过组织能力增长速度时，企业拥有的可能不是新的生产力，而是一种组织无法充分利用的新能力。 真正的变化，不是AI替代谁，而是重新分配人的价值 金融服务是观察这一变化最好的行业之一。 以财富管理为例。传统财富顾问大量时间用于搜索研究资料、整理客户信息、准备会议材料。这些工作并非没有价值，但其中相当一部分属于信息处理。AI刚好最擅长这些事情。 在Morgan Stanley的AI应用实践中，其AI Assistant已经被超过98%的财富管理顾问团队使用；内部知识文档的访问率从20%提高到80%。Morgan Stanley与OpenAI披露的信息还显示，AI正在帮助顾问减少信息搜索和重复性工作，让更多时间回到客户关系本身。 真正值得关注的不是98%这个数字，而是AI进入工作流程之后，人的价值发生了什么变化。 如果机器承担越来越多的信息检索、总结和准备工作，那么顾问的价值就不应该继续建立在“谁知道的信息更多”上。 人的价值开始更多体现在理解客户真正的需求、解释复杂决策、处理不确定性、做出判断以及建立长期信任上。 这不是简单的“AI替代顾问”。相反，是一种工作的重新分工： 机器承担更多信息劳动，人重新获得更多判断和关系劳动。 因此，从AI工具走向AI顾问，并不是给AI增加一个“顾问”的身份那么简单。 真正发生的是： AI开始进入客户决策过程。 当AI进入客户旅程，价值创造才开始发生变化 如果Morgan Stanley改变的是顾问与客户之间的工作关系，那么Bank of America的Erica，则展示了另一种可能： AI开始改变银行与客户发生关系的方式。 Bank of America披露的数据显示，2025年客户与其数字渠道产生约300亿次互动，同比增长14%；Erica在一年内被约2060万名客户使用，互动接近7亿次。自2018年推出以来，Erica累计互动已经超过32亿次。 如果把Erica仅仅理解成一个更先进的智能客服，这些数字的意义无疑会被缩小。 传统客服的基本逻辑是：客户有问题，客户提出问题，银行回答问题。 而更成熟的AI服务正在尝试改变这个关系：银行理解客户正在发生什么，判断客户可能需要什么，主动提供信息，并帮助客户完成下一步。 这意味着AI开始从一个“触点工具”进入整个客户旅程。还有一个更重要的问题： AI能够理解完整的客户，企业是否也能够按照完整的客户来组织自己？ 这才是下一道门槛。 客户的一个需求，银行却常常把它切分到几个部门 银行长期以来按照产品业务来构建组织：存款、贷款、信用卡、保险、财富管理…… 这种组织方式对于管理产品十分有效。但客户并不是按照银行的组织架构生活的。 客户不会说“今天我要进入贷款部门”，客户会说“我准备买房”、“我准备创业”、“我准备退休”或者“我需要给孩子准备教育金”。一个“买房”需求，可能同时涉及存款、贷款、保险、投资甚至后续财富规划。 这就是客户旅程。 而传统组织的问题在于： 客户经历的是一条完整旅程，企业管理的却是一组彼此分割的产品。 AI恰恰把这种矛盾暴露得更加明显。 因为AI可以越来越准确地理解一个客户的完整状态。它可以知道客户最近的资金变化、产品使用、行为特征和潜在需求。 但是，如果这些信息仍然停留在某一个部门或者碎片化在不同的部门，AI就无法把洞察转化为行动。 于是出现一种新的错配： AI看到的是一个客户，组织看到的是几个产品客户。 这可能是今天很多AI项目难以产生企业级RO