AI转型循环

过去六周里，我与20位私募股权运营合伙人交流了他们投资组合公司中的人工智能应用情况。

具体细节属于机密，但模式反复出现。

大多数被投企业将AI用于邮件草拟和会议纪要，而多数合伙人无法描述除此之外还能做什么。

少数涉足理赔、承保或营收运营的企业都撞上了同一堵墙：做出演示只需一周，而证明其达到生产级质量却要六个月。

调查数据也印证了这一点。

盖洛普在2026年5月询问了22,573名美国员工使用AI的用途。写作与编辑以51%居首，搜索占49%，流程自动化仅占16%。《哈佛商业评论》分析服务在2026年4月发现，仅18%的组织已将AI整合进工作流程。其余的都还在起草邮件。

在这方面失败的公司，把AI当作咨询项目来运作。

他们进行了漫长的诊断，绘制了目标架构，基于假设预测投资回报率，并在任何人衡量到一美元收益之前，花了18个月做集成。那条路线图的最后一步，是一场总结汇报。

而成功落地的公司，则把它当作一个循环来运作。

他们挑选一个拥有真实用户、真实数据以及业务所追踪结果的工作流程，在AI工具存在之前就建立衡量标准，用两到四周时间证明最小可用切片的价值，然后做出决策。

这就是那个循环，写下来以便运营合伙人能直接交给被投企业CEO，而不是一份演示文稿。

为什么被投企业无法给你一个AI应用案例

经营被投企业的人在AI出现之前就已经在管理这家企业了。

他们有客户需要服务，有关系需要维护，而这些客户并没有要求下个季度就要用上AI，所以这周看起来和上周没什么两样，团队也没有理由停下来。

让他们列出一份AI应用案例清单，你得到的只会是耸耸肩，因为你是在让他们停下手中的业务来回答你的问题。

Accordion的2026年基准调查询问了150位运营合伙人关于AI在其被投企业财务职能中的应用情况。

17%的被投企业CFO已将AI列为具有预算和董事会关注度的战略任务。34%仍在评估中，31%正在试点特定工作流程，而41%的合伙人表示他们正在整个投资组合中推广AI，却没有可操作的执行手册。

他们指出的障碍中，数据基础设施占71%，人才占63%，遗留技术占58%。

Gartner在2026年4月对782位基础设施和运营领导者的调查从公司内部发现了同样的状况。

28%的AI应用案例完全成功并达到了投资回报预期，而在至少取得一次成功的77%的领导者中，他们都将成功归功于将AI融入现有工作流程，并获得了业务高管的全方位支持。

运营者知道流程中哪里在“痛”。

微软2026年工作趋势指数调查了2万名员工，将AI可衡量的影响的67%归因于组织因素而非个人技能，并且发现只有26%的AI用户表示其领导层在AI战略上保持一致。

运营者需要一种审视自身运营的方式，而出资方需要承担起问责的责任。这正是五个透镜的作用所在。

如何审视被投企业：五个视角

审视时，你通常有两种方式：要么围绕效率低下者削减成本，要么让聪明人提速。但两者都局限于企业内部，且都无法告诉你应从何处着手。

从客户出发，向内推进。

1. 客户互动环节。

找到客户等待、抱怨或流失的互动点，并思考AI是否能改善他们的体验。答案不外乎三种形态：客户未曾获得的洞察、数分钟内而非数日完成流程，或是在版本更新间持续改进的产品。客户入职流程是多数公司低估的互动环节。

Encompass在2026年4月调查了企业财务主管：96%的人曾因银行应用耗时过长而放弃使用，97%的人正考虑因KYC（了解你的客户）流程繁琐而更换银行。

OnRamp的2026年入职报告发现，57%的客户成功负责人表示入职摩擦直接影响收入，而实现入职数字化的团队将价值实现时间缩短了25%或更多。

2. 背后的工作流程。

梳理流程并对步骤进行分类：确定性、重判断、异常驱动或依赖关系。机器承担确定性步骤，并为判断性步骤做准备。人保留决策、审批和异常处理。如果大部分工作属于判断或关系性质，则留待后续工作流处理。

3. 背景信息。

找到真相所在之处、其归属者及其含义。工作流中的每个数据集在智能体接触之前，都需要明确所有者、定义和敏感级别。

我们的交付团队将背景信息视为智能体成功的80%关键。如果公司内无人能定义这些字段，那么定义它们就是首要交付成果。

4. 证据。

今天先确认能否度量该工作流程：工作量单位、每周期量、周期时间、实际处理时间、返工率、异常率及单位成本。没有基线就无法证明变革效果，赞助方也不会为无法验证的变革资助第二个工作流。

5. 负责人。

明确我们离开后由谁负责运营：流程负责人、数据负责人，以及一位根据证据做出“继续或停止”决策的执行发起人。

没有负责人的工作流不具备资格。

如果候选工作流存在以下任一情况，则跳过：无真实用户、无真实数据、无基线、无负责人，或要求是“重组组织”。有两类工作流显而易见，无需透镜分析：软件开发（每一步都有门禁的构建过程），以及重复到可由脚本完成的工作。排除明显情况后，对三到五个候选工作流应用透镜分析，根据价值、可行性、风险及可复用性进行排序，并选择一个。

实施方法：十个步骤

1. 选定一个工作流、一个赞助方、一个预期结果，并明确非目标。 选择真实用户、真实数据及业务追踪的指标，并记录非目标，因为团队在第二周会扩大范围。

2. 与执行该工作流的人员一同走查流程。 收集典型案例、异常情况、权限设置及未记录在案的专家判断。先访谈再盘点：在任何人阅读代码前，询问每个数据集的所有者及其含义。

3. 在构建前签署基线。 就工作量、周期时间、实际处理时间、质量与返工率、异常率、运营成本及测量窗口达成一致，并在试点前由双方签署，因为事后编写的基线无法度量任何东西。

4. 在智能体存在之前，先构建评估框架。 汇集一组真实案例，其结论需经客户方专家认可，并纳入该业务中至关重要的失败类别：数字错误、受保护数据泄露、对缺失数据的错误自信。你不能信任在得知答案后才构建的度量标准。

5. 在二至四周内，基于真实数据交付最小可用切片。 智能体提出建议，由指定人员决策，且暂不写入任何记录系统。与旧有方式并行运行，并确保每次运行都留下可供他人查阅的痕迹。

6. 度量三项指标。 吞吐量指每周期完成单位数及周期时间。质量指首次通过率、返工率、越权操作及事故数。经济性指单位运行成本与已验证产能价值、避免的返工、增量产出及风险调整后避免的损失之比，再减去云、模型、支持及变更成本。报告应给出范围，且仅在有人确认节省时间能转化为实际现金时，才将节省的工时计为现金收益。

7. 共同决策。 基于证据选择继续、调整、停止或扩展。若数据未达基准，则停止并保留预算。此结果仅需四周而非四个月。

8. 加固。 为每次变更添加评估、安全审查、可观测性、集成、回退机制、成本上限，并确保运行环境非个人笔记本电脑。为每个知识结构设置基于角色的访问权限，为每个智能体设定生命周期，避免失效智能体以活跃API密钥的形式成为技术债务。

9. 转移所有权。 将能力嵌入工作流程，培训操作人员，移交运行手册，并明确负责人。操作人员不再机械操作，转而进行判断，其每次修正都将反馈至黄金案例集。

10. 基于现有成果，选择下一个工作流。 上下文层、工具框架、托管和治理均可延续，因此每个工作流都能更多地复用上一个。这就是从工具采用到以智能体输出为驱动的组织的阶梯，而你是一步一个经过验证的工作流向上攀登的。

阶梯共有七级，如下所示。

AI采用阶梯

你的公司从工具采用走向智能体组织，共有七个主要步骤。

第一步：工具采用。 AI工具遍布整个组织，每个都由人来操作。开发者合上笔记本，自动化随之停摆。有人去度假，工作流也跟着消失。

第二步：上下文层。 每个部门建立知识图谱，各自置于独立的API网关之后。销售部门通过API向工程部门查询。领域隔离防止智能体跨部门边界产生幻觉。

第三步：工具框架工程。 在选定模型之前，先构建评估标准、路由逻辑和质量关卡。大语言模型最后才引入。你的工具框架是你的知识产权和资本支出。底层的模型是可替换的商品，当有更好的产品问世时即可更换。如果更换大语言模型导致系统崩溃，那你构建的是依赖，而非平台。

第四步：无头化。 将每项自动化托管在笔记本电脑之外。它按计划、按条件触发，无需人类在上午9点登录。公司在此停滞，因为没人强制推动从“我桌面上的脚本”向“自主运行的服务”的迁移。

第五步：治理。 从第一天起，对每个知识结构实施基于角色的访问控制（RBAC）。为每个智能体设定生存时间（TTL）。失效的智能体是带有活跃API密钥的技术债务。超过100个工具后，你需要生命周期管理。淘汰任何90天内未运行的工具。弃用任何评估分数低于阈值的工具。

第六步：智能体间协作。 将无头实例在价值链中串联起来。智能体A完成后，移交给智能体B。一个LLM作为质量门控置于两者之间，在每次交接通过前进行评判。

第七步：阶跃函数。 编排好的、半自动或全自动工作流。智能体处理大量事务，人类处理异常情况。整个组织运行在智能体输出之上。

大多数公司停留在第一步，却在采购第七步的技术。他们需要的是第四步的纪律。

对投资组合公司的要求

验证月要求一位执行发起人每周投入30分钟，并在关口做出“继续”或“终止”的决定；一位流程负责人每周投入2至4小时参与走查和验收测试；以及一位数据负责人在项目开始时投入1至3小时。

我们的AI速度小组由一名全职等效工程师（配备智能体）外加一名兼职架构师组成，费用为每月15,000至20,000美元。

在我们交付的最后一个运营智能体项目中，基础设施运行成本为每月250美元，覆盖四个客户数据集。

我们对所有投资组合公司的条款一致：无勘察费，按月计费，若月底您不满意，则无需付费。

该月每项活动必须产出以下四种成果之一：一个决策、一个经过验证的假设、一个可运行的增量，或一个可复用的资产。

若无法产出，就不值得您投入时间。

循环所产出的成果

一家医疗账单平台向我们展示了在我们介入之前他们的工作方式。他们的客户关于理赔拒付的问题比其他任何问题都多，而答案必须精确到分。

从项目启动六周后，他们的首席产品与技术官正在对一个能回答该问题的代理进行验收测试。首次部署时，它在评估集上取得了60分中的59分，在拒付案例上则取得了15分中的15分。

经过一次实时模式迁移后，它保持了97%的正确率，而旗舰问题的答案精确到了分。黄金测试集来源于客户自身的问题，以其专家意见作为基准真相。

代理提供建议，人来决策，且它不向任何记录系统写入数据。

在物流平台的账单重建项目中，两名工程师在最初的90天内合并了122个拉取请求，其中104个收到的评审意见少于五条，并且交付时间比客户自己的预估提前了50%。软件是最明显的案例，我们也在那里运行了循环：第一周没有代码，每个功能前都有规格说明，每次合并前都有人工把关。

一家硬件制造商的CTO将我们为期四周的试点与另一家规模约为我们十倍的公司进行的试点并行运行。四周后，他表示我们的表现更佳，并亲自设定了后续阶段：先是他的团队与我们各占50%的混合模式，然后在他的其他十个Scrum团队中采用80/20的比例。

诚实的界限

关于AI回报的2026年数据是一致的，而且并不乐观。

麦肯锡8月的《AI现状》报告显示，企业息税前利润影响覆盖了37%的公司，与去年持平，而80%的公司报告了个人生产力提升。毕马威6月对2，145位领导者的调查发现，49%在成本超过价值后缩减、收窄、推迟或暂停了智能体部署，7%已确立投资回报率。

高德纳4月的调查指出了多数领导者失败的原因：他们期望过高、过快。

贝恩2026年《全球私募股权报告》设定了时间表。如今一笔交易需要10%至12%的年EBITDA增长才能在五年内实现2.5倍回报，而2010年代这一数字为5%，退出时的持有期徘徊在七年左右。在FTI-Andersch4月对投资组合AI项目的调查中，38%预计在7至12个月内获得回报，31%预计在13至24个月内。

在贝恩和StepStone的前景展望中，39%的普通合伙人预计AI今年不会对其投资组合公司产生实质性财务影响。一家企业不会在一到三个月内转型，而按此规划发起人只会资助一份演示文稿。

另外两个界限。

软件领域证据最为深入，因为软件开发就是建造：需求进、测试代码出，每一步都有门禁。

我们自己的计费重构小组在90天内合并了122个拉取请求，交付比预估提前了50%。

同样的2026年数据也显示了跳过门禁的代价。

Faros AI4月对22，000名开发者的遥测发现，任务吞吐量提升了33.7%，而每位开发者的缺陷数上升了54%，每次拉取请求的事件数上升了242.7%。

在软件之外，显而易见的案例是那些重复到脚本就能完成的工作，比如客服回答相同的问题，而即便是这类明显案例也会触及平台期。

越过显而易见的案例，就没有显而易见的答案了，任何向你承诺横跨十一家投资组合公司都能做到的人，其实从未做过。

循环之所以复利，是因为你保留了每个工作流所构建的成果。

每个经过验证的工作流之后，你保留上下文层、工具框架、托管环境和所有者，然后开始下一个更高层次的工作。

模型会不断变化，供应商会在下个季度淘汰本季度的框架。

你的团队在验证首个切片时积累的工作流知识、评估标准和运营所有权将伴随你。