顶尖企业用好AI的秘诀：从实验走向成熟管理层

AI用得最好的企业，到底不一样在哪里

真正把AI用出价值的企业，做法与大多数公司明显不同。它们在搭建模型路由（model router）、制定组织与数据主权策略，并让自身的AI管理层变得更加健壮。同时，它们使用AI的目的以及从中获得的价值也在悄然转变。更重要的是，这些领跑者正在为其他企业树立一套可复制的模板。

这期《AI Daily Brief》围绕KPMG第三季度AI Pulse调查展开，该调查覆盖了20个国家、超过2100名高管。KPMG的一个关键创新是：按企业所处AI旅程的阶段来拆分数据——把仍处于"实验阶段"的组织，与已经"建立起ROI"的组织进行对比。两者之间的差距，几乎就是一张未来几个月企业AI走向的路线图。

成熟组织与实验组织的巨大鸿沟

数据揭示的差距触目惊心。在已建立ROI的组织中，48%看到员工对AI智能体（AI agents）的显著采用，而实验阶段的组织这一比例仅为15%。节目主理人多次强调，智能体正在成为企业现实中的常态现象。

网络安全层面的分化更为夸张。58%的成熟组织正在部署AI辅助的网络防御，而实验组织仅有8%——整整50个百分点的差距。随着智能体的普及，这种防御能力几乎成为必需品。

在"AI管理层"（AI harness layer）这一指标上，高达86%的成熟组织已建立正式的交互界面，用以规范员工与AI的互动；实验组织中也有31%具备此能力，但依然存在55个百分点的落差。

数据主权策略的对比同样鲜明：53%的成熟组织拥有企业级主权战略，而实验组织仅8%。这直接回应了近期关于"是否要把数据交给模型实验室"以及"是否构建更复杂架构来规避风险"的讨论。

AI智能体（AI Agents） 是能够自主规划、调用工具、执行多步骤任务的AI系统，与仅能单轮问答的传统大语言模型有本质区别。一个典型的智能体可以接收"帮我整理竞品分析报告"这类开放性指令，自主拆解子任务、调用搜索工具、读写文件、调用代码执行环境，最终输出结果，整个过程无需人工逐步引导。正因为智能体具备自主行动能力，其在企业中的大规模部署对网络安全、数据权限管控和操作审计提出了远高于普通AI工具的要求——这也解释了为何成熟组织在网络防御投入上会与实验阶段组织拉开50个百分点的巨大差距。

管理层才是真正的分水岭

KPMG对当前转变的总结是：我们正进入一个阶段，最重要的不再是模型本身，而是架在AI之上的"管理层"——它确保所有AI行为都在组织的边界与语境内运作。

具体表现包括：53%的组织把AI辅助决策的问责权放在C级高管层面；成本与效率的考量也开始渗入管理层，已有23%的组织构建了模型路由能力，以便在不同模型间灵活调度、控制成本。

一个贯穿始终的规律是：组织越成熟，从实验、战略规划、规模化、推动采用到建立ROI的各个维度，越倾向于采用正式的跨职能或企业级统一方法。零散试点正在让位于系统化治理。

模型路由（Model Router） 是一种中间件机制，负责根据任务类型、成本、延迟或质量要求，自动将请求分发到最合适的AI模型。例如，简单的文本分类任务可路由至小型低成本模型，复杂推理任务则路由至大型旗舰模型。这一架构的核心价值在于"解耦"——企业不再与单一供应商绑定，可以同时接入GPT-4o、Claude、Gemini甚至自有微调模型，在性能与成本之间动态寻优。随着企业AI用量规模化，模型路由逐渐从工程细节升格为战略能力：它既是成本控制工具，也是供应商议价筹码，更是多模型架构落地的基础设施前提。

AI的用途正在从"效率"转向"机会"

值得关注的是用途的迁移。生产力依旧是关键目标，但把它列为首要目标的组织从年初的42%下降到37%。取而代之的是KPMG所称的"运营优先级"的崛起：人机协作上升4个百分点，负责任的AI治理与技术信任度、安全性也各涨约4点，适应性与韧性上涨3点。

在效率型AI与机会型AI的长期之争中，数据给出了清晰信号：四分之一的组织正在开发多智能体系统，五分之一在编排多个智能体。以营收为导向的智能体策略自年初以来持续上升，而纯效率导向的策略在下降——多数组织如今两者并举，不再把它们当作此消彼长的取舍。

从成本控制到"AI经济管理"

随着用例的成熟，成本管理方式也在升级。KPMG将这一转变概括为从"成本控制"走向"AI经济管理"：成本可见性已经普及，下一步是把成本与价值挂钩。

具体数据显示：43%的实验组织已有AI成本监控看板，这一比例在成熟组织中跃升至77%；在AI审批环节，50%的实验企业有成本审查，成熟企业为73%；使用量或token预算方面，实验组织为31%，成熟组织为46%。

主理人在此表达了一个鲜明观点：在实验阶段过度限制token预算可能会严重制约探索空间。能否用上AI的价值，往往比省下的那点token费用重要得多。

Token 是大语言模型处理文本的基本计量单位，大致上每750个英文单词约等于1000个token。用户向模型发送的输入（prompt）和模型生成的输出都会消耗token，云端API服务通常按token用量计费。对企业而言，token预算管理直接关系到AI使用成本：限制过严会阻碍复杂任务的完成，限制过松则可能导致成本失控。"AI经济管理"这一概念的核心，正是在token级别的成本可见性基础上，进一步建立价值归因模型——即每花出去的一美元token费用，究竟带来了多少可量化的业务价值。

效率提升不等于支出下降

一个容易被误读的信号是：Ramp最新AI指数显示，token支出环比下降5.2%，但token用量却在上升——企业在扩大AI使用的同时还降低了单位成本。Ramp经济学家指出，这一下降几乎完全由OpenAI与Anthropic之间的竞争驱动，而非开源模型（开源模型仍占企业支出不到5%）。

配合这一趋势，OpenAI在Dev Day上推出的企业市场功能颇具战略意味：企业可用其消费承诺额度购买通过OpenAI销售的其他开源模型。企业获得了日益渴求的多模型灵活性，而OpenAI则把支出留在了自家生态内。

不过，担心成本意识会压低整体投入的人可以放心：KPMG发现，未来12个月的平均AI投资计划从年初的1.86亿美元上升到第三季度的2.10亿美元。主理人认为，我们对"智能"的最终支出，可能才刚刚触及皮毛。

一年前这些问题还不在雷达上

回看一年前的调查，KPMG当时问的还是"有多少组织尝试过智能体"这类基础问题。如今，模型路由、数据主权、多模型架构、AI经济管理，都已成为关键的管理决策。

这种从好奇试水到系统治理的演进，对整个行业而言是极其正面的信号。顶尖企业不是靠单点工具取胜，而是靠一整套管理层能力——这正是它们留给其他企业的可复制模板。