每个AI项目都能证明自己的价值，为什么公司仍没有走向AI原生？丨ANC重新理解AI原生建设

AI 预算怎么分，在不少公司还是技术部门内部的事。在 AI 应用靠前的公司，它已经是一项经营决策。

设想一家做工业设备的公司。设备卖出去只是开始，真正的利润来自后面的备件、维保和长期服务合同。走掉一个大客户，一年的利润就少一大块。

它今年的 AI 预算给了智能客服系统。客服部门每天处理大量重复问询，工单数据齐整，市面上有成熟方案，上线之后首次响应时长会明显下降，省下来的坐席成本也算得出来。可行，见效快，没有人反对。

这个项目也可以提升客户黏性，降低客户流失。响应快了，投诉处理顺了，客户体验会好一些，续约多少也会受益。

但它能解决的是那些主动找过来的客户。真正在流失的客户，通常不吵不闹。备件订单一次比一次少，维保到期拖着不谈，对方换了技术负责人也没人通知你。服务工单反而越来越少。等到坐上续约谈判桌才知道，人家半年前就开始试别家的设备了。

这些客户不开工单。而这家公司今年的 AI 预算，提升的正是工单处理的那一头。

让 AI 帮着盯住这些没有主动找过来的客户，也许效果会更好。但它并没有进入AI项目审批表，因为根本没有人提起它。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

一｜省钱省时的项目做成了，改变经营结果的项目还很少

这不是一家公司的情况。

德勤面向三千多名企业高级管理者的调查里，报告已经从 AI 拿到效率与生产力提升的组织约占三分之二，报告成本下降的接近四成。同一批组织里，报告已经通过 AI 实现收入增长的只有五分之一。

麦肯锡的全球调查是同样的情形：企业能在一个个具体应用上说清楚成本收益，但把公司层面的经营结果归因于 AI 的组织不到四成。

AI 拿到的收益是真实的，只是目前最普遍、最容易被企业证明的那部分，仍然集中在把已经在做的事做得更省、更快、更准。 至于 AI 有没有帮公司多留住一个客户、多守住一个点的毛利，能拿出来的证据要少得多。

省钱省时的项目更容易做成，这本身不奇怪。需要追问的是：为什么一些更接近经营结果改善的AI机会，反而更难进入审批表？

二｜每一道关，都在筛这个项目容易不容易成立

智能客服系统成了项目，客户流失这件事连候选都没进，中间隔着好几道关。

先得有人提出来。部门首先提的是自己被考核的事，也就是跟业绩密切相关的那些事情。客服部门的考核里有首次响应时长和一次解决率，智能客服系统就是他们最需要的。客户流失率通常挂在客户成功部门头上，那个部门有没有提 AI 项目，要看他们有没有这笔预算、有没有这个压力。没有人提，这件事就不会进入审批表。

提了还得做得成。技术团队评估的时候，智能客服很占便宜——工单数据结构清楚，样本量大，模型答得对不对当场判得出来，上线一个多月效果就看得见。而要让 AI 盯住客户流失，得串起客户关系管理系统、合同、服务工单和回款记录，数据散在几个系统里，口径还对不上，光把数据理顺就要小半年。更难的是，要识别出来的是订单变少、联系变淡这类被动的信号——工单数据最齐整的地方，恰好是这些客户不出现的地方。

要做得成，市面上最好还有现成的。供应商的产品目录是按职能切的：客服模块、营销模块、财务模块。智能客服是标准品，几家都有成熟方案，买回来配一配就能用。让 AI 持续跟进客户流失，没有标准品，谁做都得从头做。

最后财务得算得清。智能客服省下几个坐席、一年多少钱，这笔账算得出来。客户流失那一项，AI 到底带来多少留存，算不清楚。

每一道关都是对的。部门提自己考核的项目，技术团队选做得成的，供应商卖自己有的，财务要求算得清——换成谁坐在那个位置上都会这么做。

几道关看的是不同的问题，合起来却指向同一个结果。资源被推向最容易立项、做成和证明的项目，而不是这家公司最值得让 AI 一直推进的价值。

筛完之后，本该有人把通过的项目跟公司接下来靠什么赚钱对一遍。这件事往往没有被明确放进某一个角色的职责里。

有人会说，我们的 AI 项目都要求对齐公司战略。这个要求确实存在，也确实挡掉过一些明显跑偏的项目。但战略文件通常写到经营目标为止——明年要把客户流失率降下来。它不会再往下写一层：降客户流失率这件事，接下来该由谁一直推进，人还是 AI。

每一道关的时间也都不长，部门按考核周期，技术团队按发布周期，供应商按合同周期，财务按预算年度，各自都有自己的决策节奏。而把客户流失的识别和跟进真正交给 AI 一直做，从理数据、改流程到重新分配客户成功团队的分工，再到留存率上看得见变化，往往会跨过一个预算或考核周期。现有机制里，很少有一个角色天然同时覆盖这么宽的职责范围和这么长的时间跨度，去回答"公司该让 AI 持续做什么，以实现更大的战略价值"。

三｜折算让两件事能比，也让它们看起来成了同一类

为了衡量预算投入产出效率，财务会把每个项目折成一个数：一年省下多少人力成本，多赚多少毛利，少赔多少损失。客户流失也能折——留存率提高一定幅度，对应多少收入。折完以后，所有项目就能放在一起比较。

这一步必须做，不折算，预算就没法比较和取舍。

只是客户流失这类项目，折算起来没有那么确定。留存率提高，可能是 AI 的作用，也可能因为当年降了价，或者竞争对手刚好出了问题。所以折出来的往往是一个大概区间，不是一个准数。

但就算把这个问题解决了，就算客户流失也能折出一个足够准确的数字，比出来的顺序，仍然回答不了定预算时真正要回答的问题。

智能客服折算下来，每年省一笔人力成本，它改变的是同一件事怎么做得更省，大概省多少。

客户流失不同。如果 AI 真正接住了流失风险的识别和跟进，改变的就不只是某一笔成本或收入，而是这家公司留住客户的方式。

折算把这个差别换成了同一种计量单位。换完之后，两个项目看起来是同一类东西，差别只剩数字大小——价值性质上的差别，就在排序里被压平了。

财务折算统一的是计量单位，不是公司的价值创造方向。

那么，该由谁、在哪个环节，把这个差别重新识别出来？公司里最可能的地方，是项目评审会。

四｜评审会审的是一项建设能不能成立

项目评审通常绕不开几件事：这件事技术上能不能做，做完哪个指标会改善，投入是不是可以接受。

这几件都必要。智能客服系统当初就是这么过会的——工单数据够，模型答得准，上线后响应时长会降，一年省多少钱算得出来。每一项都答得上，会就过了。

客户流失那件事如果拿到同一场会上，这几项往往都没有智能客服答得那么干净：数据更散，效果更难提前证明，投入产出只能给出更宽的区间。放在同一套标准下，它自然更难排到前面。

可对这家公司来说，客户流失才是要紧的那件事。评审会没有问错，是这些问题不够。

对 AI 原生建设来说，还要补一个现有评审很少单独问的问题：客户流失这个经营目标，接下来值不值得由 AI 持续承担推进职责——一直盯着哪些客户可能流失，判断这一单该怎么跟，根据结果调整跟进的方式。

上一季我们说过：工具改变的是人能做什么，Agency 改变的是公司靠谁往前推。前面的评审判断一项 AI 建设能不能成立；补上的这一问，判断一个经营目标以后由谁持续推进。

这一问没有表格可以填，没有指标可以对，也没有谁的岗位说明书里写着。

那客户流失这件事，应该如何持续推进？

五｜同一件事，可以是一个项目，也可以是一个方向

它可以是一个项目，做一个流失预警模型，每周输出一批高风险客户名单，发给客户成功团队去跟。做成了，模型是否准确，名单命中率多少，一年多留住几个客户，都能说清楚。这是一个合格的项目，也算得出回报。

另一种可能是：如果公司进一步决定把客户流失作为一个需要 AI 持续推进的目标，谁在流失由它判断，这一单先做什么由它决定，做完再根据结果调整下一步。

差别不在这个项目做得好不好，而在公司是在建设一个完成既定任务的 AI 项目，还是在重新决定：这个经营目标以后应该由谁持续推进。

两种做法的区别是：

公司做了哪些 AI 项目，说的是部署了哪些能力、完成了哪些任务、改善了哪些局部指标。这是 AI 项目组合。

公司选择让 AI 一直推进哪些价值创造职责，说的是接下来这家公司靠什么创造价值，其中哪几段由 AI 负责，这就是 AI 原生建设的方向。

AI 项目可以累加，AI 原生价值创造不能通过项目数量自然形成。

上一季给过一句判断：企业要最大化的不是 AI Agency 的占比，而是 AI 能够创造的价值。

这不意味着每家公司都该走向 AI 原生。有些公司把 AI 当工具用得很好，经营上也很有效果，它可以一直是一家 AI 项目做得很扎实的公司。

分开这两件事，是为了让公司知道自己做的是哪一件。

ANC视角：AI原生建设方向

分开这两件事之后，AI项目要换一种评估方法。

原来看的是进展：做了多少个项目，覆盖了多少部门，省了多少钱。重点关心的是量化依据，而每一条量化依据能证明什么，往往是有限度的。

按这个限度重新看一遍，有些项目的性质会立刻清楚起来。

有些项目局部有效，但主要承担运营改善。本文这个以响应时长和坐席成本为主要目标的智能客服项目，更接近这一类。

另一些项目指标在改善，但从改善到经营结果之间缺一段相关性说明。这类项目不该急着扩大投入，该先把那段说明补上：这个改善最后怎么变成收入或者利润。链条没说清就扩大投入，扩大的是不确定性。

真正需要单独拿出来判断的，是那些对公司重要、又可能需要持续推进的经营目标。客户流失这类目标值得单独判断：它是不是真的需要 AI 持续推进。这类目标往往更难在立项早期给出确定的收益数字，和短期易量化的项目放在一起排序时，容易因为很难预估收益而被放到后面，最后放弃。

公司缺少的往往不是更多 AI 项目，而是一套判断什么值得由 AI 一直推进的投资逻辑。

这种评估方法也会改变评审、预算和董事会汇报的重点。评审时，除了问这个项目要不要批，还要问这个目标要不要由 AI 一直推进；定预算时，把运营改善产生的收益，与价值创造职责重新配置的战略意义分开看；向董事会汇报的时候，项目数量、部门覆盖率、自动化比例退到附录，公司靠什么创造价值、发生了什么变化放到前面。

这些改动不必先从新工具或新流程开始。先改评估方法，评估完就知道哪些项目的依据已经够用，哪些还得补。

局部投资回报率回答一个项目值不值得做，AI 原生建设方向回答公司应该让 AI 一直推进什么价值。 两者都需要。但用前者的答案去选择后者，公司会一直觉得自己在往前走，方向却始终没有校准过。

写在最后

那家工业设备公司有了一个不错的智能客服系统。客服部门考核提升，成本下降，这些都是真实的。

客户流失这件事，依然没有成为 AI 建设要持续推进的目标。

差别不在于哪个项目做得更好，而在于公司有没有认真决定过：对它最要紧的那件事，接下来应该由谁持续推进。如果答案里有AI，那么：要交给AI持续推进的，究竟是一个Agent、一项任务、一条流程，还是别的什么东西？

补充说明

1. 德勤《State of AI in the Enterprise》第七版（Deloitte AI Institute），2026 年发布，调研窗口 2025 年 8 月至 9 月，样本 3,235 名企业高级管理者，覆盖 24 个国家，受访者包含董事会与首席层、副总裁与总监层，信息技术与业务线各占一半。承担现象层核心证据：效率与生产力收益的普遍性，与收入增长的稀缺性之间的落差。
2. 麦肯锡《The state of AI》2025 年度全球调查，2025 年 11 月 5 日发布，调研窗口 2025 年 6 月 25 日至 7 月 29 日，样本 1,993 人，覆盖 105 个国家，按各国国内生产总值贡献加权。承担交叉支持：用例层面的成本收益与企业层面经营结果归因之间的差距。
3. 两份调查的数据均为受访者自报，不是经审计的财务结果。两个来源都不承担本篇的推导——删掉它们，本篇的判断仍由论证本身成立；它们的作用是让读者可以自己去核对现象是否存在。
4. 利益关系：德勤与麦肯锡都在销售企业 AI 与智能体相关的咨询服务，其调查结论与自身业务方向存在利益关联。本篇只使用两份调查中受访者自报的分布数据，不采用其结论性建议，也不引用其方法论主张。
5. 文中工业设备公司及其项目情形均为设想，不对应具体公司，不含精确数值。
6. 本篇未采用以项目失败率为核心的预测或初步研究。这类材料讨论的是项目做不成，而本篇讨论的是项目做成了、公司方向仍未形成，两者不是同一件事。
7. 以下判断由 ANC 提出，不是上述来源的结论：立项的几道关筛的都是项目好不好做；财务折算统一的是计量单位，不是公司的价值创造方向；现有评审机制围绕"一项建设能不能成立"建起来；AI 项目组合与 AI 原生建设方向是两件要分开的事；AI 项目可以累加，AI 原生价值创造不能通过项目数量自然形成。

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪AI工程系列」FDE落地工程、ANC：AI Native Company未来公司系列、GEO、AI判断工程。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。