AI真正的瓶颈在管理层：企业高管现在必须做出哪些改变
01、德国的效率陷阱：为什么单纯依靠AI削减成本可能带来危险
别再把AI当作新鲜玩具：现在必须让它成为企业的数字化操作系统
人工智能已经进入德国办公室，但真正的突破仍未到来。
尽管使用数据迅速增长，越来越多的员工开始借助数字化工具开展工作，大多数企业却仍然停留在辅助工具的使用阶段：AI帮助撰写邮件、总结文本、支持资料检索。
然而，如果企业只是把AI理解为一个更好用的聊天机器人，就会忽略它真正的潜力，甚至可能只是将停滞不前的现状数字化。
真正能够撬动经济效益的，是向智能体式人工智能（Agentic AI）的转变。
这类系统能够自主规划和管理复杂流程，并跨越不同部门执行任务。
德国经济在这一领域存在明显的行动缺口。
管理层必须彻底重新思考业务流程，大幅提升数据质量，不再将AI仅仅视为降低成本的手段，而要把它当作推动新增长的引擎。
时间已经不多了。
如果企业现在仍无法完成从孤立工具到一体化数字化操作系统的转变，就有可能在国际竞争中逐渐掉队。
02、从AI工具到数字化操作系统：为什么德国经济现在必须重新设计业务流程
如果只把AI当作写作助手，企业数字化的就只是停滞的现状。
人工智能在德国经济中已经跨过了从专业领域走向普及型基础技术的门槛。
目前，员工人数达到20人及以上的企业中，57%已经在使用AI。
一年前，这一比例为36%；两年前则只有20%。另有38%的企业正在计划引入AI，或仍在讨论是否采用。
从表面上看，这是一个令人瞩目的突破：短短两年间，使用AI的企业比例接近原来的三倍，如今只有极少数企业仍认为这一技术与自身无关。
但普及程度高，并不意味着企业已经具备成熟的应用能力。
如今，关键问题已不再是企业有没有使用某种AI工具，而在于AI是否被持续融入创造价值的业务流程，能否改善决策、缩短处理周期、减少错误、带来额外收入，并推动商业模式进一步发展。
恰恰在这里，企业之间存在着明显的差距。
许多企业只是零星地使用生成式AI来处理文本、开展研究、总结资料或服务客户。
在已经使用AI或正在考虑使用AI的企业中，只有11%已经采用能够自主处理多步骤任务的AI智能体。
另有29%的企业计划采用，31%则仍在讨论。
由辅助型AI向能够自主执行任务的AI转变，目前才刚刚起步。
从经济效益来看，这一转变的重要性远远超过AI用户数量的单纯增长。
语言模型可以提高个别员工的工作效率，而一个得到良好整合的智能体系统，则能够改变部门、数据库、应用程序、客户与供应商之间的业务流程。
AI由此不再只是个人工作助手，而是进入企业的运营架构。
随之增长的不仅是生产力潜力，还有管理层必须承担的责任。
引入AI智能体，并不是简单地增加一项软件功能，而是重新决定工作如何分配、知识如何共享、管理如何实施，以及价值如何创造。
03 、庞大的使用数据，掩盖了应用深度的不足
德国的AI使用数据首先呈现出一种特点：普及范围广，但大多数应用仍停留在较浅的层面。
AI尤其常见于那些以语言处理为主、容易上手且风险相对较低的工作。
在使用AI的企业中，72%将其用于客户服务，54%用于营销与沟通。
相比之下，AI在管理控制与经营分析（Controlling）中的使用比例为25%，在内部知识管理和生产环节均为22%，在产品与服务领域为20%，在销售领域则为14%。
这意味着，AI主要进入了企业中与外部数字交互联系紧密的环节，却较少深入真正创造产品和服务价值的核心业务。
这种分布并非没有道理。企业通常会从那些工具容易获得、整合成本较低、效果能够迅速显现的场景入手。
一款文本助手可能只需几个小时就能部署完成。
相比之下，一个能够自动寻找报价、核查库存、评估交货时间、发起审批，并在企业资源计划系统中记录业务进展的智能体，则需要可靠的数据、明确的权限、系统接口、流程知识以及清晰的责任规则。
后者能够创造更大的经济价值，但对企业组织能力的要求也更高。
由此形成了一种典型的技术扩散模式：使用者数量的增长，往往快于实际经济效益的显现。
员工开始使用随手可得的工具，团队启动试点项目，企业购买相关软件许可。
然而，更深层次的转型通常要晚一些才能发生，因为它需要企业进一步投资于数据架构、流程设计、员工能力培养和治理机制。
因此，如果企业只关注AI使用率，就很容易高估自身的转型进度。
真正值得关注的指标，并不是有多少员工能够使用某个模型，而是有多少业务流程已经通过AI实现了可衡量的绩效改善。
国际比较同样揭示了这种差距。一项全球性研究显示，20%的领先企业创造了74%的AI驱动价值。
在这些领先企业中，59%已经借助AI对自身商业模式进行了根本性调整。
相比之下，德国企业中这一比例仅为21%。
在开发新产品和新服务方面，差距同样超过一倍：领先企业的比例为62%，德国企业则为25%。
德国并非缺乏应用AI的基础条件，真正的问题在于，企业还没有充分将这些条件转化为增长和新的市场产品。
04 、生产力不会在聊天窗口中自动产生
在单项工作任务层面，生成式AI的生产力价值相对容易理解。
在客户服务、文档处理、编程、资料检索和文本撰写等结构化任务中，AI辅助系统能够缩短处理时间，也能帮助经验不足的员工更快掌握成熟的解决方法。
一项备受关注、涉及5000多名客服人员的实地研究发现，AI带来的平均生产力提升约为15%。
经验较少、绩效相对较低的员工受益尤其明显，而经验非常丰富的专业人员所获得的提升则小得多。
这些结果解释了为什么许多企业最初会将AI视为提升个人生产力的工具。
它能够降低信息搜索成本、生成初稿、整理信息，并让原本难以言传的隐性知识更容易被获取。
这有助于缩小工作质量差距，也能缩短新员工的上手时间。
但不同经验水平的员工从AI中获得的收益并不相同，这也说明AI并不是一台能够在所有场景中普遍提速的机器。
在复杂、缺乏明确结构或高度依赖具体情境的任务中，核查AI输出结果可能会消耗相当一部分节省下来的时间。
尤其危险的是，人们可能把听起来合理、表达流畅的内容误认为可靠的知识。
在企业整体层面，还存在另一个问题：即使个别员工的工作速度提高了10%或20%，企业的整体生产力也不会自动按相同比例增长。
节省下来的时间可能会在不同环节的衔接中被消耗掉，因为审批、数据访问、任务交接和职责分工仍然维持原状。
一份报价即使能够更快完成，如果价格审批仍然需要数天，就很难产生多少额外价值。
客户咨询即使得到迅速回复，如果投诉数据无法反馈到产品开发和质量管理环节，最终效果同样有限。
局部效率的提升完全可能与企业原有的瓶颈并存。
工具迅速普及，但企业整体和宏观经济层面的效果却迟迟没有充分显现。
在一种通用技术真正发挥全部作用之前，企业还必须进行配套投资。
过去的技术浪潮也曾如此，无论是电气化、计算机还是互联网，都需要其他条件共同成熟。
今天，这些配套条件包括数据质量、系统接口、云计算与算力基础设施、流程标准、员工技能，以及新的决策机制。
软件本身，只是实现真正生产力提升所需投入的一部分。
05、AI智能体正在拓展自动化的边界
传统语言模型主要根据输入生成输出，而AI智能体则能够围绕一个目标开展工作，将目标拆解为多个步骤，调用工具和数据源，评估中间结果，并在预先设定的权限范围内触发相应操作。
例如，它可以识别供应商、比较价格、查询信用信息、生成不同版本的报价方案、拟定补充问题，并将业务事项提交审批。人不再需要逐一启动每个步骤，而是负责设定目标、规则和关键控制点。
这改变了自动化的基本单位。
使用助手时，企业加速的是某一项具体任务；使用智能体时，企业则有可能重新设计整个业务流程。
两者的区别具有根本意义。
业务流程的成本往往并非来自某一个工作步骤，而是来自等待时间、不同系统之间的信息断层、反复沟通、错误修正和协调成本。
智能体系统能够处理跨系统的信息，并主动触发下一步操作，因此有机会直接减少这些摩擦。
最大的潜力并不一定存在于那些令人惊叹、完全自主运行的应用中。
实际上，经济价值往往来自范围明确、规则清晰、能够处理重复性业务的智能体。
在采购领域，智能体可以汇总需求并准备报价；在设备维护领域，它可以整合传感器数据、维修历史和备件库存；在物流领域，它可以识别延误、计算替代方案，并主动通知受影响的客户；在财务领域，它可以检查异常、匹配凭证，并将无法明确处理的事项提交进一步审核。
关键在于，智能体并不是在企业内部不受限制地自由行动，而是在经过审慎设计的行动范围内开展工作。
完全自主运行既不是技术上的必要条件，也并非在经济上始终合理。
错误决策可能造成的损失越大，权限、审批和控制就越需要受到严格限制。
智能体可以提出替代交付方案，但不必自行签署合同；可以准备发票，但不必最终批准付款；可以整理求职者的申请材料，但不应直接作出招聘决定。
经济进步的关键不在于赋予AI最大的自主权，而在于合理分配人和机器的决策权限。
06、真正的瓶颈在企业管理层
只要AI仍被视为一种软件工具，相关责任往往就会落在IT部门身上。
但对于智能体式AI而言，这种管理模式已经不够用了。
IT部门可以选择平台、提供系统接口、落实安全要求，并监督技术质量，却无法独自决定企业应当追求哪些流程目标、能够接受哪些风险、哪些决策可以自动化，以及员工的职责应如何变化。
这些问题必须由企业管理层和相关业务部门共同负责。
最关键的管理错误，就是用新技术原封不动地套用旧流程。
如果企业只是加快一个低效流程的运行速度，那么它只会让错误发生得更快，并进一步放大原有的复杂性。
因此，在开始任何自动化项目之前，企业都必须弄清楚：哪些步骤可以取消，哪些数据是真正需要的，以及在哪些环节中，人类判断仍然能够创造额外价值。
正确的顺序不应该是：购买工具、寻找应用场景、培训员工。
明确价值创造中的问题、简化流程、梳理数据与责任、选择合适的技术，并衡量实际效果。
成功的AI企业之间，差异往往不在于谁能够获得独家模型，而在于谁能够更彻底地推进组织变革。
国际调查显示，AI应用效果显著的企业，更经常从根本上重新设计工作流程。
它们将效率提升与增长和创新结合起来，而不是把AI仅仅当作削减成本的项目。
此外，这些企业的AI应用责任更多由管理层承担，业务部门也更深入地参与系统开发和运营。
这一点并不难理解：许多竞争对手都可以买到同一种模型，但企业经过多年积累形成的数据、流程知识、客户关系和组织学习能力，却要难以复制得多。
企业董事会和管理层需要改变自身的管理与考核方式。
AI项目不能只根据技术里程碑来评价，还必须关注业务周期、错误率、单个客户带来的收入、库存水平、服务质量、转化率、废品率、交付准时率以及资金占用等指标。
如果缺乏经济效益方面的基准数据，企业就无法判断一个试点项目究竟创造了多少价值。
与此同时，所有相关成本都必须纳入核算，包括模型使用、系统集成、数据处理、结果审核、员工培训、安全措施以及持续调整所需的费用。
只有这样，企业才能对投入与收益进行可靠的比较。
07 、德国的效率陷阱正在阻碍新的增长
德国具备发展工业AI的良好基础。
这里拥有深厚的行业知识、高质量的技术数据、强大的工业价值创造能力、专业化的中小企业，以及要求严格的客户。
在机械制造、自动化、物流、化工、汽车技术和医疗技术等领域，都存在着能够通过AI创造显著价值的复杂流程。
但与此同时，一项战略性弱点也逐渐显现：许多企业将AI主要用于提升效率，而对增长、新产品和新商业模式的关注相对不足。
考虑到高昂的成本、专业人才短缺以及生产力增长乏力，这种选择并非难以理解。当能源、劳动力、监管和融资都变得更加昂贵时，削减成本自然会成为一个直接的目标。
然而，单一的效率战略存在三方面风险。
第一，这是一种防御性策略，企业的收益空间被限制在现有成本项目之内。
第二，竞争对手同样可以引入类似工具，因此先发优势可能很快消失。
第三，如果AI主要被员工视为裁员工具，就可能引发恶性循环：员工开始保留自己的知识，或者拒绝使用相关应用。
以增长为导向的AI战略遵循的是另一种逻辑。
它不仅改善现有流程，还能拓展企业的产品与服务。
例如，机械制造商可以利用设备运行状态数据开发预测性服务；物流企业可以更灵活地销售运力，并更早识别风险；保险公司可以更紧密地结合风险预防与理赔管理；咨询企业则可以将知识系统化，开发能够规模化交付、以数据为基础的新产品。
在这些场景中，AI不再只是提高效率的工具，而是成为客户价值的一部分。
德国擅长提升效率的能力依然十分宝贵，但还需要进一步补上市场视角。
企业不仅应该关注一个智能体能够节省多少工时，也应该思考它能够带来多少新增订单、服务收入、数据产品或客户黏性。
如果企业只专注于内部优化，就有可能被那些直接将AI融入自身产品与服务的竞争对手超越。
战略上的真正区别，在于企业究竟是在做一门成本更低的旧生意，还是在创造一门更好的新生意。
德国中小企业面临的AI整合挑战
01、中小企业需要不同的规模化路径
对于德国中小企业而言，向智能体AI转型尤其具有挑战性。
中小企业通常缺少充足的IT人员，信息系统种类繁杂，投资预算也相对有限。
许多业务流程依赖个别员工的经验、非正式的沟通协调，以及长期积累形成的各类应用系统。
这一方面意味着巨大的自动化潜力，另一方面也意味着，企业往往缺乏能够让智能体可靠运行的标准化基础。
因此，中小企业不应试图照搬全球大型企业的AI计划。
更合理的做法，是围绕少数几个具有明确经济价值的流程，有选择地推进规模化应用。
适合优先考虑的，是业务量大、重复模式明显、数据可用且结果能够衡量的流程。
例如，报价处理、技术客户服务、文件审核、备件识别、供应商沟通以及内部知识检索等。
当其中一个流程能够稳定运行后，企业便可以将积累的组件和经验逐步应用于相邻业务领域。
项目的经济效益在很大程度上取决于标准化和重复利用能力。
如果一套定制开发的解决方案只能处理一项规模很小的业务，其成本就可能过高。
平台、行业专用解决方案以及共享数据空间，则有助于降低固定成本。
行业协会、软件供应商和专业服务商同样发挥着重要作用，因为它们能够汇集技术知识，并将监管要求转化为可重复使用的模块。
对许多中小企业来说，决定成败的并不是能否自主开发出最优秀的模型，而是能否将现有模型与自身的流程知识安全地结合起来。
不过，不能把依赖外部供应商与合理分工混为一谈。
要求企业自行开发所有组件，在经济上并不合理。
但企业必须清楚，哪些环节具有战略关键性。
客户数据、流程逻辑、权限管理机制，以及更换供应商的能力，都应掌握在企业自身手中。
模型和算力可以从外部采购，前提是系统接口、数据可迁移性和退出机制已经明确。
数字主权并不意味着完全自给自足，而是意味着企业始终拥有可信、可行的替代选择。
02、工作将被重新分配，而不是简单地被取代
关于AI与就业的讨论，往往被简化为有多少岗位可能消失。
但智能体AI首先影响的是具体任务，而不是直接取代整个职业。
一种职业通常包含日常事务、分析、沟通、体力劳动以及承担责任等不同类型的工作。
其中一些任务可以实现自动化，另一些会得到AI的辅助，还有一些则可能变得更加重要。
因此，无论是笼统地断言AI将大规模取代就业，还是令人安心地声称几乎不会发生变化，都不符合实际情况。
短期内，最大的影响可能体现为工作任务的重新分配。
员工用于信息检索、文档记录、标准化沟通和数据录入的时间会减少，而审核结果、处理例外情况、理解客户需求和设计业务流程的要求则会提高。
其中尤其值得关注的是所谓的“初级岗位效应”：如果AI接管了许多简单的入门级任务，企业对职场新人的需求就可能下降。
然而，这些任务过去恰恰是新人积累经验、逐步掌握专业知识的重要途径。
因此，企业必须建立新的培养机制，否则未来可能缺少新一代经验丰富的专业人才。
管理方式也将随之改变。
当智能体开始准备或执行运营决策时，管理者就必须更加重视规则、升级处理边界和结果质量。
对每一个具体工作步骤进行微观管理的重要性会下降，而设计整个工作系统的能力将变得更加重要。
这要求企业重新理解控制与监督的含义。
并非每一项操作都需要事先批准，但关键决策必须能够追溯。
企业不可能防止所有错误，却必须能够及早发现异常模式，并在必要时及时停止相关操作。
员工是否愿意接受AI，也取决于企业如何分配生产率提升带来的收益。
如果节省下来的时间全部转化为裁员压力，员工就会有动机阻碍自动化。
反之，如果这些时间被用于减轻工作负担、提高质量、应对业务增长或支持员工培训，员工参与的意愿就会更高。
这并不是一个无关紧要的社会政策问题，而是直接影响经济成效的关键因素。
AI智能体需要员工提供流程知识。企业若希望调动这些知识，就必须建立信任，并让员工看到可信的未来发展前景。
03 、数据质量将成为一项资产负债表级别的议题
AI智能体的行动可靠性，取决于它所使用的数据和规则是否可靠。
许多企业高估了自身的技术成熟度，因为它们认为相关信息已经存在。然而，数据存在，并不意味着数据能够直接使用。
数据可能相互矛盾、已经过时、内容不完整、缺乏良好的文档记录，或者分散在不同系统之中。
人类往往能够凭借经验和反复询问来弥补这些缺陷，而自动化智能体却可能以极快的速度将这些问题转化为一连串错误。
当前的企业调查显示，数据质量不足、专业能力缺失和治理机制不明确，是阻碍AI产生经济效益的主要因素之一。
相当一部分企业至少偶尔会遇到质量不佳的AI输出，进而造成额外返工、进度延误或工作积压。
这说明，数据投资不能被视为一项无关紧要的技术辅助工作。
主数据、元数据、访问权限、更新规则和责任分工，都是能够创造价值的生产性资产，即使它们在传统资产负债表上几乎没有得到体现。
对于智能体系统而言，还有一项额外要求：数据不仅必须可读取，还必须能够支持实际行动。
智能体需要明确且唯一的标识、可靠的系统接口，以及能够被机器读取和执行的业务规则。
它必须知道哪个价格是最新的、哪家供应商已经获准合作、哪份合同仍然有效，以及谁拥有相应的决策权限。
一个流程越依赖非正式的经验和隐性知识，就越难实现自动化。因此，引入智能体也将成为检验企业组织管理是否清晰的一次考验。
企业不应试图一次性提升整个组织的所有数据质量。
更有效的方法，是围绕具体业务流程开展工作。对于每一个优先实施的应用场景，企业都应明确所需的数据来源、质量要求、责任人和控制措施。
这样一来，数据工作就能与具体的经济价值直接挂钩。高质量数据并不是通过一次性清理项目就能永久获得的，而是需要在日常运营中建立持续、规范的维护机制。
04、必须将安全机制嵌入整个行动链条
当AI从回答问题的系统转变为能够执行任务的系统时，其风险性质也会发生根本变化。
一段存在错误的文本，可以在对外发送之前进行修改。
但如果一个智能体能够访问电子邮件、数据库、支付流程或生产系统，它就可能直接触发实际操作。
由此，模型幻觉、恶意输入、数据泄露和权限配置错误等风险，都将具有直接的运营后果。
尤其值得警惕的是间接攻击。
例如，智能体可能会处理一份外部文件、一个网页或一封电子邮件，其中包含隐藏的指令。
如果系统将这些指令误认为合法任务，就可能泄露数据，或执行未经授权的操作。
此外，还存在记忆错误、知识库遭到篡改，以及多个智能体之间产生连锁反应等风险。
一项业务流程在开始阶段出现的小错误，可能会在后续步骤中不断放大，直到被人发现时，已经造成了更大的影响。
对此，正确的应对方式并不是一概避免使用智能体，而是建立一套安全架构
遵循最小权限原则，明确区分读取权限与写入权限，保留操作日志，实施运行时监控，并根据风险设置不同层级的审批机制。
智能体只能访问完成任务所必需的系统和数据。关键操作需要额外确认。出现异常行为时，系统必须能够自动停止相关操作，或将其升级处理。
此外，企业还应确保能够随时追溯一项决策究竟由哪些数据、规则和模型版本共同产生。
治理机制不能沦为项目完成之后才补上的文档工作，而必须从产品设计阶段就成为系统的一部分。
设计合理的治理机制，反而能够缩短审批时间，因为相关风险已经通过标准化方式得到考虑。它还能够建立可重复使用的权限模型、测试流程和控制机制。
如果企业等到试点项目结束后才补充安全措施，就会积累技术债务，并拖慢后续规模化部署的速度。
从一开始就将安全纳入设计的企业，能够更快地扩大应用范围，因为信任与责任已经得到明确界定。
05、监管既是成本因素，也是竞争力的筛选机制
欧洲的法律框架对透明度、风险管理、人类监督、文档记录和AI能力建设提出了更高要求。
自2026年8月起，部分重要的透明度与治理要求开始适用，而针对某些高风险系统的具体义务则按照不同时间表分阶段实施。
对企业而言，这意味着需要承担额外的工作，尤其是在AI被用于人事决策、信用评估、关键基础设施或受监管产品时。
不过，仅仅从防御成本的角度看待监管，仍然不够全面。
如果明确的规则能够在供应商、企业和客户之间建立信任，就可能降低交易成本。
特别是在工业B2B业务中，可追溯性、安全性和责任归属，都是客户在采购时会重点考虑的因素。
如果一家供应商能够证明其数据流向有据可查、智能体权限受到控制、输出结果可以接受核验，那么与技术能力虽强、却缺乏透明度的竞争对手相比，它就可能获得竞争优势。
真正的问题在于监管的不确定性。
如果企业不清楚某个系统应当如何分类、需要提供哪些证明材料，或者发生错误时由谁承担责任，就可能推迟投资决策。
因此，企业需要更贴近实际应用的指导文件、监管测试环境和标准化程序。
尤其是中小企业，更需要容易理解和使用的模板，而不是不断增加抽象的合规义务。
政策制定者不仅应当划定边界，也应当降低企业落实监管要求的成本。
对企业管理层而言，这意味着法律、数据保护、信息安全和员工代表机构都应尽早参与AI项目。
如果等到项目后期才开展审查，技术上已经成功的试点就可能无法进入正式生产环境。
尽早让相关部门参与，并不意味着阻止所有新想法，而是能够根据风险进行分类，让低风险应用更快获得批准，同时对敏感应用采取有针对性的保护措施。
06 、数字主权决定企业的谈判能力
德国和欧洲经济在云计算基础设施、软件平台以及领先的AI模型方面，仍然高度依赖欧洲以外的供应商。
企业也越来越清楚地意识到了这种依赖。
在信息经济领域，超过60%的企业表示，自己在至少一个关键技术领域存在较高的依赖性；在制造业中，这一比例接近50%。
对于生成式AI，信息经济领域超过三分之一的企业，以及大约四分之一的工业企业，都认为自己高度依赖非欧洲供应商。
这种依赖本身并不一定有害。全球平台能够提供性能强大的模型、出色的规模化能力和快速的技术创新。
如果企业一概拒绝使用这些平台，不仅会增加成本，还可能进一步扩大技术差距。
真正的问题在于，企业是否拥有现实可行的替代方案，能否将自身数据迁移到其他平台，以及是否将核心业务流程绑定在某些专有功能上。
一旦企业失去这些选择空间，谈判能力就会向供应商倾斜。价格调整、地缘政治冲突或监管政策变化，都可能直接影响企业自身的价值创造活动。
因此，务实的数字主权战略，应当着眼于保留技术和合同层面的选择权。
数据应当采用企业能够掌控的格式，系统接口应尽可能开放，智能体的运行逻辑则应与特定模型相互分离。
对于特别敏感的应用，欧洲本土解决方案或企业自行部署的系统可能更为合适；对于风险较低的任务，则可以继续使用全球平台。
关键在于，企业应当根据风险水平和战略重要性，有意识地划分不同的应用领域。
从长远来看，欧洲的机会并不只在于争夺规模最大的基础模型。欧洲在工业数据、受监管的应用场景、工程知识以及可信赖的系统集成方面，拥有自身的优势。
如果欧洲供应商能够据此开发面向生产、能源、交通、医疗和行政管理等领域的专业化智能体系统，就有机会形成一个具有自身特色的市场。
但这需要充足的资本、算力资源、公共部门采购支持，以及更快速地获取工业数据。
数字主权不是靠政治口号实现的，而是要依靠具有竞争力的产品和服务。
07、从试点项目走向可衡量的日常运营
向智能体组织转型，不应被视为一次巨大的技术跃迁，也不应演变为一系列彼此缺乏协调的小规模试验。
企业需要建立一套应用组合，既能在短期内取得可衡量的学习成果，又能推动具有战略意义的组织变革。
这意味着，企业应当优先选择少数几个关键业务流程，并明确其经济价值、数据基础和风险水平。
每个应用场景都应有明确的业务负责人、可供比较的基准数据，以及清晰的终止条件。
转型首先应从流程诊断开始。
哪些环节存在较长的等待时间、频繁的重复询问、高昂的错误成本或不必要的库存？哪些决策具有重复出现的模式？哪些信息目前仍需要员工手动从多个系统中搜集？
只有回答了这些问题，企业才能判断应该采用传统工作流自动化、语言模型，还是AI智能体。
并非所有问题都需要AI。基于明确规则的自动化，往往成本更低、运行更稳定，也更容易接受核验。
接下来，企业应当进入范围受控的实际生产应用，而不是让项目无限期停留在演示阶段。
智能体需要获得明确的行动权限、真实的业务数据和经过控制的访问权限。
企业应将其表现与原有流程进行比较，衡量的不仅是时间和成本，还包括工作质量、异常情况、用户接受程度以及新出现的风险。
只有当实际运行效果得到验证后，企业才应进一步扩大流程范围，或将解决方案推广到其他业务领域。
组织的持续学习能力同样重要。
企业需要建立统一的框架，管理平台、安全、数据访问和监管要求，同时将具体的应用开发责任留在各业务部门。
如果所有调整都必须经过一个高度集中的AI部门，企业就可能因为这一部门的处理能力不足而陷入瓶颈。
反过来，如果完全放任各部门独立试验，又容易造成影子AI、重复投入和无法控制的风险。
更有效的方式，是建立一种联邦式管理模式：由中央层面制定统一标准、提供共享基础设施，同时让各业务部门贴近实际流程开展开发与应用。
08、AI对整体经济的推动力，取决于能否广泛普及
对于德国整体经济而言，AI带来的变革正值一个关键时期。
经济增长疲弱，劳动年龄人口不断老龄化，而多年来生产率的增长不足以轻松抵消成本上涨和人口结构变化带来的压力。
关于生成式AI能够在长期内创造多少经济价值，各类估算存在较大差异，但总体上都指向积极的生产率效应。
关键不仅在于个别科技巨头能否取得成功，更在于工业、中小企业、服务业和公共行政部门能否有效使用这项技术。
AI的广泛普及能够缓解专业人才短缺问题，让现有员工处理更多业务，使知识更快地得到利用，并减少行政性工作。
它也有助于提高能源密集型和劳动力成本较高企业的竞争力。
但如果AI仅仅用于加快现有的办公室工作，其整体作用仍将十分有限。更大的潜力在于改善生产计划、产品开发、设备维护、物流和公共审批流程之间的协调。
与此同时，企业之间的差距也可能进一步扩大。
领先企业积累的不只是短期的效率收益，还包括数据资产、系统集成经验和组织运行机制。
这些能力会相互强化。
越早实现规模化应用，企业就越能加快学习，并以更低的成本自动化更多流程。落后的企业日后不仅需要购买技术，还必须追赶竞争对手已经积累起来的经验优势。
今天的AI应用差距，可能逐渐演变为长期的竞争力和盈利能力差距。
政策制定者应当将AI的广泛普及更多地视为一项基础设施任务。
这包括建设高性能网络和数据中心、推动行政管理数字化、加强职业培训、支持贴近实际应用的研究、改善资本获取条件，以及建立能够互联互通的数据空间。
维护市场竞争同样重要。如果少数平台控制了模型、云计算、系统接口和销售渠道，大部分价值就可能流向基础设施运营商。
因此，德国和欧洲不必自行制造所有技术，但必须保有足够的自主能力和市场竞争，避免将经济收益完全让渡给少数供应商。
09、留给企业的时间窗口正在比预期中更快地关闭
德国经济已经度过了AI普及的第一阶段。这项技术已经广为人知，获得了普遍接受，并在许多企业中经过了实际测试。
下一步更加困难，因为它无法仅靠购买更多软件许可来实现。企业必须重新设计流程、数据体系和责任分工。
也正是在这一阶段，企业之间的差距将逐渐显现：哪些企业能够借助AI建立持久的生产率优势和增长优势，哪些企业又会停留在初步应用阶段。
德国的基础条件其实比一些悲观论调所描述的要好。这里拥有扎实的工业基础、具备专业技能的员工、稳固的客户关系，以及宝贵的流程知识。
与此同时，德国企业在商业模式创新和规模化应用方面的差距也确实存在。
如果企业满足于较高的AI使用率，就会把活跃程度误认为实际进步。一家企业即使拥有数千名AI用户，也仍然可能无法创造多少额外利润。
因此，一个更为审慎的判断是：智能体AI既不是短期流行趋势，也不是自动带来繁荣的保证。它是一种新型的组织基础设施。
只有当企业明确目标、简化流程、有效管理数据，并合理分配人类与机器的控制权时，这种基础设施才能真正发挥作用。
这首先是一项管理任务，技术、法律和人才发展则为其提供支持。
真正的竞争，不会围绕哪个模型最善于表达而展开，而是取决于谁能够将知识转化为可靠的行动。
那些只是把AI嵌入旧流程的企业，能够在个别环节实现提速；而那些围绕AI重新设计流程的企业，则有可能从根本上改变自身的成本结构、运行速度和市场地位。
因此，德国当前的问题已经不再是对AI缺乏关注，而是广泛的热情最终可能无法转化为足够深入的变革。
时间窗口仍然存在，但领先企业的学习曲线已经在持续向前推进。
本文经作者Konrad Wolfenstein授权，由「德国工业智库」发布，并授权本账号进行原创声明。