别再给牛径铺路——为何应先分析和优化流程，再实施人工智能

如今，很少有董事会不讨论“我们的人工智能战略是什么？”这个问题。行动压力确实存在，错失恐惧症也十分强烈：竞争对手纷纷宣布试点项目，借助人工智能登上新闻头条；供应商承诺带来转型；没人愿意成为错过浪潮的那家公司。在这种压力下，一种熟悉的模式开始出现——组织把实施人工智能本身当成项目：先选工具，再去寻找应用场景。

来自经济学、信息系统研究以及越来越多人工智能项目失败复盘的证据，都指向相反的结论。能够从人工智能中创造价值的组织，并不是采用速度最快的组织，而是那些为人工智能打好基础的组织：重新思考业务，在任何模型投入生产之前，先梳理、分析并优化业务流程。人们常把一句格言归于比尔·盖茨，它道出了背后的逻辑：“……自动化应用于高效运营，会放大效率；自动化应用于低效运营，则会放大低效。”这句话是否确由他所说，或许只是传闻；但正如我们将看到的，其背后的机制已有充分文献记录。

本文将以证据为依据，阐明一套严谨的运营管理者始终遵循的顺序：先分析，再优化，最后自动化。

 

企业人工智能背后令人不安的数字

先看结果。RAND Corporation 2024 年一项基于对资深数据科学家和工程师访谈的研究估计，超过 80% 的人工智能项目以失败告终——失败率约为不涉及人工智能的 IT 项目的两倍 [1]。一年后，MIT 的 Project NANDA 针对生成式人工智能时代给出了更惊人的数字：尽管企业投入了数百亿美元，约 95% 的生成式人工智能试点项目对损益没有产生可衡量的影响；定制化企业工具中，最终能大规模投入生产的只有约 5% [2]。

调查数据从另一个角度印证了这一点。S&P Global Market Intelligence 发现，2025 年放弃大多数人工智能项目的公司比例升至 42%，高于前一年的 17%；在平均而言的概念验证项目中，有 46% 在投入生产前便被搁置 [3]。Gartner 曾准确预见这轮淘汰，预测到 2025 年底，至少 30% 的生成式人工智能项目会在概念验证后被放弃 [4]。而且，这种情况并非生成式人工智能独有：早在 2019 年，也就是 ChatGPT 出现之前，MIT Sloan Management Review 和 Boston Consulting Group 的一项全球调查就发现，七成企业表示，迄今为止，其人工智能投资带来的影响微乎其微，或根本没有影响 [5]。

然而，重要的发现并非失败率，而是失败的原因。RAND 的研究人员对根本原因进行分类后发现，排名靠前的原因几乎与算法无关：业务领导者和技术团队对人工智能要解决的问题缺乏共识；缺少训练合适模型所需的数据；关注使用最新技术，而非解决用户的实际问题；基础设施和数据治理不到位 [1]。MIT 的报告则得出了互为补充的结论：试点项目之所以失败，是因为工具无法融入实际工作流程，也无法从工作情境中学习——这是运营层面的“学习鸿沟”，而非模型质量问题 [2]。

换言之：企业人工智能项目失败，大多是因为问题选择、数据和流程整合出了问题。而流程分析恰恰是为解决这三类问题而存在的。

 

这一幕我们早已见过

任何记得上一轮通用技术席卷企业的人，对此都不该感到意外。1990 年，在企业大举投入 IT、生产力却始终不见起色的十年之后，Michael Hammer 在一篇影响深远的管理学文章中指出了原因：企业用技术把旧的经营方式机械化，低效流程原封不动，却让计算机加快了它们的运行速度。他写道：“是时候别再给牛径铺路了”——组织不应把过时流程固化在硅片和软件里，而应先重新设计工作本身 [6]。

随后，经济学家对 Hammer 的直觉进行了量化。Erik Brynjolfsson 和 Lorin Hitt 研究 20 世纪 90 年代的企业层面数据后发现，IT 投资回报差异悬殊，而差异的根源在于相辅相成的组织投资：那些重新设计流程、下放决策权并投资于技能的企业，能从同样的技术中获得显著的生产力提升；而仅仅安装技术的企业却收效甚微 [7]。二十年后，同一研究脉络将其概括为“生产力 J 曲线”：电力、计算技术和如今的人工智能等通用技术，只有在一段时间之后才能带来效益，因为企业必须先构建新的流程、新的技能和重新组织的工作流程等无形配套要素。跳过这些配套要素，技术就会一直无法充分发挥作用 [8]。

人工智能是这部电影的续集，预算更高，炒作周期更短。技术变了，互补性背后的经济规律却没有变。

因此，Mourinho Solutions 正是引领您释放组织效率、最大化人工智能投资回报的理想合作伙伴。 我们坚持业务优先——技术（包括人工智能）应当随后跟进。原因有五个。

 

原因一：自动化会放大其所作用流程的一切

部署在某项流程中的算法，会继承该流程的逻辑——包括它的问题。这正是 Hammer 对 IT 发出的警告 [6]；20 世纪 10 年代末，机器人流程自动化（RPA）兴起时，研究界也发出了同样的提醒。RPA 机器人会复制当前的工作方式——点击相同的界面，遵循相同的规则——因此，如果不先审视流程就进行自动化，就有可能给低效流程浇筑一层数字混凝土，让糟糕的流程变得更快、更僵化，也更难改变 [9]。对 RPA 文献的系统性综述同样指出，流程的选择和适用性——是否基于规则、已标准化且成熟——是决定成败的关键因素之一；流程选择不当则是项目失败的常见原因 [10]。

这一教训同样适用于人工智能，而且风险或许更大。在混乱的审批链条中部署语言模型来起草回复，只会让瓶颈队列更快堆积。用机器学习模型预测需求，但计划流程无人遵循，最终得到的预测也无人使用。放大效应正是自动化的核心——因此，被放大的对象值得先仔细审视。

 

原因二：数据质量是流程的产物，而且情况比你想象的更糟

每个人工智能系统都依赖数据，而数据又取决于流程：它由企业日常运营生成、录入、转换并传递。数据质量的现状令人担忧。一项研究让管理者评估所在组织的记录样本，结果发现，只有 3% 的公司数据符合基本质量标准，近一半新建记录至少包含一项会影响工作的关键错误 [11]。RAND 的受访者将缺乏充足、可用的数据列为人工智能项目失败的主要原因之一，并指出组织长期低估了这项技术所需的数据准备工作 [1]。

从一线从业者的角度看，忽视这一问题的后果也有充分记录。一项针对高风险领域人工智能从业者的研究发现，92% 的受访者经历过“数据级联”——上游数据质量问题引发连锁的下游故障，往往直到后期演变为模型失效和部署中止时才被发现 [12]。这项研究的标题本身就是对行业流程排序问题的诊断：“人人都想做模型工作，不想做数据工作。”

关键的战略要点是：你无法靠一轮数据清理冲刺解决数据质量问题，因为生成数据的流程会不断重新制造坏数据。流程分析可以找出数据产生、重复、重新录入和损坏的位置；流程优化则能从源头修复缺陷。先优化流程的组织，也在悄然同步构建未来人工智能赖以运行的数据基础。

 

原因三：看不清流程，就会选错应用场景

决定人工智能应用于何处，是一项投资组合决策；如果不了解实际工作如何流转，就无法合理作出决定。Davenport 和 Ronanki [13] 对 152 个认知技术项目进行调查后发现，雄心勃勃的“登月式”部署往往令人失望，而成功采用者采取了渐进式方法：逐项审视流程任务，并将具体的人工智能能力与具体工作流程中的具体瓶颈相匹配。

业务流程管理（BPM）学科正是提供这种任务层面可视性的途径，这也是我们的核心能力之一。标准的 BPM 生命周期依次包括流程识别、发现、分析和重新设计，之后才进入实施和自动化阶段——这一顺序凝结了数十年的实践经验，因为不经审视就自动化流程，本身就是一种类别错误 [14]。现代流程挖掘进一步强化了这一做法：它通过现有 IT 系统的事件日志还原流程，以证据取代基于主观判断绘制的流程图，揭示流程变体的真实数量、返工循环、偏差和瓶颈——这些情况仅靠访谈永远无法充分呈现 [15]。这就像手术前先做 X 光检查，往往会发现高管描述的流程并不是组织实际运行的流程。

经典的自动化成功案例，正是建立在这种严谨的筛选机制之上。在 Telefónica O2，作为最早且引用最广泛的 RPA 部署案例之一，其自动化投资回报率最终达到数百个百分点。自动化目标经过审慎筛选：优先选择高流量、标准化、基于规则的流程，并先将其稳定下来，再应用软件机器人 [16]。成功源于目标选择，而不是软件本身。

 

原因四：有时最好的“人工智能项目”就是删除一个步骤

流程分析有个令人不太舒服的习惯：它总会发现一些根本不需要人工智能的问题。重复的审批、无人阅读的报告、因 2014 年的组织架构图而存在的交接，以及在两个本可直接集成的系统之间手动重复录入数据——经典工业工程原则主张，在自动化之前先消除、合并和简化，因为自动化浪费只会更快地产生浪费。这正是 Hammer 提出“不要自动化，要彻底消除”这一主张的核心：技术被要求加速的许多工作，从一开始就不该存在 [6]。

说点个人看法，我很喜欢一句常被归于 Leonardo da Vinci 的格言——“简单是终极的复杂。”简化流程是一项要求极高的工作：它需要强大的分析能力、整合组织不同部门意见的能力，以及融合不同领域知识的能力。这正是我们围绕 Mourinho Solutions 打造的专业技艺。

对即将为人工智能项目投入资金的组织来说，这不是绕远路，而是省下真金白银并降低风险。被删除的步骤无需花钱自动化，无需维护模型，不会带来新的故障模式，而且能立即开始产生回报。流程优化工作还有第二重收益：建立经测量的基准。MIT NANDA 报告的一项重要发现是，大多数生成式人工智能试点项目都无法证明其对损益产生了可衡量的影响 [2]——但只有在已知起点的基础上，影响才能够被衡量。优化后的流程会有详细记录的周期时间、错误率和单笔交易成本；后续部署人工智能时，无需额外投入，就能证明自身的投资回报率。

 

原因五：人工智能价值要通过组织变革实现，而不是随软件安装而来

最后，关于人工智能价值实际来源的研究都指向一个令工具优先战略不太舒服的事实：价值体现在业务流程层面，且只有组织围绕技术作出改变时才能实现。一项关于人工智能与业务价值的系统性文献综述发现，人工智能的第一阶效应体现为流程效率提升和流程内决策改善；要实现这些效益，依赖的是组织层面的赋能因素和有意识的业务流程转型，而不是模型有多复杂 [17]。对人工智能采用者的访谈研究也将组织准备度——战略协同、数据质量与治理、流程知识和组织文化——视为采用前应评估的先决条件，而非采用后才发现的问题 [18]。

从业者的研究也得出了相同结论。在 Harvard Business Review 撰文的 McKinsey 负责人指出，扩大人工智能应用规模面临的最大障碍并非技术问题，而是文化和组织问题；成功需要重新设计工作流程，并将人工智能项目作为由业务主导的流程变革来推进，组建跨学科团队，而非仅仅安装 IT 系统 [19]。在 MIT Sloan/BCG 全球研究中，真正从人工智能中创造价值的企业，凭借的是将战略、组织变革和技术结合起来，而不是把技术本身当作战略 [5]。

流程分析和优化正是这项组织工作，并且能够以正确的顺序开展。它让领导层就哪些问题最重要达成共识（解决 RAND 研究中排名第一的失败原因 [1]），建立重新设计工作流程所需的流程认知，并打造稳定、标准化的运营体系，让人工智能能够可靠部署。

 

Mourinho Solutions 助您践行“流程优先”

以上理由并不是主张先花几年时间分析，之后才允许任何人接触模型。它们主张的是一套简短而严谨的步骤——本质上是 BPM 生命周期的前半部分 [14]——在几周而非几个季度内完成，并根据后续人工智能项目的目标规模进行调整。

Mourinho Solutions 采用量身定制的咨询方法，结合前沿知识与多年经验，帮助您的组织有条不紊地走完整个 BPM 生命周期，从而最大化投资回报。

还有一种值得指出的复利效应。成功少数派中的组织——MIT 报告所说的 5%，以及 MIT Sloan/BCG 研究中的“先行者”——不仅避免了失败，还建立了组织能力，使每次后续的人工智能部署都比上一次更省钱、更快捷 [5], [2]。清晰的流程、干净的数据流和严谨的度量体系都是基础设施，而且会不断增值。

 

结论：为 AI 做好准备，就是为流程做好准备

急于实施 AI 的做法，往往把流程分析视为拖延。证据表明，事实恰恰相反：流程分析是最能有效降低风险的举措，它针对有记录可查的 AI 失败根源——问题选错、数据薄弱、工作流程未整合——在这些问题不断累积、最终导致试点项目被放弃之前加以解决。沿着“牛道”铺路，几乎无法创造任何价值，甚至可能造成价值损失。从业务流程再造 [6]、互补性经济学 [7]、[8]，到当前一代 AI 项目失败复盘 [1]、[2]，35 年的研究始终指向同一个结论：技术会放大它所进入的组织。先优化组织，AI 才能放大真正值得放大的东西。

因此，领导团队要问的不是“我们能多快实施 AI？”，而是“我们的哪些流程在充分了解并优化之后，真正能被 AI 改造？”按照这个顺序回答，正是区分 5% 与 95% 的关键。

Mourinho Solutions 确保您的组织跻身这 5%。

---

在 Mourinho Solutions，我们的工作遵循这一顺序。我们帮助组织梳理和分析流程，优化流程以取得可衡量的成效，然后才着手设计和实施确实能带来收益的 AI。如果贵公司正在规划 AI 项目，不妨先从讨论流程开始——联系我们，评估您的流程。

 

 

参考文献

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, 人工智能项目失败的根本原因及成功之道：避免 AI 反模式. 美国加利福尼亚州圣莫尼卡：RAND Corporation, 2024. [在线]. 可获取：https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “生成式 AI 鸿沟：2025 年商业领域 AI 现状,” MIT NANDA, 美国马萨诸塞州剑桥, 2025. [在线]. 可获取：https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “企业之声：AI 与机器学习”调查, 2025；调查结果见“AI 项目失败率不断上升：报告,” CIO Dive, 2025 年 3 月. [在线]. 可获取：https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner 预测，到 2025 年底，30% 的生成式 AI 项目将在概念验证后被放弃,” 新闻稿, 2024 年 7 月 29 日. [在线]. 可获取：https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “借助 AI 取得成功,” MIT Sloan Management Review and Boston Consulting Group, 美国马萨诸塞州剑桥, 研究报告, 2019. [在线]. 可获取：https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “重新设计工作：不要自动化，而要彻底改造,” Harvard Business Review, vol. 68, no. 4, pp. 104–112, 1990 年 7–8 月. [在线]. 可获取：https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “超越计算：信息技术、组织转型与业务绩效,” Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “生产率 J 曲线：无形资产如何与通用技术互补,” American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, 2021 年 1 月, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “机器人流程自动化,” Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “机器人流程自动化：当代主题与挑战,” Computers in Industry, vol. 115, Art. no. 103162, 2020 年 2 月, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “只有 3% 的公司数据符合基本质量标准,” Harvard Business Review, 2017 年 9 月 11 日. [在线]. 可获取：https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘人人都想做模型工作，而不愿做数据工作’：高风险 AI 中的数据级联,” 收录于 2021 年 CHI 人机交互大会论文集 (CHI ’21), 日本横滨, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “面向真实世界的人工智能,” Harvard Business Review, vol. 96, no. 1, pp. 108–116, 2018 年 1–2 月. [在线]. 可获取：https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, 业务流程管理基础, 第 2 版. 德国柏林：Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, 流程挖掘：数据科学实践, 第 2 版. 德国柏林：Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Telefónica O2 的机器人流程自动化,” MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, 2016 年 3 月. [在线]. 可获取：https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “人工智能与商业价值：文献综述,” Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “准备好了没有，AI 即将到来——组织 AI 准备度因素访谈研究,” Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “打造 AI 驱动型组织,” Harvard Business Review, vol. 97, no. 4, pp. 62–73, 2019 年 7–8 月. [在线]. 可获取：https://hbr.org/2019/07/building-the-ai-powered-organization