从虚拟走向可行：首席财务官重新规划人工智能应用的策略

IMD教授José Parra Moyano指出，许多AI项目未能如预期般落地生效，他建议首席财务官（CFO）应重新聚焦三大核心要素：业务价值、数据基础是否完备，以及员工的参与度与认同感。

全文阅读时长约6分钟

首席财务官（CFO）在企业应对人工智能（AI）主导的产业转型过程中扮演着核心角色。凭借其对企业全局的统筹视野，以及在财务战略规划中的引领作用，CFO在推动AI技术落地方面具有得天独厚的优势，能够精准平衡创新投入与可量化的业务成果。

生成式人工智能（Generative AI，简称GenAI），包括即将兴起的AI智能体（Artificial Intelligence Agents，简称 AI agents），可以优化运营流程、提升决策效率，并推动收入增长。巴克莱投行（Barclays Investment Bank）的分析师预测，AI智能体可独立完成约70亿项任务，助力企业实现系统级生产力跃升。然而，要真正释放这一技术潜力，仅靠技术部署远远不够。CFO需要确保AI项目与企业战略目标深度协同，避免资源分散与“孤岛式”开发，从而构建可持续的竞争优势。若财务领导者能以战略视角规划AI落地路径，该技术有望为企业带来显著的投资回报。

然而，许多企业在将AI的潜力转化为实际业务成果方面仍面临挑战，大量AI项目未能兑现预期目标。这种现象不仅存在于传统AI项目中，GenAI项目同样难以幸免，甚至今年即将广泛应用的AI智能体，也可能陷入同样的困境。

为有效应对AI项目在落地过程中的复杂挑战，企业应聚焦三个关键维度：业务价值、数据基础和人员协同。三者共同构成“价值—数据—人员”的框架，为决策者提供结构性思考路径，以解答以下关键问题：企业期望通过AI实现什么样的价值？是否具备支撑AI落地的关键数据资源？员工及利益相关方将如何理解并应对AI驱动的变革？

聚焦上述核心维度，CFO将能够更精准地优化资源配置、系统性降低风险，并显著提升AI项目的长期成功率。

一、价值维度：明确AI带来的业务价值

框架的第一维度要求企业明确界定其期望通过AI创造的价值。尽管这一要求看似理所当然，但当被问及“企业希望通过AI解决哪些具体业务问题”时，许多组织往往难以给出清晰、直接的答案。

真正成功的企业并非盲目追逐AI技术本身，而是聚焦于解决可量化、可衡量的实际业务挑战——例如，通过算法优化销售表现。以某销售人员为例，其借助AI预测高潜力客户群体，针对性调整营销策略，最终推动年收入从100万美元增长至130万美元。这一具体案例不仅展示了AI的实际应用场景，更凸显了其为企业带来的可量化业务价值。

AI应用领域表现卓越的企业，通常采取聚焦且务实的策略。它们优先聚焦于解决具体、可落地的业务问题，通过快速积累阶段性成果，而非盲目追求颠覆性变革，有效规避高成本试错风险。这种渐进式的成功不仅能优化业务绩效，还能为更宏大的计划营造内部发展动力。这一策略中暗藏的悖论在于：当CFO将资源集中投入以解决实际问题为导向的AI项目时，他们实际上也在间接推动组织知识资产的沉淀。这一策略甚至可能引发组织文化的深层变革，使企业逐步具备运用AI解决未来更大规模、更复杂业务问题的能力。

数据协作平台使组织能够在保障隐私的前提下训练AI模型。

二、数据维度：确保可获取性与高质量

成功推动AI落地的第二个关键维度是数据。业内常用一句箴言来概括这一要点：“输入垃圾，输出垃圾（garbage in, garbage out）”。AI模型的有效性高度依赖于数据的质量与可获取性，然而，许多企业在数据量、数据多样性或数据结构化方面均未达到支撑AI训练的要求。

关键之处在于，从“数据可访问性”而非仅“数据所有权”的角度审视数据。企业可能“拥有”某些数据，但因未获得用户授权而无法合法使用；与此同时，也存在企业虽不拥有数据所有权，但可通过合规途径访问的数据。

数据协作平台（Data Collaboration Platforms）的核心价值在于，它们使组织能够在保障隐私的前提下训练AI模型。其技术原理是：将算法部署至数据存储位置，而非将数据迁移至组织内部进行模型训练。这一设计确保了个人信息在数据源端安全存储，同时不阻碍对数据的分析利用。

目前，数据协作平台形态呈现多样化，既涵盖由私营企业提供的专有服务，也包括由机构或联盟采用的开源解决方案。此类平台的广泛应用，反映出企业对“在保障数据安全的前提下挖掘共享或敏感数据价值”的认知日益深化。更重要的是，这些平台正在破解AI发展的核心瓶颈：高质量训练数据的匮乏问题。

例如，在医疗领域，医院与制药公司无需共享原始数据，即可通过平台共同训练算法，以提升诊断或治疗的精准度。在更为复杂的B2B场景中，受限于监管规定或隐私保护法规，企业往往难以使用客户数据来训练AI模型，而数据协作平台则提供了一种解决路径：企业可在严格遵守隐私合规要求的同时，推动技术创新。

通过在保障隐私的同时实现数据洞察，数据协作平台正为医疗、自动驾驶在内的多个行业开辟新机遇，助力企业在日益复杂的数据监管环境中寻求突破。

人工智能的核心价值在于扩展人类能力，而非代替人类。其核心要义在于：即便AI深度融入业务流程，人类的专业判断与经验积累仍将是不可替代的，尤其是在应对动态演变的复杂挑战时。

三、人员维度：管理认知，建立信任

第三个维度：人员，往往决定了AI项目的成败。由于公众对岗位被AI取代的担忧，AI常常被视为一种威胁，这种情绪也反映出更广泛的公众焦虑。皮尤研究中心（Pew Research Center）的一项调查显示，52%的美国受访者对AI在公共生活中的日益广泛应用感到担忧，担忧情绪超过了兴奋感。

企业必须正面回应这些担忧，明确传达核心信息：AI的核心价值在于扩展人类能力，赋能员工实现更高价值的工作。即便AI已深度融入业务流程，人类的专业知识与经验积累仍是不可替代的，尤其是在应对动态演变的复杂挑战时。管理员工对转型的认知至关重要。若他们将AI视为威胁，可能会产生抵触情绪，甚至在无意中削弱项目推进的效果。

成功的AI项目往往高度重视沟通与变革管理，意识到对AI的错误认知会显著增加项目失败的风险。因此，CFO及其他高管需要在早期阶段积极与利益相关方沟通，并持续保持互动，以争取支持、达成共识、建立信任，确保转型过程顺利推进。

CFO的行动指南

“价值—数据—人员”框架旨在为CFO及其他决策者在应对AI复杂挑战时提供明确指引。在批准任何AI项目之前，CFO应聚焦以下三个核心问题：

我们期望创造什么样的价值？
我们是否具备获取高质量数据的能力？
员工将如何看待这次变革？

若上述问题都无法得到明确解答，企业可能需要重新评估自身的推进策略。当数据资源不足时，企业应优先转向数据获取或访问权限的解决，而非盲目推进项目。同理，若员工对项目缺乏支持，企业就必须为复杂且成本高昂的变革管理做好准备。

通过采用“价值—数据—人员”框架来实施AI项目，企业能够提升成功率，并有效降低风险。然而，持续衡量项目成效同样关键——成功的企业往往会系统性地跟踪项目成果。对于CFO而言，任何重大AI投资都应包含明确的后续评估计划和预算。在正确的战略与持续的成效关注下，AI将成为推动企业生产力、创新能力及长期增长的核心引擎。

本文翻译自I by IMD，中文版本仅供参考。点击“阅读全文”，获取英文原版。

关于作者

关于瑞士IMD国际管理发展学院

瑞士IMD国际管理发展学院（International Institute for Management Development，IMD）已有75年以上历史，始终致力于培养能够推动世界更加繁荣、可持续与包容的领导者与组织。IMD由一支专业且多元化的教师队伍领导，在瑞士洛桑和新加坡设有校区，并在中国深圳设有管理发展中心，致力于成为全球有志个人和组织最值得信赖的学习伙伴。IMD的高管教育和学位项目长期位居全球领先地位。这一持续领先源于IMD独特的“真实学习，真实影响（Real Learning, Real Impact）”教育理念。通过高管教育课程、工商管理硕士（MBA）、高级管理人员工商管理硕士（EMBA）项目及专业咨询服务，我们助力商业领袖找到更新更好的解决方案，挑战现状，启迪未来。

本文来自微信公众号“瑞士IMD国际管理发展学院深圳”，作者：IbyIMD，36氪经授权发布。