开年以来，OpenClaw 的爆火让“养龙虾”潮迅速破圈。随着 Agent 能力不断深入业务，Kyligence 接触和服务了越来越多需落地 AI 的行业企业。我们发现，AI 在企业落地的瓶颈往往不在于模型规模，而在于组织运作的精细度与协同效率。步入2026年，AI 的核心竞争已从技术本身转向组织能力——能否高效运作、快速适应，将直接决定落地成效。

这是 Kyligence 行业观察系列文章第三篇，本文作者为 Kyligence 联合创始人兼 CTO 李扬，欢迎您的阅读～

如果说过去两年，行业讨论最多的是“模型能力”“算力规模”和“技术路线”，那么接下来一年，真正拉开差距的，可能会是——组织如何消化 AI。

最近我回头看了一些正在推进的 AI 项目，“组织是怎么承接 AI 的 ”这个现象引起较大兴趣。因此，一个感受也逐渐清晰：在当前阶段，AI 项目的效果，不仅在于技术和产品能力本身的先进性，也取决于企业组织作为整体（而不是某位领导个人）如何认知 AI、定位 AI、以及愿意为 AI 落地做出多大的组织结构性的调整。相近的技术条件下，有的项目推进顺畅、反馈清晰、团队信心稳定；有的却明显吃力。而这种差异，往往在项目启动阶段就已经埋下伏笔。在落地过程中，AI 的核心挑战正在从考验技术能力，逐渐转变为考验组织能力。下面这五点角度或许值得我们深思。

企业组织中的 “肌肉记忆”

在大中型企业待过的伙伴可能都有感触，很多岗位都是靠肌肉记忆在工作。大到某些数据能不能用于 AI 知识萃取，小到数据库 DDL（Data Definition Language,数据定义语言）是否必须通过人工审核，都是靠固化的流程执行来保障企业运行的稳定和可靠。但这也是所有破坏式创新的阻力，由不得一人一力简单改变。AI 就是最典型的破坏式创新，很多项目看似有大领导的支持，但具体一执行就会陷入这样那样的流程卡点，因为与现有团队的肌肉记忆并不一致，甚至与局部的 KPI 指挥棒冲突。

以目前落地效果来看，95% 以上的 AI 项目在落地初期都是负收益的，会影响很多团队的当前绩效。

哪怕是在顺利前进的项目中，AI 往往不是一次性交付的系统，而是一项需要持续训练和打磨的能力。在实际场景中，这些项目通常以小版本、小发布的方式，让能力尽早进入业务场景，再通过真实反馈不断调整。比如，如果一个组织上线 AI 应用后，每周就开始收集业务反馈，每两周发布一次优化版本；另一个组织半年才上线一次，结果发现业务场景已经变化，最初设计不再适用。

这也引起我们的思考：企业是否设有为 “养成” 和 “试错” 开绿灯的创新型项目流程？有的话，AI 项目在启动阶段有没有选对套路，会不会沿着肌肉记忆走进了普通的项目流程，比如被要求确保成功？前期设定过重的目标、流程过长，后续调整空间就会被大幅压缩，项目节奏很容易被拖垮。如果没有特殊项目通道，那么 CXO 直接下地干活儿，拿尚方宝剑开路可能是最佳的选择。AI 项目不是普通的一次性交付的“大工程”，而是需要耐心、勇气、迭代试错和节奏感的长期任务。

独立团队小而美

AI 项目并不天然适合“大而全”的团队结构，所有革命性的创新都不适合。

在实际组织中，还有一个常见现象是：在复杂的 IT 架构下，AI 项目一启动，往往会吸引多个相关团队同时介入。项目管理、业务金主、质量团队、安全团队、合规监管、运维团队，每个人都有自己的责任和坚持，各司其职。出发点可以理解，但当团队规模超过某个临界点，决策链条拉长，沟通成本迅速上升。为了让每个团队满意，最容易妥协的就是项目必须哪儿哪儿都好，比如既要快速上线、又要严格合规；既要 AI 创新、又要业务零风险。

这个问题在立项初期埋下伏笔，有很强的隐蔽性。各个团队都奋发加入 AI 项目，看来是众人拾柴火焰高，却反而为后面的创新乏力埋下伏笔，既要又要会导致探索性和试验性被压缩。这与各团队积极参与的善意初衷无关，仅仅是源于各人司职不同的本位惯性思考。

反而是小而精、职责简单的团队，更容易在早期跑出节奏，在不确定性中形成正反馈。甚至，隔离出一个与现存部门和流程完全平行的独立小团队，给予独立的责、权、利。就像炒菜，厨师再多，如果分工不清，锅里容易乱；少而精，则味道反而更稳。

不行动是最差的选择

在是否启动一个 AI 项目的讨论中，很多组织往往陷入一种熟悉的犹豫：反复计算 ROI、追问价值闭环是否完整、担心投入之后能否稳定落地。各种评估表、论证材料层层叠加，项目却迟迟难以真正启动。但在 AI 这样的探索型领域里，最大的风险往往不是做错，而是迟迟不做。

AI 项目与传统 IT 项目最大的不同，在于其天然包含大量不确定性。从 0 到 1 的过程中，效果波动、阶段性结果不理想，甚至出现局部返工，都是常态。然而，很多组织虽然口头上承认 AI 需要试错，在实际执行中却仍然沿用原有的风险评估与考核方式。一旦结果不够理想，就会被视为“异常”；测试阶段本应是暴露问题的过程，却被要求“不能出错”。在这样的环境下，团队自然会变得越来越保守，最终最安全的决策反而变成了——不做。

但不行动恰恰是最差的选择。AI 项目的价值往往不是在规划阶段就能被完全证明，而是在实践中逐渐显现。许多真正有效的应用场景，只有在动手尝试、接触真实数据，并经历多轮迭代之后才会逐渐浮现。如果在项目启动之前就要求完整闭环的 ROI 证明，往往等同于要求团队提前知道探索的结果，这本身就是一种悖论。

因此，与其把大量精力放在预测所有结果上，不如把重点放在降低试错成本、加快学习速度上。高效的团队会为不确定性预留空间，将阶段性失败视为信息反馈，通过持续实验与迭代不断接近真实价值。在 AI 时代，行动本身就是一种能力。只有当项目真正开始，数据、问题和机会才会逐渐显现，也只有在实践中，团队才能在不确定中逐步找到答案。

第一个小目标必须有人要妥协

既然决定推进 AI，就先从对齐第一个小目标开始。这个目标要小、要清晰、要抓住重点，不必一开始就追求全面与完善。

“尽早对齐目标/标准”听起来像一句废话，但在 AI 项目中却格外关键。原因在于，AI 的能力边界仍在快速变化，而不同角色对它的理解差异往往很大。技术社区的突破、外界叙事的放大，再叠加组织内部对试错和不确定性的不同容忍度，很容易让同一个 AI 项目在不同人眼中呈现出完全不同的期待。

通常情况下，技术团队更关注模型是否跑通、系统是否能够稳定交付；业务团队更在意实际效果是否带来明显提升；而管理层则希望看到 AI 长期价值的兑现路径。如果在项目启动阶段没有对这一“小目标”形成清晰共识，这些不同视角就会在推进过程中逐渐放大：技术认为项目已经达标，业务却觉得效果仍不明显，管理层则还在等待一个尚未被清晰定义的结果。

因此，在确定第一个 AI 落地目标时，往往需要有人做出取舍。受限于试错周期与项目成本，同时让技术、业务和管理三方都完全满意几乎不可能。更可行的做法，是适当牺牲技术的稳定性和业务的普适性，先找到一个“小而痛”的业务场景，作为 AI 应用的突破口。在这个过程中，管理者的角色同样关键。他们需要尽快对齐组织内部的认知差异，排除固化流程中的阻力，为项目创造一个相对顺畅的推进环境，让这个小目标能够尽早落地。

AI 项目是知识建设的长跑，更需要节奏感

回头看，AI 并不是靠短期冲刺就能跑出来的事情。从信息化、数字化，到今天的 AI 应用，每一步本质上都是在沉淀和积累知识到数字化系统中，再用庞大算力放大成为新的工作方式和生产方式，是一场跨越数十年的长跑。

银行的智能风控依赖多年积累的交易数据与风险样本；制造业的智能排产，需要生产、设备与质量系统长期沉淀的数据；零售行业的推荐系统，也离不开用户行为数据与供应链体系的持续积累......AI 智能体对人类知识的消化、吸收、应用也将是一个长期且持续的过程。

新的一年，我越来越倾向于把 AI 项目视为一件需要耐心和节奏感的长期工程。当方向清晰、组织方式匹配、节奏稳定，价值往往不是被“喊”出来的，而是在一次次真实使用和调整中逐渐显现。技术能力终究会趋同，但能否持续演进、消化 AI 的组织能力，将成为企业竞争力的新分水岭。

关于 Kyligence

跬智信息（Kyligence）由 Apache Kylin 创始团队于 2016 年创办，是领先的 Data+AI 公司，为企业客户提供大数据分析平台、AI 智能分析平台等相关的产品和解决方案，以 AI 赋能全民用数，帮助企业充分利用数据价值，加速数智化转型。

Kyligence 已服务中国、美国、欧洲及亚太的多个银行、证券、保险、制造、零售、医疗等行业客户，包括建设银行、平安银行、浦发银行、北京银行、宁波银行、太平洋保险、中国银联、上汽、长安汽车、星巴克、安踏、李宁、阿斯利康、UBS、MetLife 等全球知名企业，并和微软、亚马逊云科技、华为、安永、德勤等达成全球合作伙伴关系。Kyligence 获得来自红点、宽带资本、顺为资本、斯道资本、Coatue、浦银国际、中金资本等机构多次投资。