对话君乐宝乔建文：上了AI，账怎么越算越亏？ | 数据猿专访
【数据猿导读】 一切脱离业务流程的 AI，都是无效的数智化。
“一切脱离业务流程的 AI，都是无效的数智化。
某家企业兴冲冲上线了一套AI视觉检测系统，对外宣传“智能化升级”，字里行间都是弯道超车的野心。然而半年后一算账，综合成本比原来纯人工还高出一截。
这不是孤例。
麦肯锡2025年底发布的全球AI应用现状调研显示，88%的企业已经在至少一个业务职能中常态化使用AI，比上一年的78%又往上蹿了一截。表面看是欣欣向荣，但同一份报告翻到后面：近三分之二的企业至今没能把AI推上规模化部署的轨道，大部分仍困在试验或试点阶段。在EBIT层面感受到实质性影响的企业只有39%，而其中AI贡献率超过5%的“高绩效企业”，仅6%。
翻译一下：一百家上了AI的企业，能算平账的不到六家。
企业扎堆上AI，钱也花了、系统也建了、模型也跑了，为什么一到业务端就跑不通？针对这一行业现象，数据猿与君乐宝乳业集团数字化COE负责人乔建文进行了一次深入访谈。
失败的根源不在技术
看到这么多“赔本赚吆喝”的AI落地案例，很多人第一反应是AI技术还不够成熟、模型还不够智能，但把这个锅甩给技术可就找错方向了。真正的问题可能不在模型层，而在企业对待AI的方式上——怎么定目标、怎么嵌流程、怎么管数据。拆开看，可以归结为三个层面的错配：目标错配、流程错配和数据残缺。
不少企业在推进AI项目时，第一反应不是“AI能帮我们解决什么新的问题”，而是“现有流程里哪个环节能塞一个AI进去”。这种思维惯性几乎成了一种肌肉记忆：先看流程有没有现成的，再看有没有预算，最后才想技术上去之后到底要达成什么效果。本质上是在用旧地图找新大陆——方向错了，给什么工具都白搭。这就是典型的目标错配。而这种错配之所以普遍，是因为它有很强的迷惑性——立项流程走完了、系统上线了、验收报告签字了，从管理流程上看一切都合规，但业务上什么都没变。
而流程错配比目标错配埋得更深。它不是AI做错了什么，而是把它放在了错误的位置上——甚至更严重的，是AI所依赖的业务流程本身就是乱的。乔建文把这层关系讲得很直白：脱离业务流程节点的AI应用，都是无效的数字化。这句话翻译过来就是：你让AI去优化一段连你自己都说不清怎么跑的流程，它产出的东西再好看，也不会对业务产生任何实质性的影响。流程不清晰，数据就不可能完整；数据不完整，AI就没有可以发挥的基础条件。三步之间是锁死的因果关系。
最后，数据残缺是前面两种错配的自然结果。流程没理清楚，数据采集的节点就是乱的，口径就是不统一的，治理就是不完整的。在这个前提下，企业抱着“弯道超车”的心态上AI，等于跳过前三步直接做第五步。乔建文看得很清楚：该交的作业不可能靠AI赖掉。对于信息化基础本来就扎实的企业，AI进来是水到渠成；而那些流程和数据都没打底的企业，花再多钱买模型，AI读到的也还是碎片。
三个问题环环相扣，指向同一个结论：AI落地失败，往往不是技术问题，而是组织适应性问题。
“95%自动化率”
一个正在膨胀的成本黑洞
上面问题讲的是AI能不能落地企业业务场景，接下来这个问题更扎心——落地跑通了，就一定划算吗？
一些企业对外报出的自动化率数字非常唬人，随便拎一个出来都够开一场发布会。但如果真的派人到现场蹲上两个月，现场画面和发布会PPT完全是两个世界：大量人工在改代码、处理异常、兜底那些AI“没见过”的边缘场景。机器在前面举着“自动化”的旗帜，人在后面拿针线补一张越织越大的网。最后账算下来，综合成本稳稳压过纯人工成本一头。
AI投进去了，结果比没投更贵。这个账之所以越算越不对劲，根源在一个统计口径的盲区上。自动化率的计算逻辑很粗暴——机器处理了多少任务、替代了多少人时。但没有人去统计，为了让这台机器不翻车，人又搭进去了多少时间。代码要人改、异常要人处理、模型漂移了要人调、上游数据变了要人兜底。而这些隐性投入在管理层看到的报表里是隐形的——它不在“AI项目成本”这个科目下，散落在运维费、差旅费、加班工时里，账面上根本看不到。巧合的是，Gartner在2025年的文章中也提到，2027年底将有40%以上的AI智能体项目因成本攀升、商业价值不明或风控不足等因素面临关停的风险。
因此，乔建文判断，AI行业接下来会进入一个跌宕期。一批企业被高自动化率的宣传和标杆案例裹挟着冲进去，预算花出去了、系统上线了，跑了两三个季度发现账根本算不平。然后退出来、冷下来之后，才会真正去思考一个问题：AI到底该落在哪些场景，哪些场景碰都不要碰。这个跌宕本身不是坏事——它是一个筛选过程，把拍脑袋上的项目筛掉，把真正能跑通业务价值的留下来。
经历过跌宕之后，市场对AI的期待会回到一个更冷静的位置上：它不是取代流程的魔法，而是加速流程变革的工具。降本增效的逻辑没有变，变的只是工具的形态。但每次新技术浪潮涌来的时候，人们总是先冲向最性感的故事，然后被现实拽回基本面。从ERP到中台再到AI，这个循环已经重复了好几次了。
三个问题
筛掉大多数“PPT供应商”
也正因踩过太多坑，面对AI供应商时，乔建文有一套自己的筛选逻辑，简单粗暴，三句话就能滤掉绝大部分的泡沫。
1.有没有真实的企业客户在用你的产品？
2.能不能去实际使用场景看一下？
3.落地之后，业务实际发生了什么变化，变化有多大？
这三个问题看似简单，但每一问都是AI落地的“试金石”，同时也流露出了乔建文内心对产品选择的三个核心考量。
第一个考量：到底有没有真实的客户？市场上不缺拿着通用指标和漂亮演示来卖PPT的供应商，概念讲得天花乱坠，一问有没有企业在生产环境里跑了半年以上，就开始支支吾吾。这是最基础的一道门槛，能跨过去就已经筛掉一批供应商了。
第二个考量：演示环境和生产环境是不是同一回事？很多供应商的demo用的是清洗过的标准化数据，跑的是理想化流程，看起来行云流水。但企业的真实业务场景充满了例外、特批、手工调账和跨系统断链，这些复杂度在PPT里是看不见的。一旦上线，漂亮曲线往往被打回原形。
第三个考量：落地之后，业务到底发生了什么变化？很多供应商翻来覆去就那几句话——“提升了效率”“改善了体验”。但效率提升了多少？体验改善在哪？是投诉率降低来了还是复购率提升了？真正跑通的项目，这些问题不但能回答，而且可以拉出前后对比数据。答不上来说明项目根本没有和业务指标挂上钩。
能闯过这“三关”的供应商凤毛麟角。即便通过了，实操上也不能一上来就全面铺开。先在试错成本低的业务流程先小范围试用，用上一两个月，基本就能看出端倪。按照乔建文的经验，筛选失败通常只有两个原因——要么技术本身的成熟度撑不起真实场景，要么供应商的方案和企业实际的业务流程根本配不上。两种情况都指向同一个结论：在签大单之前，先用小场景把水试清楚。
走到最后，终极问题其实是同一个：AI到底能不能帮企业省钱、提效、弯道超车？答案听起来有点扫兴，但不太好反驳——和所有的技术变革一样，AI不会帮你跳过基本功，它只会放大你已经有了的东西。流程清晰，AI跑得更快；数据完整，AI算得更准。流程和数据都没到位，花多少钱、上多大的模型，结果差不了多少。
麦肯锡那6%真正赚到钱的企业，不是因为买的AI更贵、用的模型更大。是因为在AI进来之前，它们的流程梳理和数据治理这两笔“欠账”就已经还清了。先有了能跑通的路，才跑得出该有的速度。
文：赢家 / 数据猿
责编：罗素 / 数据猿
来源：数据猿
刷新相关文章
我要评论
不容错过的资讯
大家都在搜
