Adam Nahari：让 AI 试点产生财务影响的六个行动

我是 Adam Nahari。要理解 AI 转型，可以先看看一家大型货运航空公司的排班台：飞机发生故障后，调度员只有 15 分钟重新安排机组，需要人工核对休息规定、资质和飞行员位置。他可能只找到一个合规方案，未必最便宜；也可能找不到方案，只能依靠额外薪酬解决问题。机组是航空公司仅次于燃油的第二大成本。

AI 工具已经得到广泛使用，但企业报告显著财务影响的情况少得多。我引用的数字是：超过 55% 的美国成年人在三年内用过生成式 AI，近 90% 的企业在至少一项业务中使用 AI，但只有 6% 报告显著的息税前利润影响。人们确实节省了时间，我认为其中很少转化为损益表上的变化。这些是演讲中引用的数字，不能代表每个项目的结果。

在我主导或近距离观察的转型中，工程只是较小的一部分。我的心智模型是：每一份工程工作对应五份变革管理工作。选择问题、获得支持、推动采用和衡量影响才是主要投入所在；随着模型变好，我预计工程所占比例还会缩小。

我把企业 AI 分成三层。通用生产力工具帮助个人，但当所有人都能使用时，竞争可能让收益体现为价格下降，而非利润率提高。领域专用助手和检索系统帮助团队利用企业知识；核心运营 AI 则嵌入构成企业业务的流程，例如航空公司的机组排班。

我认为，核心运营改进很难直接购买现成方案，因此收益更有可能保留在利润率中。幻灯片引用 McKinsey 调查称，报告 AI 对息税前利润产生重大影响的公司，重新设计工作流的可能性超过其他公司的三倍。我用这一观察引出六个行动，并非声称重新设计一定带来特定回报。

第一，只挑一两个问题，而不是同时做 40 个试点。从财务指标倒推：对航空公司来说，航线代表需求，飞机代表供给，维护带来约束，机组带来成本，这些共同影响 EBITDA。机组成本足够重要，因此我们选择一个有望显著改变结果的项目。

好的问题应当影响 CFO 能识别的财务项目，并且能相对事先约定的基线衡量；技术和数据基础设施要准备好，数据也应由公司拥有。还需要一个有名字的用户，而非仅仅一个部门，愿意推动项目；它也应排在 CEO 的前五项优先事项中。

第二，重新构想整个流程。仅给调度员一件更快的工具，只会带来渐进式改进。在航空公司案例中，更大的改变是建立优化引擎：综合所有约束，列出可能方案并按成本排序，一分钟内完成。

这需要整合航班、机组和维护数据，建立优化引擎，并为调度员提供决策支持应用。但工程仍是较小的工作，更大的任务是让人真正采用新的工作流。

第三，从 CEO 开始。在投入资金前，我会问：CEO 是否公开承诺把它列为公司优先事项？没有这种承诺，项目容易遭遇日程冲突、试点延迟和耗时数周的数据请求。损益负责人、CFO 和 CTO 都会根据领导层态度行动，而这种一致性也需要持续维护。

第四，与业务团队共同建设。在航空公司，机组排班副总裁是转型的共同发起人。我们从第一天就让调度员中的推动者参与设计：他们隔天与工程团队开会，共同设计界面，参与 A/B 测试，并向同事推广。因为参与了建设，他们更愿意采用。

我们还招聘了首席信息官、数据与 AI 副总裁，以及数据科学高级总监，他们同时具备技术和航空领域经验，能够理解调度员的工作并围绕其需求设计工具。组织方面的投入超过了技术投入。

第五，让大家亲自使用工具。在一次高管工作坊中，四分之三的参与者在那一周之前从未使用过 AI 工具。我认为，不亲自使用 AI，就很难可靠地重新设计相关工作流；动手实验是建立价值判断和发现应用场景直觉的最低要求。

第六，在试点前设定终止指标，让 CFO 跟踪结果。这个项目每个阶段有 90 天的时间门槛：看不到价值就停止。我们还针对事先约定的基线做 A/B 测试，并设立采用率门槛，要求超过半数机组调度员使用该工具。

我们还与 CFO 一起核算：项目扩大规模后的成本，包括计算、token 和参与人员，是否显著低于它创造的价值。很多试点通不过这一经济性检验。工具人人可用，但把模型融入运营并真正持续使用的能力，可能形成差异。

再回到那位调度员：过去需要 15 分钟寻找一个答案，如今不到一分钟就能找到。关键是选择对财务有意义的问题，重新设计工作流，让领导层和用户保持一致，并衡量改变是否真的带来结果。