| AI模型越來越強，企業生產力為何沒有同步提升？從歷史上的技術變革到今天的企業實踐，模型能力與經營價值之間，仍有一段需要通過流程與組織調整來跨越的距離。 2026年9月16日，由香港大學CAMO AI落地實驗室發起，聯合華興資本、深圳科創學院舉辦的「AI in Action·落地有聲——2026 AI產業落地研討會」在香港大學經管學院深圳校區舉行，圍繞AI如何進入真實業務、從試點走向規模化展開交流。 研討會發起人、港大經管學院管理及商業策略學副教授、AI落地實驗室主任王培淳教授在「企業AI落地：從試點到規模化」主題分享中提出，模型能力的提升，並不意味著企業能夠自動獲得相應的生產力提升。如何跨越兩者之間的距離，是這場研討會關注的核心問題。 |
一邊討論AI是否失控，一邊還在摸索如何用起來
在開場中，王培淳教授把兩個相距甚遠的AI話題放在了一起：一邊，是前沿研究者對AI可能導致人類滅絕的警告，以及放慢前沿模型發展的呼聲；另一邊，則是本次大會報名問卷中的一個數字——55%。
在參與本次報名問卷的企業中，55%仍處於觀察評估或試用AI工具的階段，22%已在具體業務場景中開展試點，23%進入規模化應用或系統性佈局階段。一邊已經在擔心AI的能力超出人類控制，另一邊卻有超過一半的填答企業還在摸索怎樣把AI用起來。
未來的安全風險，與今天企業的應用困難，可以同時存在。王培淳教授強調，模型能力並不等於企業生產力，而兩者之間的距離，正是本次研討會希望討論的問題。
王培淳教授指出，即使AI技術從今天起停止發展，很多企業仍需要數年時間，才能將現有能力真正融入業務流程。反過來看，這也意味著，即使不等待下一代模型，充分吸收今天已經可用的技術，也有可能帶來明顯的生產力提升。
但這段距離值得跨越，因為技術真正進入生產流程後，可能帶來的收益十分可觀。王培淳教授在演講中援引Anthropic經濟團隊的情景推演：在其「顯著變化」與「極端變化」情景下，2030年美國GDP相較於無AI基準分別高出8.3%和32.4%。
從蒸汽機到AI：技術突破為何不等於生產力提升
回看歷史，重大技術突破與生產力收益的顯現之間，往往存在時間差。王培淳教授在分享中以蒸汽動力、電力和個人電腦為例，分別用約60年、40年和15年的時間尺度，說明技術突破轉化為生產力所經歷的滯後。不同技術的計時起點和衡量口徑有所不同，但這些比較指向同一個問題：企業需要時間學習如何重新組織工作，才能充分發揮新技術的作用。
AI的發展可能比過去的技術革命更快，但企業面對的挑戰有相似之處。新的工具出現後，原有的工作方式未必仍然適用；技術能做什麼，與企業應當怎樣使用它，是兩個不同的問題。
在王培淳教授看來，企業首先需要思考，更強大的工具究竟應該用來創造什麼。如果生產成本降低了，最終創造的產品和服務卻沒有被用戶使用，技術的價值仍然有限。其次，企業需要重新設計工作流程，調整人與AI之間的任務分工，而不是簡單地把原有流程中的瓶頸轉移到其他環節。
代碼改動量約25倍，版本發佈量為何只增加約30%
軟件開發提供了一個直觀例子。王培淳教授引用了沃頓商學院、麻省理工學院等機構研究者開展的一項研究：對多代AI編碼工具的累計效果估計顯示，在研究樣本中，代碼改動量約為基準水平的25.5倍，但軟件版本發佈量的增幅約為30%。
寫出更多代碼，並不等於交付更多可用的軟件。討論、審查、整合、測試與發佈等環節仍然需要處理新增產出。如果這些環節沒有同步調整，前端的效率提升就難以完整傳遞到最終交付。
同一研究對四個軟件應用市場的觀察還發現，在研究期內，新增應用數量明顯增長，但這些新應用的總體用戶使用量並未相應增加。從寫出代碼到發佈產品，再到產品被用戶使用，每一步都可能出現新的約束。
這一案例並非否定AI的價值，而是提醒企業，不能把某個任務的提速直接等同於整個業務的提升。企業既要思考如何打通流程，也要判斷最終產出是否真正滿足需求。
給員工配備AI助手，與讓AI直接接手既有工作，並不是同一種組織安排。王培淳教授進一步指出，如果工作流程不變，直接讓AI接手任務，反而可能增加檢查和糾錯的負擔；重新設計流程、分配人與AI的工作，才可能獲得更大的效率提升。關鍵不只是把技術放進流程，而是重新思考流程本身。
企業的難點，不只在模型本身
本次大會的報名問卷也把這些困難具體化：數據與系統打通、投入產出評估、團隊組建與招聘、業務場景選擇、業務與技術協同，都是本次大會中企業提到的AI落地難點。企業面臨的不是單一的工具問題，而是從數據、人才到業務判斷與組織協作的一組實施難題。
圍繞這些問題，實驗室將企業應用方、科技大廠、垂直AI公司、研究者與投資人匯聚到同一場研討會：既交流已經落地的經驗，也討論尚未解決的難題，讓不同領域的實踐者從彼此的經歷中尋找啟發。
從真實業務場景中，觀察流程與組織的變化
過去一年，AI落地實驗室在與企業的合作中，接觸到工業設計、基礎設施等專業場景，也有銷售、營銷、AI生成短視頻內容，以及法務、財務、採購等通用業務中的應用。一些企業開始通過內部流程設計，將企業經驗「蒸餾」為支持自主決策的系統；多模態模型與物理AI也在拓展應用的邊界。王培淳教授希望，本次研討會能夠促進這些經驗的交流，推動更多具體、實際的落地案例出現。
案例交流走向真實任務對接
除了交流已經落地的實踐經驗，實驗室也希望進一步聚焦企業尚待解決的真實任務。王培淳教授介紹了由實驗室牽頭的「企業AI任務收集計劃」：與企業一起梳理需求、明確任務，再將合適的任務對接給學生、專業技術團隊或開源社區，讓企業需求與人才資源形成更直接的連接。實驗室已經與魔搭社區開始了相關方面的合作。
他同時表示，研討會不是終點。實驗室將繼續組織小型閉門交流，既討論成功案例，也分享實踐中遇到的問題，讓當天的交流延伸到持續的企業實踐與研究之中。
從前沿AI的快速演進，到企業仍在摸索的日常應用，技術潛力與現實生產力之間的反差，既是挑戰，也意味著尚未兌現的機會。如何把已有能力真正融入業務，重新組織工作，並讓產出創造價值，是王培淳教授及其帶領的AI落地實驗室持續關注的方向。
希望推進AI應用的企業，歡迎與香港大學CAMO AI落地實驗室圍繞真實業務任務交流合作，尋找合適切入點，把技術能力轉化為可落地、可檢驗的實踐。
王培淳教授為港大經管學院管理及商業策略學副教授、香港大學 CAMO AI落地實驗室負責人。
（本文由港大經管知識交流團隊根據王培淳教授在「AI in Action·落地有聲——2026 AI產業落地研討會」上的分享整理，並經王培淳教授審閱修訂。）