PEC 2025 AI创新者大会年度提问：新工作时代：AI工作流由谁主导？ 原创

在企业AI落地的赛道上，有一个尴尬的现实：技术再先进，项目再前沿，AI工作流仍频繁“烂尾”；有决策权的高管不点头，连启动键都按不下去；当AI开始自我优化流程，人类指导者又是否真的可以被取代？这些问题在9月13日的PEC 2025 AI创新者大会暨第二届提示工程峰会上被拎了出来。

会上“年度提问二：新工作时代：AI工作流由谁主导？”由PEC China发起人、微软MVP、软积木CEO刘海峰主持。来自企业与技术前沿的代表齐聚一堂：百度智能云创企生态负责人张龙、中国联通智慧足迹副总裁、首席经济学家王旭阳、NVIDIA企业级软件生态负责人张海军、百望股份数字经济与金融科技研究院院长李国平，以及华硕电脑AIoT战略合作伙伴总监蔡裕正，从企业实践到技术实现、从业务落地到战略决策，展开了一场高密度的思想碰撞与经验分享，将AI工作流背后的难题和解决路径彻底揭开。

AI 工作流 “烂尾” 该怪技术？ 还是业务方需求反复无常？

在企业AI落地实践中，工作流烂尾的现象屡见不鲜。无论是技术能力不足、业务需求频繁调整，还是数据治理不完善，都可能让原本前景可期的AI项目半途而废。

百度智能云创企生态负责人张龙将问题拆解为启动前、开发中和上线后三个阶段。他指出，启动前的选题与选型至关重要，过度贪心或工具不可拓展会让项目埋下隐患；开发中要关注模型与工具的场景适配性，并兼顾安全与内容红线；上线后需持续优化、建立数据飞轮，否则项目容易草草收尾。

中国联通智慧足迹副总裁、首席经济学家王旭阳认为，烂尾问题源自业务侧与技术侧的双重因素。业务部门对AI能力边界认知过高，期望AI解决所有复杂任务；技术侧在POC阶段停留，对落地复杂性估计不足。他建议将复杂任务拆分为微服务，分级部署，确保每个环节稳健运行。

NVIDIA企业级软件生态负责人张海军强调，企业需系统性构建AI能力，将技术工具与业务价值紧密结合。AI落地应作为“一把手工程”，通过系统规划让AI融入组织架构，利用不同类型的AI软件组合解决业务问题，而非局限于单一技术。

百望股份数字经济与金融科技研究院院长李国平指出，传统企业烂尾原因主要集中在业务部门对AI预期过高、技术部门脱离业务价值以及数据治理薄弱。他强调，AI工作流需通过智能体技术灵活适配业务变革，才能避免项目停滞。

华硕电脑AIoT战略合作伙伴总监蔡裕正指出，忽视用户体验是AI工作流“烂尾”的核心原因。若功能追求大而全，而非聚焦高频刚需，往往难以获得用户长期使用。他建议企业在开发阶段就邀请小部分用户参与测试，并通过快速迭代优化产品，从而降低项目失败的风险。他强调，唯有坚持以用户体验为核心，AI工作流才能真正落地并创造长期价值。

没有高管拍板，AI 工作流为何 连 “启动键” 都按不下去？

即便技术成熟、业务价值明确，AI工作流仍可能因决策层犹豫而停滞。跨部门协同难、成本收益难量化，以及高管对AI认知不足，都是阻碍项目启动的重要因素。

“AI工作流本质是‘一把手工程’。”张龙强调，要说服决策层，需要用真实案例展示量化ROI，并通过持续布道让高管理解AI范式与传统范式的本质差异，从而主动推动项目。

王旭阳认为，决策层犹豫主要因为成本收益不明确与跨部门协同困难。AI项目属于重资产投入，涉及算力、数据和业务专家，若无法清晰核算收益，项目很难启动。同时，多部门协作难以统一调度，也会导致项目搁浅。

张海军提出，推动AI工作流需要构建完整体系，包括顶层设计、AI平台、组织协同和业务需求四个层次。顶层设计明确战略规划，AI平台解决基础设施和数据问题，组织协同确保工具被充分使用，业务需求则确保技术与真实痛点匹配。

“决策层推进AI工作流应聚焦可量化业务价值，避免盲目跟风。”他解释道，AI虽然带来技术创新和效率提升，但企业在投入前必须明确具体产出和落地场景，技术与业务部门需共同测算产出，找到真实落地场景，确保投入带来可观收益，才能获得高管认可。

蔡裕正补充道，高管在推进AI工作流时最关注的核心是数据安全与信任。如果企业无法保障关键数据的安全性，或未能建立对技术方的信任，项目往往难以启动。他强调，唯有在安全可控、成果可预期的前提下，高管才会主动推动项目落地，从而加速AI工作流的执行。

当 AI 自己能优化流程， “人类指导者” 会不会被彻底取代？

随着AI技术日益成熟，自主优化流程的能力逐渐增强。一些重复性、规则性任务可能完全由AI完成，但战略决策、复杂业务判断和风险控制仍需人类干预。

尽管AI可以优化重复性任务，但在战略规划和复杂业务判断上，人类指导者仍不可替代。张龙认为，AI能显著提升效率，但在项目设计、风险评估和跨业务流程的整合中，仍需要人类提供方向和监督。未来AI将更多作为生产力助推器，帮助人类更快完成数据分析和决策执行，而不是完全替代人类判断。

王旭阳指出，AI自主优化能够减轻人工操作负担，提高常规任务处理效率，但在跨部门协调、业务优先级设定以及复杂经济预测等环节，人类的判断和经验仍不可或缺。企业应合理划分AI与人工的边界，让AI承担可重复、可量化的任务，而将核心决策保留给熟悉业务全局的人类。

张海军强调，AI在工作流中的自优化潜力必须依托完善的数据治理和流程体系，否则优化效果有限。他补充道，AI虽然可以自主完成部分流程迭代，但企业仍需建立监控机制和反馈环路，让人类在异常处理和战略目标调整中提供指导，确保AI输出与业务目标一致。

“AI优化能够显著提升规则性任务效率，但企业决策、业务优先级设定及异常处理仍需人类把控。”李国平认为，企业应将AI用于可量化、重复性强的环节，同时确保关键节点由人类监督，以避免技术自嗨或偏离业务目标。

AI 能在特定场景中快速迭代并优化用户体验，但在人类的战略决策、信任建立与风险把控上仍不可替代。蔡裕正建议企业探索“人类指导 + AI 自优化”的混合模式：让AI承担高频、重复性的自动化任务，而关键决策依旧由人类掌舵。唯有如此，才能确保技术落地真正转化为业务价值。

从烂尾原因到启动难题，再到AI自优化趋势，企业若能实现技术、业务和决策层的协同，就能在新工作时代抢占先机。对于正在探索数字化转型的企业而言，这不仅是一份直接可落地的实践指南，也是未来AI应用的参考蓝图。