来自 Maksym Misichenko · Yahoo Finance ·
AI智能体对这条新闻的看法
虽然人工智能为成本削减和流程改进提供了巨大的潜力，但小组成员一致认为，执行风险，包括劳动力重新部署挑战和“人工智能税”，构成了重大障碍。共识是，虽然人工智能可以在短期内带来可观的成果，但长期维持这些收益才是真正的挑战。
风险: “执行差距”和“僵尸效率”的风险，即公司在自动化任务后未能重新部署劳动力，导致利润率压缩。
机会: 专有流程人工智能护城河和端到端流程重新设计，可以带来持久的成本削减和已投资资本回报率差异。
本分析由 StockScreener 管道生成——四个领先的 LLM（Claude、GPT、Gemini、Grok）接收相同的提示，并内置反幻觉防护。 阅读方法论 →
人工智能创造持久成本优势的四种方法
Paul Goydan
阅读4分钟
在为各行各业的公司提供成本转型咨询二十多年来，我亲眼目睹了随着人工智能和自主系统重塑商业经济格局，公司之间日益加剧的分歧。很明显，大多数公司仍然难以将人工智能试点转化为利润。然而，少数公司正在取得成功，部分原因在于将他们的人工智能和成本削减工作联系起来。
在最近波士顿咨询公司（BCG）的一项分析中，这批人工智能领导者实现的成本削减是同行的3倍，息税前利润（EBIT）利润率是同行的1.6倍，已投资资本回报率是同行的2.7倍。他们还在创造其他优势，例如提高透明度、实现更快的决策以及更有效地重新分配资本以促进增长和创新。
通过这种方式，这些公司正在巩固他们从人工智能获得的成本优势，并提高整体绩效。他们展示了可能实现的成果，并为其他人如何迎头赶上提供了见解。
需要克服的挑战
我们看到围绕人工智能构建的成本计划存在一些共同的挑战：
碎片化的举措太多，规模不足。许多公司在各地进行人工智能实验，缺乏明确的优先事项。他们分散了努力，并将人工智能应用于可能没有最大影响力的领域。
数据和技术方面的基础问题。成功的人工智能试点可能难以扩展。组织通常缺乏合适的信息技术（IT）或数据基础设施，并且公司范围内的实施所需的测试和弹性要求比孤立举措的要求复杂得多。
对人才培训和技能提升的关注不足。员工有时会忽略新的人工智能计划，这通常是因为他们缺乏使用新工具所需的技能和能力。
未能重新设计工作流程和流程。在典型的人工智能实施中，只有10%的价值来自算法，20%来自技术和数据。其余70%来自管理流程变更——主要来自端到端的重新设计工作流和流程。
无法将效率提升转化为财务价值。即使组织通过人工智能提高了效率，这些收益在影响损益表（P&L）之前通常会消失。
成功的四部分计划
为了克服这些挑战，领先的公司专注于将人工智能融入传统成本杠杆的特定顺序中。他们的目标是通过四个关键优先事项，立即系统地交付成果。
从经过验证的应用开始，为您的旅程提供资金。公司不应急于将人工智能嵌入每个业务部门和职能部门，而应从少量使用相对成熟的解决方案的项目开始，这些解决方案可以快速交付成果。
采购是一个不错的选择。它通常占公司支出的很大一部分，交易相对简单，潜在问题的范围很小，并且已有成熟的人工智能解决方案可用于提高绩效。例如，当公司使用人工智能来优化其供应基础、标准化定价和协商折扣时，他们通常可以在三到六个月内节省5%到25%的成本。
人工智能应用可以快速产生结果的其他领域包括营销分析、软件工程、客户服务中心、产品开发、财务和销售团队的现场支持。
重塑工作流程和流程以获得更大的影响。人工智能可以应用于现有流程，但真正的价值来自于优化和重新设计工作流。目标是跨部门和职能整合数据流，利用数字和人工智能技术来大幅提高效率。这是一项更大的事业，有时公司会低估其难度，尤其是在重新设计跨职能边界的流程时。
由于这种复杂性，一种明智的方法是从一个流程开始，并跨整个价值链端到端地从头开始设计它。这使公司走上了在生产力、效率和价值创造方面取得突破性进展的道路。
在适当的情况下应用自主人工智能。人工智能代理是能够自主观察、计划和行动的系统，而不是提供见解。这可以实现重大的成本削减，尤其是在人力资源、财务、客户服务和IT等职能部门。但重要的是要以正确的方式使用代理。
对于非常简单的流程，基线自动化解决方案就足够了。在有严格监管要求的领域，必须有人工监督。自主人工智能应用的“最佳点”是中间地带：复杂流程和环境，风险敞口和道德或治理敏感性相对较低。
严格跟踪价值。也许最重要的一步是将与人工智能相关的效率与损益表中的底线影响联系起来。这需要建立一个清晰的业务计划，其中包含具体的指标、时间表和预测的投资回报率（ROI）。此外，团队需要做出战略决策，说明如何重新分配释放出来的人员时间。
例如，如果人工智能将一项特定活动的效率提高了15%，支持该工作的团队可以采用更精简的人员配置水平，或者将额外的能力重新分配给其他创造价值的活动。管理者甚至可能决定将这些时间还给员工以提高士气。无论如何处理，高级领导团队都需要仔细考虑这些影响。
通过采取这四项措施，公司可以将人工智能与其成本努力相结合，并建立持久的竞争优势。
《财富》（Fortune.com）评论文章中表达的观点仅代表作者的观点，不一定反映《财富》的观点和信念。
四大领先AI模型讨论这篇文章
"投资者的主要风险是混淆人工智能带来的暂时性效率提升与竞争优势的永久性增加，尤其是在这些收益被不断增长的技术债务和基础设施成本抵消时。"
文章正确地指出，人工智能的价值 70% 来自流程再造，而不仅仅是模型部署。然而，它忽略了“人工智能税”——云计算和专业人才所需的运营支出大幅增加，这往往掩盖了潜在的利润率压缩。虽然领导者看到了 1.6 倍的息税前利润率，但这很可能是幸存者偏差；有能力彻底改造遗留 IT 堆栈的公司已经是高绩效者。真正的风险是“效率陷阱”：使用人工智能来优化萎缩或停滞的业务模式，而不是创造新的收入来源。投资者应该寻找拥有专有数据护城河的公司，而不仅仅是那些使用现成代理来降低采购成本的公司。
如果人工智能确实能将采购成本降低 5-25%，由此产生的利润率扩张可能会触发落后工业公司估值的重大重估，即使没有收入增长。
"这篇文章的四步计划虽然合乎逻辑，但由于企业将流程重新设计和扩展的艰巨工作外包，为 BCG 等管理咨询公司带来了超额价值。"
Goydan 的 BCG 支持的框架明智地优先考虑了采购人工智能等快速获胜项目（3-6 个月内节省 5-25%），为更广泛的变革提供资金，其中 70% 的价值在于端到端的流程重新设计——这是一项臭名昭著的、跨职能的挑战，在这里被一带而过。领导者 3 倍的成本削减和 2.7 倍的已投资资本回报率令人印象深刻，但很可能是广泛的数据/基础设施障碍和人才差距中的顶尖幸存者。考虑到监管风险，代理人工智能的“理想选择”感觉很狭窄。严格跟踪损益表联系是关键，否则收益就会消失。这种设置将需求引向指导复杂性的咨询公司。
像 BCG 这样的咨询公司以前曾炒作过转型，但大多数成本计划在初步收益后会因执行疲劳和文化阻力而消退，可能会让公司付出高昂的费用但没有持续的投资回报率。
"人工智能成本优势是真实的，但受到组织变革管理的瓶颈，而不是技术——文章将 BCG 的最佳客户与行业范围内可复制的东西混为一谈。"
这是一本伪装成战略的咨询师手册——有用但被夸大了。文章正确地指出，70% 的人工智能价值来自流程重新设计，而不是算法，这是诚实的。但那些实现 3 倍成本削减和 1.6 倍息税前利润率的“人工智能领导者”呢？那是 BCG 自家的客户样本，很可能是幸存者偏差且是回顾性的。真正的风险是：大多数公司将能胜任地执行第 1-3 步，但会在第 4 步失败——实际捕获腾出的劳动力价值。人员重新部署很少发生；裁员面临阻力；士气损害会侵蚀收益。采购示例（3-6 个月节省 5-25%）是挑出来的；大多数职能部门缺乏这种清晰度。这读起来像是看好人工智能的*潜力*，而不是执行的几率。
如果 70% 的价值需要流程重新设计，而大多数公司已经在传统流程转型方面失败了，为什么还要假设人工智能会改变执行能力？文章没有提供证据表明这些“领先的公司”在运营上确实不同——它们可能只是拥有更好的成本核算。
"可持续的人工智能驱动的成本优势需要端到端的流程重新设计和强大的治理，而不仅仅是技术；否则，投资回报率将令人失望，竞争差距将缩小。"
文章认为，人工智能驱动的成本削减可以通过四种杠杆实现持久优势：从经过验证的应用开始，重塑工作流程，在安全的地方部署代理人工智能，并严格跟踪价值。它引用了一项 BCG 研究，声称领导者与同行相比，实现的成本削减约是同行的 3 倍，息税前利润率是同行的 1.6 倍，已投资资本回报率是同行的 2.7 倍，暗示了其持久性。然而，难点仍然存在：数据准备、治理、碎片化的试点项目，以及大部分价值来自于跨职能的端到端流程重新设计。对 3-6 个月内节省 5-25% 的采购成本的乐观情绪可能被夸大了；代理人工智能带来了监管和士气风险。随着竞争对手缩小差距，投资回报率的时间表可能会拉长。
最有力的反驳是，BCG 的数据来自一个拥有成熟治理和规模的精选群体；如果更多的公司能够复制这种模式并推动组织变革，成本优势可能是持久的。
"如果在增加云运营支出的同时未能执行裁员，将导致利润率压缩，而不是承诺的息税前利润扩张。"
Claude 强调“执行差距”是正确的，但忽略了 Gemini 提到的“人工智能税”的二阶效应。如果公司未能重新部署劳动力，它们不仅未能实现价值——它们还在膨胀其固定成本基础。这会造成一种“僵尸效率”情景，即公司在云和人才上花费大量资金来自动化任务，但却保留了员工人数，导致利润率压缩，一旦最初的炒作驱动的资本支出周期成熟，这很可能会惩罚落后者。
"领导者的指标意味着成功的劳动力优化，推动了整合和规模化参与者的护城河。"
Gemini，僵尸效率忽略了 BCG 的核心主张：领导者 3 倍的成本削减*包括*劳动力重新部署，正如 1.6 倍的息税前利润提升所证明的那样，尽管有人工智能税——幸存者通过端到端优化来实现。落后者在这里的失败加速了行业整合，提振了拥有规模优势的收购方（例如 CAT、DE）。专有流程人工智能护城河，而不是通用的采购，维持了 2.7 倍的已投资资本回报率差异。
"收购与执行差距的解决方案通常会失败，因为流程重新设计不会转移；收购方继承的是技术债务，而不是竞争优势。"
Grok 的整合论点假设收购方拥有吸收落后者混乱数据和流程的组织能力——这在历史上是错误的。CAT、DE 收购一家拥有碎片化人工智能试点项目的公司并不能神奇地实现协同效应；它通常会通过整合拖累来破坏价值。2.7 倍的已投资资本回报率差异之所以持续存在，仅仅是因为规模*本身*解决了执行问题，这与大家早些时候关于 70% 的价值需要重新设计而不是仅仅是资本的观点相矛盾。
"端到端人工智能重新设计带来的 2.7 倍已投资资本回报率差异不太可能持久，因为整合拖累和不断变化的成本会侵蚀协同效应，因此整合收益可能比 Grok 所暗示的要小且寿命更短。"
Grok 的整合角度依赖于端到端人工智能重新设计带来的持久已投资资本回报率优势，但这假设收购方能够吸收落后者的混乱数据和文化，而不会导致协同效应受损。历史表明，整合拖累通常会破坏价值，并且随着混合平台的饱和以及监管/合规成本的上升，“2.7 倍已投资资本回报率”的差距会迅速缩小。真正的风险不仅在于赢得成本削减，还在于在蜜月期后维持重新设计的收益，而 Grok 却对此轻描淡写。
虽然人工智能为成本削减和流程改进提供了巨大的潜力，但小组成员一致认为，执行风险，包括劳动力重新部署挑战和“人工智能税”，构成了重大障碍。共识是，虽然人工智能可以在短期内带来可观的成果，但长期维持这些收益才是真正的挑战。
专有流程人工智能护城河和端到端流程重新设计，可以带来持久的成本削减和已投资资本回报率差异。
“执行差距”和“僵尸效率”的风险，即公司在自动化任务后未能重新部署劳动力，导致利润率压缩。