核心要点
- 障碍在于组织、ROI、AI过剩，而非技术本身
- 缺乏授权的'AI优先'指令的局限
- 从单一用例倒推
- 本周待办：核实某一AI项目的数据权限
Capital One Software产品负责人表示，企业AI普及的障碍主要不在于技术，而在于组织运营方式、看待ROI的方式以及AI过剩问题。在2026年10月27日公开的CIO Dive采访中，产品负责高级副总裁（SVP）Prashant Prahlad表示，对许多企业而言，技术层面的考量在AI推进计划中其实只是最小的问题之一。他所领导产品管理工作的这项企业级B2B软件业务，帮助客户为AI普及做好数据准备，并协助数据转型和云迁移。他表示，经常需要向客户建议如何在组织内部凝聚共识、获取推进动力。
阻碍AI普及的三大因素是什么
Prahlad强调，组织的数据基础决定了AI能够普及到何种程度。他表示，过去几年项目失败率上升的原因并非技术局限，而是数据准备不足。在此基础上，他指出以下三项因素会损害AI推进计划：
- 组织运营：许多组织虽然收到了'AI优先'的指令，却没有被赋予执行该指令所需的权限。他补充说，这类组织往往要努力将多个利益诉求不同的团体整合到一起。
- ROI：他表示，ROI方面的难点并不在于尝试衡量本身，而在于是否具备读取准确数值所需的全部基础条件。
- AI过剩：他表示，众多供应商蜂拥而至，承诺带来广泛效果，但很多时候，把现有产品改造为适配AI的方案才是更好的选择。他说，AI在各个角落层出不穷所带来的过热现象，使得中央团队很难从噪音中辨别出真正的信号。
CIO Dive在同一篇报道中提到，相比高层管理者，普通员工对AI的不信任感更强，并且由于缺乏控制权，他们在面对自主系统时会感受到更大的个人风险。该报道还指出，大多数企业尚未能证明AI支出的合理性，而要真正进行测试，就必须将AI系统投入实际运营，并向模型提供本企业的敏感数据。报道还解释称，尽管CIO们被要求向董事会汇报AI的价值，但目前大多数企业从AI中获得的更多是洞察挖掘和决策支持方面的效果，而非成本效益或生产力的提升。
从何处入手：单一用例
Prahlad表示，先在单一用例上试验AI，可以学到许多关于普及所需条件的经验。他提出的方法如下：
- 组建由多个部门专家构成的'虎队'（tiger team），负责查找和测试数据。他表示这是一个不错的起点。
- 由IT团队确定一个用例，并以此为起点反向推进。
- 例如，先在组织的某一部分部署一个聊天机器人，然后围绕该案例分析数据准备程度、治理和安全方面的要求。
Prahlad提到的一家近期客户企业，通过这种方式审查数据后，意识到自己缺乏统一的数据战略，于是成立了一个团队，将原本分散在7个业务部门的数据管理整合起来。他表示，统一组织方向上确实存在明显的难题，但单一用例确实有助于厘清短板所在。
他表示，各组织在数据和AI普及准备上的起点各不相同，技术团队规模大并不意味着天然领先。他说，这个起点取决于AI推进的意图性以及迄今为止所接收到的指令，而那些被认为应处于AI前沿的机构，实际表现往往并不如预期领先。
对韩国企业AX的启示
在国内，如果AX项目是由管理层下达指令而启动的，首先需要审视的是该指令附带了哪些配套条件。正如Prahlad所言，如果只有'AI优先'的指令而没有相应授权，就很难将利益诉求不同的部门整合到一起。确认指令中是否包含预算、数据访问权限、跨部门协调权限，是一个很好的起点。
对于IT人力不足的组织而言，值得关注的是，他将推进意图和指令置于技术团队规模之前。业务部门较少的组织，与其照搬整合7个业务部门的客户案例，不如先从梳理某一用例所需数据分布在哪些部门、由谁管理入手。如果推进审查清单上只列出了新解决方案，那么同时比较一下对现有系统进行AI适配改造的方案，也是合理的顺序。不过，他强调数据基础的部分，也应结合他本人作为协助客户准备数据的业务产品负责人这一身份来平衡解读。
本周需要确认的事项只有一件：请选定一个正在推进的AI项目，写下该项目所需的数据位于何处，以及谁拥有调取该数据的权限。