2030 年
企业展望：
为持续创新而生
2
关于
作者
Andy Baldwin
IBM Consulting 全球产品与增长管理合伙人
Andy Baldwin 通过 AI 赋能的产品组合、生态协作与
市场执行，驱动业务实现盈利增长。凭借三十年领导
经验，他在大规模转型、多元文化团队管理以及构建
可量化客户价值的解决方案方面具备深厚积淀。
Neil Dhar
IBM Consulting 美洲区全球管理合伙人
Neil Dhar 拥有三十年咨询从业经验，擅长推动业绩
增长、深化战略客户合作、引领行业转型。 他在商
业战略、价值创造及应用混合云、AI 等新兴技术助
力组织大规模转型方面具备深厚见解。
Ritika Gunnar
IBM Software 数据事业部总经理
Ritika Gunnar 在 IBM 拥有超过十年领导经验，专注
于产品研发、技术服务管理以及推动数据、AI 与自
动化领域的客户成果交付。 她具备深厚的产品开发
背景和以客户为中心的创新理念，擅长帮助组织落
地数据驱动型解决方案，应对复杂业务挑战。
Rahul Kalia
IBM Consulting 英国和爱尔兰区管理合伙人
Rahul Kalia 负责全球重要市场的端到端业务与技术
咨询。他曾领导全球转型项目、云与组织应用服务
以及高效团队，拥有深厚经验，助力客户借助混合
云、数据与 AI 驱动的工作流加速转型。
Rahul Kalia, Managing Partner, IBM Consulting, United Kingdom & Ireland
Rahul is responsible for delivering client value and leading business performance of IBM
Consulting in UK & Ireland. Our mission is to support our clients drive enterprise transformation
with industry specific solutions, enabled by hybrid cloud and AI. IBM UKI Consulting Services
scope covers Finance & Supply Chain, Customer Experience, Talent Transformation, Hybrid Cloud
Services, Data Transformation, Application Development & Management, and Business Process
Outsourcing Services across all industries.
Rahul is a highly experienced senior executive with a successful track record of building strong
partnerships with clients, developing high performing teams and establishing long-standing
relationships with ecosystem partners. Rahul is passionate about diversity & inclusion and
fostering a work environment that is conducive to personal and professional growth.
He has lived and worked extensively in US, Europe and Asia, leading complex global business
transformation and outsourcing programmes for our clients in industries across Public Sector,
Industrial Products, Travel & Transportation and Consumer Packaged Goods.
In his previous role, Rahul was the Global Managing Partner of Enterprise Cloud Applications
Consulting Services, where he had the leadership responsibility for helping our clients build
business platforms and enterprise-wide intelligent workflows with SAP, Microsoft, Oracle and
Workday applications, enabled by Cloud, Data and Cognitive solutions. Earlier, Rahul was the
Managing Partner for Cognitive Process Transformation Services, IBM Europe. He was responsible
for consulting services across Europe for AI, Data Platforms, Blockchain, IoT, Robotics, Process
Advisory and Next Gen BPO Services.
Rahul received his Master’s Degree in Industrial Engineering from Texas A&M University. He
started his career at EY Business Consulting in New York as a Process Improvement Consultant
and moved to Price Waterhouse Management Consulting after a few years. He joined IBM as part
of PwC Consulting acquisition in 2002. He moved to the UK in 2007 to support clients across
Europe.
Rahul currently lives in London with his family. Outside of work, he enjoys golf, swimming, cricket
and fitness training.
2
3
James J. Kavanaugh
IBM 高级副总裁兼首席财务官
Salima Lin
IBM Consulting 战略、转型、并购与
思想领导力（IBV）管理合伙人
James Kavanaugh 负责全球财务管理、企业战略与
转型。他在 IBM 任职近三十年，曾担任财务与运营
领域多个高级职位，助力企业应对技术、运营模式
及市场动态的重大变革期。
Joanne Wright
IBM 转型与运营高级副总裁
Joanne Wright 以“零号客户”（Client Zero）推动
IBM 整体转型，不仅达成了 45 亿美元成本节省，
还成功验证了 AI 与混合云技术在提升运营效率、催
化创新机制及加速业务增长方面的实际价值。她全
面负责 IBM 运营、采购、信息技术、数据与分析及
全球地产管理，并以此推动了公司整体工作模式的
转型。
Salima Lin 负责咨询战略、并购及 IBM 商业价值研
究院的相关工作。她具备超过 25 年的战略与转型实
战经验，深耕创新孵化、商业模式设计，并擅长引
领企业应对复杂的技术驱动型转型。
4
目录
前言 5
摘要 6
预测 1：
竞争高压下，大胆投入成为必然选择。 12
预测 2：
今日生产力提升，实为明日行业转型蓄力。 20
预测 3：
顶尖 AI 将量身定制，成为独有智慧引擎。 30
预测 4：
AI 不会替你完成所有思考。 38
预测 5：
量子计算将引发下一次范式变革。 48
5
前言
AI 为先优势，
需要定制化技术
AI 将不仅是商业模式的革新者，到 2030 年，它将成为商业模式本身。
纵观各个行业，趋势已然明朗：AI 正重塑公司的业务范畴与运营方式。然而，
一个显著的认知盲区依然存在⸺79% 的高管表示，到 2030 年，AI 将对其营
收产生重大贡献，但仅有 24% 的高管能清晰描绘这些营收的具体来源。这种预
期与成果之间的差距，构成了现今领导者面临的核心挑战。
路向未明，赢家不追优势，唯以代码铸之。
组织需要与自身深度适配的技术体系，包括数字代理、AI 模型与专有数据。依
赖通用算法和现成代理，难以拉开差距。竞争对手无法复制的 AI 能力，才是组
织的真正优势与回报来源。唯有将组织的知识产权与专有数据注入业务全链
条，才能真正突破传统边界，构建全新的市场生态与营收体系。这便是组织持
续迭代、不断颠覆既有模式的有效路径。
组织需要的不是在现有工作方式上“加装”AI，而是转向以 AI 为先的组织形
态。目前，超半数（57%）高管已意识到，至 2030 年，核心竞争力主要源于
AI 模型的精密度。人才依然不可或缺，但即便是最优秀的团队，组织也必须打
造差异化技术，才能在 AI 为先的时代中获得竞争优势。
各行各业的领导者们逐渐意识到，未来的商业生态将是人与软件的紧密协作⸺
并且是大量软件的深度融合。凡是能被自动化的流程，必将走向自动化；凡是
需要人的岗位，也必将因具备学习与自适应能力的智能系统而重新定义。但真
正的优势，将源于企业如何设计和协调数千个与员工协同工作的 AI 代理，且每
个代理都与企业的目标、文化和竞争优势高度契合。领导者必须思考：在哪些
环节应由 AI 赋能于人，在哪些环节又该由人引导 AI ？真正领先的组织，必将重
构人机协作模式，实现 1+1>2 的协同效应。
未来十年的领先者，将属于那些能让 AI 深度理解业务逻辑、承载组织文化、并
持续提升员工专业能力的组织，而非仅仅依赖技术堆砌或人力精简。
具体来说，在实践中该如何落地？接下来的内容提出五项核心预测，揭示 2030
年最具竞争力组织的核心特征，同时为决策者提供切实可行的行动指南，助力
他们把“AI 为先”战略转化为转型成功的实践路径。
Mohamad Ali
IBM 咨询高级副总裁
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
6
如今，大多数组织仍在沿袭常规模式：将 AI 强行嫁接至现有
流程，以实现任务自动化和工作流程优化。此类做法虽能带
来渐进式改进，却难以形成颠覆性影响，并且从根本上偏离
了关键方向。
未来的组织不能只满足于优化既有流程。在 AI 驱动的全球经济新格局下，制胜
关键在于实时决策与动态调整。实现这一目标需要对组织进行重构，从单一封
闭的架构转向模块化、可组装的形态，从硬件般的固化转向软件式的灵动。
试想软件何以如此强大：局部可重构，整体可持续；功能迭代能按小时乃至分
钟为单位规模化推进，而非以年计缓慢演进。当 AI 将这些能力深度融入组织体
系，静态架构将演进为动态智能，刚性结构将让位于柔性适应。
一种更智能的组织形态由此浮现。传统组织依赖于固定流程、线性决策与阶段
性复盘，而未来的组织将转型融入其运营基因。组织将每次交互、每项交易与
每个结果转化为学习燃料，持续提升智能水平、响应速度与适应能力。
更智能的企业曙光破晓
摘要
“‘资源优化’这一概念已经过时。生成式 AI 带来的变革，
其深远意义不亚于互联网的崛起。”
Akiyuki Ui
瑞穗银行，运营官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
77
这正是“AI 赋能”与“AI 为先”的本质差异。更
智能的组织以持续市场分析与实时策略调整，取
代季度战略复盘；以按项目需求和个人绩效动态
评估和部署人才，取代年度绩效评估；以自动化
测试新营收来源，取代固化的盈利模式；以“永
续在线”的敏捷状态取代僵化的运营节拍。
这并非遥不可及的理想图景。IBM 商业价值研究
院（IBM IBV）研究表明，这一转型已拉开序幕。
我们与牛津经济研究院携手合作，于 2025 年第
三、第四季度对 2000 名高管开展了调研，了解他
们对本组织未来五年演进方向的预期。来自全球
33 个国家和地区、23 个行业的企业高管反馈表
明，运营实践与战略假设正经历一场深刻的系统
性重构（详见第 56 页：“研究方法”）。
其中一项突出洞察为：到 2030 年，技术将化解当
今组织面临的诸多顽固挑战。例如，67% 的高管
预计，AI 将突破当前制约组织发展的资源与技能
瓶颈；64% 的高管认为，竞争优势将源于创新而
非资源优化（见图 1）。
“到 2030 年，洞察将无处不在。交互界面将彻底重塑，
AI 将成为商业智能系统、决策引擎和运营参与者。”
Chad Gates
Pronto Software ，总经理
“我们的营销团队与研发部门深度协同，将增长逻辑融入产
品内核，而非停留于外部推广。到 2030 年，所有杰出负
责人都会采取这种模式，统领跨职能团队，让‘产品构
建’与‘市场销售’的边界自然消融。”
Alex Schultz
Meta，分析副总裁兼首席营销官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
8
图 1
到 2030 年，技术将化解当今组织面临的诸多长期挑战Figure 2
Executives are banking on the unknown.
And
67%
64%
of executives expect AI to
eliminate the resource and
skills constraints that
currently hold their
organization back.
say competitive advantage will
come from innovation rather
than resource optimization.
的高管预计，AI 将突破
当前制约组织发展的资
源与技能瓶颈。
的高管认为，竞争优势将
源于创新而非资源优化。
此外，
64%
67%
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
9
因此，高管们计划重新分配投资重点。他们预测，2025 年至 2030 年间，AI 投
资将激增 150%。1 目前，近半数（47%）的 AI 支出集中于效率提升，而到
2030 年，62% 的 AI 支出将专用入产品、服务及商业模式创新。这揭示了一个
关键现象：在更智能的组织中，效率优化与创新突破本质上已融为一体。
在这一背景下，产品与服务创新跃升为 2026-2030 年间组织发展的首要关注
点，其在《2025 年 CEO 调研》中仅排第三位。2 商业模式创新与市场份额增长
虽仍非首要任务，但相较 2025 年其优先级已有所提升（见图 2）。
这表明在短期内，领导者将优先聚焦产品与服务组合的内部变革，却暂缓了
向“AI 为先”型组织转型所进行的结构性变革。究其原因，是组织当下缺乏规
模化转型的资源，还是管理层对未来商业模式仍感迷茫，只能将根本性问题推
迟解决？无论如何，时间已不容等待。
领导者还预计，部分当前备受关注的战略重点，在 2030 年的重要性将有所降
低。例如，生态系统和网络安全这两项的排名都有所下滑。这并非否定其价
值，而是意味着这些能力将逐渐转化为组织标配。当这些能力内化为组织基
因，组织便能更专注于新兴技术的前沿探索。
“在日益数字化的世界中，奢侈品消费者将更看重人际连
接 ⸺ 因为这将成为一种稀缺的奢侈品。”
Tina Edmundson
万豪国际集团，奢华业务总裁
“到 2030 年，传统竞争格局将在制定全球标准、加速创新
的协作生态中逐渐消融。胜出的将是生态系统，而非孤
军奋战的企业。”
Susana Meseguer
Repsol，数字化与服务，执行董事总经理
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
10
图 2
最高管理层战略重点
Figure 1
Top C-suite priorities
Product and
service innovation1
Productivity or
efficiency/profitability2
Speed of
execution3
Constituent/Customer
experience4
AI and technology
modernzation5
Scalability of
service delivery6
Forecast
accuracy7
Market share
growth8
Talent recruiting
and retention9
Business model
innovation10
Marketing or sales
effectiveness11
Cybersecurity and
data privacy12
Supply chain
performance13
Environmental
sustainability14
Diversity and
inclusion15
Ecosystem and
partnerships16
Forecast
accuracy 1
Productivity or
efficiency/profitability 2
Product and
service innovation 3
Cybersecurity
and data privacy 4
Constituent/Customer
experience 5
Talent recruiting
and retention 6
AI and technology
modernzation 7
Environmental
sustainability 8
Ecosystem and
partnerships 9
Supply chain
performance 10
Scalability of
service delivery 11
Marketing or sales
effectiveness 12
Diversity and
inclusion 13
Market share
growth 14
Business model
innovation 15
2025 2026-2030
Source for 2025 priorities: IBM Institute for Business Value 2025 CEO Study.
预测准确性
生产力或效率 /
盈利能力
产品与服务创新
网络安全与
数据隐私
服务对象 /
客户体验
人才招聘与留存
AI 和技术现代化
环境可持续性
生态系统与
合作伙伴关系
供应链绩效
服务交付的
可扩展性
营销或销售成效
多元化与包容性
市场份额增长
商业模式创新
产品与服务创新
生产力或效率 /
盈利能力
执行速度
服务对象 / 客户体验
AI 和技术现代化
服务交付的可扩展性
预测准确性
市场份额增长
人才招聘与留存
商业模式创新
营销或销售成效
网络安全与数据隐私
供应链绩效
环境可持续性
多元化与包容性
生态系统与
合作伙伴关系
2025 2026-2030
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
2025 年优先事项数据来源：IBM 商业价值研究院《2025 年 CEO 调研》。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
11
未来五年 AI 将进化出何种能力，今天已难描摹。构建一个面向未来的组织，意
味着必须适应技术驱动的持续变革：告别渐进优化的舒适区，转而追求与算法
迭代同步的持续进化。除此之外的任何路径，终将沦为被动追赶。
本文基于专有的量化研究，并结合对部分高管层成员的深度访谈，提出面向
2030 年的五大关键趋势预测，为领导者提供可落地的行动指引，助力构建未来
更智能的组织。
“我们需要更多既了解业务又了解 AI 模型的问题解决者⸺
能够将技术能力与商业洞察力相结合的人。这正是我们
组织和所有组织都将面对的共同未来。”
Umang Dharmik
梅赛德斯-奔驰印度研发中心（MBRDI）
高级副总裁兼 IT 主管
量子计算将引发下
一次范式变革。
竞争高压下，大胆投入
成为必然选择。
今日生产力提升，实为
明日行业转型蓄力。
顶尖 AI 将量身定制，
成为独有智慧引擎。
AI 不会替你完成所
有思考。
1.
2.
5.
3. 4.
11
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
1212
竞争高压下，
大胆投入成为必然选择。
预测 1
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
13
图 3
高管们正将希望押注于未知之上
Figure 2
Executives are banking on the unknown.
Option 2
到 2030 年，
的高管表示， AI 对其组织
收入贡献显著增加。
但只有
的高管能清晰描绘这些
收益的具体来源。
24%
79%
到 2030 年，衡量组织成功的评判标准不再是能否在长期规划
下的稳健前进，而是能否在每个季度持续重塑行业规则。彼
时最大的风险已非决策失误，而是投入与变革的力度不足。
如何才能把渐进式进步转化为指数级增长？首先要敢于拥抱未知。79% 的受访
高管预计，到 2030 年 AI 对其组织收入贡献显著增加，而当前只有 40% 的高管
认为 AI 正在推动营收增长。但与此同时，只有 24% 的高管能清晰描绘这些收
益的具体来源（见图 3）。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
14
“到 2030 年，我们企业或将推出今日技术条件下，尚
无法想象的产品与服务。届时半数营收将源于全新的
业务形态。”
Maureen Power Sweeny
RapidScale 首席营收官
“AI 正在削弱传统巨头的固有优势。如今初创公司可以在与
大型企业相同的规模下运营，但行动速度更快，这使它们
具备真正颠覆市场的能力。”
Aaron Levie
Box 公司，联合创始人兼首席执行官
这种前景的不确定性并非源于想象力的匮乏，而是“AI 悖论”的直接显现。充
分释放潜能时，AI 能构建差异化竞争力；若仅将其视为工具依赖，反而会加剧
行业同质化。目前，已有三分之二的高管担忧，AI 正在催生趋同效应，导致许
多组织基于相同数据做出雷同决策。
调研显示，决胜 2030 年将依靠创造力、决断力与执行速度的三重驱动：55%
的高管表示，2030 年的竞争优势将更多取决于执行速度，而非完美决策。高管
深知，他们必须在信息更不完备的情况下，更快地作出更大胆的战略押注。
未来组织的战略重心将转向开拓未知市场、构建全新收入模式与突破传统商业
框架，这与当前侧重风险评估的决策逻辑存在本质差异。以航空业为例：随着
全球首家 AI 原生航空公司投入运营，传统航司已面临商业模式革新的迫切需
求。3 一旦消费者感知到更贴合自身需求的产品服务，市场压力将迅速加剧⸺
这将推动全行业进入系统性重构阶段。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
15
“我们利用技术与客户建立更紧密的连接，连接越紧密，
竞争力就越强。”
Estrella Botas
Unicaja，首席运营官
率先拥抱不确定性的组织，其发展速度将大幅领先同行。分析表明，到 2030
年，积极转向 “AI 为先”运营模式的组织，其生产力预计将比同行高出 70%，
流程周期缩短效率高出 74%，项目交付时效改进幅度高出 67%。这些组织更确
信 AI 能打破资源与技能的固有瓶颈，更注重以创新驱动增长而非存量优化，并
更积极布局尚未提供的产品和服务以开辟新营收来源。
这不仅是战略挑战，更是运营体系的革新。为实现快速响应，组织必须建立聚焦
成果的试错文化：快速上线最小可行产品（MVP），持续迭代并追踪效果，据此
判断哪些产品可规模化以创造最大价值。同时需要构建稳定的合作生态，吸引能
支撑 AI 为先组织敏捷需求的合作伙伴。此外，还需基于组织专有数据优化 AI 模
型与能力，并部署能够实时获取最新信息、伴随数据流同步学习的智能体。
真正的领先组织不仅赢在速度，更赢在全新运营模式。当行动迟缓的企业完
成一个完整的研发、测试和交付周期时，这些领先企业可能已经完成了多轮迭
代 ⸺ 在每一轮中学习、适应和改进。这种复利效应是传统企业无法企及的，
且每一次加速迭代都会让竞争优势呈指数级扩大。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
16
真正更智能的组织能够将速度转化为认知能力，通过每一
次交互持续获取数据，从而更清晰地理解有效策略、无
效尝试与未来方向。它始终在线，不断自我调整。
每一次加速交付都会催生新的客户反馈，每一道缩短的流程都在揭示运营洞
察。在未来五年，随着 AI 不断进步，变化将愈加剧烈。真正更智能的组织能够
将速度转化为认知能力，通过每一次交互持续获取数据，从而更清晰地理解有
效策略、无效尝试与未来方向。它始终在线，不断自我调整。
至 2030 年，单纯的敏捷与精益已不足以支撑竞争力，因为这些概念预设了明确
的优化目标。未来的成功源于构建具备清晰责任机制的企业智能系统，使其能
够识别规律、预判变化，并赋予决策者足够的信心，以便在竞争中做出更富远
见、更具魄力的战略选择。这同时引发对 AI 如何重新定义领导力的思考。例
如，高管们预计，到 2030 年，将有 25% 的企业董事会配备 AI 顾问或 AI 共同
决策者。如何界定这些“AI 董事会成员”应当扮演的角色？决策流程又需要如
何演进？这些都是高管们面临的关键问题。
战略性大举投入并非取消安全保障。风险控制与多元化策略仍然不可或缺。关
键在于能否提出精准问题，并借助 AI 实现实时反馈，从而获得明确的行动指
引，在正确方向上快速推进。
在行业格局可能以季度为单位被颠覆的时代，以机器级的响应速度运行并非盲
目冒进，而是基于实时市场洞察的智能风控体现。2030 年的领先组织不会被动
适应变化，而是主动定义行业变革的轨迹。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
1717
“到 2030 年，我们终将实现那些曾受制于高昂成本而难以
盈利的商业构想，并将打造出唯有借助 AI 语义理解才得
以存在的全新产品形态。”
Alex Schultz
Meta，分析副总裁兼首席营销官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
1818
敢于押注前景广阔却尚未成为主流的构想，即使其与当前核
心业务关联较弱。
建议首先构建 AI 驱动的市场动态分析系统，对可能预示未来
增长的关键信号设置智能预警。利用洞察分析，提前预判并应
对竞争对手尚未公开的策略动向。继而，主动解构自身商业模
式与收入结构，系统性识别脆弱环节与结构性重构机遇。
以快速实验对新想法进行压力测试，识别优化点、重组流
程、构建 MVP，并以可控的方式部署，以明确哪些机会应该
被规模化。同时应构建试错文化，将每次失败转化为组织学
习的机会。
行动指南
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
1919
行业案例
电信
唯快不破，以速制胜
电信行业正站在决定下一个十年的十字路口。
一边是渐进优化⸺聚焦网络优化、客服自动化、从现有运营中榨取效率收益；另一边是转型⸺着
力构建全新商业模式、推动跨行业协作并开辟前所未有的收入来源。
电信行业高管对发展路径已达成清晰共识：67% 的高管预计，AI 将颠覆现有商业模式或创造全新商
业模式。同时，他们能够清晰预见 2030 年主要收入来源的比例，相比其他行业高出 20%。
对电信行业领导者而言，速度优于完美：近三分之二（64%）的受访者认为，成功更取决于执行速
度，而非每项决策的绝对正确。目前，电信行业 46% 的 AI 相关支出聚焦于效率提升，如网络优
化、预测性维护和自动化支持。到 2030 年，产品创新与商业模式创新预计将占据约三分之二的 AI
支出。数据背后的信号明确：电信行业正从降本增效转向价值创造。
这在实践中如何体现？不妨以数字孪生与 AI 代理结合的效果为例。电信运营商不仅能对网络承载力
进行“沙盘推演”，还可对创新服务开展全流程虚拟部署。在产品面世前预先模拟用户体验，既能
大幅缩短开发周期，又能精准提升满意度。当 AI 销售代理感知到用户行为变化时，可实时启动精准
交叉销售，实现从数据洞察到收入转化的闭环。
真正的增长机遇存在于传统电信边界之外。跨产业协作正催生五年前尚未出现的营收模式：智慧城
市基础设施、AI 驱动的远程医疗网络，以及模糊虚实边界的沉浸式媒体平台。电信企业作为连接
人、数据和设备的可信纽带，不仅仅是这些新兴市场的参与者，更是其组织者。
这种定位优势不会永远持续。云服务商、科技巨头与灵活的初创组织正竞逐同一片蓝海。然而，在
数据主权、合规监管与国家安全成为全球商业核心议题的当下，电信运营商所拥有的实体网络规
模、存量客户信任及本土化合规经验，正是跨区域云厂商难以快速构建的护城河。
这使得 AI 主权成为电信行业的关键议题。IBM 商业价值研究院最新研究显示，93% 的电信高管表
示，必须将 AI 主权纳入其 2026 年的商业战略。4 许多电信运营商已宣布提供主权 AI 服务的计划，
将自身定位为全球云巨头之外安全、合规的替代方案。
电信行业依托自身独特资产构建优势的战略窗口已然打开，却也面临转瞬即逝的紧迫态势。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
2020
今日生产力提升，
实为明日行业转型蓄力。
预测 2
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
21
当前 AI 领域的投入带来前所未有的生产力提升，而这仅仅只
是转型的序幕。
一场双重阶段的转型已经拉开帷幕。超过一半（53%）的高管表示，到 2030
年，AI 将彻底重塑其所在行业的商业模式。第一阶段专注于利用 AI 消除浪费、加
速流程，并在既有业务模式内放大人的能力，目前已在全面推进中（见图 4）。
高管们预计，到 2030 年，AI 将使生产力提升 42%，且 67% 的高管认为，届时
组织将已获取大部分 AI 驱动的生产力收益。
图 4
如何提升 AI 驱动的生产力
How to boost AI-powered productivity
Figure 3
higher AI-powered
productivity gains
gains than their peers.
+59%
In order of importance,
organizations that focus on:
1. Integrating AI into
products and services
2. Designing AI-first tasks
3. Using more sophisticated
AI models
expect按重要性排序，组织
需着力推进：
1. 深度集成 AI 至产品与服务
2. 设计 AI 为先的任务流
3. 应用更先进的 AI 模型
其 AI 驱动的生产力
提升幅度，预期将
比同行高
+59%
“最高管理层应持续思考：我们如何才能颠覆市场？如
何利用颠覆性创新来重塑未来发展方向，从而获得竞争
优势？”
Maureen Power Sweeny
RapidScale，首席营收官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
22
第二阶段将借助生产力提升所释放的资源，全面重构行业垂直生态。率先完成
这一跃迁的组织将建立难以超越的竞争优势。目前，70% 的高管表示，正计划
将 AI 所创造的价值，再投入到全组织的投资与增长中。
组织不应将生产力提升带来的成本节约直接转化为利润，而应将其再投资于能
带来指数级增长的创新机遇。这类创新投资将推动商业模式进化，并进一步加
速业务扩张，形成“生产力提升—创新投资—模式转型—市场增长”的增强回
路。在这一飞轮中，效率优化不止于节流，更成为组织获取市场份额、打开营
收空间的主动力（见图 5）。
Figure 5
AI 落地实施
消除浪费、
加速流程、
强化人员能力。
AI 与自动化释放生产力，
为增长注入动能。
投资
通过人才、创新和
并购驱动增长。
生产力
打造一流的企业智能
工作流，提升速度与
效能。
图 5
AI 为先的飞轮效应
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
2323
组织若将 AI 融入产品与服务，或用其开辟全新营收渠道时，便可将效率优势转
化为客户价值的持续放大。以汽车制造行业为例，行业已普遍利用 AI 提升供应
链效能，并将节约的资源用于研发具备自适应能力的智能车辆，使其可实时学
习用户行为、预测维保需求，在行驶中持续完成体验迭代。
此类创新正推动汽车加速演变为软件定义的移动服务平台。当前，数字及软件
相关收入在汽车行业总收入中占比约 15%，预计到 2035 年，这一比例将提升
至 51%。5 当组织利用成本节约持续重构汽车的功能边界时，成本节约便转化为
了营收引擎。
消费者热切期待这一转变。事实上，IBM 商业价值研究院的另一项调研表明，
全球 56% 的消费者表示，他们对前沿 AI 赋能服务充满期待，甚至能够接受其
早期的不完美。6 但与此同时，用户拒绝“意外体验”：三分之二的消费者明确
表示，若某家公司刻意隐瞒 AI 在其体验中的应用，他们将转向其他品牌，且半
数消费者愿意为此支付更高价格。7 这意味着，AI 为先的产品与服务必须配套清
晰的治理框架。消费者指出，清晰易懂地说明 AI 如何运用其数据，是让他们安
心使用 AI 赋能服务的关键。8
更智能的组织将以前所未有的资源充裕度运转，远超历代
管理者的想象。
“展望 2030 年，治理工作的规模与复杂度或将超出人力所
能及的范围。因此我们必须思考：如何设计人类可监督
的自动化治理体系？以及留给我们探索答案的时间还剩下
多少？”
Kristie Chon Flynn
Google，数据保护官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
24
另一重要机遇来自具备自我进化能力的 AI 原生体系。这类系统不仅能更高效地
完成任务，还可根据实际表现数据持续优化，实现设计之初未能预见的成果。
对于零售商而言，这可能意味着将库存优化节省的资金，投入到 AI 推荐引擎，
大幅提升客单价；对于能源企业而言，则可能意味着将预测性维护节约的成
本，投入智能电网技术，重新定义电力分配方式。
更智能的组织将以前所未有的资源充裕度运转，远超历代管理者的想象。AI 从
根本上消除了资源稀缺性，使得组织在增长与盈利、创新与效率、规模与敏捷
之间所做的传统取舍失去意义。当资本获取、人才储备与运营能力不再构成发
展瓶颈，组织的核心问题便从“我们能否负担得起”升维为“我们应致力于创
造什么”。愿景、适应力与勇气，将成为新的核心区分因素。
这不仅带来发展速度的飞跃，更使组织能深刻变革行业垂直结构，确立未来多
年的市场主导地位。
“我们致力于实现真正的超个性化服务。试想当客人踏入
酒店，我们已预知其偏好，体验将多么惊艳？这需要系
统重构酒店运营模式，使之具备规模化、个性化的服务
能力。我们应当如何配置资源、聚焦创新，才能让这一
愿景成为现实？”
Tina Edmundson
万豪国际集团，奢华业务总裁
“未来，传统意义上的资产或将失去价值。真正决定组织
差异的，将是软硬件生成的数据。数据的质量，而非数
量，将成为最大的竞争优势来源。”
Junta Tsujinaga
欧姆龙（OMRON）总裁兼首席执行官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
2525
“不少营销人员将创造力定义得过于狭隘，仅将其等同于
视觉设计，他们未能认识到在数字时代，数据结构、代
码管线与 AI 提示词同样是创意的核心表现形式。这导致
他们无法充分利用 AI 实现结构性生产力提升。”
Alex Schultz
Meta，分析副总裁兼首席营销官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
26
以 2030 年为节点，设定一个突破性的生产力跃迁目标。
将总体目标拆解为年度里程碑，并明确高管责任制。同步启
动季度“效能冲刺”机制，组织跨部门团队识别可通过 AI 实
现效率提升 50% 的工作流。
通过快速实验验证并迭代改进方案，持续追踪预设指标进展
并定期复盘。绘制“生产力—机遇转化图谱”，将每项效率
收益与创收能力精准对应，并将释放的资源集中投入高价值
业务环节。
选取三到五个核心业务流程设立“AI 试验沙盘”，在保障
主业务稳定前提下开放团队探索新兴技术。实施季度轮换机
制，推动创新成果跨体系复用。
行动指南
26
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
2727
“在我的团队中，我需要这样的人才：
能够通盘思考员工生命周期的每个
阶段，并找到规模化部署 AI 赋能技
术的方法，从而对每个人的体验产
生积极影响。”
Danny Guillory
GameTime 首席人力官
“当我们展望未来的工作模式时，并
不一定意味着更少的人来完成工作，
而是期待用我们现有团队成员完成
更多工作。”
Corbin Wallace
Trevi 首席执行官
“我们定期开展季度 AI 技能发展计
划，每期约有 30 名员工入选，每周
可享一天专属学习时间，系统掌握
AI 工具与应用能力。一位非工程师
同事借此开发出一款 Web 工具，将
原有工作耗时减少 80%。看似每周
投入一天，实则赢回四天时间，这
种回报令人振奋。”
Ryan Petersen
Flexport 创始人兼首席执行官
“这是一个需要开展底层工作流重构
的时代，核心在于从串行模式彻底
转向并行机制。”
Akiyuki Ui
瑞穗银行，运营官
AI 驱动生产力提升的核心
动能是什么？
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
2828
观点
更智能组织的网络安全
在 AI 世界，网络安全已不能仅停留在被动防御层面，它正转型为支撑组织运转
的核心智能基座。一方面，风险格局已变：攻击方运用 AI 工具强化威胁，迫使
组织构建更快速、更智能的防护机制。另一方面，AI 亦赋予安全体系重构的契
机，使其从被动响应转向主动赋能，实现效能跨越。
IBM IBV 的最新研究显示，未来三年，安全运营中 AI 增强的使用预计将增加
50%，而生成式 AI 安全能力的采用将增长 63%。9 近三分之二的高管期望，在
两年内，其 IT 组织中的每一位员工都会使用 AI 代理。10 这不是渐进式采用，而
是对组织防护方式的系统性重塑。
先行布局的组织揭示关键趋势：网络安全正走向“自主思考”。数据显示，如
今，30% 的组织已建成以 AI 为核心的安全基础架构，该架构可作为具备自调
节、自校正、自愈能力的系统运行。11
自我调节体系依托实时风险动态，自动调校安全策略与访问权限：遇可疑行为
自动收紧管控，逢合理需求智能放宽限制。自我校正功能则能即时识别并修复
系统漏洞、配置失误及策略偏差，例如实时修补安全缺口、动态更新防火墙规
则、根据攻击特征迭代威胁检测算法。
自我修复系统则更进一步，能够协调安全事件的全面恢复：系统可自动隔离受
感染节点、切换网络路径、从洁净备份中还原服务、重建受损设施，并在恢复
过程中同步强化对同类攻击的未来防御。
这些能力共同构建了一套自进化的网络安全体系，将安全基础设施转变为持续
优化的防护盾，其抵御能力随着每一次挑战而增强。对高管而言，这意味着安
全职能正从防御威胁的成本中心，转型为支撑敏捷创新、保障业务安全的战略
赋能者。更智能的组织不仅因此更安全，更获得了加速创新、驾驭风险、构筑
护城河的关键优势。
28
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
2929
行业案例
IT 服务
告别工时计费模式
IT 服务行业正处于 AI 生产力跃迁的最前沿：80% 的组织预计 2030 年前将释放
大部分效率红利。同时，该行业在智能体 AI 应用上领先全球，56% 的组织已在
多个工作流中部署智能代理，远超 31% 的全球平均水平。
然而，当 AI 能以极短时间完成传统服务时，仅依靠效率提升无法拯救以工时计
费为根基的商业模式。事实上，IT 服务行业正面临独特的生存危机：制造业借
AI 优化产线却仍产出实体产品，零售业用 AI 提升体验却仍需完成交易，而 IT
服务业所交付的“服务”，正是 AI 日益能独立提供的产品。
正因如此，81% 的 IT 服务组织决策者正将 AI 带来的成本节省转化为全组织的
增长投资。他们并未将收益留存，而是将其投入自我革新的战略布局。研究显
示，65% 的 IT 服务高管将营收增长视为 2030 年 AI 投资的核心动力，这一比例
在所有受调研行业中居首。值得注意的是，78% 的该行业高管认为 AI 将催生新
业态或重塑既有商业模式，远高于全球 53% 的平均水平。
IT 服务行业正被迫从“按工时计费”转向基于成果的交付模式。组织已开始出
售可量化的商业成效，而非咨询服务时长，通过融合 AI 能力与专家经验，交付
可评估的业务影响。这一转型既需思维革新，也依赖重资本投入：AI 平台、数
据基建及新型人才均成本不菲。尽管部分通过提效产生的收益需让渡给客户，
但 IT 服务组织凭借行业特性，仍处于支撑自身迭代升级的有利位置。
近半数（44%）的 IT 服务业高管坚信，至 2030 年 AI 将为组织构建明确的竞争
壁垒。该信心指数再度领跑所有行业。他们清醒认识到，先行者不仅将抢占市
场份额，更将开辟前所未有的市场空间。
颇具深意的是，这个最深刻理解 AI 变革力量的行业，却也最直接面临被其替代
的风险。然而威胁激发变革急迫性，急迫性催生转型窗口。最终胜出的 IT 服务
组织，必是那些能极速将生产力收益转化为引领性投资并以此驱动行业重写的
玩家。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
30
顶尖 AI 将量身定制，
成为独有智慧引擎。
预测 3
30
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
31
未来的竞争优势不在于采用规模最大的 AI 模型，而在于以独
一无二的方式运用 AI。
当 AI 技术趋于普适，独特性就成为竞争核心。在各组织均可调用相同基础大模
型的时代，真正的差异将体现在模型组合的巧思、定制化的深度，以及组织专
有数据与业务目标融合的精准程度上。
基础模型如同 AI 领域的瑞士军刀，兼具多功能性与跨场景、跨模式的灵活适应
性。其中，大型语言模型（LLM）作为基础模型的重要分支，是基于海量文本
与代码数据训练的通用模型，具备广泛推理能力且可高度适配不同需求，但对
算力与训练资源要求较高。小型语言模型（SLM）则是专注战术执行的专家型
工具：它们体量轻、响应快，专为特定任务或边缘端部署优化，常见于聊天机
器人、移动应用及物联网设备等实时性要求高的场景，在这些场景中，效率与
速度往往比模型的原始算力更为关键。
真正的战略布局并非取舍，而在于精准匹配：LLM 胜任通用型任务与复杂问题
求解，SLM 则专注特定功能与应用场景的深度定制与微调。在此基础上，融入
组织专有数据进行协同训练，从而打造高度适配自身业务的 AI 能力体系。
“我们是全球首个引入视频助理裁判的女子足球联赛。我们
深知，AI 将释放巨大的效率与效能，从而减少甚至可能
消除赛场上判罚中的部分人为失误。”
Jessica Berman
美国国家女子足球联赛委员总裁
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
32
图 6
精准的模型组合能放大 AI 驱动的业务成果
研究表明，未来制胜的关键在于以最优方式集成
运用多种模型，包括轻量化、场景化的小模型。
到 2030 年，82% 的高管预计，其 AI 能力将采用
多模型架构，72% 的高管预计 SLM 的重要性将超
越 LLM。
此外，采用高度定制化模型组合的组织，对生产
效率的提升预期更为乐观。我们通过对比两类组
织得出该结论：一类以大型预训练模型为主力，
另一类则以混合定制模型支撑具体业务目标，并
深入分析了两者在 AI 驱动关键业务指标上的预期
差异。
排除规模因素后，研究显示，与主要依赖大型预
训练模型的组织相比，在多业务流程中规模化部
署 AI、并侧重于小型模型或定制模型与基础模型
的组合策略的组织，预期到 2030 年将实现：
24% 的额外生产力提升、55% 的营业利润率提
升、以及两倍的流程周期与项目交付时间缩短
（见图 6）。需要强调的是，这些收益并非我们
的预测，而是受访高管的预期 ⸺ 且是在仅使用
基础模型所获收益的基础上额外增加的收益。
Figure 4
The right mix of models amplify baseline AI-powered business outcomes.
Note: Calculations are based on an average company with USD20 billion in annual revenue. Dollar
figures reflect gains achieved on top of those achieved using foundation models alone. See “Research
methodology” on page TBD for more details.
生产率提升额外增加
营业利润率提升额外高出
带来的额外成本节约
亿美元
（源自针对具体业务目标，结合定制模型与基础模型）
带来的额外营业利润增长
（源自采用小型 AI 模型）
24%
55%
219
356亿美元
注：计算基于年营收 200 亿美元的平均规模组织。以上金额为在使用基础模型已实现收益之上的额外收益。详见第 56 页“研究方法”。
“我们构建的 AI 系统采用模块化、可迭代的设计理念，确保其具备快速更换与
升级的能力。这不仅帮助我们敏捷响应技术变革、避免路径依赖，还能持续
集成新兴技术成果。”
Chad Gates
Pronto Software，总经理
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
33
“AI 工具无处不在，仅使用技术本身已无法形成个性化优
势，而是组织运营的基本要求。未来竞争力将取决于两大
要素：你为 AI 注入什么（专有的数据资产），以及你如
何驾驭 AI（独特的创新能力）。”
Alex Schultz
Meta，分析副总裁兼首席营销官
这进一步证明，从当下开始定制和优化 AI 模型的重要性。然而，独特的 AI 能力
并不仅限于逐一训练和采用合适的 AI 模型，更在于构建能够经受市场波动、监
管变化和采购周期考验的模型组合。至 2030 年，领先组织将能如投资者动态管
理资产组合一般，灵活且精准地调整其 AI 能力矩阵。核心在于精准判断何时增
补能力、何时维持现状、何时果断取舍。
组织将通过生态合作，在需要时灵活接入外部 AI 模型、资产与应用，以弥补自
有工具链的不足。当前，71% 的高管将新兴 AI 能力视为动态能力组合中的互补
工具，12 但仅 28% 能明确判断 2030 年所需的 AI 模型构成。
展望 2030 年，组织优化 AI 组合不仅为支撑内部运营，更将使其成为面向外部
市场的竞争性资产。届时，组织将通过出售、授权或合作等方式，将专有 AI 能
力转化为创收工具。换言之，组织必须将 AI 组合作为独立产品来经营，构建使
其 AI 能力得以竞争、演进、并在传统业务之外持续创造价值的生态系统。
这种模式使 AI 能力组合的价值远高于各组成部分的简单叠加，不同模型之间的
协同效应会形成相互增强的良性循环。整合专业能力与多模态技术应对多样化
任务，可显著提升工作流效率。跨模型的数据共享还能催生更精准的洞察与预
测。然而要充分释放这一潜力，组织必须建立开放、可互操作的 AI 模型体系，
实现模型间的无缝协作。
该能力组合需依托灵活、安全、可扩展的混合云架构作为支撑。这一架构需确
保组织内部各团队能即时调用 AI 模型，并随时访问基于架构构建的底层数据与
应用。同时，数据必须在组织全域实现实时流转与按需处理。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
34
“AI 的未来不在于更大的模型，在于更智能地整合人与
流程。”
Jinesh Dalal
C-Metric 副总裁兼技术开发主管
在优化多模型 AI 能力组合的道路上，存在两大关键障碍。首先是领导力转型挑
战：驾驭动态演进的 AI 模型组合，与管理传统软件部署或云迁移有着本质区
别。由于这些模型能实时学习、适应并自我迭代，且能基于瞬息变化的数据模
式决策，并与客户及业务系统实时交互，因此该组合需要持续的调优机制、伦
理监管和战略指引。领导者必须融合技术专家、战略架构师与行为科学家的多
维能力。这也解释了为何 74% 的受访高管认为到 2030 年 AI 将重构组织内部的
领导角色。其中三分之二预测，AI 将催生全新领导岗位，更有 68% 的组织预
计，将设立首席人工智能官。
第二大障碍在于整合难题。68% 的高管担心，由于 AI 与核心业务脱节，相关投
入可能无法取得预期成效。单纯在现有流程中接入 AI 工具，与构建深度融入业
务战略的代理体系，二者存在根本性差异。
这正是“编排层”发挥价值之处。通过建立中立的编排层，组织能够整合业务
平台、应用系统及 AI 代理等多元工具，实现跨系统的灵活调用与互操作。该层
如同系统间的“智能调度枢纽”，以用户无感知的方式连接异构工作流。它既
协调数据流转，也融合多环境能力构建端到端解决方案，更能随业务变化动态
调整技术组件。
“AI 模型的表现始终取决于你赋予它的背景与目标。因此，
在这个全新的工作时代，清晰明确的任务目标与执行背景
至关重要。”
Aaron Levie
Box 公司，联合创始人兼首席执行官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
35
“假设我们服务一亿客户，最理想的状态是构建一亿个独
立的用户画像，并为每个人精准定制金融产品，最终实现
超越市场平均水平的回报。”
Masahiro Kuniyuki
三菱日联金融集团（MUFG）集团
常务执行董事兼集团首席人力资源官
“我认为，治理是 2030 年的核心竞争力之一，组织不应在
效率与责任之间取舍，二者必须兼得。”
Kristie Chon Flynn
Google 数据保护官
编排层在管理员工系统访问权限时遵循的规则，本质上构成了一个内嵌关键管
控并支持适度人工干预的治理层。随着 AI 不断进步，建立可靠的问责制度将成
为关键。这要求组织配置相应机制来实现全流程审计追踪、完整记录决策依
据，并推动 AI 系统具备输出结果的可解释性。在法律层面，组织须设立清晰的
授权体系、明确责任范围，并构建能够动态响应监管环境变化的治理框架。
真正更智能的组织通过系统性规划实现这场转型。它们不只积累数据，更建立
安全、合规的反馈闭环：AI 能力驱动业务增长，业务成效产出优质数据，优质
数据持续优化 AI 能力。到 2030 年，领先组织将在所有业务流程中深度嵌入智
能，使 AI 成为战略构成中不可剥离的核心资产。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
3636
行动指南
让 AI 贴合需求，而非追求炫技。
首先识别 3-5 个真正让组织脱颖而出核心能力⸺如客户关
系、专业知识、运营优势或市场地位，并确保 AI 能够获取
并运用相关的专有数据。随后，确定需要纳入 AI 组合的模
型与资产，以强化差异化优势。
打造中立且具备互操作性的智能编排层，集成多元平台、应
用与代理，实现员工体验的无缝衔接。在治理层内嵌入关键
管控规则，有效管理数据访问权限，护航 AI 负责任地应用。
建立快速实验迭代机制，持续测试、优化和验证定制模型与
资产，同时破除技术依赖，确保内置 AI 能力可随业务需求
动态调整。普及 AI 素养，将高管的 AI 素养提升至与财务素
养同等重要的地位，成为必备素质。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
3737
行业案例
航空航天与国防
定制 AI，承载使命
国家安全需要最高级别的数据防护。
当系统关乎生死存亡，当任务关乎国家保护与和平维护，通用型方案绝不可
行。必须打造理解特定威胁环境细微差别的模型，在极端运行条件下依然稳定
的系统，以及能保护最敏感情报的数据存储与治理体系。
这一现实，正驱动航空航天与国防领域集中资源构建独有的 AI 模型体系：79%
的行业领导者，已清晰规划 2030 年所需的 AI 模型布局，其明确程度居各行业
之首。同时，46% 的受访者表示，其组织将优先开发贴合自身特定需求的定制
化 AI 模型，该比例远超其他行业 23% 的平均水平。
不仅如此，78% 的航空航天与国防组织正采用任务适配型 SLM，而非依赖通用
化系统。此类针对性模型能够以更高安全性和可靠性处理涉密信息，准确理解
国防领域特有的技术参数，并在性能受限的边缘环境中保持稳定运行。其背后的
驱动力，源于其他商业市场未见的刚性安全要求与特殊伦理责任。当任务成败取
决于信息优势且信息本身属于高度机密时，定制化解决方案便成为必然选择。
伦理层面的考量更为关键。当 AI 系统被集成至武器平台、飞行控制系统及威胁
侦测网络中时，准确理解其与人类操作员的协同机制，已成为涉及国家安全与
伦理责任的核心课题。事实上，75% 的国防与航空航天组织会定期评估 AI 对岗
位角色和工作流程的影响，该比例在所有行业中仅次于 IT 服务。同样，有 78%
的组织预计到 2030 年将设立首席 AI 官。
这一治理架构旨在确保 AI 增强而非替代人类决策，并保障系统始终对服务对象
承担明确责任。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
3838
AI 不会替你完成所有
思考。
预测 4
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
3939
今天的岗位定义在未来组织中或将不复存在。人类技能的有
效期正加速缩短：调研显示，67% 的高管认为，现在岗位更
新得越来越快，57% 的受访者预计，当前大部分员工技能将
在 2030 年不再适用。
当前众多管理者正积极思考任务分配的边界：哪些工作应交由 AI 执行，哪些仍
需人类主导？更精确地说：在哪些环节应由 AI 赋能于人，在哪些环节又该由人
引导 AI ？
如先前所述，采取“AI 为先”策略的组织普遍预期更高的生产力提升。虽然更
智能的组织将协同释放人与机器的独特优势，但我们的研究发现，未来的 AI 将
在如今需要人类参与的部分领域发挥主导作用。
展望 2030 年，我们的研究显示，相比一般组织来说，AI 为先的组织更有可能
（高出 79%）认为知识型工作⸺例如报告撰写、方案输出和代码开发等⸺将
主要由 AI 完成。这些组织也在更加主动地推动这一愿景成为现实：他们更有可
能（高出 48%）创造全新岗位角色，也更有可能（高出46%）为更好发挥 AI 价
值而重塑组织结构。
今天，组织会为需要专门技能的岗位招聘专业人士。但在未来，AI 将在许多场
景中担任“专家”角色。经过充分训练与有效治理的 AI 模型、代理及相关资
产，有望胜任人类需长期积累才能掌握的任务。在此背景下，人类专家将转变
为需衡量其必要性的成本要素。尽管批判性思维依然重要，但专业能力本身已
不足以形成竞争壁垒。真正的竞争优势将来自人类的创造力与巧思，即那些能
够开创新局面的突破性构想。
随着前 AI 时代的工作流程逐渐失效，员工需重构能支撑 AI 为先运营模式的全新
职能框架。组织所需的并非仅会用 AI 辅助具体岗位的员工团队，而是能跨领域
调度 AI 资源、融合贯通传统部门壁垒所生成洞察的全局协调者。
“我们必须充分发挥创造力，探索无需人类干预即可完成的
工作⸺这是一项必须达成的战略任务。”
Jacobo Díaz García
Bankinter 首席财务官兼数字银行负责人
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
40
当前雇佣程序员的岗位，到 2030 年可能被无需编程能力的体验经理取代。价值
重心正从技术专家转向商业战略人才，他们能立足价值创造，审视并优化 AI 产
出。随着“人类决策、代理执行”成为新型竞争单元，多位受访高管预测，人
力资源与信息技术职能将加速融合。
AI 代理深度嵌入跨职能工作流，将重塑传统组织形态（见图 7）。至少有三分
之二的高管表示，到 2030 年，智能体 AI 将在财务、销售、市场营销、IT 以及
研发等职能中发挥重要作用。这类智能体主要分为两类：赋能员工高效工作的
个人代理，以及优化端到端业务流程的企业代理。前者专注辅助日常事务，如
会议纪要整理、日程规划，后者则致力于复杂工作流的自动化与全局优化。
在组织层面部署时，不同类型的智能体可协同组合，推动快速实验与规模化解
决方案的实施，并集成更先进的 AI 技术体系。这一进程将催生全新的职能岗
位，用于设计与管控智能体的工作，例如 AI 代理监督专员与 AI 安全工程师。
然而，目前极少有组织为这一转型做好充分准备。当下有 68% 的高管认为，现
有的组织结构正在阻碍 AI 价值的充分释放。同时，高管预计，到 2026 年
底，56% 的员工将因 AI 驱动的自动化进程而需要接受系统性技能重塑。13
“我们致力于让员工不仅成为技术的使用者，更能与 AI 协
同创造解决方案，构建人机协作的全新范式。”
Susana Meseguer
Repsol，数字化与服务执行总经理
当人类的精力聚焦于只有人能解决的难题时，
人的价值不降反升。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
4141
图 7
智能体 AI 将重塑业务职能，并改变组织架构。
百分比反映了高管认为智能体 AI 在各项职能中将被中度或深
度嵌入的比例，按年份统计。
Figure 5
Agentic AI will transform business functions—and reshape the org chart.
Percentages reflect the portion of executives who say agentic AI will be
embedded to a moderate or great extent in each function, by year.
2025 2030
20%
66%
17%
58%
2025 2030
2025 2030
28%
67%
31%
72%
2025 2030
2025 2030
40%
73%
27%
63%
2025 2030
2025 2030
26%
65%
28%
77%
2025 2030
财务 人力资源
销售 市场营销
IT 制造
供应链 研发
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
42
当前组织关注的焦点已超越技术层面。高管们表示，问题解决能力与创新思维是员工最需具备的核心素
养，且预计生成式 AI 将在未来三年进一步放大这些能力的重要性（见图 8）。14
因此，组织面临着重大的人才管理挑战。在向 AI 为先的工作模式转型时，许多组织或需对整个部门团队进
行系统性能力重塑。所幸 AI 同样能助力这一进程：组织可将学习机制深度融入工作流，使员工在常态工作
中持续提升，无需依赖脱产培训。
例如，员工在与 AI 助手协作过程中，系统可同步进行能力诊断，并基于其职业发展轨迹推送个性化学习内
容与专业指导。如此一来，AI 系统不仅重塑工作模式，更成为支撑员工面向未来的适应性学习平台。最终
实现的是：员工在不脱离岗位的前提下持续获得新认证与新资质，将技术变革转化为人的能力跃升。
图 8
未来三年，生成式 AI 将让以下核心技能变得更加重要
Figure 6
Top skills generative AI will make more
important over the next three years
问题解决或
危机应对
创新
适应性
分析与数据科学
时间管理与
任务优先级排序
1
2
3
4
5
“无论从事何种工作，通用的核心能力仍非常重要：决策能力、判断力、战略
思维、协作能力、直觉、清晰的思维。在一个可以将许多底层工作委托给智
能体的世界里，这些素养将变得更加必要。”
Aaron Levie
Box 公司，联合创始人兼首席执行官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
43
“随着技术技能的重要性逐渐下降，
批判性思维反而变得更加重要，其
核心在于洞察何处可优化、何处能
增长。”
Robin Chiang
OpenTable 首席增长官
“当 AI 几乎无所不能时，我还需要在
哪些地方依赖自己的经验和智慧？
目前仍无定论，且这个平衡点也因
行业差异而不同。”
Guido Teuber
CATAN GmbH 首席执行官
“AI 难以评估其生成图像是佳作还是
拙作。但人类可以分辨。这种对
‘何为有效、何为无效’的鉴别力，
仍需依赖人类经验与判断。”
Danny Guillory
GameTime 首席人力资源官
“‘酷’难以预测⸺20 年前很难，5
年后依然很难。但总有人能感知到。
那是一种感觉，是左右脑的完美
结合。”
Melissa Mash
Dagne Dover 创始人兼首席执行官
43
到 2030 年，您的组织在哪些领域仍需
人类智慧？
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
44
员工本身也渴望适应变化。各年龄段调研数据显示，愿意接受雇主在 2026 年扩
大 AI 应用的员工比例至少是抵制者的两倍。15 虽然仍有部分人持保留态度，但
63% 的员工愿意与 AI 代理协同工作，且近半数（48%）表示可接受 AI 代理参
与管理。16 一旦员工意识到 AI 将提升而非取代他们的价值，抵触情绪便会转化
为积极协作。
要在未来竞争中胜出，组织必须引入具备“AI 为先”思维的人才：他们能对 AI
尚未触及的复杂问题进行批判性与系统性思考，能为 AI 决策设置伦理边界，并
能将 AI 能力精准部署于价值最高处。事实上，67% 的高管认同，到 2030 年，
心态将比技能本身更为重要。
更智能的组织需要那些主动甚至热切追求持续学习与适应的人才。在这样的环
境中，员工的贡献并不会被削弱。当员工将精力聚焦于只有人类才能解决的问
题时，其价值将不降反升。
“最大的挑战不仅是数据准备，更是认知、教育和技能。
技术发展如此之快，即使是培训项目也可能在几个月内就
过时。”
Umang Dharmik
梅赛德斯-奔驰印度研发中心（MBRDI）
高级副总裁兼 IT 主管
“当专业经验逐渐变得可替代，兼具智慧、勤奋与卓越沟通
力的复合型人才将更具价值。.”
Ryan Petersen
Flexport 创始人兼首席执行官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
45
重塑组织架构，加速向 AI 为先模式转型。
首先，用基于成果的任务要求取代固定的岗位描述，使其随
AI 能力提升与业务方向调整而持续演进。进而，赋予员工自
主权，由他们界定 AI 高价值应用场景，构建低代码或无代码
个人代理，并在真实业务中试点 AI 工具。同时建立清晰的操
作边界与问责体系，以提升员工安全感并控制潜在风险。
在推进过程中，持续重构流程，让 AI 承担所有其能够可靠完
成的任务。同时以人类独有的批判思维、监督能力与专业判
断为 AI 提供增强。通过将学习嵌入工作流，并借助具备代
理能力的 AI 教练提供建议、课程与认证，对员工进行再技能
化。重置岗位预期，让员工意识到自身是转型的驱动者，而
不仅是接受者。优先招募具有成长型思维模式、能够持续学
习进化的候选人。
行动指南
45
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
46
"零号客户"
故事
构建面向 AI 为先时代的人力资源体系17
IBM 员工规模逾 30 万，需构建一个能跟上 AI 发展节奏、灵活扩展的人力资源
平台。在此背景下， IBM 人力资源部门与首席信息官团队携手推进战略转型，
愿景是建设一个高度集成、AI 赋能的人力资源生态系统，以支撑团队高效决
策、提升运营敏捷性，并为员工提供更稳定、一致的服务体验。
原有的人力资源系统接口超过 1000 个，导致数据孤岛、效率低下及高昂的运维
负担。入职、员工福利、时间管理等关键人力资源工作流日益碎片化，员工需
跨多个系统才能完成常规事务。
一场全球人才管理革新实践
凭借 AI 驱动的自动化技术与系统化行为设计，IBM 打造了一个高效、人性化的
人力资源服务平台。这一成果助力 IBM 人力资源部门构建了一个全球统一且可
本地灵活适配的平台，助力其创造长期商业价值。项目初期已实现薪酬精准发
放，以及超 4000 名新员工的顺利入职。
此次转型规模空前：数据迁移涵盖全球 30 万员工、跨越 11 年以上的薪酬历史
记录。IBM 部署了 141 项自动化功能，显著减少人工干预、降低操作误差，并
极大提升了入职、内部调岗、休假审批等核心流程的效率。
这些改进推动了运营效率的跨越式提升与请求处理的加速，使人力资源团队能
更专注于高价值工作。员工获得了高度个性化、类人化的交互体验，不仅提升
了人力资源效率，也赋能了全员生产力。通过 AI 为每位员工提供定制化职业指
导与技能培养，人力资源转型正成为推动组织全流程变革的催化剂。
IBM 人力资源 AI 创新副总裁 Pooja Kumar 分享了她对这次转型的看法：“真
正强大的地方，不只是规模本身，而在于它让 HR 能够聚焦人才和战略。以 AI
与自动化为核心，我们构建了一个能与 IBM 员工队伍的发展而持续协同进化
的体系。”
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
4747
行业案例
医疗健康
突破优质医疗瓶颈
AI 为先的医疗健康并非要取代人文关怀，而是通过重塑组织体系，让医疗工作
者能更聚焦于核心价值，即患者关怀。
数据显示，行业正处于积极转型中：66% 的医疗健康领域高管表示，他们正因
为人工智能而创造全新工作岗位；63% 的高管正在全面重构组织架构。
相比其他可循序渐进地应用 AI 的领域，医疗健康机构承受着关乎生命的紧迫压
力。若行政低效延误诊疗、若诊断排队长达数月、若专业人才埋首文书而非直
面患者，其代价远超经济损失，更关乎人的生命。
当前，65% 的医疗机构管理者正推动员工运用 AI 实现岗位任务自动化。智能体
AI 已应用于临床编码自动化、候诊名单管理及出院流程优化。传统需数月完成
的人工核验流程，现可缩短至数小时。由此释放的专业人力，得以回归患者服
务一线，而此处的同理心、临床直觉与复杂判断力，至今仍无法被技术取代。
若医疗组织抗拒结构性转型，将面临核心人才因行政负荷过重而倦怠、同时患者
候诊时间持续延长的双重风险。AI 为先的运营模式无关技术选择，而是在于在日
益复杂的医疗环境中实现可持续的医疗服务交付。医疗体系的选择实为两种方
向：借 AI 放大专业价值，或任行政负担侵蚀医疗本质。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
4848
量子计算将引发下一次
范式变革。
预测 5
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
49
组织领导者若只专注于在 AI 领域保持领先，或将忽略计算领
域的颠覆性变革⸺量子计算。对这一趋势的误判，或许会让
最具适应力的组织也措手不及。
尽管 59% 的高管认为，到 2030 年，量子赋能的 AI 将重塑其所在行业，但只
有 27% 的受访者计划在同期内实际应用量子计算技术（见图 9）。量子计算的
潜力与产业准备度之间的显著落差，正为当前即采取果断行动的组织创造巨大
机遇。
图 9
量子计算准备工作仍在进行Figure 7
Quantum readiness is an anomaly
的高管认为到 2030 年，
量子赋能的 AI 将重塑
其所在行业。
但仅
计划在同期内实际应用
量子计算技术。
59%
27%
“量子计算永远不会孤立存在。传统
计算、人工智能和量子计算必须在
相互关联的工作流程中协同工作。”
Thomas Eckl 博士
博世首席专家
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
50
量子计算不仅有望大幅提升运算速度，更能解锁现有最强计算系统都无法实现
的应用场景。在药物研发、金融建模、材料仿真等多种场景中，量子计算已展
现出潜在价值。
量子计算以传统计算无法企及的方式处理特定数据结构，正突破包括 AI 在内的
现有算力极限。AI 擅长处理规模性问题，量子算法则精于破解具有深层结构的
复杂难题。二者的融合将催生真正具有变革意义的计算范式。
因此，组织需以协同视角布局量子计算与 AI，二者实为共生体系。
部分关键指标已显现出对量子领域未来成功的高度预测性。以量子就绪度为
例，在 2025 年量子就绪度指数中位列前 10% 的组织，其同时参与多个技术生
态的可能性是其他组织的三倍。18
“即便明天的量子计算机今天问世，我们仍不确定该如何运
用它们。真正难点在于，如何将金融领域的问题转化为量
子计算可解的框架。”
Peter Tsahalis
Wells Fargo，首席信息官兼战略服务与先进技术高级副总裁
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
51
预计量子赋能能力将为其 2030 年营收贡献占比最高的组织，更注重建立稳固的
生态联盟，也更注重挖掘可助其获取量子优势的早期应用场景。然而，目前仅
32% 的组织正围绕自身竞争优势积极构建量子生态系统联盟。
核心战略在于：随着量子技术逐步成熟，组织需构建与之匹配的灵活运营体
系、基础设施及合作伙伴网络。这要求向以量子为中心的超级计算架构转型，
实现量子计算机与高性能计算、AI 基础设施的深度协同。
举例而言，此类系统能模拟远超现有计算能力的原子与分子运动，并借助 AI 进
行数据分析，从而推动当前难以实现的新药研发或材料创新。
实现这一转型，需与量子科研机构及技术提供商构建合作生态，同时建立融合
经典与量子双重解题思维的人才培养体系。此类基础布局将帮助组织在时机来
临时，针对具体商业目标实现跨越式突破。
“到 2030 年，诸如量子计算之类的技术，可能会彻底改变
商业与网络安全格局，因此前瞻力、治理能力和战略准备
将变得至关重要。”
Ajay Singh
Stretch 365 董事总经理
核心战略在于：随着量子技术逐步成熟，组织需构建与之
匹配的灵活运营体系、基础设施及合作伙伴网络。
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
52
“建立强健且具有前瞻性的量子韧性体系需要一定的投资，
我特意选用‘投资’这一表述，因其本质并非成本支出。”
Kristie Chon Flynn
Google 数据保护官
量子计算还将催生全新的安全防护体系。对哪些
认为尚有多年准备时间的企业决策者而言，这一
进程的时间线可能短得出乎意料。尽管 72% 的高
管表示，到 2030 年，安全议题将在董事会层面与
财务表现同等重要，但目前只有 34% 正在积极让
自己的组织具备“量子安全”能力。
这一挑战的核心在于密码学，即通过加密手段保
障信息安全的科学。当前的加密方法在未来可能
被量子计算破解。攻击者正采用“先窃取，后破
译”的策略，当前已开始盗取加密数据，以待量
子技术成熟后进行破解。19
到 2030 年，掌握突破性量子技术的组织，将开拓
全新的解题维度，进而将以往不可行的解决方案
变为现实。
但组织必须即刻启动布局。这包括储备量子技术
能力与专业知识，在实体量子硬件上进行实践探
索，并建设以量子为中枢的超级计算基础设施。
真正的智慧型企业不会等待量子技术成熟，而是
已在打造能够将量子优势实时转化为商业价值的
基础架构。
“解决量子技术挑战无法依靠单一银行独立完成；正如当年
美国公司协作推动 RSA 加密技术发展一样，我们需要凝
聚社会力量，共同保障网络安全。”
Akiyuki Ui
瑞穗银行，运营官
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
53
不应只被动应对量子革命，而应主动引领变革。
首要举措是与量子服务商合作，立即启动小范围实验。即使
初期应用场景尙处研究阶段，也应从今年预算中划拨资金用于
量子计算实践验证。在技术战略中，需将量子计算与 AI 视为
一体进行布局。
定位经典计算难以突破的核心业务难题：复杂优化问题、分
子结构模拟、金融风险推演或数据结构繁复的供应链情景。
随着算力与变革速度的指数级增长，这些领域将转化为量子
优势的突破口。立即布局后量子密码学，为 2030 年及更长
远的企业安全保驾护航。
行动指南
53
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
54
银行业正迎来一场由技术驱动的空前变革，早期布局者已占据引领地位。
在其他领域仍关注量子计算的远期潜力时，银行业高管已意识到迫在眉睫的颠
覆：63% 的高管认为，量子技术将重塑行业根本。但至今，仅 43% 的组织在主
动探索其应用场景。
战略意识与落地行动之间的断层，构成了银行业当前的关键课题。银行高管深
知量子技术浪潮势不可挡，但对其具体演进路径仍存不确定性。
在依赖算力优势的金融行业，即便 1% 的效率提升也可能意味着数亿回报，因
此量子技术的商业潜力不言而喻。汇丰银行（HSBC）已开展概念验证实验并取
得令人振奋的结果：通过结合量子与经典计算资源，在预测交易以报价成交的
可能性方面，其表现比行业通用的传统计算技术提升了高达 34%。20
传统算力在应对现代金融的数学复杂性时面临局限，无论是涵盖数千变量的资
产组合优化，还是需模拟海量市场情境的期权定价模型。这些核心业务场景恰
是量子技术能将计算优势直接转化为市场优势的关键战场。
相较于其他行业决策者，银行业高管对量子技术在 2030 年前创造企业商业价值
的预期高出 113%。对金融服务业来说，量子变革已不是远景，而是近在咫尺
的加速进程。
54
行业案例
银行业
开启金融变革
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
555555
案例研究
Moderna 在 mRNA 药物研发领域开创量
子计算应用21
Moderna 作为信使 RNA 医药与疫苗领域的领先生物技术公司，曾遭遇经典算力
难以突破的核心计算瓶颈：针对每一种具有疾病治疗潜力的蛋白质，可能存在
数量极其庞大的潜在 mRNA 编码序列，导致优化筛选的复杂度极高。
这一挑战的核心在于：如何设计 mRNA 技术指令，使其能够精准引导人体产生
治疗性蛋白质。研究团队必须识别出既能正确编码目标蛋白质、又具备体内稳
定性、适合规模化生产且不会触发异常免疫反应的核苷酸序列。这需从数以百
万计可能的序列中实现高效寻优。
“我们致力于改善人类健康，”Moderna 量子算法与应用副科学总监 Alexey
Galda 强调，“我们认为，探索包括量子计算在内的一切可用工具以加速当下的
进展，而不是等待技术完全成熟，这一点至关重要。”
Moderna 的研究核心是预测 mRNA 二级结构⸺ 这是一种复杂的折叠模式，决定
了 mRNA 转化为蛋白质的效率，以及它与细胞机制的相互作用方式。该公司引入
金融风险评估技术“条件风险价值（CVaR）”，优化了变分量子算法。CVaR 能
将优化重点集中于最具潜力、能量最低的解决方案，同时降低计算误差的干扰。
研究结果具有突破性意义。Moderna 近期完成了一项迄今为止规模最大的量子
二级结构仿真，涉及多达 80 个量子比特，以及长度达 60 个核苷酸的 mRNA 序
列，突破了此前量子模拟不超过 42 个核苷酸的长度限制。
团队持续突破，将该方法应用于多达 156 个量子比特和 950 个非局域门的复杂
场景。其量子方案在组合优化问题上取得了与商用经典求解器一致的结果，验
证了量子计算在药物研究中的实际应用潜力。
Moderna 的愿景是构建一个“量子赋能”的生物技术研发体系：由量子计算突
破特定算力瓶颈，经典方法统筹整体流程，以便随着技术规模的扩大，充分利
用量子优势
| 前言 | 摘要 | 预测 1 | 预测 2 | 预测 3 | 预测 4 | 预测 5
56
为评估组织面向未来的战略路径及其对 2030 年前生
产力的预期影响，IBM 商业价值研究院（IBV）联合
牛津经济研究院，于 2025 年第三、四季度开展了一
项全球调研。该研究收集了超过 2000 名高管的见
解，探讨他们对各自组织在 2025 至 2030 年间发展
演变的预期。
调研围绕多项战略重点展开，包括：AI 为先的运营
模式、将先进 AI 模型嵌入产品与服务、员工队伍转
型，以及对量子计算等新兴技术的准备程度。受访者
包括直接负责 AI 战略、数字化转型和运营绩效的决
策者。
受访者来自 33 个国家和地区、23 个行业，涵盖不同
规模与类型的组织。这种多元化的构成，确保研究发
现能够反映全球组织在 AI 成熟度、战略重点和区域
背景方面的广泛差异。
除了利用基础频次数据对预期、重点和趋势进行描述
性分析外，我们还设计并实施了分析框架，以更深入
理解人工智能应用方式与预期成果及绩效之间的关联
性。调研数据与分析辅以对高管进行的 30 余次深度
定性访谈所得见解，以及案例研究。
研究方法
17%
北美
9%
拉丁美洲
29%
亚太
23%
欧洲
7%
英国和
爱尔兰
9%
中东和非洲
6%
日本
2,000+
高管
33
个地区
23
个行业
57
分析框架
为识别 AI 驱动生产力提升的关键因素，并根据战
略方法对组织进行分类，我们采用了三种互补的
分析技术：量化生产力驱动因素、识别战略原
型，以及评估财务影响。
量化生产力驱动因素22
我们考察了战略性 AI 能力与 2030 年前预期生产
力提升之间的关系，重点关注受访者对生产力提
升百分比的主观预期。
基于其与 AI 驱动的绩效表现的理论相关性，对三
个关键因素进行了分析。
1. AI 创新：组织是否将新产品与服务视为 AI 能带
来的核心价值驱动因素
2. AI 成熟度：认为到 2030 年竞争优势将更多来
源于 AI 模型的成熟度，而非人力创造力
3. AI 为先任务设计：到 2030 年，预计为完成 AI
为先战略而设计的企业任务占比，在其中人类
仅承担监督职责
该分析使我们能够在控制其他因素的同时，估算每
个因素的独立贡献，从而为不同变量提供可比性的
相对重要性衡量标准。
识别战略原型23
我们基于两个关键维度，将组织按照其在 AI 设计
与执行方面的成熟度进行分组。
1. AI 为先任务设计：到 2030 年，为完成 AI 为先
战略而设计的任务占比
2. AI 执行能力：到 2030 年，预计由 AI 或智能体
AI 自动完成的任务占比
基于组织在 AI 与执行方面的不同策略，将其划分为
四个独立的群体。通过对创新优先级、资源优化策
略、竞争优势理念以及智能体 AI 采用时间表的深入
剖析，进一步完善了这些群体特征，从而构建出全
面的战略原型。
财务影响建模
为将生产力预测转化为可量化的业务成果，我们构
建了一套财务影响模型，将组织自报的基线绩效指
标与 AI 提升系数和全球基准数据结合起来。
此方法为量化 AI 的业务价值提供了一个透明且可复
用的框架。
为评估预期生产力提升的价值，我们首先将预期增幅
标准化为组织收入的百分比，以确保不同规模组织之
间具有可比性。其次，我们计算不同 AI 战略之间生
产力增幅的差值，并将该百分比差距应用于基准收入
基数。此方法将相对生产力提升转化为货币价值，使
不同规模的组织都可以进行情景建模。观测到的
24% 生产力提升，归因于采用了一种由定制模型与
基础模型混合构成的组合，并根据具体应用场景和业
务需求进行选择。将该差距应用于代表性 200 亿美
元规模的组织时，预计增量影响达 亿美元。
对于运营利润率影响方面，计算逻辑类似。我们从
2025 年的平均组织运营利润率估算入手，通过“收
入 × 运营利润率”计算出基线运营利润。AI 提升系
数则基于这样的观察：与仅依赖大规模预训练模型
的组织相比，更多采用小型 AI 模型以获取更高灵活
性和成本效率的组织，预计通过 AI 获得的运营利润
率提升要高出 55%。
该建模方法将财务估算锚定于实际组织基准，同时
叠加来自实证数据的提升系数，使管理者能够在自
身绩效参数的语境下，审视 AI 投资的价值。
60
备注和参考资料
1 As a percentage of revenue.
2 Global C-suite Series. 32nd edition. CEO Study. 5
mindshifts to supercharge business growth: Move from
productivity to performance with agentic AI. IBM Institute
for Business Value. May 6, 2025.
3 “Riyadh Air and IBM Partner to Launch World’s First
AI-Native Airline.” IBM Newsroom. December 8, 2025.
.
com/2025-12-08-riyadh-air-and-ibm-partner-to-
launch-worlds-first-ai-native-airline
4 5 trends for 2026: Capture fleeting opportunities with
confidence. Unpublished data. IBM Institute for Business
Value. December 1, 2025.
tech-trends-2026
5 Automotive 2035: Taking the pole position for software-
defined success. IBM Institute for Business Value, Red
Hat, AWS, and Alliance for Automotive Innovation.
December 10, 2024.
6 5 trends for 2026: Capture fleeting opportunities with
confidence. IBM Institute for Business Value. December
1, 2025.
7 Ibid.
8 Ibid.
9 Bernstein, Leonard, Srinivas Tummalapenta, Abhi
Chakravorty, Michael Massimi, and Gerald Parham.
Cybersecurity 2028: Your workforce, built for the AI
frontier. IBM Institute for Business Value and AWS. June
5, 2025.
10 Ibid.
11 Ibid.
12 Goyal, Manish, Federico Torreti, Francesco Brenna,
Shobhit Varshney, Anant Patel, and Karen Butner. Agentic
AI’s strategic ascent: Shifting operations from incremental
gains to net-new impact. Unpublished data. IBM Institute
for Business Value. October 10, 2025.
agentic-ai-ops
13 Goyal, Manish, Federico Torreti, Francesco Brenna,
Shobhit Varshney, Anant Patel, and Karen Butner. Agentic
AI’s strategic ascent: Shifting operations from incremental
gains to net-new impact. Unpublished data. IBM Institute
for Business Value. October 10, 2025.
agentic-ai-ops
14 Unpublished data from 2,690 executives. IBM Institute
for Business Value. 2025.
15 5 trends for 2026: Capture fleeting opportunities with
confidence. IBM Institute for Business Value. December
1, 2025.
16 Ibid.
17 “Future-ready HR built to scale.” IBM case study.
Accessed November 20, 2025.
case-studies/ibm-consulting-sap-successfactors-hr
18 Higgins, Heather, Petra Floorizone, and Veena
Pureswaran. The 2025 Quantum Readiness Index.
Quantum is coming: 5 realities shaping the race to
advantage.
19 Harishankar, Ray, Gregg Barrow, Antti Ropponen, Veena
Pureswaran, and Gerald Parham. Secure the
post-quantum future: How quantum safety strengthens
cyber resilience for today and tomorrow. IBM Institute for
Business Value and Cloud Security Alliance. October 3,
2025.
20 “HSBC demonstrates world’s first-known quantum-
enabled algorithmic trading with IBM.” HSBC. September
25, 2025.
news/media-releases/2025/
hsbc-demonstrates-worlds-first-known-quantum-
enabled-algorithmic-trading-with-ibm
21 “Advancing the science of life-saving medications.” IBM
case study. Accessed November 12, 2025. https://www.
22 Analysis conducted using Ordinary Least Squares (OLS)
regression with productivity impact as the dependent
variable and AI innovation (binary), AI sophistication
(categorical), and AI-first task design (continuous
percentage) as independent variables. Model achieved
statistical significance (F-statistic = , p < )
with adjusted R² = . Regression diagnostics
confirmed model assumptions, including linearity,
homoscedasticity, and absence of multicollinearity.
23 Segmentation conducted using K-means cluster analysis
with standardized Z-scores. Cluster validity assessed
through one-way ANOVA confirming statistically
significant differences between groups (p < ), with
post-hoc comparison tests applied to determine which
groups differed significantly on each measure. All
analyses employed validated statistical techniques with
significance thresholds set at p < .
前言
摘要
预测 1
预测 2
预测 3
预测 4
预测 5
