人们通常仍将人工智能视为一场模型、工具和技术突破的竞赛。但如今，更具深远意义的转变正在其他领域发生。在企业、公共教育和多边政策领域，核心问题不再仅仅是人工智能能否被采用，而是各机构能否足够迅速地进行自我调整，从而有效地利用人工智能。
这种转变在各种不同的领域都日益显现。贝莱德就是其中之一。 据报道，该公司正在推出 RockAI，让包括非技术人员在内的员工能够构建专门的 AI 代理。 在英国，政府正在邀请企业开发安全、 面向弱势学生的个性化人工智能辅导工具过程中融入了教师监督和国家基准。与此同时，联合国教科文组织也启动了 人工智能区域观察站 在拉丁美洲和加勒比地区的教育领域，人工智能的应用旨在支持政策制定、证据建设和教师能力提升。这些地区的制度环境截然不同，但它们都面临着同一个挑战：如何才能使人工智能的部署切实可行、负责任且持久？
企业人工智能正成为一个运营模式问题。
在企业领域，关键信号不再是大型企业正在尝试人工智能，而是部分企业正试图将其嵌入运营基础设施。贝莱德之所以重要，并非因为它采用了人工智能，而是因为它所披露的做法表明，企业正在从分散的生产力工具转向嵌入跨职能部门的人工智能代理。这使得真正的问题从模型能做什么，转移到谁可以部署它、如何验证输出结果、责任归属以及如何通过治理机制确保其更广泛应用的可靠性。
第二个企业信号也指向同一方向。 路透社报道 Merck 与 Google Cloud 达成一项价值高达 10 亿美元的合作协议，该协议将在未来几年内扩展人工智能在药物研发、监管工作、生产制造和商业运营中的应用。Merck 的首席信息和数字官表示：“这并非试点项目”，并补充说，该公司已开始提交包含这项新功能的报销申请文件，并在全球范围内推广应用。这一点意义重大，因为它表明，至少在某些领域，人工智能的讨论正从实验阶段转向在真正的问责制约束下进行运营整合。
使用量上升并不一定意味着真正的转变。
劳动力数据证实了这种转变是真实存在的，同时也表明了为什么这种转变尚未完成。 盖洛普报告 2026年4月的一项调查显示，一半的美国成年就业者表示他们每年至少会在工作中使用几次人工智能，41%的人表示他们的组织已经整合了人工智能工具来改进组织运作。与此同时，盖洛普发现，人工智能从根本上改变组织工作方式的证据仍然有限，而且在采用人工智能的组织中，只有大约十分之一的员工强烈认同人工智能已经改变了他们组织的工作方式。换句话说，人工智能的使用增长速度超过了机构重组的速度。
在教育领域，人工智能正成为一项公共实施挑战。
Stay informed on AI education policy
Policy briefs, event invitations, and analysis — delivered weekly.
同样的逻辑如今也出现在公共教育领域。英国政府的辅导计划之所以引人注目，并非因为它抽象地推崇人工智能，而是因为它将人工智能视为一个公共实施问题。这些工具预计将与国家课程接轨，为弱势学生提供支持，并在教师的监督下在学校进行测试，如果成功，将于2027年起在全国范围内推广。预计将有至多八个机构加入首批试点项目。
围绕这项计划的政策措辞尤其耐人寻味。教育部长奥利维亚·贝利表示，“确保万无一失与快速推进同样重要”，并且每项工具都必须“与教师共同开发，经过严格测试，并符合最高的安全标准”。这并非技术布道式的语言，而是制度设计的语言：共同开发、测试、合法性和部署门槛。因此，英国的案例不仅仅是一项教育科技公告，更是一个政府明确人工智能负责任地进入课堂的条件的鲜活例证。
联合国教科文组织的观测站表明，需要的是协调，而不仅仅是实验。
联合国教科文组织的新天文台 联合国教科文组织表示，该观察站增加了第三个信号，并引入了不同的制度层面。它是该地区首个此类多方利益相关者平台，“并非被动观察的空间，而是一个协调行动的平台”，旨在生成情境化的证据，指导公共政策，加强教师培训和决策，并在符合伦理框架的课堂上推广经实践验证的创新。这一点至关重要，因为它反映出人们日益认识到，一旦多个系统同时启动，孤立的试点和零散的实验就远远不够了。各机构还需要建立比较学习、协调和证据积累的机制。
联合国教科文组织的框架之所以引人注目，还有另一个原因：它明确地将教育与未来的工作联系起来。其发布文件指出，人工智能在教育领域的扩展对该地区未来的工作构成了决定性的挑战，并强调劳动力技能再培训不能仅仅依赖于教育系统。对于任何试图将人工智能在教育和劳动力转型中的作用结合起来，而不是将二者视为彼此孤立的政策领域的人士来说，这都是一个重要的信号。这表明，下一阶段的应用需要跨部门的制度性应对措施，而不仅仅是教育或技术方面的措施。
各行各业正在出现更广泛的模式
天文台创始人最近撰写了一篇 World Economic Forum 文章，Qiqing He这篇文章有助于将这些发展置于更广阔的框架下进行理解。文章指出，人工智能的成功实施与其说是取决于技术获取，不如说是取决于准备情况、本地人力资源和政策协调，而下一个挑战并非采用本身，而是准备情况。结合贝莱德、英国倡议和联合国教科文组织观察站的相关研究，这一论点如今看来不再像是针对特定行业的观察，而更像是一种跨行业的模式。企业在工作流程整合和管理设计方面面临准备不足的瓶颈。政府在采购、评估和公众合法性方面面临准备不足的瓶颈。多边机构在协调和证据基础设施方面面临准备不足的瓶颈。在每种情况下，制约因素并非仅仅是模型能力，而是机构的准备情况。
四个条件将塑造人工智能应用的下一阶段。
第二点是治理。随着各机构从试点阶段过渡到更广泛推广，它们需要围绕责任、监督、测试和安全制定明确的规则。英国的这项举措强调教师合作、严格的测试、高安全标准和结构化的评估，这表明公共部门越来越重视治理，将其视为核心而非次要因素。
第三点是合法性。当受人工智能系统影响的人们理解其用途并信任其使用条件时，这些系统更有可能长久存在。这一点在课堂上至关重要，因为教师和学生要承担其后果；在工作场所也同样重要，因为员工需要确信人工智能是在负责任地增强工作，而不是随意地改变角色。以上案例均未完全解决这一挑战，但都指向了解决这一挑战的方向。
第四点是反馈循环。机构不仅需要证据证明人工智能能够产出，还需要证据证明它在实际条件下能够改善结果。英国的试点和基准测试机制、联合国教科文组织的观察站模式以及Merck从实际应用转向全球推广的举措都表明，围绕人工智能应用的学习系统正变得与工具本身同等重要。
真正的竞争不再仅仅关乎模型的性能。
在人工智能的讨论中，人们总是倾向于关注最新的模型或下一次功能飞跃。但这种视角正变得越来越不适用。更难也更重要的问题是，机构能否足够迅速地重新设计工作流程、治理、信任和证据实践，以跟上人工智能发展的步伐。人工智能的未来应用不仅仅取决于模型的功能，更取决于企业、政府和教育系统能否构建相应的制度环境，使这些功能切实可用、负责且惠及大众。