许多组织将人工智能融入业务工作流程的速度，超过了重新设计吸收人工智能所需系统的速度。<div><br></div><div>领导力困境日益凸显。企业可以采购模型、推出辅助驾驶程序、测试代理，并宣布人工智能转型计划。但更棘手的问题是，这些系统能否在实际工作中有效运作：包括审批、交接、数据定义、审查门槛、合规义务、管理结构以及用户职责等各个环节。</div><div><br></div><div>许多人工智能项目正是在这里开始走下坡路。问题不仅在于模型能力，更在于机构是否具备足够的实施纪律，以确保人工智能在实践中真正有用、安全、可衡量且合法。</div><div><br></div><div>近期种种迹象都指向同一个方向。 <a href="https://reuters.com/business/openai-creates-new-unit-with-4-billion-investment-aid-corporate-ai-push-2026-05-11" target="_blank" rel="noopener noreferrer">OpenAI 创建了一个新的部署公司</a>获得超过 40 亿美元的初始投资，旨在支持企业采用人工智能，并将部署专家嵌入到组织中。 <a href="tps://about.gitlab.com/blog/gitlab-act-2" target="_blank" rel="noopener noreferrer">GitLab 将转型描述为“第二幕”。</a> 其中包括将 R&amp;D 重组为更小的团队，并使用 AI 代理重新设计内部流程，涵盖审查、批准和交接。<a href="https://www.gartner.com/en/newsroom/press-releases/2026-05-11-gartner-says-lack-of-semantics-causes-inaccurate-artificial-intelligence-agents-and-wasted-spe" target="_blank" rel="noopener noreferrer"> Gartner警告称，忽视语义会导致人工智能代理不准确且效率低下。</a>这导致浪费性支出增加，数据和人工智能治理漏洞也日益凸显。欧盟委员会已就《人工智能法》第50条规定的透明度义务指南草案展开磋商，旨在帮助服务提供商和部署者满足透明度要求。</div><div><br></div><div>这些信号本身都不是决定性的。本咨询报告将它们视为一种实施模式的早期迹象，而非证明任何一家公司、供应商、分析师警告或法规将决定企业人工智能的未来。然而，这些信号共同表明，企业人工智能的采用正从工具获取阶段迈向一个更具挑战性的阶段：实施规范。</div>

在企业人工智能应用的第一波浪潮中，核心问题往往是获取途径：选择哪种模型、哪个平台、哪个辅助工具、哪种许可证、哪种生产力工具。这个问题依然重要，但已不再足够。<div><br></div><div>以部署为重点的各项举措的出现，例如OpenAI的部署公司，表明即使是前沿的AI供应商也意识到模型能力与企业价值之间存在差距。路透社报道称，新成立的部门旨在加速企业采用AI，包括收购AI咨询公司Tomoro，以及将AI工程师和部署专家派驻到客户组织内部。</div><div><br></div><div>重要的信号并非某家公司解决了企业部署问题，而是市场开始围绕实施层进行组织。</div><div><br></div><div>这一层是人工智能从演示走向生产的关键所在。它包括工作流程映射、数据集成、权限管理、人工审核、运行指标、安全控制、变更管理和治理设计。缺少这些条件，人工智能或许只能停留在实验阶段，而无法成为可靠的机构能力。</div><div><br></div><div>因此，下一个企业瓶颈不仅在于企业能否获得强大的AI系统，还在于企业能否将这些系统整合到自身的运营架构中。</div>

智能体人工智能使实施更加困难，而不是更容易。

智能体人工智能提高了实施规范的重要性，因为智能体不仅能够生成内容或回答问题，还能参与工作流程。<div><br></div><div>当人工智能系统开始支持审核、审批、交接、软件开发、候选人筛选、财务分析、客户服务或运营规划时，其应用问题就发生了变化。机构必须决定人工智能系统可以在哪些领域发挥作用、可以访问哪些资源、何时需要人工审核其输出、最终决策权归谁所有，以及如何上报错误。</div><div><br></div><div>GitLab 自己的“第二幕”帖子指出，它正在将 R&amp;D 重组为大约 60 个较小的团队，并使用 AI 代理重新设计内部流程，以实现审查、批准和交接的自动化。<a href="://www.businessinsider.com/gitlab-layoffs-memo-2026-5" target="_blank" rel="noopener noreferrer"> 《商业内幕》也报道了此事。</a> GitLab 的重组与迎接软件开发中的“智能体时代”息息相关，包括更扁平化的管理层级和更多人工智能驱动的内部流程。</div><div><br></div><div>应谨慎使用这一观点。GitLab 只是一个信号，而非通用模板。它并不能证明人工智能单独导致了组织架构的重组，也不能保证所有组织都会变得更加扁平化。但它阐明了一个更广泛的观点：一旦人工智能进入工作的协调层面，其具体实施就变成了一个组织设计问题。</div><div><br></div><div>这一点至关重要，因为许多企业仍然将人工智能的采用视为技术部署。智能体系统需要的不仅仅是用户访问权限，还需要新的规则来定义工作的分配、审核、批准、衡量和管理方式。</div>

隐藏的基础设施问题：企业意义

企业人工智能价值面临的最不易察觉的障碍之一是语义准备情况。<div><br></div><div>人工智能代理基于信息运行，但企业信息很少围绕共同含义进行组织。不同部门可能对同一术语有不同的理解。销售团队、财务团队和客户成功团队对“活跃客户”的定义可能各不相同。风险团队和业务部门可能对同一交易类别使用不同的标签。产品定义、合规标签、内部分类和流程名称在不同系统中可能不一致。</div><div><br></div><div>Gartner在2026年5月发布的警告中明确指出了这一实施问题：忽视语义会导致人工智能代理变得不准确、效率低下，使企业面临浪费支出以及数据和人工智能治理漏洞增加的风险。Gartner还指出，代理在工作流的每个步骤都需要上下文输入，才能以最优成本提供准确的响应。</div><div><br></div><div>这引出了一个更深层次的问题：人工智能的可靠性不仅取决于模型本身，还取决于组织意义基础设施的质量。如果人工智能代理无法可靠地解读其运行的业务环境，它可能会生成看似合理但实际上存在实际问题、难以审计或难以管控的输出结果。</div><div><br></div><div>这并不意味着语义基础设施本身就能解决代理可靠性问题。它并不能。但语义薄弱可能会使人工智能从生产力工具变成治理漏洞。想要拥有可靠的人工智能代理的企业需要的不仅仅是数据访问权限。他们需要的是共享的定义、清晰的分类法、可信的知识来源，以及能够在系统和团队之间保持一致理解的业务概念。</div><div><br></div><div>因此，实施方面的问题不仅是：“人工智能能否访问我们的数据？”，还包括：“我们的组织是否拥有足够连贯的意义系统，使人工智能能够在其中负责任地行事？”</div>

人工智能治理也正从原则走向操作规程。<div><br></div><div><a href="https://digital-strategy.ec.europa.eu/en/consultations/consultation-draft-guidelines-transparency-obligations-under-ai-act" target="_blank" rel="noopener noreferrer">欧盟委员会发布了指导方针草案。</a> 为征求对《人工智能法》第50条规定的透明度义务的意见，委员会于2026年5月8日至6月3日期间公开征求意见。委员会表示，该指导方针草案旨在帮助提供商和部署者满足《人工智能法》第50条规定的人工智能系统透明度要求。</div><div><br></div><div>由于该指导意见仍处于草案阶段，不应被视为最终法律。但作为一项实施信号，它意义重大。</div><div><br></div><div>这一趋势越来越不容忽视：透明度不再仅仅是一项政策声明。它可能需要切实可行的工作流程，包括用户披露、人工智能生成内容标注、文档编制、提供商与部署方责任划分，以及法律、产品、工程、沟通、数据和业务团队之间的协调。欧盟委员会的指南草案页面将其目的描述为向主管机构、提供商和部署方提供实用指导，以支持一致、有效和统一地履行《欧盟基本权利宪章》第50条规定的透明度义务。</div><div><br></div><div>这种转变对企业至关重要，因为透明度义务很容易被低估。一家公司可能制定了人工智能政策，但仍然缺乏相应的操作机制来回答一些基本问题：何时必须告知用户他们正在与人工智能交互？哪些输出需要标注？谁来判定内容是否由人工智能生成？披露信息存储在哪里？提供商和部署方如何划分责任？需要哪些文档？谁来监控流程是否有效？</div><div><br></div><div>在这个阶段，负责任的AI应用越来越需要透明化的运营。仅仅依靠法律解释是不够的。企业需要能够使透明化切实可行。</div>

由此得出的结论并非每个组织都需要庞大的AI官僚机构，而是AI的采用需要在多个层面进行规范管理，而这些层面通常是独立运作的。<div><br></div><div>首先，组织需要规范工作流程。他们必须明确人工智能在流程中的介入点、它改变的任务、它产生的输出、输出的所有权归属，以及引入人工智能后流程会发生哪些变化。如果工作流程不清晰，人工智能的应用就会变成零散的实验。</div><div><br></div><div>其次，他们需要完善的治理机制。权限、审查阈值、升级规则、审计跟踪、责任归属以及异常处理等要素，都必须在人工智能深度融入工作之前就设计好。治理不能仅仅停留在脱离实际部署的纸面上。</div><div><br></div><div>第三，它们需要语义规范。人工智能系统需要一致的业务含义。共享的定义、数据分类、知识结构和流程逻辑是可靠使用人工智能的先决条件，尤其是在智能体开始跨职能运行时。</div><div><br></div><div>第四，他们需要加强员工纪律。人工智能会改变角色、交接班、审查职责、管理层级和能力要求。如果组织在部署人工智能时没有重新设计工作流程，员工可能会面临预期不明确、工作重复、责任感减弱或不信任等问题。</div><div><br></div><div>第五，他们需要建立透明的纪律。信息披露、标签标注、文档记录、用户须知和合规工作流程必须转化为实际操作流程。透明不仅是一项需要倡导的原则，更是一个需要执行的过程。</div><div><br></div><div>这五种规范并非一套完整的操作指南，目前的证据还不够充分。但它们提供了一种实用的领导力诊断方法，用于评估人工智能项目是否已准备好从实验阶段过渡到规范化应用阶段。</div>

企业人工智能的应用正进入一个更加重要的阶段。<div><br></div><div>仅仅通过购置更强大的工具或宣布雄心勃勃的转型计划，组织不太可能从人工智能中获得持久价值。它们需要建立必要的运营规范，才能使人工智能在实际机构中有效运作。</div><div><br></div><div>这种纪律在部署架构、代理工作流重新设计、语义基础设施、治理问责制、劳动力协调和透明运营等方面越来越明显。</div><div><br></div><div>领导者面临的核心问题不再仅仅是：“我们应该使用哪种人工智能系统？”</div><div><br></div><div>问题正在变成：“我们的组织能否在实际工作中对人工智能进行管理、整合、解释和衡量？”</div><div><br></div><div>这就是企业正在面临的瓶颈。</div>

企业人工智能的采用已不再局限于工具获取。来自 GitLab、Gartner 和欧盟人工智能法案的最新信号表明，企业为何需要重新设计工作流程、语义就绪、代理治理等。

随着人工智能从工具访问转向部署公司、代理工作流程、语义系统和透明度义务，企业在规模化之前需要更严格的运营纪律。

来自 GitLab、Gartner 和欧盟委员会的最新信号表明，企业人工智能的应用正进入一个新阶段。挑战不再仅仅是企业能否获得强大的人工智能工具，而是能否重新设计工作流程、管理智能体、构建语义基础设施并落实透明度要求。

What OpenAI, GitLab, Gartner and the EU AI Act Reveal About the Next Enterprise AI Bottleneck

Stay ahead of the policy curve

Related analysis

AI in Education Policy: What Five Countries Reveal About Readiness, Inclusion and Implementation

China’s AI Education Transition: Rapid Adoption, Institutional Friction, and the Future of Assessment

Malaysia’s AI Education Push Is Real. Its Hardest Test Is Still Ahead

OpenAI、GitLab、Gartner 和欧盟人工智能法案揭示了企业人工智能的下一个瓶颈