IDC前高管称企业租用AI注定缺乏ROI 须将Agent嵌入专有流程

The Insight-To-Action Flywheel: How AI-Native Companies Win with Embedded Agents With IDC, A.Team — Ai4

Ai4

调用通用基础模型仅会让数据与学习价值流失给外部厂商,企业必须依托专有数据和人机协同工作流构建嵌入式智能体,才能形成可复利的竞争壁垒。

AI-assisted summary of The Insight-To-Action Flywheel: How AI-Native Companies Win with Embedded Agents With IDC, A.Team — original source. Check the original for full context.

Source published:

Detailed notes

## Background 本视频由 Ai4 于 2025 年 8 月 29 日在 YouTube 平台发布。视频内容为前 IDC 首席产品官、现 A.Team 执行顾问 Jim Spare 的主题演讲,主要探讨企业如何告别单纯“租用智能”的工具调用模式,通过将自主 Agent 深度嵌入业务工作流来构建具备自我进化能力的专有智能系统,从而跨越 AI 原型到高 ROI 生产环境的落地鸿沟。

## TL;DR Jim Spare 剖析了约 75% 的企业 AI 项目停留在原型阶段或无法实现可衡量 ROI 的核心原因,指出仅调用通用大模型属于将数据与学习价值流失给外部厂商的“租用智能”。他结合在 IDC 将 60 年沉淀数据打造为软件选型 Agent 产品的亲历经验,以及在医疗、快消、土木工程等领域的实战案例,拆解了结合 Human-in-the-Loop 机制的“从洞察到行动”(Insight-to-Action)飞轮模型。演讲强调,AI 原生企业的成功关键在于以专有数据为壁垒、与核心工作流紧密集成、以周为单位快速迭代,并最终建立起随着业务行动持续复利的组织专有智能资产。

## Atmosphere & style 整场演讲风格沉稳务实、直击痛点,开场的现场互动调研迅速打破了行业对 AI 繁荣的表面幻象,营造出极具说服力的求真氛围。作为拥有丰富企业管理与创业经验的老将,Jim 的叙述条理清晰且极具实战导向,既有高屋建瓴的战略模型提炼,又有细致到具体行业收益的量化数据支持。现场节奏紧凑明快,充满了一线构建者的敏锐洞察与务实笃定,能够让身处 AI 转型迷茫期的业务与技术决策者产生强烈的共鸣与行动紧迫感。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=2utRWU6AtBI&t=4s) 行业基准调研显示,约 75% 的企业正在尝试使用 AI,但仅有 1/3 能将项目推进至生产环境,最终仅有约半数项目能证明明确的商业 ROI。 - [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 企业实现 AI 价值面临四大核心阻碍:AI 专业人才匮乏、输出信任与量化评估困难、底层数据基础设施分散孤立,以及决策流程难以跟上技术极速迭代。 - [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 采购现成通用工具调用 API 属于“租用智能”,数据与学习复利全部回流给模型厂商;真正高 ROI 的企业专注于“构建智能”,将专有智能沉淀为自身竞争壁垒。 - [05:27](https://www.youtube.com/watch?v=2utRWU6AtBI&t=327s) IDC 实战案例表明,将数十年专有数据与具体采购工作流结合构建 Agent 系统,可将长达 6 个月的重大选型流程压缩至 6 周,供应商深度评估耗时从 5 周缩短至数小时。 - [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) 在低容错商业决策中,人机协同(Human-in-the-Loop)架构不可或缺,结合领域专家与终端用户的持续反馈,能借助强化学习机制形成自我进化的学习闭环。 - [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) “洞察到行动”(Insight-to-Action)框架推动系统从被动的单次问答交互,转变为主动整合全域数据、提炼商业洞察并直接驱动业务执行的智能伙伴。 - [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) AI 原生企业的四大核心支柱:独家数据是核心差异化壁垒、深度集成业务流程驱动 ROI、敏捷迭代以周为单位快速推进、崇尚实战构建而非方案纸上谈兵。 - [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) 企业在 AI 项目立项初期应明确回答三问:正在增强哪项人类业务流程、依托什么专有数据建立优势,以及如何在 90 天内衡量项目成功。 - [15:00](https://www.youtube.com/watch?v=2utRWU6AtBI&t=900s) 跨行业实战用例验证了 Agentic AI 的价值:医疗领域提升护士文档效率 40%,快消领域将数据分析从数天缩短至数小时,土木工程领域缩短 70% 报告生成时间并年省 600 万美元。 - [17:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=1053s) 企业在 AI 时代制胜的关键在于认知转变:AI 不仅是一个拿来使用的外部工具,而是企业必须主动构建并实现复合增长的核心能力。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=2utRWU6AtBI&t=4s) 讲者背景与现场调研:企业应用 AI 的现状与真实 ROI 困境

大会开场,Jim Spare 进行了简短的自我介绍。他在职业生涯中一直致力于推动颠覆性技术业务的增长,经历涵盖大型成熟企业与独立风投支持的初创企业。他曾先后任职于微软(Microsoft)、通用仪器(General Instrument)以及全球知名的市场研究机构 IDC,并担任过 IDC 的首席产品官(Chief Product Officer)。在他创立和参与的风险投资公司中,有成功也有失败,其中一家被微软收购,另一家则与沃尔玛(Walmart)合并成立了大型合资企业。目前,Jim 担任 A.Team 的执行顾问。A.Team 是一家专注于为企业将 Agentic AI(智能体系统)嵌入实际业务工作流的 AI 原生系统集成商。基于在第一线观察到的大量成功经验与落地痛点,Jim 希望在此分享关于企业如何真正实现 AI 价值的洞见。

为了解现场参会者的真实进展,Jim 向观众提出了三个层层递进的问题。首先,现场绝大多数人都举手表示所在企业目前正以某种形式使用 AI;然而,当问到有多少人将实验推进到了“超越原型、进入生产环境”阶段时,举手的人数明显减少;最后,当问及有多少人认为自己已经在大规模生产中“成功证明了投资回报率(ROI)”时,现场只剩下寥寥几人。

Jim 指出,现场的举手情况与麦肯锡(McKinsey)和波士顿咨询(BCG)等机构的行业调研基准高度吻合。行业数据显示,约有四分之三的企业正在探索或使用 AI,但这其中仅有三分之一能将原型推进至实际生产环境;而在进入生产环境的项目中,又只有半数能够真正实现可衡量的业务 ROI。这说明绝大多数企业仍处于 AI 转型的早期阶段,普遍面临着难以获取实质商业价值的挑战。

- 行业基准现状:约 75% 的企业在使用 AI,仅 1/3 推进至生产环境,其中仅 50% 实现了清晰的业务 ROI。 - 演讲核心主旨:剖析 AI 原生企业的核心差异,讲解如何构建能够“随着每次行动不断自我进化”的智能体架构,并将 AI 沉淀为组织的核心能力。

---

[02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 企业的四大价值阻碍与“租用智能”的认知陷阱

企业在尝试构建 AI 系统时,通常会遭遇四大核心价值阻碍(Value Blockers)。第一是 AI 专业人才的匮乏(Elusive Expertise),多数企业缺乏实现其宏大 AI 目标的技术储备;第二是 AI 的信任与评估难题(Trust & Evaluation),除了众所周知的模型幻觉问题外,企业很难对 AI 系统的输出进行科学量化评估,无法评估就极难建立起充分的商业投资论证;第三是底层数据基础设施薄弱(Data Foundations),绝大部分企业的数据资产处于分散、孤立状态,尚未做好接入 AI 的准备;第四则是技术迭代节奏极快(Rapid Pace),正如业内常调侃的“距离上一次 AI 重磅发布才过去零天”,而传统的企业决策流程根本无法跟上这种演进速度。

受制于这些阻碍,绝大多数企业的应对方式是直接采购市面上现成的通用工具,并试图将它们硬塞进现有的业务流程中。然而,这种做法的直接后果是“通用的工具只能产生通用的平庸结果”。Jim 强调,这种模式在本质上属于“租用智能”(Renting Intelligence)而非“构建智能”(Building Intelligence)。

当企业仅仅通过 API 调用基础大模型时,实质上只是在租用模型厂商的算力与智力。企业投入的每一笔费用,其产生的学习反馈和数据复利全部回流给了模型供应商,自身并没有沉淀下任何随时间复合增长的专有能力。相比之下,真正实现高 ROI 的领先企业从一开始就专注于“构建智能”:将自主 Agent 深度嵌入到具体的工作流中,让系统在自身专有业务语境中不断学习,使得 AI 随着每次业务操作变得更加聪明,最终将专有智能沉淀为坚不可摧的竞争护城河。

```mermaid flowchart TD accTitle: Renting Intelligence vs Building Intelligence subgraph Renting["租用智能 (Renting Intelligence)"] R1["单次 API 调用 / 通用工具"] --> R2["生成通用结果"] R2 --> R3["数据与学习价值流失给外部厂商"] end

subgraph Building["构建智能 (Building Intelligence)"] B1["专有数据与工作流"] --> B2["嵌入式 Agent 智能体系统"] B2 --> B3["业务行动与人机反馈"] B3 --> B4["专有智能持续复利,形成竞争壁垒"] B4 --> B2 end ```

- 阻碍价值变现的四大难题:人才短缺、信任与评估困难、数据底座薄弱、技术演进过快。 - 租用智能的弊端:企业付出的成本无法形成学习闭环,技术资产与经验积累全部归属于基础模型供应商。 - 智能体系统的转变路径:从被动的提示词问答转向主动检测业务信号、记住行为模式、深度融入现有流程并实现持续改进。

---

[05:27](https://www.youtube.com/watch?v=2utRWU6AtBI&t=327s) IDC 实操案例:将 60 年沉淀数据转化为全新 AI 产品

为了直观呈现这一转变,Jim 分享了自己在 IDC 担任首席产品官期间亲历的实战案例。作为一家拥有 60 年历史的全球市场情报巨头,IDC 积累了海量关于科技市场、产品、服务以及客户落地案例的专有数据。然而,当管理团队希望拥抱 AI 时,他们同样面临着上述全部四大阻碍:缺乏 AI 专长、必须快速行动、数据高度分散在几十个内部数据库、PDF 文档和分析师笔记中。

IDC 选择与 A.Team 合作,在短短 8 周内开发出了一个工作原型(Prototype)。该原型接入了 IDC 的多源异构数据,使用户(包括内部员工和外部客户)能够直接对该专有数据库进行自然语言查询,并获得基于独家洞察的高质量智能回复。这个原型的成功不仅验证了可行性,更为团队指明了后续的三条业务发展跑道(Lanes):

1. **开发全新产品**:打造全新的 AI 原生产品并直接对外商业化销售。 2. **赋能核心业务**:加速分析师团队撰写市场调研报告与交付数据的全流程。 3. **优化内部职能**:在财务、人力资源、销售等职能部门中落地 AI 自动化。

IDC 决定首先聚焦于最具商业价值的第一条跑道——打造一款全新的数字化产品,解决 IT 高管在软件采购中的决策痛点。过去,企业选型一套核心业务软件(如 ERP)是一项重度依赖人工咨询、流程极度漫长的业务,涉及定义目标、了解品类供应商、明确技术需求、筛选候选名单、最终定选与商务谈判等标准环节。IDC 没有做一个空洞的聊天框界面,而是严格按照该采购工作流构建了一个 Agent 辅助系统,大幅降低了用户的学习门槛并最大化了系统采纳率。

产品上线后获得了早期客户的极高评价。客户反馈显示,原先耗时可能长达 6 个月的重大软件采购选型流程,通过该平台有望缩短至 6 周;其中最耗费人力与数据分析时间的“供应商深度评估”阶段,直接从原先的 5 周大幅压缩至数小时以内。

- 原型开发周期:借助 A.Team 的工程能力,仅用 8 周时间即完成多源数据接入原型的构建。 - 业务效率提升:软件采购选型全周期从 6 个月缩短至 6 周,核心评估分析阶段由 5 周压缩至数小时。 - 成功关键:将 AI 与已有的成熟业务流程精密结合,依托独家数据解决高价值业务痛点。

---

[10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) Human-in-the-Loop 架构与“洞察到行动”框架

Jim 进一步拆解了该系统的架构设计逻辑。在最高层面上,系统的运作分为两步:第一,理解并结构化处理海量的非结构化与半结构化数据;第二,提炼出可操作的商业洞察,驱动符合业务目标的实际行动。然而,像更换企业 ERP 系统这种耗资数百万美元且影响未来多年的重大决策,客户对准确性的容错率极低,系统必须具备绝对的公信力与品牌信任度。

为了保证输出质量,系统在架构上深度引入了“人机协同”(Human-in-the-Loop, HITL)机制。最初,系统生成的推荐由 IDC 资深分析师进行审核,确认“基于这些数据,我是否也会给出相同的建议”;随后,这种反馈机制延伸到了实际使用的终端用户,用户在工作流的各个关键节点与最终结果上给予即时反馈。这种机制将强化学习(RL)深度融入系统运行中,不仅保障了严谨度,还构建起了一个不断学习的反馈闭环,持续积累专有智能。

基于此类实践,A.Team 总结出了一套普适性的系统构建框架:

```mermaid flowchart LR accTitle: Insight-to-Action Framework subgraph DataLayer["1. 数据连接"] D1["结构化数据"] D2["半/非结构化数据"] D3["行业专属语料"] end

subgraph AgentLayer["2. 智能提炼"] A1["Agent 整合与分析"] A2["生成业务洞察"] end

subgraph HumanLayer["3. 人机闭环"] H1["人类专家校验"] H2["用户行为反馈"] end

subgraph ActionLayer["4. 业务行动与复利"] ACT["执行业务动作"] COMP["专有智能持续复利"] end

DataLayer --> AgentLayer AgentLayer --> HumanLayer HumanLayer -->|"优化反馈"| AgentLayer HumanLayer --> ActionLayer ActionLayer -->|"强化学习循环"| AgentLayer ```

- **全域数据打通**:将结构化、半结构化与非结构化数据清洗并统一暴露给智能体。 - **自主提炼洞察**:AI 持续分析全量信息并主动提炼出商业洞察。 - **专家参与校验**:结合人类专家与终端用户的反馈,校准并强化模型表现。 - **驱动业务落地**:系统或业务人员依据洞察采取行动,随着行动次数的增加,专有智能持续复利。 - **主动型工作流协作**:摒弃“提问-等待单次回复”的被动交互模式,让 Agent 成为工作流中主动提供决策支持与内容生成的业务伙伴。

---

[13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) AI 原生企业的四大核心支柱与启动三问

要在激烈的技术变革中真正成为一家“AI 原生”企业,组织需要牢牢确立四大核心支柱:

1. **数据是核心差异化壁垒(Data is your differentiator)**:通用的基础模型人人可用,唯有企业沉淀的独家专有数据与独特工作流逻辑,才是不可复制的竞争护城河。 2. **深度集成驱动真正 ROI(Integration drives ROI)**:AI 智能体系统与现有核心业务工作流整合得越紧密,产生实际投资回报的速度就越快。 3. **敏捷迭代以速度致胜(Speed wins)**:在 AI 时代,最小可行性产品(MVP)与功能迭代的周期应当以“周”为单位计算,而不是以“月”为单位。 4. **重视实战构建而非纸上谈兵(Builders over slides)**:真正成功的公司不会停留在方案汇报和 PPT 上,而是迅速将可用系统交到一线用户手中,在真实互动中摸清用户痛点、系统边界与产品能力。

为了帮助企业清晰地开启这段转型旅程,Jim 建议业务领导者在立项初期必须明确回答三个关键问题: - **我们正在增强哪项人类业务流程?**(What human process are we augmenting?) - **我们正在利用什么专有数据来建立竞争优势?**(What proprietary data gives us an advantage in doing this?) - **我们打算如何在 90 天内衡量该项目的成功?**(How do we want to measure success in 90 days?)

---

[15:00](https://www.youtube.com/watch?v=2utRWU6AtBI&t=900s) 跨行业落地的 Agentic AI 实战用例

除了 IDC 的软件选型案例外,Jim 还分享了 A.Team 在医疗、消费品和土木工程等不同行业落地的三个具体案例:

- **大型医疗系统服务商(Healthcare)**:该机构面临的巨大痛点是护士需要耗费海量时间撰写临床文档,尤其是涉及复杂合规与保险索赔的文档,同时必须严格满足 HIPAA 隐私保护标准。团队构建了一套 Agentic 解决方案实现文档撰写自动化,在 4 个月内交付了 MVP,最终使护士的工作效率提升了 40%。 - **大型快速消费品公司(CPG)**:该企业在某关键区域的季度销售额持续下滑却找不到根因。尽管拥有海量数据,但传统的 IT 架构与静态分析流程极为迟缓,出具一份多源分析报告往往需要数天。团队通过在财务与营销工作流中嵌入定制 AI Agent,自动拉取多源异构数据,将原本静态的滞后分析转变为近乎实时的洞察输出,将分析周期由数天直接压缩至数小时。 - **大型土木工程咨询公司(Civil Engineering)**:任何大型工程或土地交易前,都必须进行耗时极长的前置环节——环境场地评估(Environmental Site Assessment, ESA)。该环节涉及跨联邦与各州的繁琐法规,且现场环境数据极其复杂,过去完全依赖领域专家(SME)耗费数周手工查阅、比对并撰写报告。团队构建了一套能够解析各项法规并关联特定场地数据的 Agentic 系统,自动起草评估报告供专家审核确认。这套系统将报告生成时间缩减了 70%,并立即为该企业每年节省了 600 万美元的运营成本。

---

[17:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=1053s) 打造 AI 原生飞轮:从“租用 AI”迈向“拥有 AI”

在演讲的尾声,Jim 总结了 AI 原生飞轮(AI-Native Flywheel)的运转机理:通过 Agent 连接碎片化系统中的多维数据,将智能洞察实时推送到业务第一线;一线团队基于这些洞察迅速采取行动——无论是自动生成合规内容、辅助重大采购决策,还是自动化业务审批流;而随着每一个行动的发生,系统通过反馈闭环变得更加聪明。这种机制最终在企业内部构建起一个具备未来扩展性的专有智能层,持续拓宽竞争护城河。

Jim 总结道,在这场技术变革中能够脱颖而出的企业,往往既不是资金最雄厚的巨头,也不是理论最高深的公司,而是那些在认知层面上发生根本转变的组织。他们深刻意识到:

> "AI is not a tool that you use. AI is a capability that you build."(AI 不仅仅是一个你拿来使用的工具,而是你需要主动构建的核心能力。)

领先的企业正在停止“租用 AI”,并坚定地走向“拥有 AI 与专有智能”。演讲在现场热烈的掌声中结束,Jim 邀请有兴趣深入探讨的企业在会后及展台进一步交流。

## Notable quotes > [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 通用的工具只能产生通用的平庸结果 — Jim Spare

> [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 距离上一次 AI 重磅发布才过去零天 — Jim Spare

> [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) 基于这些数据,我是否也会给出相同的建议 — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Data is your differentiator(数据是核心差异化壁垒) — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Integration drives ROI(深度集成驱动真正 ROI) — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Speed wins(敏捷迭代以速度致胜) — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Builders over slides(重视实战构建而非纸上谈兵) — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) What human process are we augmenting?(我们正在增强哪项人类业务流程?) — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) What proprietary data gives us an advantage in doing this?(我们正在利用什么专有数据来建立竞争优势?) — Jim Spare

> [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) How do we want to measure success in 90 days?(我们打算如何在 90 天内衡量该项目的成功?) — Jim Spare

> [17:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=1053s) AI is not a tool that you use. AI is a capability that you build.(AI 不仅仅是一个你拿来使用的工具,而是你需要主动构建的核心能力。) — Jim Spare

## Mentioned Jim Spare, IDC, A.Team, 微软 (Microsoft), 通用仪器 (General Instrument), 沃尔玛 (Walmart), 麦肯锡 (McKinsey), 波士顿咨询 (BCG), HIPAA, ERP

## Video description Jim Spare, CxO, f. Chief Product Officer at IDC, A.Team

Abstract

Most enterprises are stuck renting intelligence, using AI tools without building lasting value. Learn why 75% of AI pilots fail and how the winning 25% build learning systems that improve with every interaction. Discover how top companies are turning decades of disparate data into real-time intelligence, plus real-world use cases across healthcare, finance, and manufacturing that showcase the shift from disconnected tools to embedded learning systems. Stop experimenting. Start compounding. See how AI-Native companies win.

[Source](https://www.youtube.com/watch?v=2utRWU6AtBI)

中文简报

IDC 的 Jim Spare 表示 87.5% 的企业 AI 试点未能产生投资回报 现成的 AI 模型无法创造长期价值,企业需构建嵌入式且经人类验证的智能体工作流,以将专有数据转化为具备复利效应的竞争壁垒。 Jim Spare 探讨了广泛的 AI 实验与企业实际实现投资回报(ROI)之间的脱节,指出尽管 75% 的企业在使用 AI,但仅有 12.5% 实现了规模化的 ROI。他将通过调用通用 LLM API 的“租用智能”,与通过嵌入式自主智能体及专有人机协同(human-in-the-loop)反馈闭环构建的“自建智能”进行了对比。结合 IDC、医疗、消费品和土木工程等领域的案例,Spare 阐释了包含“连接数据、呈现洞察、验证与学习、执行行动”的四阶段框架,旨在大幅加速工作流并打造持久的竞争护城河。 尽管 75% 的企业已开始使用 AI,但仅有 25% 成功进入生产阶段,最终只有 12.5% 能够实现规模化的投资回报率(ROI)。 (0:04) 直接调用开箱即用的通用大模型本质上属于“租用智能”,由于无法沉淀专属能力,企业难以建立竞争壁垒,而 AI 原生企业正通过将自主智能体嵌入业务流程来“构建智能”。 (0:38) IDC 与 A.Team 合作在 8 周内完成原型开发,将 60 年的市场数据资产整合进采购流程,使软件选型周期从 6 个月缩短至 6 周,评估阶段从 5 周缩短至数小时。 (5:27) 嵌入式智能体架构依靠连接分散数据、主动挖掘洞察、结合专家与用户的 RLHF 人机协作验证,并在业务工作流中直接触发自动化执行动作。 (10:05) 多场景落地案例显示,定制化嵌入智能体已助力医疗机构提升护士 40% 的生产力,并将工程咨询公司的环境评估报告耗时减少 70%,每年直接节省 600 万美元成本。 (13:13)

精炼阅读摘要

A.Team执行顾问兼IDC前首席产品官Jim Spare指出,多数企业受困于人才与数据壁垒,导致AI实验难以转化为可规模化的投资回报;企业若要突围,必须从调用通用API的“租用智能”转向把自主智能体深度融入业务流的“构建智能”,通过私有数据与人机协同反馈构筑复合竞争壁垒。 AI落地的价值转化断层与核心阻碍 (0:04) 尽管企业普遍开启了AI技术探索,但从实验走向实际业务价值的过程中存在显著断层。Spare援引麦肯锡与波士顿咨询(BCG)的市场数据指出,约有75%的企业报告以某种形式使用AI,然而仅有25%(约占使用者的三分之一)能从原型测试推进至生产环境,最终仅有12.5%(约占进入生产阶段企业的一半)能够在大规模部署中切实证明可衡量的商业投资回报率(ROI)。 这种价值耗损源于企业普遍面临的四大核心阻碍:首先是内部极度缺乏能够设计并实施专业AI架构的复合型人才;其次是对模型准确性评估困难以及模型幻觉问题,使得建立正式的投资论证与信任机制充满挑战;第三是企业内部四处分散的数据孤岛阻碍了动态AI工作流所需的数据整合;最后则是AI技术的超快迭代速度与企业漫长的决策周期之间存在剧烈脱节。 “租用智能”与“构建智能”的战略差异 (0:38) 面对落地阻碍,许多企业倾向于依赖现成的通用工具,但Spare指出这往往只能获得平庸的结果。他将直接调用通用大语言模型(LLM)API的做法比作“租用智能”。在这种模式下,企业花费在API调用上的资金仅能获得短暂且一次性的回答,系统性价值无法在企业内部沉淀,反而是模型提供商在交互中不断积累复合学习,企业自身未能建立任何技术护城河。 与之相对,AI原生企业主张“构建智能”,其核心是将自主智能体(Autonomous Agents)直接嵌入到企业的实际业务工作流中。通过这种方式,企业的日常业务操作能够转化为可持续积累的专有反馈闭环,推动内部数据资产与工作流知识在本地持续增值,进而建立起难以被复制的长期竞争壁垒。 IDC转型实践与人机协同闭环 (5:27) 在IDC的转型案例中,该市场研究机构拥有60多年积累在PDF、分析师笔记和数十个分散数据库中的专有资产。面对四大阻碍,IDC与A.Team合作在8周内构建了一个可运行的原型,使用户能够基于IDC专属数据获得精准回答。基于此,IDC开辟了新产品开发、核心研究报告流程加速与内部职能工作流优化三大战略赛道,并重点推出了一款AI原生SaaS产品,端到端辅助企业IT高管的软件采购流程。该产品将软件选型周期从6个月缩短至6周,并将数据密集型评估阶段从5周压缩至数小时。 为了保障ERP选型等高风险决策的准确性,IDC部署了“人机协同(Human-in-the-Loop)”反馈架构。分析师首先根据专家结论评估智能体生成的建议,随后系统在工作流内直接收集终端用户的交互反馈。这套机制通过人类反馈强化学习(RLHF),使企业的专有智能层在每一次实际交互中持续演进优化。 嵌入式智能体框架与跨行业落地效益 (13:13) A.Team总结的嵌入式智能体系统涵盖四阶段框架:打通分散的数据孤岛(Connect Data)、驱动智能体主动发现模式(Surface Insights)、依托人工验证持续强化系统学习(Validate & Learn),并在标准运营流程内触发下游业务动作(Execute Action)。Spare强调,企业推进AI原生化需遵循四项原则:视专有数据为根本护城河、通过无缝工作流集成驱动ROI、以周为单位快速原型迭代,以及重视实战部署而非停留在演示幻灯片。 这一模式在多个行业取得了具体效益:在医疗保健领域,定制智能体协助护士在HIPAA合规约束下自动化生成保险理赔记录,MVP开发仅耗时4个月,将护理生产力提升了40%;在跨国消费品企业中,智能体嵌入财务与营销流实时分析区域销售下滑原因,将报表周期从数天缩短至数小时;在土木工程公司中,智能体协助解析环境法规与地块档案并起草环境评估报告草案,单份报告耗时减少70%,每年直接节省成本600万美元。 Spare总结建议,企业决策者在启动AI项目前必须明确三项核心问题:该项目具体增强了哪项人类工作流程、企业拥有哪些赋予自身优势的专有数据,以及如何在90天内明确衡量成功。领先企业必须将AI视为自身必须构建并掌控的核心组织能力,而非向外部租赁的通用外购软件。

Detailed notes — zh

## Background 本视频由 Ai4 于 2025 年 8 月 29 日在 YouTube 平台发布。视频内容为前 IDC 首席产品官、现 A.Team 执行顾问 Jim Spare 的主题演讲,主要探讨企业如何告别单纯“租用智能”的工具调用模式,通过将自主 Agent 深度嵌入业务工作流来构建具备自我进化能力的专有智能系统,从而跨越 AI 原型到高 ROI 生产环境的落地鸿沟。 ## TL;DR Jim Spare 剖析了约 75% 的企业 AI 项目停留在原型阶段或无法实现可衡量 ROI 的核心原因,指出仅调用通用大模型属于将数据与学习价值流失给外部厂商的“租用智能”。他结合在 IDC 将 60 年沉淀数据打造为软件选型 Agent 产品的亲历经验,以及在医疗、快消、土木工程等领域的实战案例,拆解了结合 Human-in-the-Loop 机制的“从洞察到行动”(Insight-to-Action)飞轮模型。演讲强调,AI 原生企业的成功关键在于以专有数据为壁垒、与核心工作流紧密集成、以周为单位快速迭代,并最终建立起随着业务行动持续复利的组织专有智能资产。 ## Atmosphere & style 整场演讲风格沉稳务实、直击痛点,开场的现场互动调研迅速打破了行业对 AI 繁荣的表面幻象,营造出极具说服力的求真氛围。作为拥有丰富企业管理与创业经验的老将,Jim 的叙述条理清晰且极具实战导向,既有高屋建瓴的战略模型提炼,又有细致到具体行业收益的量化数据支持。现场节奏紧凑明快,充满了一线构建者的敏锐洞察与务实笃定,能够让身处 AI 转型迷茫期的业务与技术决策者产生强烈的共鸣与行动紧迫感。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=2utRWU6AtBI&t=4s) 行业基准调研显示,约 75% 的企业正在尝试使用 AI,但仅有 1/3 能将项目推进至生产环境,最终仅有约半数项目能证明明确的商业 ROI。 - [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 企业实现 AI 价值面临四大核心阻碍:AI 专业人才匮乏、输出信任与量化评估困难、底层数据基础设施分散孤立,以及决策流程难以跟上技术极速迭代。 - [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 采购现成通用工具调用 API 属于“租用智能”,数据与学习复利全部回流给模型厂商;真正高 ROI 的企业专注于“构建智能”,将专有智能沉淀为自身竞争壁垒。 - [05:27](https://www.youtube.com/watch?v=2utRWU6AtBI&t=327s) IDC 实战案例表明,将数十年专有数据与具体采购工作流结合构建 Agent 系统,可将长达 6 个月的重大选型流程压缩至 6 周,供应商深度评估耗时从 5 周缩短至数小时。 - [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) 在低容错商业决策中,人机协同(Human-in-the-Loop)架构不可或缺,结合领域专家与终端用户的持续反馈,能借助强化学习机制形成自我进化的学习闭环。 - [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) “洞察到行动”(Insight-to-Action)框架推动系统从被动的单次问答交互,转变为主动整合全域数据、提炼商业洞察并直接驱动业务执行的智能伙伴。 - [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) AI 原生企业的四大核心支柱:独家数据是核心差异化壁垒、深度集成业务流程驱动 ROI、敏捷迭代以周为单位快速推进、崇尚实战构建而非方案纸上谈兵。 - [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) 企业在 AI 项目立项初期应明确回答三问:正在增强哪项人类业务流程、依托什么专有数据建立优势,以及如何在 90 天内衡量项目成功。 - [15:00](https://www.youtube.com/watch?v=2utRWU6AtBI&t=900s) 跨行业实战用例验证了 Agentic AI 的价值:医疗领域提升护士文档效率 40%,快消领域将数据分析从数天缩短至数小时,土木工程领域缩短 70% 报告生成时间并年省 600 万美元。 - [17:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=1053s) 企业在 AI 时代制胜的关键在于认知转变:AI 不仅是一个拿来使用的外部工具,而是企业必须主动构建并实现复合增长的核心能力。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=2utRWU6AtBI&t=4s) 讲者背景与现场调研:企业应用 AI 的现状与真实 ROI 困境 大会开场,Jim Spare 进行了简短的自我介绍。他在职业生涯中一直致力于推动颠覆性技术业务的增长,经历涵盖大型成熟企业与独立风投支持的初创企业。他曾先后任职于微软(Microsoft)、通用仪器(General Instrument)以及全球知名的市场研究机构 IDC,并担任过 IDC 的首席产品官(Chief Product Officer)。在他创立和参与的风险投资公司中,有成功也有失败,其中一家被微软收购,另一家则与沃尔玛(Walmart)合并成立了大型合资企业。目前,Jim 担任 A.Team 的执行顾问。A.Team 是一家专注于为企业将 Agentic AI(智能体系统)嵌入实际业务工作流的 AI 原生系统集成商。基于在第一线观察到的大量成功经验与落地痛点,Jim 希望在此分享关于企业如何真正实现 AI 价值的洞见。 为了解现场参会者的真实进展,Jim 向观众提出了三个层层递进的问题。首先,现场绝大多数人都举手表示所在企业目前正以某种形式使用 AI;然而,当问到有多少人将实验推进到了“超越原型、进入生产环境”阶段时,举手的人数明显减少;最后,当问及有多少人认为自己已经在大规模生产中“成功证明了投资回报率(ROI)”时,现场只剩下寥寥几人。 Jim 指出,现场的举手情况与麦肯锡(McKinsey)和波士顿咨询(BCG)等机构的行业调研基准高度吻合。行业数据显示,约有四分之三的企业正在探索或使用 AI,但这其中仅有三分之一能将原型推进至实际生产环境;而在进入生产环境的项目中,又只有半数能够真正实现可衡量的业务 ROI。这说明绝大多数企业仍处于 AI 转型的早期阶段,普遍面临着难以获取实质商业价值的挑战。 - 行业基准现状:约 75% 的企业在使用 AI,仅 1/3 推进至生产环境,其中仅 50% 实现了清晰的业务 ROI。 - 演讲核心主旨:剖析 AI 原生企业的核心差异,讲解如何构建能够“随着每次行动不断自我进化”的智能体架构,并将 AI 沉淀为组织的核心能力。 --- ### [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 企业的四大价值阻碍与“租用智能”的认知陷阱 企业在尝试构建 AI 系统时,通常会遭遇四大核心价值阻碍(Value Blockers)。第一是 AI 专业人才的匮乏(Elusive Expertise),多数企业缺乏实现其宏大 AI 目标的技术储备;第二是 AI 的信任与评估难题(Trust & Evaluation),除了众所周知的模型幻觉问题外,企业很难对 AI 系统的输出进行科学量化评估,无法评估就极难建立起充分的商业投资论证;第三是底层数据基础设施薄弱(Data Foundations),绝大部分企业的数据资产处于分散、孤立状态,尚未做好接入 AI 的准备;第四则是技术迭代节奏极快(Rapid Pace),正如业内常调侃的“距离上一次 AI 重磅发布才过去零天”,而传统的企业决策流程根本无法跟上这种演进速度。 受制于这些阻碍,绝大多数企业的应对方式是直接采购市面上现成的通用工具,并试图将它们硬塞进现有的业务流程中。然而,这种做法的直接后果是“通用的工具只能产生通用的平庸结果”。Jim 强调,这种模式在本质上属于“租用智能”(Renting Intelligence)而非“构建智能”(Building Intelligence)。 当企业仅仅通过 API 调用基础大模型时,实质上只是在租用模型厂商的算力与智力。企业投入的每一笔费用,其产生的学习反馈和数据复利全部回流给了模型供应商,自身并没有沉淀下任何随时间复合增长的专有能力。相比之下,真正实现高 ROI 的领先企业从一开始就专注于“构建智能”:将自主 Agent 深度嵌入到具体的工作流中,让系统在自身专有业务语境中不断学习,使得 AI 随着每次业务操作变得更加聪明,最终将专有智能沉淀为坚不可摧的竞争护城河。 ```mermaid flowchart TD accTitle: Renting Intelligence vs Building Intelligence subgraph Renting["租用智能 (Renting Intelligence)"] R1["单次 API 调用 / 通用工具"] --> R2["生成通用结果"] R2 --> R3["数据与学习价值流失给外部厂商"] end subgraph Building["构建智能 (Building Intelligence)"] B1["专有数据与工作流"] --> B2["嵌入式 Agent 智能体系统"] B2 --> B3["业务行动与人机反馈"] B3 --> B4["专有智能持续复利,形成竞争壁垒"] B4 --> B2 end ``` - 阻碍价值变现的四大难题:人才短缺、信任与评估困难、数据底座薄弱、技术演进过快。 - 租用智能的弊端:企业付出的成本无法形成学习闭环,技术资产与经验积累全部归属于基础模型供应商。 - 智能体系统的转变路径:从被动的提示词问答转向主动检测业务信号、记住行为模式、深度融入现有流程并实现持续改进。 --- ### [05:27](https://www.youtube.com/watch?v=2utRWU6AtBI&t=327s) IDC 实操案例:将 60 年沉淀数据转化为全新 AI 产品 为了直观呈现这一转变,Jim 分享了自己在 IDC 担任首席产品官期间亲历的实战案例。作为一家拥有 60 年历史的全球市场情报巨头,IDC 积累了海量关于科技市场、产品、服务以及客户落地案例的专有数据。然而,当管理团队希望拥抱 AI 时,他们同样面临着上述全部四大阻碍:缺乏 AI 专长、必须快速行动、数据高度分散在几十个内部数据库、PDF 文档和分析师笔记中。 IDC 选择与 A.Team 合作,在短短 8 周内开发出了一个工作原型(Prototype)。该原型接入了 IDC 的多源异构数据,使用户(包括内部员工和外部客户)能够直接对该专有数据库进行自然语言查询,并获得基于独家洞察的高质量智能回复。这个原型的成功不仅验证了可行性,更为团队指明了后续的三条业务发展跑道(Lanes): 1. **开发全新产品**:打造全新的 AI 原生产品并直接对外商业化销售。 2. **赋能核心业务**:加速分析师团队撰写市场调研报告与交付数据的全流程。 3. **优化内部职能**:在财务、人力资源、销售等职能部门中落地 AI 自动化。 IDC 决定首先聚焦于最具商业价值的第一条跑道——打造一款全新的数字化产品,解决 IT 高管在软件采购中的决策痛点。过去,企业选型一套核心业务软件(如 ERP)是一项重度依赖人工咨询、流程极度漫长的业务,涉及定义目标、了解品类供应商、明确技术需求、筛选候选名单、最终定选与商务谈判等标准环节。IDC 没有做一个空洞的聊天框界面,而是严格按照该采购工作流构建了一个 Agent 辅助系统,大幅降低了用户的学习门槛并最大化了系统采纳率。 产品上线后获得了早期客户的极高评价。客户反馈显示,原先耗时可能长达 6 个月的重大软件采购选型流程,通过该平台有望缩短至 6 周;其中最耗费人力与数据分析时间的“供应商深度评估”阶段,直接从原先的 5 周大幅压缩至数小时以内。 - 原型开发周期:借助 A.Team 的工程能力,仅用 8 周时间即完成多源数据接入原型的构建。 - 业务效率提升:软件采购选型全周期从 6 个月缩短至 6 周,核心评估分析阶段由 5 周压缩至数小时。 - 成功关键:将 AI 与已有的成熟业务流程精密结合,依托独家数据解决高价值业务痛点。 --- ### [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) Human-in-the-Loop 架构与“洞察到行动”框架 Jim 进一步拆解了该系统的架构设计逻辑。在最高层面上,系统的运作分为两步:第一,理解并结构化处理海量的非结构化与半结构化数据;第二,提炼出可操作的商业洞察,驱动符合业务目标的实际行动。然而,像更换企业 ERP 系统这种耗资数百万美元且影响未来多年的重大决策,客户对准确性的容错率极低,系统必须具备绝对的公信力与品牌信任度。 为了保证输出质量,系统在架构上深度引入了“人机协同”(Human-in-the-Loop, HITL)机制。最初,系统生成的推荐由 IDC 资深分析师进行审核,确认“基于这些数据,我是否也会给出相同的建议”;随后,这种反馈机制延伸到了实际使用的终端用户,用户在工作流的各个关键节点与最终结果上给予即时反馈。这种机制将强化学习(RL)深度融入系统运行中,不仅保障了严谨度,还构建起了一个不断学习的反馈闭环,持续积累专有智能。 基于此类实践,A.Team 总结出了一套普适性的系统构建框架: ```mermaid flowchart LR accTitle: Insight-to-Action Framework subgraph DataLayer["1. 数据连接"] D1["结构化数据"] D2["半/非结构化数据"] D3["行业专属语料"] end subgraph AgentLayer["2. 智能提炼"] A1["Agent 整合与分析"] A2["生成业务洞察"] end subgraph HumanLayer["3. 人机闭环"] H1["人类专家校验"] H2["用户行为反馈"] end subgraph ActionLayer["4. 业务行动与复利"] ACT["执行业务动作"] COMP["专有智能持续复利"] end DataLayer --> AgentLayer AgentLayer --> HumanLayer HumanLayer -->|"优化反馈"| AgentLayer HumanLayer --> ActionLayer ActionLayer -->|"强化学习循环"| AgentLayer ``` - **全域数据打通**:将结构化、半结构化与非结构化数据清洗并统一暴露给智能体。 - **自主提炼洞察**:AI 持续分析全量信息并主动提炼出商业洞察。 - **专家参与校验**:结合人类专家与终端用户的反馈,校准并强化模型表现。 - **驱动业务落地**:系统或业务人员依据洞察采取行动,随着行动次数的增加,专有智能持续复利。 - **主动型工作流协作**:摒弃“提问-等待单次回复”的被动交互模式,让 Agent 成为工作流中主动提供决策支持与内容生成的业务伙伴。 --- ### [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) AI 原生企业的四大核心支柱与启动三问 要在激烈的技术变革中真正成为一家“AI 原生”企业,组织需要牢牢确立四大核心支柱: 1. **数据是核心差异化壁垒(Data is your differentiator)**:通用的基础模型人人可用,唯有企业沉淀的独家专有数据与独特工作流逻辑,才是不可复制的竞争护城河。 2. **深度集成驱动真正 ROI(Integration drives ROI)**:AI 智能体系统与现有核心业务工作流整合得越紧密,产生实际投资回报的速度就越快。 3. **敏捷迭代以速度致胜(Speed wins)**:在 AI 时代,最小可行性产品(MVP)与功能迭代的周期应当以“周”为单位计算,而不是以“月”为单位。 4. **重视实战构建而非纸上谈兵(Builders over slides)**:真正成功的公司不会停留在方案汇报和 PPT 上,而是迅速将可用系统交到一线用户手中,在真实互动中摸清用户痛点、系统边界与产品能力。 为了帮助企业清晰地开启这段转型旅程,Jim 建议业务领导者在立项初期必须明确回答三个关键问题: - **我们正在增强哪项人类业务流程?**(What human process are we augmenting?) - **我们正在利用什么专有数据来建立竞争优势?**(What proprietary data gives us an advantage in doing this?) - **我们打算如何在 90 天内衡量该项目的成功?**(How do we want to measure success in 90 days?) --- ### [15:00](https://www.youtube.com/watch?v=2utRWU6AtBI&t=900s) 跨行业落地的 Agentic AI 实战用例 除了 IDC 的软件选型案例外,Jim 还分享了 A.Team 在医疗、消费品和土木工程等不同行业落地的三个具体案例: - **大型医疗系统服务商(Healthcare)**:该机构面临的巨大痛点是护士需要耗费海量时间撰写临床文档,尤其是涉及复杂合规与保险索赔的文档,同时必须严格满足 HIPAA 隐私保护标准。团队构建了一套 Agentic 解决方案实现文档撰写自动化,在 4 个月内交付了 MVP,最终使护士的工作效率提升了 40%。 - **大型快速消费品公司(CPG)**:该企业在某关键区域的季度销售额持续下滑却找不到根因。尽管拥有海量数据,但传统的 IT 架构与静态分析流程极为迟缓,出具一份多源分析报告往往需要数天。团队通过在财务与营销工作流中嵌入定制 AI Agent,自动拉取多源异构数据,将原本静态的滞后分析转变为近乎实时的洞察输出,将分析周期由数天直接压缩至数小时。 - **大型土木工程咨询公司(Civil Engineering)**:任何大型工程或土地交易前,都必须进行耗时极长的前置环节——环境场地评估(Environmental Site Assessment, ESA)。该环节涉及跨联邦与各州的繁琐法规,且现场环境数据极其复杂,过去完全依赖领域专家(SME)耗费数周手工查阅、比对并撰写报告。团队构建了一套能够解析各项法规并关联特定场地数据的 Agentic 系统,自动起草评估报告供专家审核确认。这套系统将报告生成时间缩减了 70%,并立即为该企业每年节省了 600 万美元的运营成本。 --- ### [17:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=1053s) 打造 AI 原生飞轮:从“租用 AI”迈向“拥有 AI” 在演讲的尾声,Jim 总结了 AI 原生飞轮(AI-Native Flywheel)的运转机理:通过 Agent 连接碎片化系统中的多维数据,将智能洞察实时推送到业务第一线;一线团队基于这些洞察迅速采取行动——无论是自动生成合规内容、辅助重大采购决策,还是自动化业务审批流;而随着每一个行动的发生,系统通过反馈闭环变得更加聪明。这种机制最终在企业内部构建起一个具备未来扩展性的专有智能层,持续拓宽竞争护城河。 Jim 总结道,在这场技术变革中能够脱颖而出的企业,往往既不是资金最雄厚的巨头,也不是理论最高深的公司,而是那些在认知层面上发生根本转变的组织。他们深刻意识到: > "AI is not a tool that you use. AI is a capability that you build."(AI 不仅仅是一个你拿来使用的工具,而是你需要主动构建的核心能力。) 领先的企业正在停止“租用 AI”,并坚定地走向“拥有 AI 与专有智能”。演讲在现场热烈的掌声中结束,Jim 邀请有兴趣深入探讨的企业在会后及展台进一步交流。 ## Notable quotes > [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 通用的工具只能产生通用的平庸结果 — Jim Spare > [02:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=153s) 距离上一次 AI 重磅发布才过去零天 — Jim Spare > [10:05](https://www.youtube.com/watch?v=2utRWU6AtBI&t=605s) 基于这些数据,我是否也会给出相同的建议 — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Data is your differentiator(数据是核心差异化壁垒) — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Integration drives ROI(深度集成驱动真正 ROI) — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Speed wins(敏捷迭代以速度致胜) — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) Builders over slides(重视实战构建而非纸上谈兵) — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) What human process are we augmenting?(我们正在增强哪项人类业务流程?) — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) What proprietary data gives us an advantage in doing this?(我们正在利用什么专有数据来建立竞争优势?) — Jim Spare > [13:13](https://www.youtube.com/watch?v=2utRWU6AtBI&t=793s) How do we want to measure success in 90 days?(我们打算如何在 90 天内衡量该项目的成功?) — Jim Spare > [17:33](https://www.youtube.com/watch?v=2utRWU6AtBI&t=1053s) AI is not a tool that you use. AI is a capability that you build.(AI 不仅仅是一个你拿来使用的工具,而是你需要主动构建的核心能力。) — Jim Spare ## Mentioned Jim Spare, IDC, A.Team, 微软 (Microsoft), 通用仪器 (General Instrument), 沃尔玛 (Walmart), 麦肯锡 (McKinsey), 波士顿咨询 (BCG), HIPAA, ERP ## Video description Jim Spare, CxO, f. Chief Product Officer at IDC, A.Team Abstract Most enterprises are stuck renting intelligence, using AI tools without building lasting value. Learn why 75% of AI pilots fail and how the winning 25% build learning systems that improve with every interaction. Discover how top companies are turning decades of disparate data into real-time intelligence, plus real-world use cases across healthcare, finance, and manufacturing that showcase the shift from disconnected tools to embedded learning systems. Stop experimenting. Start compounding. See how AI-Native companies win. [Source](https://www.youtube.com/watch?v=2utRWU6AtBI)

Source quotes

[2:33] Jim Spare: 通用的工具只能产生通用的平庸结果 [2:33] Jim Spare: 距离上一次 AI 重磅发布才过去零天 [10:05] Jim Spare: 基于这些数据,我是否也会给出相同的建议 [13:13] Jim Spare: Data is your differentiator(数据是核心差异化壁垒) [13:13] Jim Spare: Integration drives ROI(深度集成驱动真正 ROI) [13:13] Jim Spare: Speed wins(敏捷迭代以速度致胜) [13:13] Jim Spare: Builders over slides(重视实战构建而非纸上谈兵) [13:13] Jim Spare: What human process are we augmenting?(我们正在增强哪项人类业务流程?) [13:13] Jim Spare: What proprietary data gives us an advantage in doing this?(我们正在利用什么专有数据来建立竞争优势?) [13:13] Jim Spare: How do we want to measure success in 90 days?(我们打算如何在 90 天内衡量该项目的成功?) [17:33] Jim Spare: AI is not a tool that you use. AI is a capability that you build.(AI 不仅仅是一个你拿来使用的工具,而是你需要主动构建的核心能力。)