當ChatGPT掀起全球狂潮時，幾乎所有企業CEO和政府首腦都問了同一個問題：“我們的AI戰略在那裡？”
兩年過去了，答案似乎並不樂觀。
在私營部門，我們看到無數“Copilot演示驚豔一時，上線三月無人問津”的案例；在公共部門，情況更加慘烈——麥肯錫將其稱為“試點煉獄”（Pilot Purgatory）。就在剛剛發佈的2026年7月最新報告中，麥肯錫毫不留情地指出：公共部門的AI成熟度，在所有行業中墊底。
但這不僅僅是一份關於“政府怎麼用AI”的報告。作為一個長期觀察AI產業落地的從業者，我在通讀這份《How can the public sector meet the AI moment?》後，感到脊背發涼——因為它精準地戳破了當前AI應用的最大泡沫：技術幻覺。
今天，我想借這份沉甸甸的報告，和大家聊聊一個更深層的話題：為什麼你的AI項目難以規模化？以及，無論你是做ToB、ToG還是ToC，想要跨越從“嘗鮮”到“重構”的鴻溝，必須讀懂的四個底層邏輯。
一、公共部門的“窘迫”：一面照向全行業的鏡子
麥肯錫在報告中展示了一個令人尷尬的資料：公共部門的AI商數（AIQ）——衡量AI成熟度與價值捕獲能力的指標——在橫跨10個行業的排名中敬陪末座。
為什麼會這樣？是因為政府沒錢嗎？顯然不是。是因為政府不重視嗎？也不是，目前全球已有95個國家制定了國家資料與AI戰略，而在2020年，這個數字不到20。
問題的根源在於“結構性錯位”。報告中列舉了三大痛點，但這三點，放在大型傳統企業身上，竟然毫無違和感：
1. 資料孤島 vs. 統一檢視：為了隱私和法規，居民資料分散在各個委辦局。這與大型集團裡，資料散落在銷售、生產、財務各個獨立煙囪中的現狀如出一轍。
2. 人力剛性 vs. 敏捷迭代：公務員的崗位分類、集體談判協議使得崗位調整需要一年以上。這與大廠裡複雜的職級體系、國企裡僵化的編制管理何其相似。
3. 長周期採購 vs. 快節奏進化：政府的採購是按“人天”或“軟體授權”計費，周期長達數年。而AI模型的能力可能三個月就翻一倍。
讀到此處，我不禁啞然。這不就是國內絕大多數大型組織在數位化轉型中遇到的“老三樣”嗎？
我的看法：
所謂的“公共部門特殊性”，其實是所有複雜系統組織的通病。AI的到來，並沒有自動消除這些障礙，反而像一盞強光，把這些原本被掩蓋的流程腐化問題照得清清楚楚。如果你是一家企業的CTO，發現AI推不下去，別急著怪演算法不行，先看看你的組織架構是不是還停留在上世紀。
二、70%與30%的生死線：殺死“單點試點”的執念
報告中有一個資料極具衝擊力：採用“領域級”（Domain-led）重構的項目，投產率高達70%；而那些搞“單點試點”（Use-case）的項目，成功率僅有30%。
這意味著什麼？意味著我們過去幾年流行的“先搞個小試點看看”的策略，失敗機率高達七成。
為什麼？因為單點試點忽略了業務流程的複雜性。報告中舉了一個醫師執照審批的例子。如果只是用AI做個OCR識別證件，確實很快，但如果後續的核驗規則沒改、人工覆核流程沒變、跨部門查詢資料的介面沒通，那麼AI識別出的資訊最終還是會堵在某個公務員的辦公桌上。這叫“局部最佳化，全域癱瘓”。
麥肯錫給出的解法是“端到端重構”（End-to-end Redesign）。那個成功的醫師執照審批案例，並不是簡單地把AI塞進去，而是先把幾百條許可規則編碼成“數字規則手冊”，讓AI智能體去跑邏輯，最後只把例外情況交給人類。結果呢？退回率降了40%-45%，稽核周期從24天壓縮到了12天。
我的看法：
這在AI圈有個對應的概念叫“流程挖掘”與“流程再造”。
現在的很多AI落地，本質上是“舊瓶裝新酒”。我們試圖讓AI適應現有的糟糕流程，而不是讓AI倒逼流程最佳化。
AI不是膠水，它是錘子。它不應該被用來修補現有的裂縫，而應該用來砸碎那些過時的環節。
對於任何想要落地AI的企業，我的建議是：忘掉“試點”這個詞。要麼你就別做，要做就選一個完整的業務流程（比如從線索到回款，從招聘到入職），動真格地推倒重來。
三、“人在回路”：不僅是倫理，更是政治智慧
在AI狂飆突進的今天，大家都在談“自動化”。但這份報告提出了一個極其冷靜的概念：Human-in-the-loop（人在回路），並且給出了一個非常實用的分類標準——按“後果”分級，而非按“類別”分級。
報告中的圖表3非常精彩。它將政府流程按AI整合度分為5級：
- 1級（純人工）：政策制定（高敏感度）。
- 3級（AI執行，人類決策）：許可檢查（AI查違章，人類簽字）。
- 5級（全AI）：案件分流（自動歸檔路由）。
關鍵在於，報告強調：不要對所有的流程都搞“人工審批”。如果一個回覆郵件的語法檢查都需要局長簽字，那AI帶來的效率提升將被無盡的官僚主義吞噬。
更有意思的是，報告將“人在回路”定義為“政治安全網”。也就是說，保留人工介入，不是為了推諉責任，而是為了保留“被推翻和解釋的權利”。這是重建公眾信任的基石。
我的看法：
這一點在金融、醫療、法律等高風險領域尤為重要。
目前的生成式AI有一個致命傷：幻覺（Hallucination）。在ToC領域，AI胡說八道頂多是鬧笑話；但在嚴肅領域，這可能意味著巨額罰款或人身傷害。
因此，“人機協同”不是一句口號，而是一種新的生產關係。
未來的組織裡，會出現一種新的崗位——“AI訓練師”或“AI審計師”。他們的職責不是幹活，而是定義那些活交給AI（Level 4/5），那些活必須自己留著（Level 1/2）。這種職責的劃分，將決定企業未來的營運效率和風險控制能力。
四、那個被忽視的“1:5”魔咒：技術只是冰山一角
這是我在這份報告中看到的最反常識，也是最重要的一條洞察。
麥肯錫指出：每在技術上投入1美元，你需要配套投入5美元在變革管理上。
絕大多數企業做AI轉型，預算全是買算力、買軟體、請顧問。沒人願意花錢去培訓員工，沒人願意花錢去修改績效考核，更沒人願意花錢去做文化宣導。
結果呢？報告中的資料觸目驚心：只有31%的公共部門員工信任僱主能安全開發AI，僅20%的員工認為AI會改變他們的日常工作。
這就是典型的“工具到位，人心渙散”。
報告中提到一個失業救濟機構的案例。他們沒有把項目命名為“XXAI系統上線”，而是定義為“以使命為導向的服務交付重構”。他們花了巨大的力氣去培訓員工，去解釋AI是為了減少他們的文書工作，讓他們能專注於幫助真正困難的失業者。這種敘事的改變，是技術落地的前提。
我的看法：
AI轉型，本質上是人的轉型。
我們在談論大模型參數、算力叢集的時候，往往忽略了“最後一公里”——也就是坐在電腦前的那個人。
為什麼企業裡的SaaS軟體經常用不起來？因為改變了工作習慣。AI帶來的工作習慣改變是顛覆性的。
這5倍的投入，花在那裡？
- 培訓（Upskilling）： 讓每個人都會用Prompt，會用Copilot。
- 激勵（Incentives）： 如果員工用AI節省了時間，不要讓他閒著，也不要扣他工資，而是給他更高的目標或更多的獎金。
- 心理（Psychology）： 消除“AI取代我”的恐慌，建立“AI賦能我”的信心。
如果不解決人的問題，再先進的演算法，最終也只是躺在伺服器裡的一堆廢鐵。
五、那個被忽視的“1:5”魔咒：技術只是冰山一角
雖然這是一份寫給政府的報告，但我從中讀出了對以下領域的強烈啟示：
1. 醫療領域：從“輔助診斷”到“診療流重構”
目前的AI醫療大多集中在影像識別。但真正的痛點在於就診流程。如果能像報告中說的那樣，端到端重構掛號、問診、檢查、取藥的全流程，利用Agent（智能體）自動調取歷史病歷、預填醫保資訊、自動分診，那將是對醫療資源的極大釋放。
2. 製造業：從“預測性維護”到“生產流重構”
工廠裡裝了很多感測器，但資料沒用起來。應該學習“領域級”的思路，不再只看某個機器的故障預測，而是看整條產線的良品率提升。AI不僅要告訴你要壞了，還要自動調整上下游工序的參數來彌補。
3. 教育領域：從“AI做題”到“培養流重構”
現在的AI教育軟體還在教孩子做題。未來的方嚮應該是端到端的學生成長管理。AI分析學生的學習資料，自動生成個性化的學習路徑，並通知家長和輔導老師進行干預。這需要打通教學、管理、家校溝通等多個系統。
4. 企業服務（SaaS）：從“功能疊加”到“OS重構”
現在的SaaS軟體喜歡加一個“AI助手”按鈕。但這遠遠不夠。未來的SaaS應該是Agent-Native（原生智能體）的。就像報告中說的，要“建構圍繞技術的作業系統”。軟體不再是菜單和按鈕，而是一個對話窗口和一系列自動執行的Agent。
六、AI時代的“倖存者偏差”
讀完這份報告，我最深的感受是：AI的門檻正在急劇降低，但AI轉型的門檻正在急劇升高。
以前，只有巨頭才玩得起AI；現在，一個人+幾個開源模型就能做出驚豔的產品。但是，要把AI真正變成組織的核心競爭力，需要的不再是演算法工程師，而是懂業務、懂管理、懂人性的“重構者”。
麥肯錫給出的四步法（使命戰略、流程重構、營運體系、人機協同），看似平平無奇，實則是無數失敗案例換來的血淚教訓。
對於廣大AI從業者和企業決策者，我想用報告中的一句話作為結尾：
“Rewiring requires workflows from the ground up.” （重構需要從頭開始重塑工作流。）
不要試圖在舊的地圖上尋找新大陸。當AI的浪潮打過來時，那些忙著修補舊船的人，終將被淹沒；只有那些敢於重新造船的人，才能到達彼岸。 (稻香湖智庫)