2026年4月，麦肯锡连发两份重磅报告：
- 《Rigor: What it takes to turn ambition into impact》——为什么有的企业变革能成功，有的却雷声大雨点小？
- 《From promise to impact》——为什么80%的企业都在用AI，但60%看不到利润？
两篇报告的答案惊人一致：不是技术不够好，是管理没跟上。 本文把它们放在一起解读，帮你找到把野心变成结果的那条路。
一个扎心的现实
先看一组数据。
麦肯锡在《From promise to impact》中提到：近80%的组织已经在至少一个业务部门使用了生成式AI，62%正在尝试AI Agent。但60%的受访者仍然没有看到AI给企业利润带来任何影响。
也就是说，大家都在用，但绝大多数人没赚到钱。
再看另一组数据，来自《Rigor》报告：麦肯锡研究了72家企业的转型案例，那些被定义为"严谨"（rigorous）的企业——也就是在24个月内完成了80%以上转型目标的企业——它们的股东回报率是非严谨企业的1.9倍。
这是同一个硬币的两面。技术遍地都是，但能把技术变成钱的企业，少之又少。区别不在于你用什么模型，而在于你怎么管理。
第一个框架：严谨的三要素
《Rigor》研究提炼出三个关键词：
1. 速度（Speed）
很多企业转型，开头热火朝天，半年后原地踏步。严谨的企业是怎么做的？
报告中一个高管说得特别好："我们不再试图把50件事各推进一英寸，而是把5件事各推进一英里。"
具体做法很简单：
- 每个任务有明确的主人
- 一线团队有做决策的权力，不用层层审批
- 去掉那些拖慢决策的官僚流程
- 每个人都知道"为什么要做这件事"
结果很惊人：严谨企业花在规划阶段的时间是6.8个月，而不严谨的企业是8.7个月。省下的时间不是偷工减料，而是减少了无效决策和审批。
2. 韧性（Resilience）
变革一定会遇到阻力。有些公司一遇困难就推迟或取消项目——严谨的公司不这样。研究显示，严谨的企业取消的倡议项目不到10%。
这不是顽固。韧性企业做的不是硬扛，而是动态调整。遇到了障碍，重新排排序、换条路，但不放弃目标。就像报告里的一个例子：一家企业在转型中遇到运营瓶颈，没有暂停，而是重组了项目顺序、增加了创意收集会议、调整了会议节奏。
3. 一致性（Consistency）
严谨企业有一个秘诀：把转型变成日常运作的一部分，而不是一次性的"运动"。
具体做法包括：
- 每周固定进度评审
- 用仪表盘追踪财务效果、里程碑和倡议进度
- 一旦发现异常，立即干预
报告发现：转型完成后表现最好的企业，在规划阶段之后新增的倡议项目数量是其他企业的4倍以上。这说明转型不是做完就结束，而是一边执行一边不断加码。
总结：严谨≠死板。严谨是在坚持目标和灵活调整之间找到平衡。
第二个框架：AI价值的五层阶梯
如果说《Rigor》讲的是"怎么把事做成"，那么《From promise to impact》讲的就是"怎么证明AI真的值了"。
麦肯锡提出了一个五层价值衡量框架（由下至上）：
第5层：技术性能（Technical Performance）
这是基础：模型安全吗？响应快吗？成本可控吗？幻觉率多高？这些都是"健康指标"——没有不行，但有也证明不了什么。
第4层：用户采用与参与度（User Adoption & Engagement）
这是大多数企业翻车的地方。报告指出：采用率是AI项目失败最常见的原因之一。即便模型再强，如果没人用，什么价值都创造不出来。
你需要问：
- 每天有多少人在用？
- 有多少本该用AI完成的任务，真的走了AI流程？
- 用户是信任AI，还是一直在改AI的输出？
第3层：运营KPI（Operational KPIs）
AI有没有让工作变得更快、更好？周期缩短了吗？差错率下降了吗？一次性解决率提高了吗？如果这些指标没动，说明AI虽然在被使用，但没改变业务。
第2层：战略成果（Strategic Outcomes）
客户满意度提高了吗？交付准时率改善了吗？商业效果怎么样？这些比底层KPI离利润更近，但仍然不是最终的数字。
第1层：财务影响（Financial Impact）
最终，所有努力都要落到四个字上：降本、增收。要么降低了服务成本，要么提升了销售额，要么扩大了利润率。
五层框架的关键：每个指标都要有人认领
这个框架最聪明的地方不是分了五层，而是每一层都标了"谁来负责"：
| 层级 | 指标 | 谁负责 |
|---|---|---|
| 财务影响 | 收入增长、成本降低 | 财务/FP&A |
| 战略成果 | NPS、客户满意度、留存率 | 业务总经理/战略负责人 |
| 运营KPI | 周期时间、差错率 | 端到端流程负责人 |
| 用户采用 | 日活用户、AI接受率 | 产品和一线运营负责人 |
| 技术性能 | 幻觉率、延迟、Token成本 | 数据科学和工程负责人 |
每一层都指定了具体的负责人。 这解决了AI项目中最常见的问题：技术团队说"模型表现很好"，业务团队说"没看到效果"，财务说"账上没体现"。因为没有一个系统能把技术指标和财务结果串联起来。
从框架到行动：四个阶段，三道门
光有框架不够，还要有执行节奏。报告把AI项目分为四个阶段，每个阶段对应一套检查标准：
阶段1：试点（Pilot）
小范围验证技术和实践可行性。目标不是规模，而是证明：模型安全、用户愿意尝试、原始假设还站得住。
阶段2：MVP（最小可行产品）
进入真实工作流。此时测量必须从"手动拉数据"变成"系统自动追踪"。核心看：系统能在实际环境中稳定工作吗？使用率和效果在往好的方向发展吗？
阶段3：初步规模化（Initial Scaling）
最关键的关卡。到了这一步，必须能看到运营改善有统计显著性，财务收益至少覆盖总拥有成本。 如果看不到，就该停下来重新审视——或者直接终止。
阶段4：全面落地（Full Scale）
AI从"项目"变成"日常工作"。嵌入标准流程、治理和预算周期，不再需要特殊关注。
三道门（Decision Gates）：
- 模型安全稳定到可以给用户用了吗？
- 用户真的在真实工作中适配了吗？
- 有可衡量的运营和财务效果来支撑规模化了吗？
报告里有一句话说得非常清楚："没有AI项目能在第一天就影响利润，但所有项目都需要朝着价值方向前进，才能持续获得投资。"
两篇报告放在一起看：一个完整的落地逻辑
把两篇报告整合起来，你就能看到一条从"想法"到"利润"的完整链条：
雄心（Ambition）
↓ 用《Rigor》的严谨三要素（速度+韧性+一致性）
严谨执行（Rigor）
↓ 用五层框架衡量每一步
可验证的价值（Measurable Impact）
↓ 通过四阶段+三道门筛选
持续的企业竞争力（Sustainable Advantage）
而所有这一切的核心，是责任归属。
严谨不是一种品质，它是一种管理机制。每个目标有主人，每层指标有负责人，每个里程碑有检查节奏。它不是让人更忙，而是让正确的信息在正确的时间传递给正确的人，做正确的决定。
这对我们意味着什么
麦肯锡的这两份报告其实说的是同一件事：AI的竞争已经从"谁有模型"转向了"谁会管理"。
当模型越来越容易获得，真正的差距在别处：
- 你能不能定义一个清晰的、可衡量的目标？
- 你能不能把技术指标和业务结果串在一起？
- 你有没有让合适的人对合适的指标负责？
- 你能不能果断地终止那些"虽然好玩但不赚钱"的项目？
这恰恰是人机契合（Human-AI Fit）这个领域的核心命题。
那些最先把AI变成利润的企业，不是用了最好的模型，而是建立了最严谨的管理体系。它们把AI当投资来管理，而不是当玩具来玩。
而下一步的问题是——当你的AI已经在创造价值，你的管理机制有没有准备好接住它？
参考文献
- McKinsey (2026). Rigor: What it takes to turn ambition into impact. McKinsey Transformation, April 2026.
- McKinsey (2026). From promise to impact: How companies can measure—and realize—the full value of AI. April 2026.