IBM2026应用管理企业绩效引擎解耦投入与价值方为AI规模化之本-中国洞察报告

IBM商业价值研究院|研究洞察 2 3 7 13 201在中国，76%的受访仍有86%的企业以劳有16%认可AI赋能型复利跃升行动指南AI的确在提效，却远未形成规模化的影全球91%和中国100%的受访者表示AI已减少工作投入，但目前仅全球3%和中国8%的受访组织实现了AI赋能型AMS的规模化运营。瓶颈早已不在真正的障碍并非AI本身，而是AMS创全球71%和中国76%的受访者表示，合同结构是比技术更大的障碍；然而，仍有全球83%和中国86%的企业以劳动投入为计酬依据，仅有全球11%和中国16%的受访者认可AI赋能型AMS所带来的成果。围绕成果重塑AMS的组织，绩效表现更实现现代化大幅提速的概率是其他组织的三倍有余，实现显著效率提升的可能性则是其他组织的两倍。2引言AI正在改变企业的诸多领域，应用管理服务续管理、支持、维护与优化，守护关键IT系统的平稳运转的同时，助力组织持续精进绩效、渐进足服务水平要求；而AI赋能的AMS，则把目光投向了更远处：预判风险、预防中断、自动执行日常工作，并为现代化释放产能。1对于一家年营收200亿美元、IT支出约占营收6%的组织而言，AMS年成本可能约为2.5亿美元。为了保障关键IT应用稳定运行，这是一笔相当可观的投入。然而，在许多组织中，这些支出真正用于增强韧性、加速现代化或提升技术投资保障运营，又要在不中断业务的情况下推进现代大多数组织预计，AI赋能型AMS将在未来几年内成为主要运营模式。尽管91%的受访者表示型AMS的规模化运营。当前的挑战已不再是AI是否有效，而在于效率增益如何转化为持续的商此困境的根源，在于AI价值创造逻辑与AMS既有管理模式之间的结构性错配。AI能够减少工作投入、消除重复性工作，并推动运营从被动响应动量、奖励人力投入，并以工作投入作为合同计价基础。因此，组织往往只是提高了效率，却没制约AI赋能型AMS规模化落地的关键因素并非技术能力，而是为劳动密集型环境构建的运营模式、激励机制、治理体系和商业架构。率先突破计，转而以成果为锚点重新构建。转型完成后，系统可靠性提升、产能释放、现代化进程加速，基于IBM商业价值研究院对全球1,000位技术、运营和财务领导者开展的最新调研，本报告探讨AI价值为何在AMS中遭遇瓶颈、领先组织如何制约AI赋能型AMS规模化落地的关键因素并非技术能力，而是为劳动密集型环境构建的运营模式、激励机制、众多组织仍徘徊于传统交付模式与局部自动化之间，即借助AI优化工作流的局部环节，却未触及应用支持底层运营模式它代表一种不同的应用支持运营方式：利用AI预判问题、自动执行日常工作，并减少对人工干预的需求。当前，诸多组织已采纳AIOps，用以实现问题的智能检测、分级与响应；AI代理可在防护机制约束下，自主解决特定问题，从而进一步推进这一进程。然而，多数组织中，上述能力的部署仍不均衡，仅限于3企业愿景与落地现实差距悬殊：全球63%和中国62%的组织预计，到2028年AI赋能型AMS将成为其主要运营模式，而当前以此模式运营的全球和中国组织分别仅占3%和8%。全球39%和中国42%组织的AMS模式仍以传统模式为主。AI在局部场景中的有效性已在众多组织中得到验证，2但很少组织完成AMS整体重构，实现规模在AI赋能型AMS进程中表现最为突出的组织，往往具备共通的特质。在本报告中，我们将“AI得较高评分的组织：AI赋能运营、工作流执行、目前4仍有44%46%的高管将工具视为成功的关键但更广泛的共识指向运营模式层面的要素：61%56%的高管表示，成果导向型激励机制发挥了作用挑战并不在于缺乏AI能力。事实上，91%的受AI改变了AMS的经济逻辑。几十年来，仍有44%46%的高管将工具视为成功的关键但更广泛的共识指向运营模式层面的要素：61%56%的高管表示，成果导向型激励机制发挥了作用各组织日益认识到这一转变。虽然仍有全球44%和中国46%的受访高管将工具视为价值的主要驱动因素，但更多高管认为数据与可观测性(全球68%、中国70%)、工作流重塑(全球65%、中国60%)和成果导向型激励机制(全球61%、中国56%)是更重要的价值贡献因素。AI为改进创造了机会，而价值的捕获取决于组织如何围绕AI65%60%的高管认为，工作流重塑能够创造价值68%70%的高管指出，数据与可观测性基础至关重要随着AI赋能减少人工投入，许多AMS模式却仍然按照为人力交付而建立的假设运行。合同按工68%70%的高管指出，数据与可观测性基础至关重要全球中国的衡量、激励、治理和运营方式之间日益失衡。治理和运营决策仍在奖励活动量，而AI全球中国5全球71%和中国76%的受访者表示，合同结构当前已成为比技术本身更大的制约因素，阻碍着AI赋能型AMS的推进。全球83%和中国86%的受访者表示，AMS合同以人力投入为计酬基准，仅有全球11%和中国16%表示激励机制已与AI赋能型AMS成果充分对齐。当工作量仍是价值的计量锚点时，AI赋能的深入推进恰恰消解挑战的边界远不止于合同条款。尽管全球75%和中国72%技术领导者表示，正式的AI治理有助于加快规模化应用，但仅有全球7%和中国AI赋能往往只能渐进式推进，而难以真正嵌入日常运营。被动响应式工作流限制了AI的效能释放空间，激励机制仍固守于人力投入逻辑，治理架构亦未面向AI赋能的运营场景进行重新设计。组织确实实现了效率提升，却普遍面临将效率红利事实表明：AI的规模化扩展所受制约，更多来自其外围的制度环境，而非技术能力本身。随着AI赋能持续重塑价值的生成方式，基于工作量假设体系与治理框架，以与这一全新现实保持同步。83%86%且71%76%对AI赋能的阻碍已大于技术11%16%6引言价值失衡消除AMS中的价值失衡，并非仅靠部署更多AI就能实现。够在工作流、激励机制、治理体系与运营决策中实现规模化这正是许多组织的进程受阻的症结所在。它们将AI引入仍以人力投入、活动量和被动响应为核心的AMS模式中。其结果是效率有所提升，但价值未必相7能够从AI赋能型AMS中获取更多价值的组织，采取了不同的方法。它们以成7引言长期以来，AMS的绩效评价依赖工单数量、服务水平协议达成率及运营活动规模等指标。但AI改随着人工工作量的持续压缩，价值的重心正从“完成了多少工作”转向“交付了何种成果”。评判AMS价值的标尺，已不再是工单处理量，而是业务成果的改善程度以及为高价值变革所释统可靠性、业务韧性、故障恢复能力及业务成果深度绑定，而非仅仅聚焦于工作量本身。当AI使得达成某一结果所需的工作量显著降低时，以工我们的分析表明，激励措施与成果导向的对齐程度，是预测AI赋能工作流成效的重要变量，其影响主要通过作用于AI赋能型AMS的运营层面而实现。激励机制充分对齐的组织预计，AI赋能工作流的比例将从2026年的24%上升至2028年的33%。对于激励机制未对齐的组织，该比例到2028年预计仅为16%（见图5）。尽管仅凭此自动化重塑价值的计量维度8引言动化现有工作流。它们正在重新定义工作的组织全球73%和中国78%的受访组织正在围绕问题解决重塑工作流，分别将平均25%和23%的AMS产能从被动响应式运营转向主动式工程。这这一转变意义深远，因为AI在减少未来工作需求时产生的价值最为可观。更快地解决故障具有价成果导向激励对工作流AI赋能的促进作用企业中AI赋能工作流的估算比例33%激励机制已对齐激励机制激励机制已对齐激励机制未对齐24%16%10%2026年2028年9引言为起点，而是从可靠性压力最大、成果可快速验证的领域切入。重复发生的故障、高频服务请求及人工处理瓶颈，往往构成绩效改进的最佳突破口，同时也为AI赋能型AMS的规模化推进奠定组织不能以牺牲运营稳定性为代价推进转型。大多数组织须在兼顾套装应用、定制系统与遗留平台混合运行的前提下推进现代化，因此，等待技术架构全面就绪再引入AI并不现实。可行的路径是，在保障稳态运营可靠性的同时，将AI优先配置于运营收益最为明确的环节。全球53%和中国46%的受访者表示，AI已通过AMS在一定程度上加快现代化进程，另有全球12%和中国16%表示现代化进程显著加速。对大多数组织而言，AI须在当前应用资产组合中创造可衡量的价值，在规模化阶段，治理将嵌入运营模式设计中：明确AI代理可以访问哪些资源、采取哪些行动、何时必须暂停或升级处理，以及哪些环节需要人工制是将AI能力从试点项目转化为可靠的运营能AI赋能型AMS领先组织将治理视为加速器而非更易于规模化，并能更持久地发挥作用。4以成果为计酬锚点，摒弃工作量导向，将定价模式与激励方案绑定至问题预防情况、自主运营、应用持续演进及业确保价值传导机制随工作量下降而顺畅运转，使成本与人工投入同步递减，而非固守既有成明晰责任边界，在AI行动、运营成果、审批以及数据与AI生成内容的所有权归属等维度内置持续优化机制，伴随AI赋能的规模化扩展，通过定期审视工作流设计、模型表现及治1011引言价值失衡重构AMS复利跃升行动指南–能力建设：通过共创、协作培养未来下一代技术人才，打造面向全员的AI–人才管理：借助IBM先进的IT人才培育体系、前沿企业AI战略方法论以及–流程强化：借助流程整合与统一，在完善管控治理的前提下，利用AI承接IBM咨询作为整合转型合作伙伴，助力客户IT运营的全方位变革(续)-固定成本优化：针对固定IT支出的盘点/透明化、削减措施的执行，实现固-日常运营优化：通过以日常业务为中心的全面自动化来实现业务效率化；-采购优化：整合转型合作伙伴，降低管理成本，帮助客户专注于现有业务的转型；节约下来的资金，可投入企业现代化建设，支撑AI优化落等■压缩非核心业务，并将其转型给转型商■统一供应商管理，降低管理复杂度非核心业务企业内部整合转型非核心业务强化核心业务核心业务等等引言AI赋能型AMS的影响远不止于效率提升。可靠性的改善释放了运维产能，而这一产能又为应用的持续演进提供支撑；随着时间推移，上述增益不断叠加累积，形成绩效自我强化逻辑而难以有效捕获这一红利。那些将红利重新投入运营体系建设的组织，则更有可能将效能增益从效率层面延伸至现代化、韧性建设与业务绩效提升等更131313引言故障检测速度提升，恢复能力持续改善，业务中断的冲击力度逐步减弱。这些往往是AI赋能效应超越单纯减负范畴的初步信号。AI正在让运营变全球71%和中国66%的受访者表示，相比两年前，高严重性事件的恢复速度已有所提高。受访者平均估计，高严重性事件的平均检测时间短19%；此外，全球72%和中国82%的受访者表示，重大中断造成的业务影响有所降低。在AI正日趋主动化，从被动响应向主动预防迁移。在此进程中，AMS团队将日益减少用于故障响应的精力投入，转而将更多资源聚焦于底层运营模式的优化改进。始于运维效率的改善，终将塑造出AI赋能AIAI赋能型1415引言所需时间则缩短了50%以上。更重要的是，团队能够更早采取行动――从被动引言AI赋能型AMS领先组织不会将AI与应用现代化AI赋能能够释放产能。这部分产能被重新投入应用持续演进，使团队能够简化应用、提升性能，并推进应用现代化。而现代化本身又为系统简化、自动化扩展与性能提升创造了新的空间。全球56%和中国48%的受访者表示，通过根因分析获得了更深入的洞察；超过半数的组织已将人才从重复性任务重新配置到更高价值的工作。全球65%和中国62%的受访者表示，AI可更快或在AI赋能型AMS组织中，30%表示过去两年现代化进程显著加速，而其他组织的这一比例仅的范畴。组织能够以更低的成本削减技术债务，将战略重心从日常应用维护转向未来增长引擎的维能力投入应用演进，让可靠性成为业务创新的底盘。就像设备维护不能等故障灯亮起才行动，应用运营也不该止于故障后的响应。”56%48%55%52%16引言释放出的产能必须被重新注入运营体系，方能推领先组织将超过16%的AMS预算配置于AI领随着AI赋能型AMS减少运营拖累，技术团队可以减少对应用维护的关注，将更多精力用于改进应用。在这一进程中，AMS的角色从“维持绩效”逐步跃迁为“创造绩效”，演进为系统韧性、应其他组织AI赋能型AM16%16%15%30%15%30%1718ROI分析：通过IT整合转型，实现30%的生产效率提升通过多年的经验积累以及先进的技术平台和AI工具，IBM咨询能够基于SLA指标与每年的优化目标深度绑定，确保客户前三年实现30%的生产效率提升，和之后每年超过7%的成本节降目标达成。IBM帮助客户开展业务的整合与重新审视，在最初的三年时间内，通过以下关键措施，能够实现大约30%的生产效率提升：-开发AI智能体辅助工具的整备以及文档的整理完善；一利用AI工具，将高频次的修改业务进行打包处理；-对现有程序规格进行统一(比如错误日志输出规格等方面);稳定期(持续改进)IBM能够通过以下改善活动及质量提升措施，帮助客户实现7%的生产效率提升：一推进员工技能多样化；一优化影响分析；-改进现有程序；一提高测试精度；-PeerReview的强化与效率提升；一强化新功能发布时的检查机制；-运营流程的改进；一借助AI手段，实现常规业务的自动化处理(如监控等方面);一将简单的修改作业转化为常规业务；-停止不必要的接口运行；一实施定期的故障分析讨论会；一实施防止故障发生的对策。ROI分析大约30%的稳定期(持续改进)每年7%的19引言价值失衡重构AMS复利跃升体化AMS平台，覆盖智能客服、自动巡检和故障自动化处置–打造智能问答机器人，承接常规咨询。将政企、销售等数十条业务线积累的大量服务知识，以及电话、微信端的高频咨询话题，沉淀为统一知识库，并通过制度引导用户优先使用机器人自助查询，承接日常咨询，提升一线客服–将传统人工巡检模式改造为自动化巡检。基于阈值规则与大模型理解能力实置流程；依托大模型的弹性理解能力，减少大量预制业务规则开发，降低迭–打通全链路数据，建立工单漏斗分析能力。追踪AI发起与人工发起工单的占比，持续调优自动化策略，目标是将AI工单占比提升至60%-70%。项目落地后，IT运维整体成本下降50%。通过智能问答机器人，平台可直接承接至少40%的日常咨询量。同时，形成了可复用的大模型资产底座，加速对低20三策并举，推动AI审视合同条款、工作流设计及治理体系中植根于人工工作量的固有假设，确保服务供应商因消除重构AI赋能型AMS的合同框架：打破保留人工–审视合同条款、工作流设计及治理体系中植根于人工工作量的固有假设，确保服务供应商因–将人力投入导向的激励机制替换为与系统可靠性、可用性、恢复绩效、事件减少、自主运营–定义一组精简的成果指标，例如预防的问题数量、自主运营占比、完成现代化改造的应用数量和业务影响，并在合同、治理和绩效评审中21AI规模化部署前先行重构工作方式：从被动响应–识别高频重复故障、重复性服务请求及消耗大量AMS资源的人工交接节点，使初期AI赋能–将运维产能从被动支持向主动式工程、可靠性正推动绩效改善，而非仅加速现有流程的运行–在关键业务领域建立恢复时间、中断影响及运捕获效率红利：将释放的产能再投资于复利价值–将通过AI赋能释放出的运维产能重新投入现代化改造、预防性能力建设、可观测性提升及进一步AI赋能，而非让其回流至日常支持工–设立专项的改进与现代化待办事项清单，确保–追踪释放产能的实际使用情况，并设定与可靠引言价值失衡重构AMS复利跃升0–30–3个月明确成果导向指标。识别高阻力领域。6–126–12个月3–6个月在优先场景部署AI能力。提升故障检测与12个月以上222223本报告基于IBM商业价值研究院(IBMIBV)与牛津经济研究院合作开展的一手调研。本研究旨在探讨AI赋能应用管理服务(AMS)如何重塑IT运营、成本结构和业务价值交付。更重要的是，揭示能够规模化放大这些收益的组织与仍停留在早本研究围绕三个相互关联的目标展开：明确组织当前在AI赋能型AMS转型进程中所处的位置；识别决定早期收益能否转化为规模化绩效的商业、运营和治理等结构条件；以及定义并刻画能够通本次调研面向全球1,000位高级领导者开展。为确保研究结果同时反映决策权与组织影响力，样本分为两类：直接负责AMS相关决策的领导者(n=800)，以及对这些决策具有重大影响力的领导者，例如首席运营官、首席财务官和首席风险官(n=200)。调研覆盖八大行业领域（21个行业）：银行、保险、制造、消费品与零售、医疗保健与生命科学、能源与公用事业、电信以及政府，从而提供跨行受访组织的员工规模从约1,200人到120万人不等，年营收或预算介于2.5亿美元至5,000亿美元之间，确保研究结果能够覆盖不同企业复杂度新加坡和墨西哥，从而反映主要全球经济体在监受访者职位包括首席信息官、首席技术官、首席数据官、首席财务官、首席运营官、首席风险官，以及采购、战略采购、供应商管理负责人，以及的高管。这确保研究视角既立足战略意图，也扎IBV构建了支撑本次分析的核心指标，其中包括四项系统成熟度指数，用于衡量AI赋能型AMS转型的不同维度。每项指数均由多个调研变量以非加权方式综合构建，并标准化至统一量表，同24–AI规模化应用――AI驱动自动化的采用与规–有效的企业AI治理――治理机制的成熟度及–工作流执行――从被动响应转向主动式AI赋能–协调一致的商业激励――财务与合同结构同自这些指数在分析上相互独立又彼此互补，从而能研究团队根据上述指数的综合表现定义了领先组织群体。领先组织指同时在四个维度上均取得较高评分的组织，这体现了本报告的核心观点：价值规模化需要这些条件相互强化，而非孤立优化描述性分析首先确定完整样本的基线分布，描绘分组比较分析考察了激励对齐、治理成熟度、AI通过这些比较，旨在检验在上述四个维度上基础更为扎实的组织，在可靠性、产能释放和价值获中介分析用于检验商业激励对齐影响AI赋能工作流采用的作用机制――不仅考察相关性，还进一步检验规模化AI是否构成激励对齐转化为运营成领先组织分析将AI赋能型AMS领先组织与整体样本进行比较，重点考察成果指标、投资模式和运营模式特征方面的差异。这一比较的核心目的不仅是识别领先组织有哪些不同做法，更要分析这些差异如何随着时间推移形成持续的绩效复利结果以汇总形式呈现，旨在识别样本中的规律。分组比较属于关联性分析。凡使用可作因果解释研究结果采用百分比、指数得分和统计关联指标对于样本量较小的结果，报告会明确标注其仅供方向性参考。2525%22%25%28%28%7%7%8%10%1,00026KamalSinghaniSanjayKumarSumantoChatterjeeNamitAgrawal272026年技术领导者调研之大中华区洞察：重塑技术领导者使命/cn-zh/services/insights/c-suite-cxo-2026/cn-zh/services/insights/tech-aiAI动态运行/cn-zh/services/insights/tech-ai领导力智囊团。我们提供有研究支持和技术支持凭借我们在商业、技术和社会交叉领域的独特地位，IBV每年都会针对成千上万高管、消费者和专家展开调研、访谈和互动，将他们的观点综合成可信赖的、振奋人心和切实可行的洞察。访问IBM商业价值研究院中国官网，免费下载中文研究报告：/ibv/cn。IBM依托集成化的企业级技术产品组合，助力组可在混合环境中提供实时可观测性、事件智能和自动修复能力；IBMTurbonomic®则持续优化应治理的自动化，并通过ernance为规模化可信AI提供治理支撑。这些能力基于Re