当ChatGPT掀起全球狂潮时，几乎所有企业CEO和政府首脑都问了同一个问题：“我们的AI战略在哪里？”
两年过去了，答案似乎并不乐观。
在私营部门，我们看到无数“Copilot演示惊艳一时，上线三月无人问津”的案例；在公共部门，情况更加惨烈——麦肯锡将其称为“试点炼狱”（Pilot Purgatory）。就在刚刚发布的2026年7月最新报告中，麦肯锡毫不留情地指出：公共部门的AI成熟度，在所有行业中垫底。
但这不仅仅是一份关于“政府怎么用AI”的报告。作为一个长期观察AI产业落地的从业者，我在通读这份《How can the public sector meet the AI moment?》后，感到脊背发凉——因为它精准地戳破了当前AI应用的最大泡沫：技术幻觉。
今天，我想借这份沉甸甸的报告，和大家聊聊一个更深层的话题：为什么你的AI项目难以规模化？以及，无论你是做ToB、ToG还是ToC，想要跨越从“尝鲜”到“重构”的鸿沟，必须读懂的四个底层逻辑。
一、公共部门的“窘迫”：一面照向全行业的镜子
麦肯锡在报告中展示了一个令人尴尬的数据：公共部门的AI商数（AIQ）——衡量AI成熟度与价值捕获能力的指标——在横跨10个行业的排名中敬陪末座。
为什么会这样？是因为政府没钱吗？显然不是。是因为政府不重视吗？也不是，目前全球已有95个国家制定了国家数据与AI战略，而在2020年，这个数字不到20。
问题的根源在于“结构性错位”。报告中列举了三大痛点，但这三点，放在大型传统企业身上，竟然毫无违和感：
1. 数据孤岛 vs. 统一视图：为了隐私和法规，居民数据分散在各个委办局。这与大型集团里，数据散落在销售、生产、财务各个独立烟囱中的现状如出一辙。
2. 人力刚性 vs. 敏捷迭代：公务员的岗位分类、集体谈判协议使得岗位调整需要一年以上。这与大厂里复杂的职级体系、国企里僵化的编制管理何其相似。
3. 长周期采购 vs. 快节奏进化：政府的采购是按“人天”或“软件授权”计费，周期长达数年。而AI模型的能力可能三个月就翻一倍。
读到此处，我不禁哑然。这不就是国内绝大多数大型组织在数字化转型中遇到的“老三样”吗？
我的看法：
所谓的“公共部门特殊性”，其实是所有复杂系统组织的通病。AI的到来，并没有自动消除这些障碍，反而像一盏强光，把这些原本被掩盖的流程腐化问题照得清清楚楚。如果你是一家企业的CTO，发现AI推不下去，别急着怪算法不行，先看看你的组织架构是不是还停留在上世纪。
二、70%与30%的生死线：杀死“单点试点”的执念
报告中有一个数据极具冲击力：采用“领域级”（Domain-led）重构的项目，投产率高达70%；而那些搞“单点试点”（Use-case）的项目，成功率仅有30%。
这意味着什么？意味着我们过去几年流行的“先搞个小试点看看”的策略，失败概率高达七成。
为什么？因为单点试点忽略了业务流程的复杂性。报告中举了一个医师执照审批的例子。如果只是用AI做个OCR识别证件，确实很快，但如果后续的核验规则没改、人工复核流程没变、跨部门查询数据的接口没通，那么AI识别出的信息最终还是会堵在某个公务员的办公桌上。这叫“局部优化，全局瘫痪”。
麦肯锡给出的解法是“端到端重构”（End-to-end Redesign）。那个成功的医师执照审批案例，并不是简单地把AI塞进去，而是先把几百条许可规则编码成“数字规则手册”，让AI智能体去跑逻辑，最后只把例外情况交给人类。结果呢？退回率降了40%-45%，审核周期从24天压缩到了12天。
我的看法：
这在AI圈有个对应的概念叫“流程挖掘”与“流程再造”。
现在的很多AI落地，本质上是“旧瓶装新酒”。我们试图让AI适应现有的糟糕流程，而不是让AI倒逼流程优化。
AI不是胶水，它是锤子。它不应该被用来修补现有的裂缝，而应该用来砸碎那些过时的环节。
对于任何想要落地AI的企业，我的建议是：忘掉“试点”这个词。要么你就别做，要做就选一个完整的业务流程（比如从线索到回款，从招聘到入职），动真格地推倒重来。
三、“人在回路”：不仅是伦理，更是政治智慧
在AI狂飙突进的今天，大家都在谈“自动化”。但这份报告提出了一个极其冷静的概念：Human-in-the-loop（人在回路），并且给出了一个非常实用的分类标准——按“后果”分级，而非按“类别”分级。
报告中的图表3非常精彩。它将政府流程按AI集成度分为5级：
• 1级（纯人工）：政策制定（高敏感度）。
• 3级（AI执行，人类决策）：许可检查（AI查违章，人类签字）。
• 5级（全AI）：案件分流（自动归档路由）。
关键在于，报告强调：不要对所有的流程都搞“人工审批”。如果一个回复邮件的语法检查都需要局长签字，那AI带来的效率提升将被无尽的官僚主义吞噬。
更有意思的是，报告将“人在回路”定义为“政治安全网”。也就是说，保留人工介入，不是为了推诿责任，而是为了保留“被推翻和解释的权利”。这是重建公众信任的基石。
我的看法：
这一点在金融、医疗、法律等高风险领域尤为重要。
目前的生成式AI有一个致命伤：幻觉（Hallucination）。在ToC领域，AI胡说八道顶多是闹笑话；但在严肃领域，这可能意味着巨额罚款或人身伤害。
因此，“人机协同”不是一句口号，而是一种新的生产关系。
未来的组织里，会出现一种新的岗位——“AI训练师”或“AI审计师”。他们的职责不是干活，而是定义哪些活交给AI（Level 4/5），哪些活必须自己留着（Level 1/2）。这种职责的划分，将决定企业未来的运营效率和风险控制能力。
四、那个被忽视的“1:5”魔咒：技术只是冰山一角
这是我在这份报告中看到的最反常识，也是最重要的一条洞察。
麦肯锡指出：每在技术上投入1美元，你需要配套投入5美元在变革管理上。
绝大多数企业做AI转型，预算全是买算力、买软件、请顾问。没人愿意花钱去培训员工，没人愿意花钱去修改绩效考核，更没人愿意花钱去做文化宣导。
结果呢？报告中的数据触目惊心：只有31%的公共部门员工信任雇主能安全开发AI，仅20%的员工认为AI会改变他们的日常工作。
这就是典型的“工具到位，人心涣散”。
报告中提到一个失业救济机构的案例。他们没有把项目命名为“XXAI系统上线”，而是定义为“以使命为导向的服务交付重构”。他们花了巨大的力气去培训员工，去解释AI是为了减少他们的文书工作，让他们能专注于帮助真正困难的失业者。这种叙事的改变，是技术落地的前提。
我的看法：
AI转型，本质上是人的转型。
我们在谈论大模型参数、算力集群的时候，往往忽略了“最后一公里”——也就是坐在电脑前的那个人。
为什么企业里的SaaS软件经常用不起来？因为改变了工作习惯。AI带来的工作习惯改变是颠覆性的。
这5倍的投入，花在哪里？
1. 培训（Upskilling）： 让每个人都会用Prompt，会用Copilot。
2. 激励（Incentives）： 如果员工用AI节省了时间，不要让他闲着，也不要扣他工资，而是给他更高的目标或更多的奖金。
3. 心理（Psychology）： 消除“AI取代我”的恐慌，建立“AI赋能我”的信心。
如果不解决人的问题，再先进的算法，最终也只是躺在服务器里的一堆废铁。
五、那个被忽视的“1:5”魔咒：技术只是冰山一角
虽然这是一份写给政府的报告，但我从中读出了对以下领域的强烈启示：
1. 医疗领域：从“辅助诊断”到“诊疗流重构”
目前的AI医疗大多集中在影像识别。但真正的痛点在于就诊流程。如果能像报告中说的那样，端到端重构挂号、问诊、检查、取药的全流程，利用Agent（智能体）自动调取历史病历、预填医保信息、自动分诊，那将是对医疗资源的极大释放。
2. 制造业：从“预测性维护”到“生产流重构”
工厂里装了很多传感器，但数据没用起来。应该学习“领域级”的思路，不再只看某个机器的故障预测，而是看整条产线的良品率提升。AI不仅要告诉你要坏了，还要自动调整上下游工序的参数来弥补。
3. 教育领域：从“AI做题”到“培养流重构”
现在的AI教育软件还在教孩子做题。未来的方向应该是端到端的学生成长管理。AI分析学生的学习数据，自动生成个性化的学习路径，并通知家长和辅导老师进行干预。这需要打通教学、管理、家校沟通等多个系统。
4. 企业服务（SaaS）：从“功能叠加”到“OS重构”
现在的SaaS软件喜欢加一个“AI助手”按钮。但这远远不够。未来的SaaS应该是Agent-Native（原生智能体）的。就像报告中说的，要“构建围绕技术的操作系统”。软件不再是菜单和按钮，而是一个对话窗口和一系列自动执行的Agent。
六、AI时代的“幸存者偏差”
读完这份报告，我最深的感受是：AI的门槛正在急剧降低，但AI转型的门槛正在急剧升高。
以前，只有巨头才玩得起AI；现在，一个人+几个开源模型就能做出惊艳的产品。但是，要把AI真正变成组织的核心竞争力，需要的不再是算法工程师，而是懂业务、懂管理、懂人性的“重构者”。
麦肯锡给出的四步法（使命战略、流程重构、运营体系、人机协同），看似平平无奇，实则是无数失败案例换来的血泪教训。
对于广大AI从业者和企业决策者，我想用报告中的一句话作为结尾：
“Rewiring requires workflows from the ground up.”
（重构需要从头开始重塑工作流。）
不要试图在旧的地图上寻找新大陆。当AI的浪潮打过来时，那些忙着修补旧船的人，终将被淹没；只有那些敢于重新造船的人，才能到达彼岸。
本文参考：
本文参考麦肯锡报告《How can the public sector meet the AI moment?》
一 END一
用户体验优化调研
感谢阅读，为优化公众号推送体验，我们准备了一份简短问卷（约30秒），期待为您提供更贴心的服务。
