科技创变者大会之前先把POC到PMF拆成四道关
作者：CGL 集团，中国领先的高管寻猎与领导力咨询集团 同步自：微信公众号「侠客乔治」
百分之九十五。这个数字值得每一位正在推进智能化项目的一号位记住。
2025 年，麻省理工学院媒体实验室的 NANDA 项目发布《生成式 AI 鸿沟：2025 年商业人工智能现状》：梳理 300 余项公开披露的企业 AI 项目、访谈 52 位高管、回收 153 份高管问卷，结论是约 95% 的企业生成式 AI 试点没有产生可衡量的损益表影响，而同期投入已达 300 亿至 400 亿美元。
这不是唱衰报告，它给出了根因。报告主笔 Aditya Challapally 的判断是：
“The issue isn’t regulation or model performance. It’s that enterprise systems aren’t learning from their own workflows.” 问题不在监管，也不在模型性能。问题在于企业系统没有从自己的业务流程里学习。
换句话说，卡住的地方在技术之外。
2026 年 9 月 18 日至 19 日，2026 中关村论坛系列活动——科技创变者大会将在北京中关村东升科技园万丽酒店举行，主题”具身智能·创变未来”。主办方中关村智友研究院给工业制造版块圆桌定的题目，恰好就是这个问题本身：从 POC 到 PMF，瓶颈在哪？
POC 是 Proof of Concept，概念验证；PMF 是 Product-Market Fit，产品市场匹配。这两个词之间的距离，是这个行业当下最贵的一段路。综合大会议程与近两年几组权威研究，我们的判断是：这段路的主要障碍不写在技术路线图里，而写在组织表里。
一、三组独立研究，指向同一个结论
除 MIT 这份报告，另两组数据来自不同机构、不同年份、不同方法论，结论高度一致。
| 发布方与年份 | 样本与口径 | 关键数字 |
|---|---|---|
| MIT 媒体实验室 NANDA 项目，2025 | 300 余项公开 AI 项目，52 位高管访谈，153 份高管问卷 | 约 95% 的企业生成式 AI 试点无可衡量的损益表影响 |
| 波士顿咨询公司，2024 年 10 月 | 覆盖 59 个国家、1000 位 CEO 及高级管理者的调研 | 74% 的企业无法实现或规模化 AI 价值，仅 26% 具备越过概念验证的能力 |
| 标普全球市场情报，2025 年 3 月 | 企业 AI 项目中止情况的年度追踪 | 放弃多数 AI 举措的企业比例从 2024 年的 17% 升至 2025 年的 42%，平均放弃 46% 的概念验证项目 |
三组数据放在一起，”试验场拥挤、生产线冷清”这个画面就很清楚。波士顿咨询这句现场描述比数字更值得读：
“AI projects often look fantastic inside controlled environments with dedicated teams, clean data, and limited complexity. Then reality arrives.” AI 项目在受控环境里看起来好极了——有专职团队、干净的数据、有限的复杂度。然后现实来了。
现实带来的是遗留系统、组织内部的利益格局，以及靠人工流程勉强粘合了几十年的数据资产。试点之所以成功，恰恰因为它被隔离在这些混乱之外，也正因如此，一进生产线就活不下来。行业里管这个叫 pilot purgatory，试点炼狱：做过 AI 试点的制造企业很多，真正推到规模化的通常只有一到两成。
二、从 POC 到 PMF，中间是四道关
把”瓶颈”这个词拆开，才谈得上解决。我们在服务工业与硬科技企业时，把这段路归纳成四道关，每道有独立的检验问题、独立的责任人，也有各自典型的失败方式。
| 关口 | 检验问题 | 典型卡点 | 主导能力 | 谁是第一责任人 |
|---|---|---|---|---|
| 第一关 定义关 | 这个试点要改变哪一个可衡量的经营指标 | 成功标准是形容词，不是数字 | 业务判断 | 一号位 |
| 第二关 数据关 | 现场跑出来的数据，能不能回流成能力 | 数据能看不能用，模型不随现场进化 | 数据工程与闭环设计 | 技术负责人 |
| 第三关 交付关 | 同一套方案，能不能复制到第二个、第十个客户现场 | 每进一个新现场都要重做一遍 | 交付体系与客户成功 | 交付负责人 |
| 第四关 组织关 | 有没有一支为规模化而生的队伍，和愿意投三年的一号位 | 技术团队很强，交付与现场队伍没有 | 组织与人才 | 一号位与 CHRO |
四道关是顺序关系，不是并列关系：前一道没过，后一道的努力通常会被浪费掉。其中最容易被低估的是第四关。
第一关 · 定义关：POC 用的是创新预算，PMF 用的是年度预算
判断一个项目停在哪一关，有一个很实用的观察点：它是用哪一笔钱在跑。
概念验证阶段花的是创新预算，考核”技术上能不能做成”；产品市场匹配阶段花的是客户的年度经营预算，考核”这笔投入能不能带来可量化的产出”。这两笔钱在客户内部通常由不同的决策者掌握，需要的材料也完全不同。
定义关做不好，症状很统一：成功标准写成形容词而不是数字。报告里说”显著提升了效率”“大幅降低了人力成本”，但问到底提升了多少、在哪个环节、以什么为基线，答不上来。MIT 报告在总结那 5% 成功项目时，列出的第一个共同特征就是这一条：
“Clear, narrow use cases tied to a measurable outcome.” 清晰、狭窄、且与可衡量结果绑定的用例。
窄，是这里的关键词。窄意味着放弃一部分场景，也意味着能算清账。
第二关 · 数据关：试点用的数据，和现场的数据不是同一套
数据关的失败方式非常隐蔽。试点阶段的数据是为这个项目专门整理过的——干净、结构统一、字段齐全。一进真实产线，遇到的是多套并行的历史系统、口径不一致的物料编码，以及大量没被记录的隐性操作习惯。
一位工业软件从业者的调侃流传很广：试点里那个表现优异的模型，是在专人清洗过的数据集上跑出来的，而现场有 47 张表格，维护它的人 2018 年就退休了。
MIT 报告给出的第三个成功特征是：”A focus on data integration before deployment, not after.” 数据集成要在部署之前完成，不是部署之后补救。这句话在国内项目里往往被反过来做。
这一关还有一层更深的含义：真正值钱的不是模型本身，而是现场数据能不能持续回流、让能力随场景进化。做不到这一点，第一台设备的表现就封顶了。
第三关 · 交付关：一次成功，不等于可以复制
第三关是产业化最真实的分水岭。它问的不是”能不能做成”，而是”能不能一直做成，并且在别人的现场也做成”。
可观察的信号有三个：第一个客户的部署用了多久，第十个客户用了多久；第二个客户是不是老客户介绍的；原厂工程师还需要不需要常驻现场。这三个答案基本能判断，一家公司处在项目制状态，还是已经进入产品化状态。
波士顿咨询在消费品与零售行业的一项研究里把这一关讲得很直白：76% 的企业仍停留在试点或探索阶段，只有 18% 实现了有意义的规模化；同一份研究还发现，53% 的受访企业没有正式衡量过 AI 投入的回报。当一半以上企业连自己做得对不对都无法度量，试点的生死往往取决于高层的热情，而非结果。
第四关 · 组织关：它排最后，却最先出事
第四关最容易被排在议程末位，也最容易被技术出身的团队低估。原因很简单：技术问题有明确的收敛标准，组织问题没有。
技术路线选错，三个月就能看出来。组织能力缺位，通常要等到第一个大客户的项目延期、第一批交付人员集体离职、或者第二个客户现场需要三个月才能启动时，才被真正承认。
这一关的核心，是两种能力被混为一谈：概念验证阶段靠几位顶尖工程师把最难的一步走通；产品市场匹配阶段靠的是能把现场需求翻译成工程语言的交付队伍、能管住研发节奏与客户承诺的管理机制，以及愿意把三年投在同一个场景里的一号位。这两批人不是同一批。
我们在服务硬科技与智能制造企业时反复看到一个现象：技术团队的强度越高，越容易低估组织建设的难度。 在他们最熟悉的世界里，难题最终总有一个技术解；而组织问题不提供这种确定性。
三、把四道关放回技术账上算一遍
波士顿咨询在 2024 年的一项 AI 落地障碍研究中给出比例：约 70% 的落地挑战来自人与流程，包括变革管理、流程再造、治理机制与人才；技术因素约占 20%；算法本身约占 10%。
| 关口 | 属于人与流程 | 属于技术 | 属于算法 |
|---|---|---|---|
| 定义关 | 业务判断、指标设计、决策责任 | 少 | 无 |
| 数据关 | 数据治理、口径统一、跨部门协同 | 数据工程与闭环设计 | 无 |
| 交付关 | 交付体系、客户成功、现场组织 | 工程化与标准化 | 少 |
| 组织关 | 人才结构、管理机制、一号位定力 | 无 | 无 |
逐条对照后是一个不太舒服的结论：四道关里，三道半是人与流程的题。
这也解释了 MIT 报告里一个容易被忽略的细节：由外部专业方案驱动的试点，成功率约三分之二；完全依靠内部自建的，约三分之一。差距不在模型可得性，而在组织有没有能力把外部能力接进自己的业务流程。
所以”从 POC 到 PMF 的瓶颈在哪”，如果答案还停留在”算力不够”“数据是脏的”“模型不够强”，大概率是把第四关的问题误判成了第一关的问题。
四、9 月 18 日下午 16:10，这个问题会被放上圆桌
9 月 18 日下午的议程被拆成三个产业版块，三场圆桌的标题句式完全一致：智慧物流版块问”从仓到端，如何突破”，工业制造版块问”从 POC 到 PMF，瓶颈在哪”，商业与家庭版块问”从试点落地到规模刚需，如何破局”。三句话连起来读，就是一条完整的产业化路径：行业共识已经从”技术能不能做”转向”能不能工程化、能不能规模化”。
工业制造版块的那场圆桌在 9 月 18 日 16:10 至 16:50。同台的四位对话者分别来自清研精准、通力科技、聆动通用机器人与江行智能，都是把技术做成产品的第一线角色。这场圆桌里还有一位来自人力资源服务行业的对话者：Fiona（方玲），CGL 德筑集团联合创始人兼CEO。
一家高管寻猎与领导力咨询机构出现在工业具身智能的圆桌上，看上去并不对口。但这恰恰是这场圆桌值得听的原因——第四关的问题，只能由管人的视角来问。
我们会带着四个问题去现场：你现在的成功标准是数字还是形容词；现场数据有没有回流成能力；第二个客户的部署时间比第一个缩短了多少；以及那支为规模化准备的队伍，今天补齐了几个人。
总结：技术决定能不能做成一次，组织决定能不能一直做成
大会同期设置具身智能互动展区，预计十余家公司现场展示。把官方向外披露的三家展商放在一起看，它们的能力恰好分布在四道关的不同位置。
| 公司 | 公开展示方向 | 解决的是哪一段 |
|---|---|---|
| 银河通用 | Galbot G1 展示商超场景自主值守与商品取送 | 任务打通：把”会抓”“会走”“会识别”串成完整工作流 |
| 灵心巧手 | Linker Hand O6（整手 370 余克）与 O30，配套动作捕捉手套、力反馈设备 | 接触层精度：机械臂末端与物体之间最后几厘米的力量与形变 |
| 无界动力 | 具身通用大脑 MWA，第二代本体 K15 进入量产，首批交付远景科技集团法国工厂 | 工程化与量产：把模型装进能持续运行的设备，并落到海外产线 |
三家公司的方向都是必要能力，但放进四道关的框架里看有一个共性：它们解决的都是”能不能做”的问题，而 POC 到 PMF 的卡点更靠后。
需要说明的是，以上判断建立在公开议程、厂商公开材料与已发布研究报告之上，属于我们的行业观察，不构成对任何具体企业经营状况的结论。四道关的划分来自我们服务企业的实践总结，不是学术研究模型；不同细分场景的产业化节奏差异很大，工业场景与家庭场景不宜直接类比。现场实际议程与展示内容，以主办方最终安排为准。
启示：三个视角看同一件事
| 视角 | 需要重新判断的事 | 建议关注的方向 |
|---|---|---|
| 一号位 | 试点的成功标准，是否已经写成可衡量的数字，并明确由谁承担决策责任 | 在立项评估表里把节拍、连续运行时长、单件成本写成硬指标 |
| CHRO | POC 到 PMF 需要的是第二类人才结构：交付、客户成功、现场工程 | 提前半年启动交付岗画像与外部储备，别等第一个大客户签约才找人 |
| 董事会 | 技术可以买、可以追，组织能力只能自己长 | 把组织能力建设列入与研发同级的年度议题，而不是留在人力部门内部 |
具身智能走向产业，不会由某一个参数突然突破完成。视觉、触觉、灵巧手、本体、模型、数据、控制与工程化能力需要同时向前推进，最后在一个具体场景里汇合。而让它们汇合的那件事，通常发生在会议室里，不在实验室里。
9 月 18 日至 19 日，北京海淀。我们会在现场。
关注 CGL，获取高管人才市场洞察与领导力前沿实践。 官网：global.wearecgl.com
CGL 集团，中国领先的高管寻猎与领导力咨询集团