767 位美国运营与供应链领导者中，仅 4% 报告在 PwC 所列预测 AI 价值捕获的四项条件上全部成功——AI 已在企业范围内充分嵌入、自主代理无重大障碍地扩展、横向运营结构已就位、技术投资按预期交付成果。89% 承认技术投资未能交付；87% 将数据质量视为关键约束；只有 41% 在按 94% 自认必需的横向运营模型运作 (PwC, 2026 年 4 月 23 日)。96% 失败并非因为他们的 AI 更差，而是因为他们在串行地做 4% 在并行共同推进的事。
对于一支正在敲定 2026 年 AI 路线图余下部分、规模约 200 名全职员工的运营职能的负责人而言，这是应当重塑本季度计划的运营性反转。把 AI 部署、横向重构、数据卫生与责任重设作为同一个 AI operating model 项目推进——或者加入 96%，按 PwC 自己的数据，他们无法从孤立的任何一项中提取价值。
4% 并非更擅长 AI，而是更擅长排序
PwC 的《2026 Digital Trends in Operations》调研，于 4 月 23 日发布，覆盖 767 位美国运营与供应链高管，将"4%"不以孤立的 AI 成熟度来定义，而以四条工作流的同时达成来定义——而大多数中端市场运营职能将这些视作彼此分隔的若干工作季 (DC Velocity, 2026 年 4 月)。任何单一条件本身并不出奇，差异在于它们是否并行运行。
看看抱负与执行之间的落差。94% 的受访者表示，横向、协作型的运营模型是大规模捕获 AI 价值所必需的。只有 41% 真正拥有这种模型。这 53 个百分点的差距并非认知问题——调研中的每一位 CHRO 与 COO 都知道模型必须改变。这是排序问题。96% 的人说：等 AI 试点显出价值之后，我们再修运营模型。4% 的人说：在运营模型修好之前，AI 试点不会显出价值。
数据支持第二种姿态。89% 承认当前技术投资未带来预期回报。87% 将数据质量差视为价值阻断 (PwC, 2026 年 4 月 23 日)。这两个数字并不独立。技术投资不交付，是因为为它们供数的数据糟糕；数据糟糕，是因为运营模型没有单一可问责的负责人；运营模型没有负责人，是因为公司"还在 AI 试点阶段"。依赖关系闭环，唯一的出路是在同一季度内对这四个问题同时动手。
为何串行剧本恰恰在中端市场运营中失败
串行模式——"先部署 AI 工具，再重设运营模型，再清理数据，再分配责任"——是大多数中端市场运营职能的默认设置，因为它与预算周期、招聘计划与供应商采购实际运转的方式吻合。每一项都是一条独立预算行，由不同的 VP 负责，按不同的指标考核。这恰恰就是产出 96% 结果的结构。
McKinsey 的《State of Organizations 2026》报告从运营模型的角度道出了同一发现："要实现 AI 的生产率收益，必须挑战并重设个人与团队的运营模型，端到端地重新接线，并同步建设能力" (McKinsey, 2026)。关键短语是"同步"。中端市场的诱惑是把它读成"早晚"。McKinsey 的分析明确指出，"早晚"是不行的——重新接线是产生生产率的东西，AI 部署是产生重新接线回报的东西。把它们解耦，两者都不会带来回报。
串行剧本在中端市场比在大型企业失败得更糟，还有第二个原因。一支 200 FTE 的运营职能在其 AI 投资命题被复利化或被砍掉之前，大约只有 8–12 个季度的跑道。把其中两个季度用于工具部署、另外两个用于运营模型重设、又两个用于数据、再两个用于责任，会在任何一条工作流开始相互强化之前把跑道烧光。复利从不开始。董事会看到的是四条成本行与一条平直的 ROI 线，项目被缩减。4% 的模式无关规模，而关乎周期时间——而中端市场可供浪费的周期时间更少。
在 200 FTE 的运营职能里，"并行"实际是什么样
并行不是四个等优先级、各自独立运行的项目——那在中端市场规模上只会产生混乱。它意味着同一个项目，下设四条工作流，共享一组 OKR，在季度之内排序，而非跨多个季度排序。
共享 OKR——不是共享状态汇报
中端市场规模上的 4% 模式通常锚定于一个季度 OKR，该 OKR 明确要求四条工作流全部移动：在某一条高判断决策吞吐量指标上的可衡量改进（每周关闭的合同数、未升级而解决的例外数、被正确路由的合格商机数），而该指标只有在 AI 被部署于该工作流之上、该工作流被横向拥有、为其供数的数据干净、以及一位指名个人对结果负责时才会移动。OKR 就是那个强制函数。没有它，四条工作流默认回退到四张分别落在四位 VP 的四场一对一里的独立路线图。
一位 sponsor、一个周例会、一份 backlog
41% 拥有横向运营模型的组织共享一项结构特征，而大多数中端市场运营职能不具备：一位 AI 项目 sponsor 负责全部四条工作流；一个周例会让四位 lead 坐在同一张桌前；一份 backlog 让 AI 请求、运营模型变更、数据修复与责任决策相互排序优先级。把 backlog 拆给 IT、HR、数据与运营，就是串行重新钻入的方式。
数据卫生是日常作业，不是项目
87% 这条关于数据质量的发现，对 4% 如何对待数据说了一件具体的事。他们没有在 AI 部署之外并行运行跨多季度的数据清理项目，而是把数据卫生嵌入使用 AI 的团队的日常运营节奏——每一次代理因数据质量而失败的升级，都会生成由操作员当天负责的修复请求。数据以代理使用速度改善。把数据当作独立工作流处理，会使其落后 AI 四个季度；把它折入代理运营，则使其领先两周。
反方论点，以及为何 PwC 的数据封死它
来自一位成本纪律严明的中端市场 COO 的天然反方论点是：并行执行前期成本更高，96% 之所以串行，正是因为他们承担不起并行下注。这种逻辑内部自洽，却给出错误答案。PwC 的数据在算账上罕见地直截了当：89% 报告当前的串行方法已经产出了未能交付的技术投资，87% 报告它已经产出了阻断价值捕获的数据层 (PwC, 2026 年 4 月 23 日)。串行下注并非更便宜，只是被摊到了更多季度，使失败按季度看不那么显眼，又使其在终点处不可逆转。
中端市场规模上的并行下注在绝对数量上也小于同一份报告所描述的 100 亿美元以上企业的 McKinsey 式企业级重新接线。一支 200 FTE 的运营职能可以用一位额外的资深运营者（项目 sponsor）、一个周例会，以及一份被重新指向而非增加的数据与工程预算，运行一个可信的并行四方项目。边际投入是一个角色与一场会议。按 PwC 的分布，边际回报就是同一次 AI 部署上 4% 结果与 96% 结果之间的差。
PwC 的数据没有说什么
有两个边界值得点明，因为"4%"这个框被向两边都用过，而调研并不支持任一极端。
PwC 的数据没有说 AI 在运营中不奏效——在达成并行条件的 4% 中，它在奏效。也没有说中端市场运营不能复制 4% 的模式——调研样本是横跨各种规模的美国运营与供应链领导者，并行四方模式是结构性的，并不依赖规模。数据所说的更窄也更有用：把 AI 路线图作为四个串行工作季去执行，在被研究最透彻的群体中，历史失败率为 96%。这不是预测，而是对已经发生之事的回溯测量。
第二个边界："并行"并不等同于"同时采购"。4% 的模式是关于一个共享问责的项目，不是关于一次性买齐一切。试图在同一季度采购 AI 平台、运营模型咨询、数据工具与责任框架的中端市场运营职能，通常以两倍速度产出 96% 的结果。并行逻辑适用于执行问责，不适用于供应商采购。
本季度的决定
对于一位在 Q2 2026 末之前敲定本季度 AI 路线图的 Head of Operations，运营层面的含义可以压缩成一句话：
没有任何 AI 部署工作流在本季度获批，除非它与其所需的横向运营模型变更、其所依赖的数据卫生节奏、以及对其应产出结果的指名问责相配套——并且四者同处于一个 OKR、一位 sponsor 之下。
如果一份提案无法在同一份文件里描述这四点，那它就是穿着并行外衣的串行下注，PwC 的分布说它将产出 96% 的结果。如果一份提案能描述这四点，那它就是真正能复利的、那一小部分 AI operating model 投资的候选。分诊的成本是每份提案一场会议；不分诊的下行成本，按调研所描述的支出轨迹，就是未来四个季度 AI 预算的大半。
4% 这个数字并非愿景。它是已经在 767 位与本文读者拥有同样选项的运营领导者身上发生的事——他们选择了某一种结构而非另一种。现在的问题是：下个季度的计划将建在哪一种结构之上。
