AI 領導悖論：為什麼 92% 企業增加 AI 投資，卻只有 1% 真正整合成功

引言：2025 年的巨大 AI 斷層

2025 年，企業面臨一個日益擴大的鴻溝——AI 的雄心壯志與實際成果之間存在巨大落差。一方面，企業對 AI 的投資和採用正以驚人的速度成長。根據麥肯錫最新報告，高達 92% 的公司計劃在未來三年增加 AI 投資。這股投資熱潮也反映在實際應用上，超過 78% 的企業領導者表示，他們的組織已在至少一個業務功能中導入 AI。

然而，硬幣的另一面卻令人警醒。同一份麥肯錫研究顯示，只有 1% 的領導者認為自家公司在 AI 應用上已達到「成熟」階段——也就是 AI 已完全融入工作流程，並能帶來大量可衡量的業務成果。

這不是個案。Qlik 和 ESG 在 2025 年 2 月發布的研究也呈現類似的落差：94% 的企業增加了 AI 數據準備的預算，但只有 21% 成功將技術落地應用。波士頓諮詢集團（BCG）2024 年的報告也指出，雖然 98% 的公司正在試驗 AI，但只有 26% 能跨越概念驗證階段，創造實質價值。

對大多數組織而言，這種落差體現為長期陷入「試點煉獄」的困境。許多看似前景看好的 AI 專案啟動後就無法擴大規模，最終留下一堆無法影響營運績效的零散實驗。這正符合 Gartner 提出的「幻滅低谷」現象——當實施成果無法兌現承諾時，最初的炒作和過高期待就會轉為失望，最終導致興趣消退、專案遭到放棄。

然而，這種普遍的失敗並非技術問題。現代 AI 的威力無庸置疑。真正的問題在於領導力、策略規劃與組織變革的缺失。這個悖論是可以解決的，但前提是高階主管必須根本性地改變對 AI 專案的看法與領導方式——把它視為由高層主導的企業級轉型，而不是可以委派給部門的單一技術專案。本文將拆解這種系統性失敗的根本原因，並為想躋身 AI 整合成功企業 1% 菁英的領導者，提供可行的實戰指南。

當前的情況造成了一種危險的「進步假象」。AI 工具大量湧現、採用率攀升，這些表面的熱鬧活動掩蓋了深層的整合失敗。領導者看著預算支出、看著儀表板上跳動的使用數據，就以為正在創造價值。但這其實混淆了兩件事：購買 AI 工具，與將它融入營運這個複雜得多的挑戰。真正的危機不是缺少 AI 工具，而是缺少 AI 原生的業務流程。正如麥肯錫的分析明確指出，AI 的真正價值不是來自導入新工具，而是來自根本性地「重新設計公司的運作方式」。

第一部分：解構悖論：AI 轉型失敗的三大支柱

AI 投資和實際整合之間為什麼會有這麼大的落差？不是因為哪裡出了一個錯，而是三個環環相扣的問題同時存在，造成系統性的失敗。想要突破困境，第一步就是看清楚這三個問題到底是什麼。

支柱 1：技術優先、策略墊後

企業最常犯的致命錯誤，就是把 AI 當成「先有技術、再找問題」的工具。討論往往從「我們需要生成式 AI 策略」開始，而不是「如何把客服處理時間縮短 30%？」這種本末倒置的思維，必然導致一堆零散、無法擴大的試點專案——即使技術上成功了，也看不出對業務有什麼實質幫助。Gartner 預測，正是因為業務價值不明確、數據品質不佳、成本不斷攀升這些問題，將有 30% 的生成式 AI 專案在 2025 年遭到放棄。

這種做法完全違背了 BCG 提出的數位轉型黃金法則：70-20-10 原則。成功的 AI 領導企業會把 70% 資源投入人員與流程、20% 投入技術與數據基礎建設、只有 10% 用於演算法本身。但大多數失敗的組織卻恰恰相反，把絕大部分預算和心力都砸在技術和演算法上，反而忽略了更關鍵的流程改造和變革管理。

過度聚焦技術還造成另一個危機：數據基礎不穩。AI 模型的好壞取決於訓練數據的品質，但許多公司還沒準備好數據，就急著砸錢買先進的 AI 工具。Qlik/ESG 研究指出，雖然 94% 的公司增加了 AI 相關支出，但他們缺乏完整的數據準備計劃——這正是為什麼這麼多專案還沒落地就卡住了。這不是小失誤，而是策略性的失敗：沒先做好最關鍵的準備工作。沒有乾淨、易用、管理完善的數據生態系統，再強大的 AI 引擎都派不上用場。

支柱 2：高階領導缺位

成功的 AI 導入必須由高層全力主導，把 AI 丟給 IT 部門處理，是失敗的保證。

AI 不只是技術升級，而是需要由上而下的願景、策略整合與堅定領導的根本性業務轉型。少了這些，AI 專案就會淪為一堆零散的戰術性實驗，既缺乏凝聚力，也沒有足夠的策略高度來推動企業級變革。

更糟的是，這種領導缺位還伴隨著「準備度悖論」：高階主管雖然想投資，但很多人心裡其實沒底。超過半數（54%）的高階主管坦承，他們覺得自己還沒準備好帶領團隊面對 AI 的複雜性和快速演進。高層的信心不足造成了願景真空，讓企業無法形成連貫的 AI 策略。

更危險的是，高層與基層之間存在嚴重的認知落差。領導者嚴重低估了員工實際使用生成式 AI 的程度。一項調查顯示，高層估計只有 4% 的員工在日常工作中大量使用生成式 AI，但員工自己回報的實際數字是 12%——整整三倍。這種落差意味著領導者根本不知道 AI 如何在組織中自然擴散，結果就是風險失控、錯過擴大成功案例的機會，也無法提供必要的治理和支援。

策略監督的缺失也體現在過時的治理模式上。許多組織試圖用傳統的合規導向治理框架來管 AI，但這些框架往往成了創新的絆腳石，根本不適合 AI 的動態和機率特性。更糟的是執行不力：只有 47% 的組織表示數據治理政策有確實落實。這造成了高風險環境——在缺乏足夠防護的情況下採用 AI，讓企業暴露在數據外洩、偏見結果和監管處罰的風險中。

支柱 3：忽視變革管理

第三個、也可能是最致命的失敗點，就是嚴重低估了 AI 轉型中「人」的因素。導入 AI 既是文化挑戰，也是技術挑戰。重新設計工作流程、提升員工技能、推動組織變革——這些「軟性」挑戰往往才是最難克服的部分。

這個挑戰源自員工的恐懼和抗拒。高達 70% 的員工擔心 AI 會影響他們的工作和職涯。這種焦慮，加上近年來全球動盪帶來的「變革疲勞」，造就了一個充滿「害怕、陌生、恐懼與疲憊」的工作環境——從根本上抗拒新的工作方式。當 AI 被視為裁員工具而非生產力助手時，這種抗拒會更加嚴重，注定專案在起步前就失敗。

文化問題也直接導致人才投資失敗。不到三分之一的公司成功提升了四分之一員工的 AI 能力，造成大規模的技能落差。即使部署了完美的 AI 工具、制定了清晰的策略，如果員工沒有技能或信心去使用，一切都是白搭。這種人才短缺不是小問題——哈佛商業評論的研究證實，這是企業 AI 準備度的主要障礙之一。

這三大支柱並非各自獨立，而是形成了惡性循環，讓組織陷入停滯。技術先行、脫離業務目標的做法，導致試點專案看不出 ROI。沒有可衡量的成效，領導者就無法說服組織支持更大的策略願景，於是更加規避風險、把 AI 當成本中心。沒有令人信服的策略論述和實證價值，就沒有動力投資困難的變革管理和技能培訓。員工無法參與和發揮作用，後續的 AI 專案也註定整合失敗，負面循環不斷延續，讓 99% 的企業與那成功進入良性循環的 1% 菁英之間的差距越拉越大。

第二部分：整合要務：1% 做得不同的事

要跳出失敗的惡性循環，領導者得先搞清楚：成功到底長什麼樣？那 1% 的 AI 成熟企業，厲害的不是演算法有多複雜，而是他們真的把 AI 整合進營運裡了。他們早就不玩零散的實驗了，而是從根本上重新設計整套營運方式，打造出一個會思考、會適應、能產生複合價值的智慧型企業。

定義完全營運整合

完全營運整合，就是 AI 已經系統化的狀態——AI 不再是一個個獨立專案，而是深深嵌入核心業務系統和流程裡，甚至讓人感覺不到它的存在。到了這個成熟階段，AI 不只是員工手上的工具，而是變成營運架構的一部分，主動推動工廠、客服中心等各種功能產出可衡量的成果，還能持續優化整體業務策略。

這是 AI 成熟度曲線的最高階段。在這個層級，AI 效能監控本身就是核心業務流程，而不是 IT 部門的技術任務。AI 系統產生的洞察會透過 Jira、Slack 或 Microsoft Teams 等工具，自動在各功能團隊間流通，確保跨部門的透明度和協同。治理框架自動運作，合規成為工作流程的內建機制。這種轉變意義深遠：AI 不再是組織做的事，而是組織本身的一部分。

標竿案例：看 AI 成熟企業怎麼做

「完全整合」聽起來很抽象，但看看全球領先企業怎麼做，就懂了。這些公司展現了幾個共通點：業務目標擺第一、深度投入變革管理、高層有清楚的願景——正好為我們示範了如何克服前面說的三大失敗支柱。

• 寶僑（Proctor & Gamble）：重新打造新時代製造

寶僑用 AI 來解決核心營運痛點，充分體現了業務優先的思維。他們不追逐技術潮流，而是在 100 多個生產據點整合 AI 和邊緣運算，專注解決兩個高價值問題：預測性維護來減少停機、以及用電腦視覺即時控管複雜產品（如尿布）的品質。這不是表面功夫，而是深度改造公司的生產神經系統，清楚展現他們追求的是實質業務成果，而非炫技。

• 豐田（Toyota）：讓工廠員工成為 AI 開發者

豐田直接賦能第一線工廠員工——最了解營運問題的人——來開發和部署機器學習模型，正面迎擊了變革管理的挑戰。透過 Google Cloud 的 AI 平台，豐田讓 AI 普及化，把員工從被動接受者變成轉型的主動參與者。這種由下而上的協作方式培養了當責感和創新文化，每年可量化節省超過 10,000 工時。這堪稱從基層建立 AI 文化的教科書案例。

• UPS：打造系統級數位雙生

UPS 的做法展現了由上而下、具前瞻性領導的典範。他們正在為整個全球配送網路打造「數位雙生」——每個實體資產、流程和系統的動態即時虛擬鏡像。這不是單點解決方案，而是為 AI 原生世界進行的完整業務再造。透過模擬整個物流生態系統，UPS 從被動處理問題（例如應對暴風雪）轉向主動預測優化，在中斷發生前就重新規劃包裹路線、安排車輛維修。這充分展現了他們的深刻洞見：真正的轉型需要把企業重新想像成單一的智慧系統。

• EchoStar：跨部門擴大戰果

EchoStar 做到了大多數公司做不到的關鍵一步：從試點走向全面擴展。概念驗證成功後，其 Hughes 部門沒有就此打住，而是開發了 12 個正式生產應用，把 AI 嵌入銷售（自動通話審核）、客服（客戶留存分析）和現場營運（流程自動化）。這種跨功能部署預計節省 35,000 工時，充分展現了可擴展、可複製 AI 策略的「倍增效應」。

AI 生態系統的複利效應

AI 真正的變革力量不是來自優化單一任務，而是來自串連和增強整個企業流程。這創造了 AI 倍增效應——整合系統的協同價值遠大於各部分的加總。舉例來說，當行銷團隊透過 AI 掌握的消費者需求變化，自動輸入供應鏈的預測模型時，整個組織就變得更敏捷、反應更快。這種跨功能串連打破了部門孤島，創造出一個整體的智慧企業，能像單一有機體般感知和回應市場變化。

這些領先企業的成功，反映出競爭態勢的根本變化。隨著強大的基礎 AI 模型日益普及，長期優勢的關鍵已不再是演算法本身，而是整合能力。那 1% 的佼佼者，多半不是狹義的「AI 公司」，而是懂得將 AI 深度嵌入自身獨特營運脈絡的傳統企業——無論那套系統有多複雜、歷史有多悠久。他們善用 AI 強化既有優勢：寶僑的製造規模、豐田的生產體系、UPS 的物流網絡——這些都是純技術新創難以複製的價值來源，因為後者欠缺深厚的產業know-how 與專屬營運數據。競爭的主戰場，已從研究室移向企業應用的最後一哩。

第三部分：2025 年 AI 領導行動手冊

破解 AI 悖論光靠投資不夠，還需要審慎規劃、結構化且全面的轉型方法。以下四大行動方針為高階主管提供了清晰框架，幫助組織從零散試驗走向策略性的規模化整合。

1. 願景與策略對齊：從零散行動到統一路線圖

第一步也是最關鍵的一步：停止雜亂無章、由下而上的 AI 實驗增生。真正的轉型始於高層明確回答「為什麼」。這需要超越戰術性部署，為 AI 建立清晰的企業級策略願景。

兩個實用框架可以引導這個過程：

• 史丹佛四步 AI 策略框架：提供了發展穩健策略的邏輯步驟。首先（1）定義問題，確保每個專案都對應真實的業務機會。接著（2）評估時機，檢視組織準備度和市場時機。第三步（3）打造路線圖，列出實施步驟、所需支援和成功的關鍵指標（KPI）。最後（4）建立三大支柱的穩固基礎：連貫的數據策略、清晰的演算法策略，以及可擴展的基礎設施策略。
• AI 策略畫布：一頁式工具，幫助組織建立共識。畫布讓領導團隊必須在每個 AI 專案的九個關鍵要素上達成一致，包括目標受眾、公司理念和價值觀、要強化的產品/服務、AI 的具體角色（如分析師、助理）以及預期產出。透過視覺化呈現專案如何串連，確保所有利害關係人——從行銷、IT 到法務——從一開始就有共同的認知和期待。

有了明確的策略，實施應該遵循分階段推出來管理風險，同時建立動力。這種分階段方法通常從概念驗證（POC）開始驗證技術可行性，到單一業務單位的試點來衡量績效和收集反饋，到一個穩健且準備更廣泛採用的最小可行產品（MVP），最後到完全企業推出。至關重要的是，治理、變革管理和價值追蹤必須嵌入每個階段，而不是事後才想到。

2. 建立混合專業知識網路：AI 卓越中心（CoE）

要克服困擾大多數 AI 努力的碎片化，組織必須集中關鍵功能以標準化最佳實踐、管理風險並推動可擴展成長。最有效的結構是 AI 卓越中心（CoE）。

為 CoE 組建正確的人才非常重要，而且不只是聘請數據科學家而已。現代的跨領域 AI 團隊需要多元專業：AI 策略規劃師負責將專案與業務目標結合、數據工程師負責建置穩定的數據管道、業務分析師負責將需求轉換成技術規格、AI 倫理專家和法規遵循主管負責風險管理，還有變革管理專家負責推動團隊採用新技術。

要永續地建立這個人才管道，組織可以採用 BCG 的全面「預期、吸引、發展、參與」模型。這個框架指導公司透過策略勞動力規劃預期未來技能需求，透過令人信服的價值主張吸引頂尖人才，透過穩健的提升技能和持續學習計劃發展內部能力，並透過創造一個賦權他們與 AI 有效協作的文化來參與員工。

3. 衡量的革命：超越簡單 ROI

AI 倡議停滯的主要原因是無法使用過時的衡量模型證明其價值。傳統的 ROI 計算，僅專注於直接成本節省，未能捕捉像 AI 這樣變革性技術的多面影響。領導者需要新的語言和更複雜的框架來闡明他們 AI 投資的真正回報。

Gartner 的 AI 價值金字塔提供了一個強大的、適合 C 級高層的模型，在三個關鍵層面評估價值。這個框架擴展了「回報」的定義，創造了全面的視圖：

• 投資報酬率（ROI）：這是基礎層，包括傳統的、實質的財務指標。它回答問題：「這個倡議是否為我們賺錢或省錢？」
• 員工報酬率（ROE）：這一層衡量 AI 如何賦權和放大人類勞動力。它將 AI 重新架構為增強而不僅僅是自動化的工具，並回答問題：「這個倡議是否讓我們的人變得更好、更聰明和更投入？」
• 未來報酬率（ROF）：這是最策略性的層面，評估 AI 投資如何建立長期組織能力。它衡量公司適應性、韌性和未來創新能力的增加，回答問題：「這個倡議是否讓我們的組織更為未來做好準備？」

要使這個框架可行，領導者可以實施一個平衡計分卡，為每個類別定義清晰的 KPI，借鑒 Gartner 和 ISACA 的模型。

4. 演進治理：從合規警察到競爭催化劑

在 AI 時代，治理必須從被動的、以合規為重點的功能演變為主動的、策略性的推動者。現代 AI 治理框架不會扼殺創新；它透過建立信任、管理風險和創造負責任擴展所需的護欄來加速創新。這種轉型將治理從感知的成本中心轉變為真正競爭優勢的來源。

有效和敏捷的 AI 治理框架的關鍵組成部分包括：

• 強大的策略基礎：這始於明確的 C 級高層責任和董事會級別監督。它需要建立與公司價值觀對齊的組織特定 AI 原則，以及分層治理結構——例如，設定風險偏好的策略董事會委員會、監督的高階主管級 AI 倫理委員會，以及例行審查的營運委員會。
• 基於風險的分層系統：並非所有 AI 應用程式都承擔相同級別的風險。有效的框架將用例分類為層級（例如，低、中、高風險）並應用相稱的控制。這防止治理成為低風險創新的瓶頸，同時確保高影響系統獲得適當審查。
• 全生命週期監督：AI 治理不能是專案開始時的一次性檢查。它必須涵蓋整個模型生命週期——從設計、數據來源和訓練到驗證、部署、持續監控和退役。這種方法對於管理「模型蔓延」並確保模型不會隨時間退化或漂移至關重要。
• 自動化和透明流程：要大規模治理 AI，手動流程是不夠的。領先組織使用自動化工具進行持續模型監控、針對監管框架的自動合規檢查，以及為所有 AI 資產提供單一真相來源的集中模型登記，確保透明度和責任。

第四部分：競爭優勢窗口正在關閉

雖然通往 AI 成熟的道路充滿挑戰，但踏上旅程的策略要務從未如此巨大。產業分析師之間正在形成共識，即確保顯著早期採用者優勢的機會窗口正在迅速關閉。未來幾個月做出——或未做出——的決定可能會決定未來十年的競爭層級。

現在的緊迫性：12-18 個月窗口

專家分析表明，未來 12 到 18 個月代表公司在 AI 整合上果斷行動的關鍵策略窗口。在這段時期，市場正在成熟，基礎模型的能力正在穩定，跨部門有效部署 AI 所需的工具正變得更加可存取和穩健。利用這段時間為規模化 AI 建立策略、營運和文化基礎的組織將脫穎而出。

那些猶豫不決的人面臨被留在所謂的「分歧未來」中的風險。在這種情境下，經濟分裂為兩類公司：利用其整合能力指數級加速創新和效率的 AI 領導者，以及發現自己結構性處於劣勢、在成本、速度和客戶體驗上難以競爭的落後者。等待的風險不再是錯過漸進式收益；而是面臨系統性過時。

即將到來的 AI 標準化和價值轉移

技術歷史表明，每個重大突破最終都會商品化，AI 也不例外。隨著演算法變得更強大和可存取，隨著開源模型繼續侵蝕專有模型的主導地位，僅僅擁有複雜的 AI 模型將不再是競爭差異化的來源。它將成為基本門檻——每個認真的競爭對手都應該擁有的實用工具。

這種標準化將觸發競爭優勢重心的根本轉移。當每家公司都能存取類似的 AI 引擎時，新戰場變成了該引擎如何獨特且有效地應用。關鍵差異化因素將不再是模型本身，而是用於訓練它們的專有數據和它們嵌入的獨特業務流程。隨著外部數據對所有人變得更加可存取，公司獨特的、專有洞察——從直接客戶互動、民族誌研究和內部營運中獲得——的價值將變得至關重要。

為下一個十年建立永續的 AI 護城河

在這個新局面中，AI 策略的終極目標是建立持久的「經濟護城河」——一個保護市場份額和盈利能力免受競爭對手影響的永續競爭優勢。AI 充當傳統護城河的強大加速器；例如，它透過讓產品隨著每個新使用者變得更聰明來加強網路效應，並透過隨時間深度個性化使用者體驗來增加轉換成本。

然而，AI 時代最強大和可防禦的護城河將是那些 AI 原生的護城河。兩個特別關鍵：

1. 數據護城河：真正的數據護城河不是透過簡單地累積大量數據來建立的。它是透過創造持續的、專有的反饋迴路來構建的。在這個模型中，代理式 AI 系統參與生成獨特的、情境豐富數據的互動。這些數據立即用於改善代理的表現，進而實現更好的未來互動，生成更豐富的數據。這創造了一個複合的、自我改進的循環，競爭對手不可能在沒有存取相同現實世界互動流的情況下複製。
2. 這就是 AI 時代最關鍵的悖論：AI 技術雖然越來越普及，但真正懂得運用的企業，卻能築起更高的競爭門檻。表面上看，任何公司都能輕鬆取得 AI 工具，但要追上那些已經深度整合的領先者？難如登天。舉個例子：新創公司也許能用上跟 UPS 一樣強大的 LLM，但它拿不到 UPS 累積數十年的專有物流數據，也學不來 UPS 磨練多年的營運流程——而這些,才是讓 AI 數位雙生真正發揮作用的關鍵。AI 越好用，企業原有的獨家資產——數據、流程、專業知識——就越值錢。結果就是「強者恆強」：那些正在建立複合優勢的領導者,和那些還困在試點階段的落後者,差距只會越拉越大。

結論：2026 年及以後的領導要務

巨大的 AI 斷層，在其核心，證明了領導力的失敗。92% 投資 AI 的公司與 1% 成功整合它的公司之間的鴻溝不是由技術存取定義，而是由清晰願景、策略路線圖以及為新現實重新連線企業的組織勇氣的存在定義。從試點煉獄到完全整合的旅程不是 IT 專案；這是 CEO 級別的要務，需要持續關注和願意挑戰關於工作如何完成的長期假設。

對於準備領導這個轉型的高階主管來說，第一步是誠實評估他們組織的當前狀態。以下檢查清單為領導者提供了一個高級框架來自我診斷他們的 AI 成熟度並識別需要解決的最關鍵差距。

展望 2026 年，AI 整合企業的願景是清晰的。這是一個不僅僅使用 AI，而是成為智慧系統的組織——敏捷、適應性和持續學習。

在這樣的工作場所，人的才能被放大而非取代；每個層級的決策都基於數據和證據；創新不是偶發事件，而是 AI 原生營運模式自然湧現的成果。道路充滿挑戰，但對於成功駕馭它的領導者來說，獎勵不僅僅是競爭優勢，而是對他們組織能夠實現什麼的根本重新定義。

您的組織是否陷在試點煉獄中？Alpha Technical Solutions 可以幫助您彌合從投資到整合的差距。

來源

• 2025
• https://athena-solutions.com/ai-governance-framework-2025/
• https://innovationsoftheworld.com/ups-revolutionizing-logistics-with-tomorrows-technology-today/
• https://isg-one.com/articles/the-impact-of-ai-on-enterprise-networks--a-blueprint-for-success-with-advisory-support
• https://jdmeier.com/ai-coe/
• https://journal.esrgroups.org/jes/article/download/5434/3912/10017
• https://sirma.com/insights/aligning-ai-initiatives-with-business-goals-from-vision-to-roadmap.html
• https://sloanreview.mit.edu/article/why-ai-will-not-provide-sustainable-competitive-advantage/
• https://sloanreview.mit.edu/series/how-to-maximize-the-business-value-of-generative-ai/
• https://sloanreview.mit.edu/video/getting-payback-from-generative-ai/
• https://sof.to/blog/posts/unveiling-gartner-s-ai-maturity-model-strategies-for-modern-businesses
• https://uhy-us.com/insights/news/2024/august/key-components-of-an-ai-governance-program
• https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-generative-ai-in-enterprise.html
• https://www.gartner.com/en/articles/take-this-view-to-assess-roi-for-generative-ai
• https://www.interactionic.com/critical-insights-ai/
• https://www.investopedia.com/ask/answers/05/economicmoat.asp
• https://www.isaca.org/resources/news-and-trends/newsletters/atisaca/2025/volume-5/how-to-measure-and-prove-the-value-of-your-ai-investments
• https://www.kearney.com/service/digital-analytics/article/new-hbr-article-explores-how-business-leaders-can-turn-ai-from-a-cost-center-into-a-value-catalyst
• https://www.leanix.net/en/wiki/ai-governance/ai-strategy
• https://www.lxt.ai/path-ai-maturity/
• https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20in/quantumblack/our-insights/the-state-of-ai
• 1000