ThinkingAI韩国区总经理서광덕：AI快但业务慢，瓶颈在运营而非模型

서광덕在2026年10月20日于首尔举办的ThinkingAI峰会（TAS 2026）主旨演讲中提出了一个企业普遍面临的矛盾：个人生产力因AI显著提升，但企业利润并未同步改善。他援引麦肯锡的调查数据——八成受访者认为AI提高了个人效率，三分之一企业因能使用智能编码工具而停止购买软件——但仅有37%的企业表示AI对营业利润有贡献。美国麻省理工2025年报告称生成式AI试点项目95%未产生可衡量的损益效果，Gartner则预测超过40%的智能体AI项目将在2027年底前被放弃。

서광덕将这些差距归因于三个瓶颈：开发、持续性和收益化。在开发环节，他提出一个冰山比喻——演示只占10%，运营占剩余90%，而这90%是AI无法直接生成的。具体而言，从原型到上线之间横亘着数据定义、访问权限、既有系统集成和错误责任归属等问题。持续性方面，每当新模型发布或企业KPI调整，现有系统就需要修改；如果数据的含义和业务上下文分散在各自的代码和提示词中，更换模型就意味着重复开发。收益化则要求明确AI项目的责任主体、建立绩效度量并将结果用于持续改进。

他的核心建议是先设计数据和分类体系（taxonomy），再选模型。他用一个假设场景说明：某游戏服务的日活用户下降12%，传统流程是负责人看报告、请数据团队分析、运营团队再响应；智能体流程则是AI自动分析流失原因并提出应对方案，人审批后智能体执行后续动作。这一对比意在说明，关键不是单个任务的自动化，而是将问题感知、判断、执行和结果验证连成闭环。

서광덕将这一方法称为Agentic Growth，并介绍了ThinkingAI的Agent Engine作为实现基础，包含数据底座、全渠道感知、智能体执行和业务应用四个层级，连接用户行为分析、CRM和A/B测试等功能。需要指出的是，ThinkingAI本身是提供AI工具的公司，其演讲中的解决方案与自身产品直接相关。DAU案例是假设说明而非已验证的部署结果。不过，模型会换、数据和分类体系不会这一原则，以及从单点工具到业务闭环的思路，对正在推进AI落地的企业具有可操作的诊断价值。