2026年6月9日，Fortune Brainstorm Tech大会的一个圆桌讨论里，Hyatt CEO Mark Hoplamazian说了一句话，可能是这一天所有AI演讲中最务实的一句：

“我没有兴趣谈采用率。我只关心吸收率（absorption rate）——员工是否真的把这项技术融入了他们的工作方式，并且拿出了更好的结果。”

这句话，是一个酒店集团CEO对整个企业AI行业的一次无声嘲讽。

Hyatt的数字：每周多一天

Hoplamazian在台上分享了一个具体的数字：AI工具为Hyatt销售团队每周节省了约1整天的工作时间。

理解这个数字需要一些背景。Hyatt每年要处理超过150万份来自企业客户的RFP（Request for Proposal，征集建议书）。这些RFP是酒店集团业务（group business）的核心——企业会议、大型活动、团体订房——通常是利润率最高、竞争最激烈的业务线。

处理150万份RFP，意味着什么？意味着销售团队每天都在进行大量重复性的信息整理、方案撰写、价格谈判和客户沟通。这些工作极度依赖人工，延迟响应直接影响中标率。

AI介入之后，这个工作流程发生了根本性变化：模型自动分析RFP需求、生成初稿方案、匹配历史报价数据、甚至预判竞争对手的可能报价区间。销售人员从”从零开始写方案”变成了”审核和优化AI生成的方案”。

结果是：每人每周节省约1天时间，同时集团业务的市场份额在增长。

Hoplamazian的表述更进一步：”（AI让员工得以）去优化酒店其余的收入流，这真的非常棒。”

这不是”AI节省了成本”，而是”AI释放了人的注意力，让人去做更高价值的工作”。这个微妙的区别，正是最成功的企业AI落地案例的共同特征。

Hyatt同时还在另一个方向部署AI：用自然语言搜索界面让旅行者能用日常语言描述旅行需求、基于TripAdvisor/Yelp/博客/内部酒店数据的综合分析为酒店管理团队生成运营洞察。与此同时，Snowflake CEO Sridhar Ramaswamy（他与Hoplamazian同台）描述了一个AI系统带来的”内置胶水”效应：原本需要数年才能完成的跨系统数据整合项目，现在数月可以完成。

让企业AI奏效的真正条件

Hyatt的案例之所以值得深入分析，不只是因为结果好看，还因为它揭示了企业AI落地成功的几个隐性条件——而这些条件，在大多数企业都还不具备。

条件一：明确可量化的业务场景

Hyatt的出发点不是”我们要用AI”，而是”我们每年有150万份RFP需要处理，这里有明确的效率天花板”。有了具体的业务问题，AI才能成为精准的工具，而不是撒网式的实验。

条件二：流程标准化先于AI化

Hyatt的RFP处理流程在AI介入之前，已经有了相对标准化的模板和流程。AI能够发挥作用，部分原因是有标准化的输入输出格式可以学习和生成。那些流程本身就一团糟的企业，把AI加进去只会让混乱更快速地传播。

条件三：度量标准从采用率到吸收率

这是Hoplamazian的最大贡献：他把AI成功的度量标准从”有多少员工使用了AI工具”，重新定义为”有多少员工真正改变了工作方式并拿出了结果”。这个区别看似细微，实则颠覆了很多企业的AI成功判断标准。

很多企业IT部门会自豪地报告：”我们90%的员工有权访问AI工具。”但这个数字和业务结果之间，往往有一道巨大的鸿沟——工具在那里，但没有人真正改变行为，AI只是一个额外的界面，而不是重塑了工作方式的基础设施。

条件四：数据资产的纵深

Hyatt能够用AI分析运营数据+外部客户反馈，前提是它有多年积累的内部酒店运营数据，以及与Snowflake等数据平台的深度整合。AI系统的能力上限，往往不是模型本身，而是喂给模型的数据质量和纵深。

Forrester的另一面：消费者端的现实

就在Hyatt展示B2B侧的成功故事的同时，Forrester发布的另一份报告给出了一个对比鲜明的数据切片。

《The State of Agentic Commerce in Mid-2026》（2026年中期Agentic商业现状）的核心发现：大多数所谓的”Agentic”商业体验，其实仍然停留在对话式阶段——基于聊天的产品发现和推荐，人类仍然主导决策和结账过程。

真正的自主购买极为罕见。极少消费者允许Agent在无直接监督的情况下完成交易。Forrester的结论是：市场叙事假设Agent主导购买正在广泛发生，但消费者信任和实际采用仍然有限，跨人群分布极不均匀。

这和Hyatt的B2B成功故事形成了有趣的张力。

同样是AI Agent，为什么B2B侧相对成功，C端侧却进展缓慢？

B2B vs B2C：为什么企业端领跑消费者端

这个差异有几个结构性原因，值得认真分析。

原因一：信任构建路径不同

在B2B场景中，AI Agent的”委托人”是企业，是一个已经接受过风险评估、签署过合同的法律主体。Hyatt的销售经理允许AI帮他起草RFP方案，因为她知道最终方案是她审核并批准的，失误的法律和商业责任边界是清晰的。

在B2C场景中，AI Agent的委托人是消费者个人——他们面对的是个人财务损失、隐私风险、以及对”AI是否真的在我的最大利益上行事”的根本不确定。这种信任，需要的不只是法律协议，而是真实的经验积累和社会共识的形成。

原因二：失败成本不对称

企业AI失败的代价：一个项目超支、一个季度ROI未达标、一次客户投诉——这些都是可管理的，有止损机制。

消费者AI失败的代价：错误地下单（无法退款的机票、错误的医疗建议、金融损失）——这些直接伤害了个人，且往往没有简单的补救路径。当失败成本如此不对称时，消费者的风险厌恶是完全理性的。

原因三：价值主张的清晰度差异

Hyatt案例的价值主张极度清晰：处理150万份RFP，节省每人每周1天。这是可量化的、可归因的、直接对应业务指标的。

消费者端的Agentic Commerce的价值主张则模糊得多：”你的AI助手会帮你找到最好的价格”——但消费者如何验证这一点？”帮你安排旅行”——如果偏好不完全匹配怎么办？当价值命题本身就难以验证时，消费者自然会保留控制权。

原因四：监管环境的成熟度——失去保护的后果是什么

企业AI落地有完整的采购流程、合同框架、数据处理协议、合规审查，以及最重要的：责任归属清晰。当企业AI系统出错，有合同条款和商业责任机制来处理后果。这种确定性，让企业有框架去承担风险。

消费者保护领域的AI监管则仍处于早期阶段。当消费者AI助手错误地帮你订了无法退款的机票、给出了错误的医疗建议、在你不知情的情况下完成了金融交易——谁负责？现有法律框架并没有清晰的答案。

想象一个典型的消费者AI失败场景：AI购物助手在”帮助比价”的过程中，优先推荐了平台自营商品，而非真正价格最低的选项。这不是AI幻觉，而是目标函数的偏移——助手的目标是”帮用户买东西”，但平台的目标是”优先卖自营商品”。类似的利益冲突已经在多个消费者AI场景中被讨论过，而在B2B场景里，合同条款会明确约束这类行为，在C端场景里则几乎没有有效的制衡机制。

这种监管滞后，不只是消费者保护问题，也是企业创新速度受限的原因：消费者AI公司不敢推进更激进的自主化功能，因为法律责任模糊；消费者不敢委托更多自主权给AI，因为没有充分的保护机制。两者相互强化，共同构成了C端Agentic AI落地的结构性障碍。

直到消费者端有了类似企业端”AI代理协议”（AI Delegation Agreements）那样的标准合同框架，直到”AI助手造成的损失由谁赔偿”有了清晰法律答案，消费者对AI自主决策的委托度都不会大幅提升。

第三层洞察：AI增效的真正度量衡

Hyatt CEO的那句”吸收率而非采用率”，实际上触及了AI增效评估的一个根本性问题：我们在用错误的指标衡量正确的事情。

大多数企业AI的KPI是这样的：有多少员工激活了账号、每月活跃用户数、AI生成内容的数量、工具使用频次。这些是活动指标（activity metrics），而不是影响指标（impact metrics）。

Hyatt的衡量标准是：市场份额有没有增长、销售效率有没有提升、员工从事高价值工作的时间有没有增加。这才是AI为企业创造的真实价值。

这个思维转变不只是度量工具的调整，而是整个AI战略逻辑的重新校准。当企业从”我要证明我们在用AI”转变为”我要通过AI拿出更好的业务结果”，AI投资的优先级就会完全改变：不再是铺广泛的工具覆盖，而是在最关键的几个业务流程里真正做深做透。

这也解释了为什么同样拥有”AI工具”，有的企业在Forrester报告里被归类为”真正在跑通”，有的企业被归类为”还在追赶”——差异不在工具，在工具背后的组织能力和业务焦点。

Forrester在报告结尾的建议，与Hyatt的实践路径不谋而合：重新设计工作，而不只是换工具。不是给旧的工作流加一个AI步骤，而是把最高摩擦的工作流从根本上围绕自主性重建角色和审批流程。

Hyatt不只是给销售团队买了一个AI助手，它重新定义了什么叫”销售工作”。这才是AI增效的真正意义。

一天工作时间，不只是节省了成本，而是重新定义了价值创造的边界。

尾声：下一个Hyatt会是谁

Hyatt的故事还有一个隐含的问题没有被问出来：这个成功能否被复制？

酒店行业有一个天然优势：业务流程高度标准化，RFP格式在行业内相对统一，数据来源（客户需求、竞争对手报价、历史中标率）边界相对清晰。这使得AI在这个场景下的输入输出条件，比许多其他行业更容易被结构化。

但这个优势，同时也是一个隐性的门槛。不是每个行业都有如此标准化的高频业务场景，也不是每家公司都有Hyatt和Snowflake合作后的那种多源数据整合能力。

从这个意义上说，下一个能复制Hyatt成功的企业，需要具备的不只是AI预算，而是三个叠加条件：

第一，业务场景识别能力——找到那个属于你的”150万份RFP”级别的业务痛点：高频、标准化、输入输出可结构化、改善收益可量化；

第二，数据资产纵深——有足够的历史数据让AI”有东西可学”，而且这些数据的质量经得起模型检验；

第三，组织吸收能力——Hoplamazian说的那种文化层面的”吸收率”，不是工具覆盖率，而是行为改变的深度。

这三个条件缺一不可，并且按这个顺序重要性递减但难度递增：找场景是战略眼光，建数据是多年积累，改文化是最难的人性工程。

这，也许正是为什么真正”跑通了”的企业AI案例，在所有声称在”用AI”的企业中，还是如此稀少——不是工具不够好，而是三个条件同时满足的企业，本来就是少数。

技术准备好了。人和组织，才刚刚开始准备。

参考资料

  1. Fortune, “Hyatt says AI isn’t replacing workers—it’s giving them more time to focus on guests” (2026-06-09)
    https://fortune.com/2026/06/09/ai-isnt-replacing-hyatts-salespeople-its-giving-them-an-extra-workday-every-week/

  2. Forrester Research, “The State Of Agentic Commerce In Mid-2026” (2026-06-02)
    https://www.forrester.com/blogs/the-state-of-agentic-commerce-in-mid-2026/