传统巨头的AI焦虑

2026年2月，一份清算公告从国内某知名饮料集团的内部流出。

精密机械公司解散，机器人业务彻底关停。这块业务从2011年就开始布局，是国家「十二五」重大科技专项，前后投了几千万。

十五年，几千万，归零。

同一个月，另一组数据刷屏了。麦肯锡发布2026年企业AI转型调研报告，全球近90%的企业已启动AI转型，但真正实现规模化应用、取得商业成果的，仅有约10%。高达75%的企业，正深陷投入巨大却无法突破的「试点陷阱」。

一边是传统巨头花了十几年和无数钱，最终黯然收场。一边是90%的企业还在排队往同一个坑里跳。

问题到底出在哪？

一台能语音控制的烤箱

聊传统企业做AI，先看一个最典型的场景。

2025年，AI家电渗透率超过50%，彩电更是突破70%。几乎所有家电品牌都在产品上加了AI标签，语音控制、智能推荐、远程操控，功能列表越来越长。

但另一组数字更刺眼。78%的用户觉得智能功能不实用，实际使用率仅34%。

你买了一台能语音控制的烤箱。第一次用的时候喊一声「预热到200度」，觉得挺新鲜。第三次的时候，你已经懒得喊了，直接拧旋钮，两秒搞定。

这不是个例，这是绝大多数「AI+传统产品」的真实写照。

国内某家电龙头砸了600亿押注AI，布局工业机器人、人形机器人、智能家居，但至今没有发布自研基座大模型，人形机器人也没进入主流统计机构的视野。而几家海外家电品牌在干什么？在偷偷磨冰箱门缝。它们把AI用在了看不见的地方，节能、保鲜、降噪，用户感知不到AI的存在，但能感受到产品变好了。

这两种做法的区别，就是「伪智能」和「真智能」的区别。

伪智能的逻辑是，给产品加一个AI标签，加一个语音入口，加一块屏幕，然后告诉消费者这是AI产品。本质上是营销驱动，不是需求驱动。

真智能的逻辑是，用AI解决一个真实的、高频的、用户自己可能都说不出来的痛点。高德地图的「AI伴行」就是个好例子，它不是在地图上塞一个聊天框，而是用摄像头理解街景，用语音做连续对话，用意图预判帮你做决策。用户不需要学习「怎么用AI」，因为AI已经融入了使用过程。

试点陷阱

麦肯锡报告里有一个词特别精准，试点陷阱。

什么意思呢？企业花了几百万请咨询公司做了一个AI PoC（概念验证），在某个部门试点，效果看起来不错，员工效率提升了10%到15%。然后呢？然后就没有然后了。

75%的企业卡在这一步。试点成功，但无法规模化推广。

为什么会这样？三个原因。

第一，AI解决的不是真正的业务问题。很多企业做AI的起点就错了，会议室里有人说「我们想做一个AI项目」，但没有人回答得了「你要用AI解决什么业务问题」。不是为了解决某个具体问题而用AI，而是为了用AI而用AI。这种项目，试点阶段可以靠投入堆出好看的数据，但规模化之后，成本和收益的剪刀差立刻暴露。

第二，AI只提升了个人效率，没有改变组织流程。一个销售用AI写通话记录的时间从1小时降到5分钟，但整个销售流程、考核机制、客户管理方式都没变。个人提效10%到15%，但组织整体效率没有提升。这种AI应用，就像给一辆自行车装了法拉利的后视镜，看着高级，但对速度没有实质帮助。

第三，数据基础不支撑。AI需要数据喂养，但大量传统企业的数据散落在不同系统里，格式不统一，质量参差不齐。没有好的数据，AI就像巧妇难为无米之炊。

焦虑的本质不是技术，是竞争

传统企业的AI焦虑，表面上是对技术的焦虑，实际上是对竞争的焦虑。

2025年企业AI支出同比增长2倍，超四成资金涌向生成式AI。近3000家调研企业中有一半已部署AI。这个增速不是自然增长，是恐慌性增长。

看到对手喊AI就慌了。不做怕落后，做了又不知道做什么。于是先做一个AI项目再说，至少年报里能写「全面拥抱AI」。

这种焦虑驱动的AI投入，有一个共同特征，重前端轻后端。愿意花大钱买AI模型、做AI产品、搞AI发布会，不愿意花小钱整理数据、重构流程、培训团队。

但AI的价值释放恰恰是反过来的。模型只是工具，数据是燃料，流程重构才是发动机。只有工具没有燃料和发动机，AI项目注定停在试点阶段。

谁在真的赚钱

焦虑归焦虑，有些传统企业确实通过AI赚到了钱。

国内某中式快餐连锁品牌在全国380多家门店部署了AI数字菜谱和智能炒菜机器人，后厨从8人减至5人，出餐效率提升40%，顾客投诉率下降40%，单店月省人力成本1.2万元。这笔账很好算，380家店一年省下来超过5000万。

还有一个更有意思的现象。智谱AI把智能交互、场景服务、支付助手全面落地，结果微信和支付宝几乎没怎么发力，就成了最大赢家。AI公司疯狂烧钱做底层能力，但最终的价值捕获者，是那些拥有场景和用户关系的传统平台。

这说明了一个被很多人忽视的逻辑。在AI时代，最稀缺的不是技术能力，而是场景理解力。

技术可以买，可以租，可以外包。但对你自己行业痛点的理解，对用户真实需求的把握，对业务流程的深度认知，这些是买不来的。

海外几家头部家电品牌不用给冰箱加屏幕，因为它们知道用户真正在意的是保鲜效果和静音。中式快餐连锁品牌不用做AI营销，因为它知道后厨降本增效就是最硬的道理。高德不用在地图上塞聊天框，因为它知道用户在路口不知道往哪走才是真痛点。

钱到底流向了哪里

聊完失败案例和成功案例，回到一个更实际的问题，如果传统企业做AI的大方向没错，只是方法需要调整，那钱会流向哪些产业链环节？

从麦肯锡和工信部点名的高价值场景来看，有三个方向值得留意。

第一个是工业AI质检和预测性维护。这是目前ROI最清晰的场景之一。制造业的产线质检长期依赖人工，漏检率高、成本高、招工难。AI视觉质检可以把漏检率降到0.1%以下，同时24小时不间断。预测性维护更直接，通过传感器数据+AI模型预测设备故障，把意外停机时间减少30%到50%。工信部在「人工智能+制造」的政策文件里，把这两个场景排在了最前面，说明政策层面也在引导资金流向这里。

第二个是企业数据治理和流程自动化。前面提到，75%的企业卡在试点陷阱，核心原因之一是数据基础不支撑。这意味着，帮企业整理数据、打通数据孤岛、建立数据中台，本身就是一个巨大的市场。全球企业AI支出里，超四成涌向了生成式AI，但真正能产生ROI的投入，往往是那些不起眼的数据治理和流程重构工作。做B端数据服务的公司，可能比做大模型的公司更早赚到钱。

第三个是垂直行业的AI解决方案。不是通用的AI平台，而是针对特定行业的深度定制。餐饮行业的智能炒菜和供应链预测，零售行业的智能选品和库存优化，物流行业的路径规划和智能调度。这些方案的特点是，做的人需要同时懂AI和行业，门槛高但护城河也深。一旦在一个行业里做透了，客户替换成本极高。

三个方向的共同特征是，它们都不是「给产品加个AI标签」，而是用AI解决了一个具体的、可量化的业务问题。质检降低了漏检率，预测性维护减少了停机时间，数据治理打通了信息孤岛，垂直方案优化了运营效率。

这些才是AI在传统行业里真正能落地的场景，也是资金最有可能产生回报的地方。

一个简单的判断标准

聊了这么多，传统企业做AI到底该怎么做？

其实判断标准很简单，就三个问题。

AI解决的是不是一个真实的痛点，而不是一个想象中的需求？如果去掉AI功能，用户会不会立刻抱怨？如果不会，那这个AI功能就是伪需求。

AI带来的效果能不能量化？省了多少人、提了多少效、降了多少成本、减少了多少投诉？如果只能说出「提升了智能化水平」这种话，那大概率是伪智能。

AI是融入了业务流程，还是附加在业务流程之上？如果员工需要额外打开一个AI工具、额外学一套操作方式，那它就是负担，不是工具。好的AI应该像电一样，看不见但无处不在。

某国内饮料巨头2011年布局机器人，投了几千万，2026年关停。问题不是机器人不好，而是这家企业的核心竞争力是品牌和渠道，不是制造技术。把几千万砸在一个跟核心竞争力无关的方向上，就算技术再好，也只是锦上添花，不是雪中送炭。

传统企业做AI，最怕的不是做错，而是在不该做的事上花了太多钱，在该做的事上反而没投入。数据整理不值得花钱吗？流程重构不值得花钱吗？员工培训不值得花钱吗？

这些事情不够性感，不够写进年报，不够在发布会上讲。但恰恰是这些不起眼的工作，决定了AI项目是变成10%的成功案例，还是75%的试点陷阱。

AI焦虑不需要解药，需要的是冷静。