ARTICLE · 1052008
科技制造企业AI时代变革之痛:95%的AI变革项目打水漂,问题在哪?
前言： 1981 年 4 月，45 岁的杰克·韦尔奇接手通用电气。这家公司看起来什么都好：营收稳定、规模庞大，是美国工业的象征。但他看到了另一面：机构臃肿、流程冗长、350 个经营单位各自为战。他留下了一句被反复引用的话：Change before you have to（在迫不得已之前，主动变革）。 二十年里，GE 市值从 120 亿美元涨到 4100 亿美元。这段历史常被讲成狠人的故事，而其内核其实很朴素：被动变革是代价惨重的救火，主动变革才是长期生存的前提。
这句话放在今天的科技制造业，再合适不过。当下的企业在面对 AI变革时，常会卡在两种错误状态：一种是观望，觉得 AI 是概念炒作，等成熟了再说，于是稳稳守住旧有流程，按兵不动；另一种是跟风，看同行上了AI，自己也砸钱搞智能化，动作很大，回报很虚。
一、不动等死，乱动找死。AI变革该怎么动？
跟风式投入有多普遍？这里提供两个可以查证的数字。
MIT 媒体实验室 NANDA 项目 2025 年 7 月发布的报告，统计了 300 多个企业 AI 项目：全球企业在生成式 AI 上已投入 300 到 400 亿美元，但 95% 的试点项目没有给利润表带来任何可衡量的回报。如果以试点上线后 6 个月，可量化 P&L 损益改善为成功标准去判断失败的原因，大致总结为以下两点：
绝大多数 AI 工具是一次性 prompt 调用，没有业务反馈闭环，无法持续迭代适配真实工作流，无法规模化； 通用大模型工具普及率极高，但财务价值很低：80% 企业都试点过 ChatGPT/Copilot 类通用工具，但大多只能改善个人工作效率，无法转化为公司损益提升。
而Gartner曾在 2024 年 7 月给出了更直接的预测：到 2025 年底，至少 30% 的生成式 AI 项目会在概念验证后被放弃，原因是数据质量差、成本失控、商业价值说不清。
MIT 报告的结论值得每个老板记住：不是模型不行，是企业的"学习鸿沟"——工具没有长在自己的业务流程里。研究对象中成功的那 5% 企业有三个共性：聚焦一个痛点（窄场景）、和一线深度协作（深度嵌入工作流）、和业务指标绑定（维持高质量业务输出结果）
换句话说，大部分企业并不是败给了 AI，是败给了自己上 AI 的方式。
二、斯坦福解剖了51 家企业，AI变革到底难在哪里？
时间来到2026 年 4 月，斯坦福数字经济实验室发布《The Enterprise AI Playbook》。三位作者（包括经济学家埃里克·布林约尔松）花了 5 个月，深入研究 41 家企业的 51 个已产生真实价值的 AI 部署，记录了那些"不会出现在发布会上的坑"：
① 77% 最棘手的难题不是技术问题。而是变更管理、数据质量、流程重塑这些"看不见的成本"。一位受访高管的原话是：技术从来不是瓶颈，组织的采纳才是失败点。
② 61% 的成功项目，之前都失败过至少一次。光鲜的 ROI 数字背后，是没人愿意提的沉没成本。
③ 阻力最大的不是一线员工，是职能部门。法务、HR、风控这些中后台部门，贡献了 35% 的阻力来源。
还有一个现象：同样的 AI 用例，有的企业几周上线，有的磨了好几年。其中的差距在这三件事：1.高管是不是每周跟进清障，而不是批完预算就消失；2.基础数据和流程文档有没有提前理好；3.一线员工是被强制推行，还是真觉得有用。
报告里有个案例让人印象深刻。一家美国物流公司每年处理超过 10 万张发票，用 AI 替代人工审核后，这块业务的用工需求从 7 个全职降到 2 个，发票处理时间降到24小时内，创造的价值超过 100 万美元。但报告指出实现这个效果的前提是：团队先用人工清理了几年前杂乱的模板体系，业务专家花了大量时间大量验证 AI 输出是否准确，以及由公司总裁每周开例会参与项目进展，亲自拔钉子。
三、AI变革外衣下的隐蔽变量
斯坦福团队还有另一篇更扎心的研究，《Canaries in the Coal Mine》（煤矿里的金丝雀）。他们用 ADP 薪酬数据追踪了数百万美国劳动者，2025 年 8 月首发，2026 年更新后结论更严峻：
在 AI 高暴露的职业里，22 到 25 岁年轻员工的就业水平，比低暴露同龄人低了 19%，而且缺口还在扩大。软件开发者尤其明显：22-25 岁从业者就业比 2022 年末的峰值下降约 20%，同期 41-49 岁人群反而增长 14%。
为什么年轻人先受冲击？研究者的解释是"编码化知识"与"隐性知识"的分野。教科书能写下来的东西，AI 学得比新人快、用得比新人熟，所以吃这碗饭的入门岗位最先收缩。而判断力、客户手感、踩坑经验这些写不进文档的东西，AI 暂时替代不了，资深的人反而更值钱。
这对企业的启示很直接：如果组织能力主要靠资深员工"脑子里那点东西"，人才断层风险每年都在放大；如果年轻人成长通道变窄，梯队迟早断档。AI 时代真正的组织能力，是把隐性经验显性化、结构化，变成组织资产。这正是韦尔奇当年在 GE 做的事，也是今天企业主动变革最该下手的地方。
四、主动变革的三个落点
回到文首提到的韦尔奇的变革哲学，核心不是颠覆，而是取舍：砍掉无效动作，守住核心价值，把资源押在关键增量上。翻译成当前科技制造企业在AI变革浪潮中的语言，我们称之为：守正出奇。我们从我们大量的企业研发侧辅导工作中提炼出以下三个变革落点：
落点一，研发端：把成功经验变成可复用的资产
多数科技制造企业最大的隐性浪费，是研发端对新产品的重复试错。核心技术存在老员工脑子里，新项目习惯性从零开始，为了显得创新还随意推翻已经验证过的方案。作为资深研发辅导顾问，我们会一直坚持反复提醒我们的服务企业：产品是企业的生命线，而这条生命线的“命门”是产品立项及需求的管理。
守正的做法，是守住验证过市场上成功产品的经验和方法论，最大程度复用；好的AI 可以手把手带领员工把成功产品的基本方法论、核心要素、个人隐形经验变成公共知识库沉淀下来，通过对标成熟标准，让新项目站在过往成功之上，不用从0开始。
而出奇的做法，是在自己的垂直赛道精准优化到极致。让AI集采业务专家的智慧通过自动反向评审方案、识别无效创新，保证产品整体规划服务于良率、成本、性能的真实提升。
落点二，组织端：压缩人才养成周期
企业最宝贵的资源一直是人才。而传统人才培养靠时间堆：老带新，踩坑，几年出师。成本高，不可复制，人一走就清零。而深度理解岗位能力模型和流程的AI专家可以充当 24 小时在岗业务导师，新人的流程、标准、输出反馈，不再反复占用资深工程师的时间；甚至AI使用的过程中实现统一全公司的工作标准和输出规范，避免因人而异；而AI也可以承担挑战者的角色，对员工的方案和文档常态化评审纠错，边干活、边纠错、边成长，替代低效的课堂培训。
落点三，战略端：拒绝泡沫，做确定性的升级
当下很多企业的困境，是动作太多、沉淀太少：跟风 AI 热点、盲目智能化、无序扩产、低价抢单……看似非常努力，实则全是消耗。
在这里的局面中，企业更应该聚焦守正：守住主业产品体系和成熟经验，扎扎实实做好产品体系的迭代与升级；出奇，利用 AI 做精准提效、精准降本、精准沉淀。不追泡沫，不卷无效竞争，把资源押在内部组织可复用、可落地、可增值的核心能力上。
结语
AI 不是科技制造企业的风口，而是产业升级工具。它奖励流程清晰、经验沉淀、组织健康的企业，惩罚把希望寄托在一次采购解决全部问题的企业。
回到韦尔奇那句话。主动进化的企业，正在悄悄把对手拉开一个身位。
守正固本，复用提效，精简降本，出奇破局。这是当下科技制造业穿越寒冬，最踏实的一条路。
数据来源：MIT NANDA《The GenAI Divide: State of AI in Business 2025》（2025.7）；Gartner 新闻稿（2024.7.29）；斯坦福数字经济实验室《The Enterprise AI Playbook: Lessons from 51 Successful Deployments》（2026.4）；斯坦福《Canaries in the Coal Mine?》（Brynjolfsson 等，2025.8 首发，2026 修订）。GE 数据来自公开报道。
— END —9月22日下午，我们在深圳将举办“用好AI，做实需求管理闭门实战分享会”关注「锋矢科技圆桌会」，可联系我们申请剩余少量到场席位。