ARTICLE · 1064116
AI 让 80% 的员工变快,为什么只有37% 的公司赚钱?
AI越来越能干，大模型演示一次比一次惊艳。
但到了企业的采购桌上，问题就变了：能不能把事情做稳，能不能把账算明白？
麦肯锡的2026年AI调查里，有一组值得琢磨的“温差”：在工作中使用AI的受访者中，80%表示AI提高了个人生产力；报告AI对所在组织息税前利润（EBIT）有正向贡献的受访者比例，却仍为37%，与上一年基本持平。
员工干活变快了，公司还在追问：省下来的那些时间，最后都去了哪里？
把麦肯锡、亿欧智库和MIT的三份报告放在一起，恰好能从账本、技术与人的角度追问这件事：一份讲企业的投入产出，一份讲世界模型的能力与落地，一份讲人的学习与判断。
三份报告不是一张可以合并的统计表，却共同指向同一个问题：AI的能力，怎样才能变成组织的业务价值？
企业的账本：个人省了时间，公司未必立刻赚钱
先看企业账本。
这份麦肯锡调查覆盖97个国家，共有1,719名各层级受访者参与。它记录的是受访者反馈，不是对1,719家独立企业的财务审计。
80%和37%分别衡量个人体验与组织财务贡献，不能拿来计算“提效转化率”。正向利润贡献的人数比例没有上涨，也不意味着AI创造的收益总额没有增长，更不能据此说其余企业都在亏钱。
这组“温差”留下的问题是：从一个人做得快，到一家公司做得好，中间还缺什么？
第一：写方案变快了，报价流程未必变短
设想一个常见场景：销售借助AI，几分钟写完方案初稿。可产品参数还要找技术确认，报价要逐层审批，交付排期还得跨部门协调。
文档很快写好了，客户等完整报价的时间却没怎么缩短。
如果瓶颈在数据和审批，给全员配上AI助手，也不会自动疏通后面的流程。省下来的时间，得有地方接住。
麦肯锡调查中的“AI高绩效者”，指报告组织至少5%的EBIT可归因于AI、同时认为AI带来“显著价值”的受访者。近四分之三的这类受访者表示，组织因AI而从根本上重新设计了工作流程；其他受访者中，这一比例约为四分之一。
这是一种相关性，不是“重构流程就能赚钱”的保证。但它提醒管理者：除了看员工调用了多少次AI，还要看从需求进入到结果交付，整条流程究竟改善了什么。
第二：软件少买了，维护这笔账还在
调查中，常规使用AI的组织受访者里，32%表示，其组织已决定不购买至少一款软件产品或功能，因为可以借助AI编码工具在内部构建。
AI正在改变“买软件还是自己做”这道选择题。
但生成第一版代码，只是开始。权限怎么管、数据怎么备份、漏洞谁来修、核心开发人员离职后谁来接，这些事情不会随代码生成提速而消失。
一套小工具，今天能跑，和明年还敢让业务依赖它，是两回事。
比较自建与采购，要把开发、维护、安全和交接放进同一本账。只看首版功能用了几天，很容易把后面的成本漏掉。
第三：Token账单，只是总成本的一部分
麦肯锡调查还显示，常规使用AI的组织受访者中，约五分之一表示，包含Token费用在内的运营成本，正在限制组织使用AI。
这尚不足以说明AI普遍“用不起”，却说明预算不能只盯着API调用单价。
系统接入、数据整理、失败重试、人工复核和运维，都要花钱。本地部署还要计入硬件折旧、电力、存储，以及设备闲置时仍在发生的成本。
Token更便宜，也未必意味着项目总账单更低。一次任务调用多少轮、失败后重做几次、最后有多少结果能直接使用，同样影响成本。
对已经部署AI的企业，预算问题也在变：不只问“要不要投”，还要问“投在哪一环，能持续换回什么”。
世界模型：会“想象”未来，还得经得住现实
从办公室里的文档和代码，走到工厂里的机器人，AI面对的要求又变了。
写错一段话可以重改，机械臂抓错一次，可能损坏工件，甚至带来安全风险。企业对回报的追问，到了这里，首先变成了对可靠性的追问。
亿欧智库梳理的世界模型，正试图让机器在行动之前，先预测环境会怎样变化。用通俗的话说，就是在内部推演一句：“我这么做，接下来会发生什么？”
以机器人端水为例：它不仅要认出杯子，还需要预测抓取时会不会打滑、移动时水会不会洒，再结合预测选择动作，根据现实反馈调整。这是对理想工作过程的解释；感知、预测、规划和控制，可能由不同模块协作完成。
六大模块是理解技术的地图，不是采购清单
亿欧智库报告梳理了联合嵌入预测架构（JEPA）、物理AI基础设施、空间智能、生成式视频、潜空间强化学习、主动认知推断六类能力模块，同时指出行业尚无公认的统一分类标准。
这些名称涉及架构、平台和方法等不同层次。企业可以借它们理解技术侧重，却不能直接当成六款标准产品逐项打分。
有的侧重抽象状态预测，有的侧重三维空间重建，有的侧重生成动态画面，还有的用于学习行动策略。落到具体系统里，它们可能组合使用。
影视创作看画面表现力，机器人分拣看任务成功率，工业仿真看与真实工况的误差。同样叫世界模型，验收标准不能照搬。
演示成功一次，离稳定运行还有多远？
报告列出的挑战很具体：物理建模精度不足、长时序一致性差、算力成本高、高质量数据稀缺。长时间保持一致、及时响应、符合物理规律，这几项要求往往相互牵制。
企业看演示，要把问题再往前推一步。
一次抓取成功之后，连续运行的成功率是多少？光照变了、物料混杂了、换了没见过的物体，还能不能完成任务？出错时能否安全停机，人工要多久接管？
仿真也一样。即使加入物理规则，建模假设、材料参数、传感器误差和现场扰动，仍会影响结果。虚拟环境里跑通了，还得拿真实工况验证。
这些问题并不扫兴。它们决定一段演示，能否变成一套敢于交给生产部门的系统。
“走下云端”，算力也要跟着任务走
亿欧智库报告收录了智在无界Being-H-Flash的端侧部署案例。按照报告及其所引厂商资料，该模型已在百TOPS级端侧芯片上实现实时部署。
把部分计算放到设备旁边，有机会降低通信依赖，缩短响应链路。但现有材料不足以证明，同样的性能和成本能在不同硬件、任务与工况下复现。企业仍需用自己的业务验证。
所以，算力选型不能只看峰值算力和单卡标价。
训练、仿真、在线推理分别跑在哪里？端侧允许多长的响应时间？云端承担哪些任务？网络中断后，设备怎样安全运行或停机？这些问题要先说清楚。
把资源放到任务需要的位置，比单纯堆高配置更重要。端侧与云端也不是只能二选一，具体分工取决于业务的时延、可靠性和成本要求。
人的判断：交付变快，团队也要跟得上
系统出错时要有人接管，方案存疑时要有人复核。那么，这个人是否还理解系统，能不能解释方案？
这就接到了第三份报告。
MIT《AI使用特设委员会最终报告》提出“增强而非自动化”（Augmentation not automation）。放在教育语境里，它强调的是用AI拓展思考、学习和创造，而不是把这些过程交出去。拿到正确答案，可能让人误以为自己已经学会。
MIT的校内调查里，受访者一方面认可AI带来的生产力提升，另一方面也感受到对它的依赖。这里反映的是校内使用体验，不是企业员工的调查结果。
把这个思路延伸到企业，并不是反对自动化，而是要区分：哪些重复劳动可以交给机器，哪些判断能力必须留在团队里。
新人用AI写出一份漂亮方案，不代表他读懂了客户需求。工程师拿到能运行的代码，也不代表他能解释边界条件、排查漏洞、处理线上故障。
如果交付物越来越多，懂得为什么这样做的人却越来越少，业务遇到新问题时，隐患才会暴露出来。
MIT报告还建议不要依赖AI检测器，并讨论了版本历史、阶段性反馈等过程证据在评估中的价值。
迁移到企业管理，我更愿意把问题问得直接一点：关键结论有依据吗？重要环节复核了吗？负责人能不能讲清楚为什么选这个方案？
尤其是技术选型、采购评估和对外承诺，AI可以整理资料、比较方案，但文本写得完整，不能成为跳过专业核验的理由。
让员工解释一次取舍，复盘一次错误，有时比再培训一套提示词更有用。
人机协作既要让今天的任务做得快，也要让团队有能力处理明天没见过的问题。
落地AI，先把这三个问题问清楚
三份报告不会替企业开出采购单，但能帮助我们把验收标准写得更具体。
需求是否真实：业务到底卡在哪一步？
先选一条明确的业务流程，记录原来的完成时长、差错率、人力投入，再看AI改善了哪一环。
如果慢在审批，就别只展示文档生成速度；如果错在数据源，就别只换一个更大的模型。没有基线，所谓提效容易只剩下感受。
成本是否可控：完成一件合格任务，一共花多少钱？
除了Token和GPU费用，还要把重试、复核、系统接入、运维、备用资源计入成本。
节省的工时，可以转化为更多有效交付、缩短等待、降低加班，也可以释放出处理复杂问题的能力。但这些变化需要被记录，不能直接把“省了多少小时”当成“增加了多少利润”。
一份稳定可用的结果，比十份还要反复返工的廉价输出更有价值。
风险能否接住：系统出错以后，谁来处理？
上线前就写清适用边界、验收标准和退出机制。哪些场景允许自动运行，哪些必须转人工；谁有权暂停系统，怎样退回原有流程。
先在边界清楚、风险可控的场景试点，再按验证结果扩大范围。试点表现好，是继续验证的理由，不是跳过验证的理由。
AI能力持续进步，当然值得兴奋。但企业需要的，终究是一条比以前更好用的业务流程。
看回报，要算完整的账；看技术，要看持续运行；看团队，要看能否做出判断、承担责任。
少问一句“这个模型到底有多强”，多问一句：引入AI之后，这条业务流程，有没有实实在在变得更好？
资料来源
[1] 麦肯锡《2026年人工智能发展现状报告》（2026年8月）
[2] 亿欧智库《2026世界模型行业研究报告：世界模型六大能力模块与五大应用场景盘点》（2026年8月
[3] MIT《AI使用特设委员会最终报告》
#人工智能#AI大模型#AI智能体#世界模型#具身智能#GPU算力#企业AI#AI投资回报#算力部署#技术选型
