十大咨询机构AI转型报告解读:从部署竞赛到回报清算(下篇)

消费侧争的是信任与接受度，后台职能争的是数据架构与治理顺序

前两篇留下的话是：钱的账算清了，投入端确定而前置、回报端不确定而右偏；组织的账也认了，瓶颈在人这一侧，而且每个季度都在扩大。

这一篇问的是第三件事，也是最实际的一件：换一个具体行业，AI到底怎么落。九份分行业的材料，从美国银行客户的信任度，一路讲到印度司库的数据湖分层。读完再回头看这个系列的五点共识与三点分歧。

九份材料都在2026年8—9月放出来，清一色分行业调研与操作手册。德勤三份：美国银行客户的GenAI信任度，澳大利亚零售旺季的agentic commerce意愿，一篇税务AI观点文章。罗兰贝格一份，拆欧洲银行与客户关系的AI重构。贝恩两份，游戏年报，能源AI规模化报告。安永三份：沙特数字健康国别报告，爱尔兰品牌AI可见性研究，还有一份堪称范本的司库agentic AI落地playbook。

有一个清晰的变化：落地第一次细到操作颗粒度。数据湖怎么分层，试点按什么标准挑，人机分工按80/20切，季度清单列哪些决策。愿景叙事的成分少了很多。

金融是本轮调研覆盖最重的行业。德勤看美国消费者，罗兰贝格看欧洲银行，两份报告视角错开，结论高度互补。拼起来指向一个判断：金融场景里，决定AI落地节奏的是信任曲线，不是技术曲线。

1.1 美国消费者侧，一条量出来的信任阶梯

德勤金融服务中心调研了约2,600名美国银行客户，其中约1,700人用过生成式AI工具。这是目前能看到的最完整的一组金融AI信任数据。问客户对各渠道建议准确性的信任度，答案一级一级往下掉：银行官网79%，搜索引擎67%，生成式AI工具49%，社交媒体28%。信任阶梯说的就是这几级台阶，不是修辞。只问信GenAI给出的银行建议这一项，总体比例再降到46%。

担忧的同样醒目：72%的客户对向GenAI分享金融信息感到担忧，64%担心隐藏偏见，超过40%对AI智能体的顾虑集中在三件事上——代价高昂的差错，隐私，没有人类监督。

这份报告值钱的地方，是它没停在信任低的静态结论上，拆出了三条动态线索。

解释、比较、推荐、准备行动都可以做，执行必须过客户这道批准。

落地建议四步。

• 度量AI渠道影响力，把银行产品出现在AI生成候选清单里的概率当新渠道指标管
• 为AI检索重构内容，产品说明、利率费用与披露条款都做成结构化、机器可读的格式
• 设计客户可控的AI
• 拿产品功能挣信任：推荐依据摆给客户看，用了哪些数据，做了哪些假设

1.2 欧洲银行侧，先是个商业模式问题

罗兰贝格那篇洞察文章给的是银行侧的战略定性：关键的财务对话正在从银行转移到AI界面。作者把这件事明确定义为商业模式问题而非技术问题，行动窗口正在收窄。它有三处论证，每一处都比标准咨询手艺多走了一步。

先说最狠的：它给银行缺席AI界面标了价。德国每年通过继承与赠与在代际间转移的财富高达4,000亿欧元，其中约1,130亿欧元在2024年为税务可见。未来十年，70岁以上人口增长约五分之一。继承发生那一刻是客户关系的生死时刻，继承人却不分享父辈的银行忠诚度——这一时刻，人口结构保证了它不可避免。

第二处，AI的心理优势。三分之一的德国人表示，对AI谈自己的支出，比对另一个人更诚实。用通用AI获取财务指引的消费者里，多数人反馈AI让他们敢问不敢问真人的问题，不用预约，不用担心费用，也不用担心被评判。信息对称性就此倒转：对话还没开始，客户已经把真实偏好交出来了。年轻德国客户选择数字银行购买金融产品的意愿，是婴儿潮一代的数倍。

第三条给的是分层，不是唯一答案。区域和合作银行可走人工优先＋个人顾问；大型机构的去处，是当AI代理与平台背后的受监管基础设施。唯一走不通的，是全能零售／财富franchise缺席在客户财务生活发生的地方。

1.3 美欧两份报告，对得上哪三条

两份报告的共识至少有三条，银行眼下仍是信任高地，79%对49%，差距明摆着；但德勤自己警告过，这个优势不是不可逆，AI一旦被普遍认为比银行更中立、推销立场更少，信任天平就会挪。决策入口在迁移：德勤的说法是在AI答案中的可见度是新的渠道指标，罗兰贝格的说法是缺席即出局，同一件事的两面。节奏受信任约束：德勤测出83%的未批准行动焦虑，罗兰贝格说行动窗口在收窄，两句要合读。

落到操作上是个顺序问题：先把内容做成AI可读的内容重构，再在AI界面里建立受信任的存在，最后按建议由AI、执行经批准的人机分工逐步推进agentic banking。每一步都不要求客户信任发生跃迁，只要求信任逐步让渡。这个顺序是从美欧两组银行样本读出来的，换个市场得先重新对一遍信任数据。

零售与消费的剧本和金融不一样。先测到的是意愿，使用还在后面追，品牌则在担心自己从AI的答案里消失。

2.1 澳大利亚旺季调研，消费者先要AI帮自己省钱

德勤澳大利亚第15届年度零售报告，样本150位零售高管加1,000名消费者，2026年6月执行。底色是消费放缓，报告在这个底色上测了agentic commerce的消费者意愿：63%愿意用AI比较产品与服务，59%愿意让AI即时查找并应用折扣，55%愿意让AI去议价比价。

三个数字的分布规律一致，开放度集中在实用、省钱型任务上，娱乐和探索型任务没人急着交给AI。报告还写明了一点，当前实际使用率仍低于上述意愿值。德勤合伙人Damien Cork的判断是，购物者采用AI的速度比一些零售商预期的更渐进。

另一重背景把agentic commerce的紧迫性放大了。48%的消费者线上购物时经常或总是考虑超低价线上市场，年收入20万澳元以上群体里这个比例到67%。零售商一侧，61%把这类市场列为未来12个月竞争加剧的来源，去年该比例是28%，翻倍还不止。价格、品类和便利几秒钟就能比完，零售商的定价权正在被重置。

德勤合伙人Louise Heath给的制胜条件是，知道什么时候拉动需求，什么时候保护利润，价值怎么讲到让人信服。她的一句话我认为是整段的题眼：把智能体AI接上受信任的产品数据的零售商最占优势。这等于把agentic commerce的落地关键从AI能力挪到了产品数据质量。

2.2 品牌可见性，从SEO挪到SRO

安永爱尔兰的文章替零售与消费品牌补上另一侧的拼图，AI成了搜索的新大门之后，品牌不再只是被找到，而是被解读。

数据是典型的高采用、低代理信任断层。英国58%的消费者对接受AI生成的产品建议感到自在，38%愿意把AI推荐的商品直接加进购物车。爱尔兰这边，84%的受访者过去六个月用过AI，信任AI代理代替自己购买的只有8%，12%已经用AI自动化过线上购物任务。

断层背后，购买旅程的结构变了。AI搜索吸来的是高意图购物者。截至2025年底，AI模式用户的购买概率与转化率都高于传统网页用户，原因很直接，AI把研究与购买之间的步骤压掉了。安永按意图把AI搜索用户分成五类：信息型、比较型、问题解决型、交易型、发现型，提示品牌按意图分层做内容。

框架上安永给出AI品牌可见性五原则，最有操作价值的是那条范式判断：从SEO转向SRO（语义检索优化）。两种检索的机制不同。传统SEO面对确定性排序，关键词匹配就行。AI检索是概率性的，选的是最可能回答查询的内容。

2.3 把消费者数据排成一条信任光谱

把这一篇前后出现的消费者数据并置，能排出一条按任务风险递增的接受度光谱。先交代一句：各点来自不同机构，不同市场，问法也不一样，我不拿它做预测，只拿来定授权的顺序。

TRUST SPECTRUM

光谱最左是信息研究类，接受度最高：沙特69%的消费者用AI获取健康信息，10国里最高；58%的GenAI用户拿它研究银行产品。往右是比较与省钱类：63%愿意用AI比价，59%愿意找折扣；英国58%的消费者接受AI商品推荐。再往右是个性化推荐：贝恩调研里，多数玩家对基于游戏内行为的个性化优惠感到舒适或中性。然后断崖：自主执行这一级直接摔到底，信任AI代理代购的只剩8%，83%的美国银行客户对AI未经批准操作财务感到焦虑。

3.1 游戏：AI不会拯救不聚焦的产品

贝恩《Gaming Report 2026》的AI第四章，我认为是本轮所有报告里最锋利的一个判断。底盘是全球5,300多名玩家的年度调研，结论只有一行。

贝恩扫描了2023年以来发布的100款游戏，结果悬殊：聚焦的游戏83%商业成功，不聚焦的只有50%，差33个百分点。先有聚焦，加速器才有意义；没有聚焦，它只会空转。

市场背景是一边碎片化、一边集中的剪刀差。没有单一理想游戏体验能赢下超过26%的玩家。游玩时间前20%的玩家贡献近60%的总时长，支出最高的20%贡献约四分之三的总支出。约86%的青少年每月在游戏上花钱，70多岁玩家只剩27%。三分之二的玩家想要的是已有品类的续作或类似体验，仅21%在找真正不同的新东西。这种盘子里，指望一款产品通吃所有人，本身就是不聚焦。

另一半顾虑是声誉风险，玩家侧数据把它消掉了。42%的玩家比一年前对行业使用AI更舒适，44%持平，更不舒适的不到七分之一；13—17岁玩家里59%更舒适。所以担心AI采用砸口碑的工作室，行动窗口是敞开的。

记住贝恩那句：抓住AI利润红利的不是算力预算最大的工作室，而是清楚自己在为什么而优化的。

落地的具体性在个性化一章。一家大型免费游戏公司，用基于强化学习（contextual bandit引擎）的AI决策替掉了固定排期的广撒网促销，实时在数千种触发-优惠组合里实验匹配，LiveOps活动的每玩家收入提升超过50%。

落地四要素同样写得直白：目标结果要明确定义；个性化得当跨职能能力建，配专职职能、要高管支持，不能挂在CMO下面当营销工具；交互编排层选partnering，别自建；现在就启动，早期行动者攒下的是数据飞轮。

分发这头的变局，把拥有玩家关系的逻辑又压实了一层。近半数玩家过去12个月至少一次从开发商网页商店直购，27%买过多次。四分之三的头部畅销手游在运营自己的网页商店，2019年这个比例才12%。据估算，手游DTC收入去年约170亿美元，约占手游内购市场的15%。

有个行为证据很反直觉：直购激励从10%加码到30%，玩家偏好几乎不动；但多次直购的玩家里84%表示，常玩游戏的个性化优惠会让他们更可能直购。折扣不改变行为，关系才改变。

3.2 能源：困在试点炼狱，解法是四条规矩

贝恩9月1日的能源报告《AI in Energy: From Pilots to Payoff》，写的是反面教材。859位能源与自然资源高管的调研：68%预期AI未来5—10年对业务绩效产生重大或变革性影响，但今天正在规模化有可衡量影响AI应用的公司，少于20%。

最大的障碍不是技术，近半数高管称首要障碍是结果不清晰或与业务价值无关，技术专长短缺排第二，数据可用性与治理差排第三。这三条全是组织性、结构性的问题，反而是好消息：高管可以直接对其采取行动，不用等模型换代。

给出的规模化打法四条，每条都落到动作：

1 聚焦少数端到端领域：挑2—3个AI应对实质性损益或系统挑战的领域，资产与流程绩效、客户／技术服务、供应链优化是常见选项，每个用例必须有清晰的结果指标与负责人。

2 重构流程与角色：别把模型钉在旧流程上，围绕内嵌AI重设计划员、调度员、技术员的角色与指标，把会拉回旧模式的遗留报表与审批直接退役。

3 建设够用就好的基础：优先域所需的数据先行，宽泛抽象的数据湖或GenAI平台工程不要启动。

4 建立可复制的规模化引擎：AI运营模型搭小型中央AI团队加授权的业务单元小队，配轻量治理，再加一份从创意到规模化的通用playbook。

一家全球运营商对成熟海上资产做AI诊断，形成超过12项绩效改进计划，价值超过每年1,500万美元；一家欧洲公用事业设计新AI运营模型（AI卓越中心＋负责任AI委员会），6—9个月内实现规模化。

安永MENA在利雅得LEAP 2026大会发布了沙特数字健康报告，底层是EY全球近7,700名消费者的10国调研，沙特样本1,002人。跟欧美数字摆在一起看，沙特的形态完全不同：激进的AI采用与传统临床信任，没有互相侵蚀，是并行强化。

先看采用深度，69%的沙特消费者主动使用AI工具获取健康信息，10国最高。78%做数字化健康追踪，全球均值57%。75%对在整个患者旅程中使用AI感到自在，从预约一直到治疗建议。AI已经在改变具体行为：61%因AI工具调整了体力活动，58%改了饮食，48%调了睡眠。

最扎眼的是AI实质切进了就医决策链条，86%的沙特受访者曾基于AI生成的信息，要求或考虑过一项临床行动，检查、治疗或处方都算；45%表示AI驱动的研究影响了其寻求专业医疗建议的决定。换句话说，AI建议正在直接进诊室对话。数字健康企业做产品设计，必须预设这个场景。

信任这一侧，是两个89%并排：89%的受访者对医疗专业人员的信任依然异常强劲，同时89%把AI视为临床专长的补充而非替代。供给侧整合同样领先，88%的沙特消费者愿意与医疗服务提供方共享可穿戴设备数据，46%表示其医疗专业人员已经在主动使用这些数据（全球均值30%）。安永的定性是，沙特的技术已经从被动的追踪工具演变为消费者健康旅程中的主动伙伴。

落地建议给三个方向：加强数字健康素养、推动健康数据的负责任使用、将AI嵌入治理框架。

上一节讲的是AI落在哪里。这节的两份材料回答怎么落。安永印度的司库agentic AI playbook，配上德勤的税务观点文章，是本轮报告里落地实施过程拆得最细的两块素材。一个给的是能照着抄的施工单，一个给的是配套的施工图。

5.1 司库：从“电子表格英雄主义”到自主司库的完整playbook

报告标题本身就是诊断。《从电子表格英雄主义到自主司库》安永印度这份报告把问题写在了封面上。开篇的定性：过去十年司库的关键是部署对的技术，这十年是让技术学会思考，也就是从自动化转向Agentic AI。前者把重复的事做快，后者在既定边界内推理、适应，并采取行动。

playbook第一步，把痛点称出重量。电子表格主导的司库职能，预测偏差典型值大于20%。全球50%以上的企业还在靠手工批量对账。中层司库人员60%—70%的精力耗在低价值活动上：跨系统聚合数据、对照交易对手和政策阈值逐笔人工校验、编制没人再看的过期报告。

碎片化的规模常被低估，一个成熟的司库职能，通常跑着50—100个相互关联的电子表格。一个只管20多种币种、120多个银行账户的全球团队，光对账每月就耗掉近两周。安永按六项核心活动测算：传统模式合计约138小时，其中现金对账32小时、月末报告40小时、套期有效性测试20小时等；换成数字化断点模式，同一批工作压到约20小时。

AI试点为什么会失败？安永的根因诊断值得所有职能部门抄一份：最常见的失败根因，是在碎片化的数据治理上叠建AI。数据不够干净、不够及时，输出不稳定，团队最后还是退回电子表格。

playbook真正的地基是数据架构，一座四层数据湖。

摄取走混合策略：直连API优先，SFTP／CDC留给遗留系统，RPA是彻底没辙时的最后手段。安永把这个次序写死，本身就是踩过坑的写法。体系分三层：先数据湖，再智能工作流与API驱动，最后才是Agentic AI推理层，顺序不可颠倒，这是安永明说的。

这步最容易翻车，诱惑全在前台。智能体一周就能演示，数据湖要先陪团队干一个季度的脏活。安永从失败的司库AI实施里总结出的最清晰模式，恰恰是顺序错误：数据湖架构还没建立就先部署智能体。输入不可靠、执行没有上下文，智能体越能推理，错得越有把握。

采纳设计四条原则，第二条我印象最深：先咨询后自主，试点期智能体只出建议、人来审批，不做自主支付。其余三条一段说尽——智能叠加而非推倒重来，用API把AI智能体包裹在现有TMS／ERP外面，核心系统不重构；先治理后规模化，治理委员会、审批流与审计日志先于扩大范围建立；衡量真正重要的指标，盯流动性缓冲缩减、周期时间，还有人工工时，别只报模型准确率。

治理模式也得跟着换，串行的RACI让位给并行、事件驱动的审批，控制嵌进日常流程。司库专业人士不再管理交易本身，改管理引导交易处理的规则、控制与校准。

试点选择标准是整个playbook最可迁移的方法论：人工投入高、数据够干净，再加执行风险低。三条都占的活儿，才值得先动。三个推荐工作流各有理由：现金预测对P&L影响最大，一期只做咨询、没有支付执行风险，准确率提升到90%可以直接缩减流动性缓冲、释放资本；KYC／AML异常处理，智能体能吃掉70%—80%的常规案例且全程可审计；现金对账则属高频、规则化，3—6个月内可见ROI。

收益数据撑着这套打法：数字化断点已经带来80%—90%的对账自动匹配率，报告周期从数天压到数小时，交易对手验证时间最多3倍改善。

规模化之后的终局是80/20运营模型：约80%的常规协调与处理交给自动化工作流和智能体，剩下20%留给人，管判断、风险校准，加上战略决策和银行关系管理。安永特意强调，终点不是无人司库，是专业能力的重新配置，结果落在四个可衡量项上：流动性缓冲下降、周期时间缩短，审计增强，战略带宽增加。

持续运转要有组织载体，司库卓越中心（Treasury CoE），通常设在全球能力中心（GCC）里。团队得双语：司库流程加数据与工作流架构，手里的资产是数据湖管道、智能体工作流库与数据治理框架。安永的关键论据是制度性知识，早建CoE的组织，持续跑赢那些把每个AI举措当独立项目做的组织。

落到行动，安永建议司库负责人本季度做三项决策：把数据架构评估启动起来，摸清数据在哪里、质量与时延如何、离受治理数据湖有多远；确定试点工作流，多数情况就是现金预测或对账，痛点最尖锐，数据也最易得；第三件是前提，安永要求排在最前面，在写第一行智能体代码之前就把治理框架定下来，审批阈值、审计日志、升级路径三样先有。

5.2 税务：分水岭在战略话语权

德勤的税务观点文章补上职能后台的另一块拼图。它最独特之处是「边做边教」，德勤先在自家税务服务交付里用AI，再把经验反哺客户。

人才这条线两个数：57%的税务领导者已将AI技能视为当今劳动力的必备技能，94%预计未来五年内都会持此观点。AI能力正从加分项滑向准入门槛。

组织侧的分野同样陡峭。德勤把财务负责人分成影响战略与支持战略两类，三个数摆出来：用AI弥补生产力缺口的比例43%对36%；已从AI投资中获得清晰可衡量价值的比例37%对17%；在特定财务领域全面集成AI智能体的比例接近50%对18%，最后一个数差近三倍。

德勤自家实践给了三个案例。Intela平台集中管理税务数据、简化工作流，推动税务团队从人工、被动的合规响应，转向主动的战略性税务管理；智能体框架支持用对话方式查询税务数据，多步骤流程自动跑，部分任务耗时从数小时压缩至数分钟；第三个用高级推理模型做支柱二（Pillar Two）与各司法辖区间接税规则的情景分析，直指当前跨国税务合规最复杂的两大领域。那篇文章把AI智能体定义为全球运行、全天候工作的数字专家。

行动框架分两层，战略三步全是打地基的慢活：先建数据基础，让税务数据能连通、可用，还要可靠；再把GenAI举措和业务战略对齐，聚焦点是风险缓释、效率提升和跨境合规；变革管理与持续学习文化得由税务自己主导。战术侧按推进顺序展开：先试点高影响用例，常见候选是税务通知审查、研究加速和合规文档生成；随后技能提升，整合分散的数据源，把税务与财务、运营数据打通；已验证的用例再规模化；最后一步跨职能协同，缺了IT、法务、业务单元都推不动。

5.3 两份材料的合读：职能后台落地的通用序列

司库playbook与税务文章合读，职能后台agentic化的通用序列并不神秘。先是数据，单一事实源立起来、分散数据源打通，这笔投资排第一。再是工作流，用数字化断点替代手工交接。然后才轮到智能体，在受治理的地基上叠加推理。

BACK-OFFICE SEQUENCE

用例选择有硬标准：人工投入高、数据够干净，再加执行风险低，缺一条都别碰。试点做的是信任建设，先咨询后自主、人类审批为默认，组织信了智能体，才谈得上放手。规模化的上限取决于组织载体，是CoE和跨职能能力，不是项目制。终局是人机分工的再配置，判断留在人手里。

这套序列跟贝恩能源报告的四原则放在一起看，几乎完全同构。职能后台和业务一线的AI落地，遵循的是同一套纪律。

九份报告并排读完，原本按四条落地模式来写这一节，写着写着发现，四条里有三条是同一件事换了三个行业的说法，砍掉重复，三条判断加一条反对意见。

最容易带走的是这条：AI放大的是方向误差，不是能力缺口。依据还是贝恩那组数，按原始口径对过一遍，扫的是2023年以来的100款游戏，聚焦的83%商业成功，不聚焦的50%。能源那边是反面证据：859位能源高管里，68%预期AI未来5—10年带来重大或变革性影响，今天真正规模化、可衡量影响拿得出手的公司却少于20%。

到了操作层面，挑2—3个端到端领域，每个用例配清晰的结果指标与负责人；试点按高人工投入＋数据足够干净＋低执行风险筛。行业可以换，这两把筛子不用换。

卡住落地的从来是顺序，不是投入规模。前面司库那节的顺序问题，其他后台职能一样成立：数据湖在地基位，智能体最后叠，三层倒过来做就翻车。贝恩能源给了一个更要紧的修正：够用就好，别追大而全，优先域所需的数据先行，好过启动宽泛、抽象的数据湖或GenAI平台工程。方向确定，要集中，要受治理，要能追溯；节奏不确定，由优先用例反推。

证据最多的一条，是治理不是刹车而是油门。德勤银行信任调研里，83%的客户对未经批准的AI行动感到焦虑，这说的是客户侧；安永爱尔兰只测出8%的人信任AI代理替自己下单，消费者侧；安永司库写的是先咨询后自主、先治理后规模化，企业侧；贝恩能源要的是一份轻量但有效的负责任AI治理，那是监管行业；安永沙特的落地建议是把AI嵌入治理框架，公共部门。五个来源，问的人不同，口径不同，指向同一句话。

德勤那份调研甚至给了机制：把透明度做成产品功能，推荐依据摆到客户眼前，用了哪些数据，基于什么假设，理由是什么。信任不再只是合规部门的事，它进了产品需求清单。

剩下那条我不认。人机分工的终局是判断力的再配置，而非人数的削减，这是原文的写法，问题出在证据。80/20这个模型只有安永司库一份playbook给过。另外三份材料说的不是同一件事：贝恩游戏讲的是把个性化当跨职能能力建，别挂在营销下面；贝恩能源重画的是计划员、调度员这些岗位；德勤税务讲的是角色从合规执行者升级为更有信息武装的业务顾问。三份都在改岗位职责，没有一份在算编制。并排读成完全一致的人机分工终局，是排版造成的错觉。

行业专属的部分不复述，只留一条线索：起点之争不只发生在消费行业，所有建议密集型的行业都会被卷进来，银行的产品研究、健康信息和商品比较，这三个入口都在往AI界面迁移。内容的机器可读化，也就是SRO，会接在SEO后面变成必修课。

管节奏的还是那两个变量：消费侧受信任曲线约束，接受度光谱是研究、比较、推荐、执行；职能与重资产受数据曲线约束，试点炼狱的根因是数据治理，不是技术。开工前先判断自己行业卡在哪个变量上，再挑对应的序列推。

37%、14%、6%。三个数看着悬殊，其实是同一件事的三档口径。部署-回报剪刀差是真的，只是各家量的尺不一样。麦肯锡问EBIT影响，37%的企业说有；埃森哲问显著价值，剩14%；BCG问有意义价值，只剩6%。从宽到严排开是个漏斗，方向完全一致：绝大多数企业还没把AI投入换成财务回报。

德勤×港大给了中国侧的刻度，48.5%的企业自评ROI低于预期。这个数是企业自己打的，不是第三方核的，我不拿它跟BCG那6%直接比。口径归口径，机构的立场倒是齐了：上一轮报告都在鼓励部署，这一轮都在清算回报。

瓶颈在哪，五家给的位置一样：不在技术。德勤的组织就绪度，业务流程21%、劳动力25%垫底；埃森哲那边，84%的高管预期人机协同，受过培训的员工只有26%；贝恩的措辞最直白，瓶颈是人。模型能力每12个月翻倍，组织的吸收能力不会自动翻倍。

剩下两条各压成一句。AI经济学需要新账本：token成本进了CFO议程，成本可视的企业ROI实现率15%，不可视的3%，中国还有44.4%的企业没设ROI衡量标准。信任是硬约束：银行客户对GenAI建议的信任度只有49%，信任AI代理代购的消费者仅8%，Z世代员工信任AI辅助工作的不足三成。

第三个分歧最难的地方是：既要有紧迫感，又别把基础设施层的耐心错用到应用层。

本期两份中国专题报告（埃森哲DTI 2026、德勤×港大）拼出来的是同一个样本：快部署，慢管理。AI应用越过试点阶段的比例一年内从46%跃升到88%，拿到显著价值的只有14%。多团队部署AI的企业有33.7%，但44.4%没设ROI衡量标准。部署速度全球领先，价值管理和组织建设是明显短板。

如果你的企业正好在这个阶段，我进去会先看三件事。

三件事一件答不上来的，谈规模化是虚的。46%到88%这个跳升，我暂时按埃森哲的口径采信；明年DTI再发，我准备把它的问法逐字对一遍，看这个88%和去年那个46%是不是同一道题。

LOHAS AI 致力于陪伴企业AI组织转型落地，通过组织的力量放大AI对企业经营发展的影响力。欢迎后台私信交流。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。