ARTICLE · 1125589
95%的企业用AI是零回报:2027年活下来的那5%做对了什么
作者：投机小能手
如果一个数字要在 2026 年解释中国绝大多数企业的 AI 困境，不是"AI 取代了多少岗位"，而是这个：
88% 的企业已经在至少一个业务环节用上了 AI，只有 29% 能说出它对 EBIT 产生了显著影响。
59 个百分点的落差。这才是真相。
而那个被转发了几万次的"95% 失败率"，原始出处是 MIT NANDA 2025 年 7 月的初步报告《The GenAI Divide》。它的准确表述是：在其研究样本中，约 95% 的企业在生成式 AI 项目上尚未取得可度量的损益表影响，约 5% 实现了快速的收入加速。
注意三个限定词：可度量、损益表、六个月观察期。
这不代表 95% 的项目技术上是坏的，也不代表它们没有帮员工省时间。MIT 报告的作者 Aditya Challapally 明确说过，衡量口径是"是否产生可度量的财务影响"，而企业自行申报的失败率通常远低于此，因为没人会主动承认失败。
把这个数字当成"AI 没用"的证据，是误读。把它当成"企业侧能力差"的证据，是对的。
下面拆开讲三件事：钱到底花错在哪、那 5% 到底做对了什么、以及 2027 年会发生什么。
一、钱没有花错在技术上，而是花错在三个地方
一个反直觉的结论先摆出来：赢家和输家在模型选型、基础设施投入上的差异微乎其微。
这是 BCG、McKinsey、Stanford HAI 2026 年几份研究交叉后指向的同一个判断。真正造成 59 个百分点落差的，是组织就绪度，不是模型能力。
那钱错在哪？三个地方。
错误一：把 AI 当成一次采购，而不是一次流程改造
超过一半的生成式 AI 预算，花在了销售与市场工具上。但 MIT 报告测出的最大 ROI，恰恰在后台自动化——砍掉外包流程、砍掉代理商费用、砍掉内部协调成本。
逻辑很直白：销售市场工具的收益要等到营收兑现，通常以季度计；后台自动化的收益在账单上直接体现，通常以月计。你在等一个要用半年才能验证的收益，而你的预算撑不了半年。
这是绝大多数企业最本质的错误：他们优化的是演示效果，不是损益表。
错误二：陷入"试点陷阱"
McKinsey 的数据把失败模式说得很直白：
同时，高绩效企业只做 3–5 个核心用例并把它们做透；落后企业同时挂着 20 多个试点，每个都"看起来在推进"，没有一个到生产环境。
这就是"试点陷阱"：几十个概念验证，零个投产。每一个试点都在消耗预算、消耗高管注意力、消耗员工的耐心，而没有一个能进入日常流程产生复利。
试点不是通往生产的路，试点是通往下一次汇报的路。
错误三：没人定义"成功"长什么样
MIT 报告里有一句话被引用得很少，但它是整份报告最锋利的一刀：
没有预设成功标准的企业，即使技术完全按设计运行，也无法宣布成功。
高绩效企业中 86% 会追踪 AI 模型的 ROI，低绩效企业只有 71%。每周追踪 ROI 的企业，成功扩张的概率是季度追踪者的 3 倍。
这不是管理精细化的问题，是归因问题。如果上线前没有记录"改造前每张工单的响应时长是 4 小时、平均成本 15 美元"，那么三个月后你根本没法回答"现在到底省了多少"。你只有一堆漂亮的使用量截图，和一句"大家感觉效率高了不少"。
Gartner 2026 年 4 月的调查给了一组更冷的数字：只有 39% 的技术领导者相信企业的 AI 投资会对财务表现产生正面影响。85% 的企业计划在 2026 年继续增加 AI 投入，而只有 22% 真正把 AI 规模化到多个业务单元。
11% 的企业甚至说不清楚自己 2025 年在 AI 上花了多少钱。
钱不是瓶颈。79% 的高管感到"证明 ROI 的压力比去年更大"——这说明所有人都知道该算了，只是没人动笔算。
二、那 5% 做对了什么：六个可复制的动作
把上面所有研究里反复出现的因子剥出来，落成六条。这些不是理论，是有对应数据支撑的操作差异。
1. 从"最贵、最无聊、最重复"的问题开始，不是从最酷的开始
高价值 AI 场景的共同特征：高频、可量化、跨人重复、没有创意含量。
对照一下：把 AI 用在"给销售团队做智能助手"，属于直接撞上前两行最贵的位置——收益要等营收、验证周期长、失败概率最高。
反面案例同样清楚。67% 失败的项目是"全组织 AI 转型"这种巨型立项；54% 的失败把"员工抵触"列为主要原因。
一条判断标准：如果你没法为这个场景写出一句"改造前是 X，改造后要变成 Y"的话，这个场景现在不要做。
2. 买比自建更可能成功——这个结论反直觉但数据清楚
MIT 报告里最被低估的一条发现：
从专业供应商采购 AI 工具并深度合作的企业，成功率约 67%；完全自建的企业，成功率只有这个数的三分之一。
MIT 采访的几乎所有企业都倾向于自建。理由通常听起来很充分：要控制数据、要贴合业务、要避免供应商锁定。
但供应商产品已经知道了那条工作流、已经内置了反馈回路、已经在几十个客户那里踩过坑。而一个内部团队自建的工具，往往停在"证明了我们的数据能被模型读到"这个阶段。
Bain 2026 年的数据给了一个补充视角：供应商部署的智能体达到正向 ROI 的速度是定制自建的 2.4 倍，因为前者自带评估框架和集成模板。
反过来说，"自建"不是原罪，"为了自建而自建"才是。 强监管行业、数据敏感到不能出域的业务，当然该自建——但那需要配套的能力，不是砸钱和招几个人。
3. 先铺数据和治理，再上场景
失败的企业从场景直接开始，每个新项目都从零起步，技术债快速累积。
赢的企业在做相反的事：先建统一数据底座、API 网关、模型服务层，把后续每个场景的边际成本压下来。
有历史数据可以做参照：美国银行在 2014–2019 年投入 30 亿美元建数据底座，这笔在生成式 AI 出现之前的投资，才是它今天 AI 部署能算出财务收益的原因。摩根大通在统一数据平台上跑着 1000 多个 AI 用例，底层也是多年积累。
这不是"AI 项目"，这是"AI 项目的前置工程"。前置工程不产生回报，但它决定了后面所有项目能不能产生回报。
4. CEO 亲自挂名，不要甩给 IT
McKinsey 的数据：CEO 主导的 AI 项目，成功概率是把 AI 委托给中层管理者的 3 倍。
BCG 追踪的"先锋型 CEO"把 73% 的转型预算投向 AI，并且每周花 8 小时以上亲自深化自己的 AI 认知。
为什么？看错误一的逻辑就明白了——AI 回报的来源是流程改造，而流程的归属权分散在各业务线。CEO 不出面，就没有部门愿意第一个动自己的流程。
这不是让 CEO 去写 prompt。是让 CEO 去回答三个问题：这三个场景一年能省多少钱？谁签字改造流程？失败了谁担责？
3.5（补充）人的预算被严重低估
Deloitte 的数据：93% 的 AI 预算流向技术，只有 7% 流向"将要使用它的人"。
高绩效企业把这个比例倒过来——它们在技能培训、流程再设计、变革管理上的投入是落后者的 2 倍。
工具买了，员工不用，ROI 就是零。这不是变革管理话术，这是个算术题。
5. 试点数量硬性封顶在 5 个以内
赢家的纪律：任何时候在手试点不超过 5 个，每个都必须有明确的扩张路径和 ROI 指标。
先用少数高影响场景证明价值，然后通过平台化横向复制。
这条纪律的价值不在于"5"这个数字，而在于它强制了优先级排序。当你只能选 3 个场景，你必须回答"哪个最贵、最痛、最容易证明"；当你可以有 20 个，你回答的是"哪个最容易汇报"。
6. 把治理当成加速器，不是刹车
一个反常识的发现：赢家更早建立治理框架——模型审计、风险评估、合规文档。
这被很多人理解为" slows things down"。实际效果相反：治理提高了 AI 输出的可信度，业务单元因此更愿意采纳 AI 的建议。
治理成本也在快速上升：2026 年治理已占企业 AI 平均预算的 8–12%，而 2024 年只有 3–5%。这是所有预算项里增长最快的一条。
欧盟 AI 法案在 2026 年 8 月 2 日进入实质执行阶段，高风险违规的罚则最高到全球营收的 3% 或 1500 万欧元。这已经不是"以后再说"的事。
三、2027 年会发生什么
把上面的数据往前推一年，四个判断。
判断一：预算会从"探索预算"变成"问责预算"。
2027 年的预算周期里，说不出财务影响的企业会面临削减。61% 的高级管理者已经感到证明 ROI 的压力上升——这个压力在 2027 年会变成实际的削减动作。
判断二：数据飞轮会拉开真正的代差。
先行者已经形成正循环：更多数据 → 更好的模型 → 更多可行场景 → 更多数据。晚进者面对的不是技术差距，是数据差距和经验差距，这两个东西不能靠采购工具补。
判断三：赢家会从"用了 AI 的公司"变成"用 AI 改完了组织的公司"。
3–7 倍的结果差距，来自流程改造的深度，不来自模型能力的差距。这意味着 2027 年的分化会发生在组织内部——同一个公司里，被改过的流程和没改过的流程，效率差距会拉大到刺眼。
判断四：2027 年活下来的那 5%，本质上做的是同一件事——把 AI 从"项目"变成了"流程"。
不是买了工具，不是招了人，不是建了委员会。是把一个具体的高频流程，重新设计了一遍，让 AI 成为其中不可绕过的一环，然后用数字盯着它。
这件事一点都不酷。它需要的是取舍的勇气：决定先不做什么。
最后：一个给决策者的自检清单
如果你要在自己公司里判断该不该继续投入，按顺序问这六个问题：
- 这个场景改造前的数字是什么？
答不出来 → 先别投。 - 多久能看到这个数字变化？
超过 6 个月 → 优先级往后排。 - 这件事是不是高频、重复、可量化？
三个里缺两个 → 不是 AI 的第一批战场。 - 谁来签字改造流程？
找不到人 → 这个场景不属于你。 - 在手试点超过 5 个了吗？
是 → 先砍到 5 个。 - 买还是自建？
除非强监管或数据不能出域，答案通常是买。
前四个问题答"是"，你就大概率在那 5% 里。
数据来源与口径说明
MIT Project NANDA，《The GenAI Divide: State of AI in Business 2025》，2025 年 7 月初步报告。基于 300+ 公开披露的 AI 举措、52 家组织访谈、153 名高管问卷。注意：这是初步报告，非同行评审全样本普查，报告自身列出了选择偏差、指标不一致、六个月观察期过短等局限。 McKinsey State of AI 2026；Stanford HAI AI Index Report 2026 BCG AI at Scale 2025/2026；Bain 2026 AI 分析 Gartner 新闻稿：2025 年 2 月、2026 年 4 月、2026 年 9 月调查 Fortune 对 Aditya Challapally 的专访，2025 年 8 月 18 日 Deloitte AI 预算配置研究
本文为原创分析，仅代表作者判断，不构成投资建议，也不构成对任何企业技术选型的建议。