ARTICLE · 1283220
92% 用上了 AI, 只有 8% 赚到钱
一家只有 1 名员工的药企，做出了新药。
同一份报告里，44% 的 CEO 承认算不清 AI 这笔账。
两个都是真的。这不是唱衰，是我把数据摊开看完之后的真实判断：
AI 商业化现在还在修路，没到跑车的时候。
01一人撑起一家药企，但要打两个折
Anthropic 买下一家药企，叫 Mithril Medicine。全职员工，1 个。
创始人 Cody 一个人，靠 Claude 协调外面 11 家实验室。不到 18 个月，把一款治罕见儿童病的药，从想法推到了小鼠实验。
用药那组小鼠的握力 1.35，没用药的 0.70。差了近两倍。
看到这个案例的第一眼，我以为爆发终于来了。
把更多数据摊开看之后，判断换了一句。因为这个故事要打两个折。
第一个折，在「药」这个字上。
小鼠实验是新药研发的第一道门，不是最后一道。行业里的常识是，进入临床的候选药物，九成左右会失败。
18 个月推到小鼠，证明的是「研发早期的试错成本被打下来了」，不是「新药快成了」。
第二个折，在「一个人」这个说法上。
那 11 家实验室是真人、真设备、真湿实验。Claude 干的是协调、检索、方案设计、把结果串起来。它没有替代任何一个做实验的人。
它压掉的不是科学家，是——协调成本。
这件事能成立，有个前提：药这条产业链上，从化合物筛选到动物实验，每个环节都已经被专业公司切得很碎，碎到可以按单采购。你只要有判断力和一点钱，就能把整条链拼起来。
一人公司不是「一个人干完所有事」，是「一个人买得起所有事」。
它的成功能不能复制到你身上，看的不是你的 AI 多强，是你这行的环节，有没有被切碎。
02同一个 2026，两个账本
先看效率：
▪ 客服：解决率从 70% 提到 85%，成本降一半▪ 财务：最快 3 个月回本▪ 写代码：效率高 2 到 3 倍（多为服务商自测）
再看落地：
▪ 普华永道（4450 位 CEO）：只有约 1/3 说真拿到了好处▪ Gartner：44% 的 CEO 算不出这笔账赚没赚▪ 毕马威：只有 24% 的企业在多个场景上有回报▪ 艾瑞：国内 67.3% 的项目还在试验阶段
一边「效率翻三倍」，一边「三分之二还在试验」。
两个数都是真的。
因为它们统计的根本不是同一批人。前面那组，是用上了的人自己的体感；后面那组，是整个公司的账。
单点效率翻倍，和整个体系赚到钱，中间隔着一件事：这些效率有没有被组织接住。
挖金子的还没赚到，卖铲子的先发了。
今年中报的说法更直接：「上游吃肉、下游啃骨头」。全球八成的利润，落在美国和韩国的上游手里。
03钱在上游，洞也在上游
卖模型的生意，大概分四个台阶：
① 卖算力 —— 芯片、云、机房② 卖调用 —— 按 token 收钱③ 卖软件 —— 按席位、按年订阅④ 卖结果 —— 按客户省下来的钱分成
多数厂商还在第一、第二级。
第四级才是真爆发。
因为一改收费方式，AI 就从客户的「支出」变成了「收益」。按用量收，客户永远在算成本；按结果收，客户只算赚多少。
但第四级也最难。要按结果收钱，你就得敢对结果负责；敢负责的前提，是你真的兜得住。
好消息是，路真的在修。推理成本一年掉到原来的十三分之一；相比最贵模型，token 价格比 2023 年 3 月降了 84%，相当于便宜了 8 到 12 倍。
这意味着高频调用迟早不再是门槛。
但只是迟早。
04电动机早就有了，工厂等了四十年
19 世纪就造出了电动机。
但它真正让工厂变快，是 20 世纪 20 年代以后的事。中间隔了三四十年。
不是电机不好用，是工厂没法改。
当年的工厂，所有机器都得围着一根大传动轴摆，靠皮带把动力分下去。换成电力，本该让每台机器自己带马达、位置随便摆——整个车间可以按工艺流程重新排，不用再围着那根轴转。
可换设备要花大钱，短期看不出好处，谁都不动。
每一轮技术换代都这么走，这次也躲不掉。
今天的 AI 卡在同一个地方。
AI 的「那根轴」是什么？
是围绕人工处理设计的流程：三层审批、按人头定的 KPI、跨部门的数据墙、写给人看的报表。这些东西在 AI 之前都是合理的，甚至是必要的。
你不拆它，AI 就只是个更快的马达，挂在旧轴上。
所以真正该问的不是「我们该上哪个模型」，是——
我们要拆掉哪根轴，谁的利益会受损。
第二个问题，没人愿意在会上问。
05只看一件事：出错的代价有多高
判断一个行业会不会先跑通，看一件事：
这行出错的代价有多高。
错了能重来、能有人兜底的，AI 先跑通。错了要赔钱、要担责、要出人命的，AI 一定慢。
按这个排：
最快 —— 工厂质检、程序员工具照片多得是，什么叫次品有标准，漏检了还能人再看一遍；程序员工时贵，省下来的直接能换算成钱。
较快 —— 金融风控、客服它本来就在为这件事花大钱，AI 只是换了个更便宜的工具。不用教市场，不用新开预算。
中等 —— 能源、物流、政务政策推着走，但采购慢。
最慢 —— 医疗、法律、教育核心环节卡的不是算法，是「谁付钱」和「出了事算谁的」。
三个补充细节：
客服这条值得单说。头部厂商服务了上百个城市的政务热线，一天处理一亿多次对话，意图识别准确率 95% 以上。这个量本身就是墙——用得越多越准，后来的人追不上。
医疗反过来。中国医疗 AI 论文数量全球第一，可真正的坎在下面：临床上到底有没有用、专利能不能变成收入、数据太碎。
论文在上头，赚钱的路径在下头。
人形机器人是个反直觉的数字。七成收入来自科研和学校，真正进厂干活的只占 9%，大多进了实验室和课堂。但不管哪家整机厂最后活下来，零件都得用。
06什么信号出现，算是爆发了
一，成本掉到不心疼。什么时候高频调用也不觉得贵，批量处理文档、实时翻译、个性推荐这些活会成批打开。这是最硬的变量。
二，收费从按用量变成按结果。客户从算成本，变成算赚多少。
三，有个杀手场景真跑通。AI 助手能帮企业实打实省钱，或者自动驾驶开始收费拉客，或者 AI 制药开始批量出新药。这三个例子有共同点——结果看得见，责任找得到人。
四，组织改完了。IDC 预测，到 2029 年 60% 的企业主要流程会优先用 AI；到 2028 年，七成全球两千强企业能持续检验 AI 的判断。现在这个比例只有 14%。
从 14% 到 70%，这六年就是爆发期。
07所以真正该盯的是什么
AI 商业化不是在等一个技术奇迹。
它在等三件事凑齐：成本掉到临界点、收费绑到结果上、企业把流程改完。
前两件，行业自己能推。第三件最慢，也不是技术说了算。
中国信通院给 2026 年定的关键词是「加速扩散」。说的是能力能不能用得起、信得过，铺到更多地方去。
这个措辞本身就说明问题：现在讲的还是铺开，不是收成。
所以真正该盯的，不是模型又强了多少，而是——
有没有哪个行业，开始按「省下来的钱」给 AI 付账了。
那个信号一出来，爆发就开始了。
在那之前，所有「AI 已经改变了世界」的说法，都还差一场组织变革。
技术早就准备好了，是组织还没准备好。
而组织这件事，从来不看发布会。
你们公司的场景，排在上面第几档？
商务 5 年 · 运营 2 年
记录 AI 落地的现场，不写行业通稿
