ARTICLE · 1307425
AI很忙,企业却没赚到钱:95%的AI投入,为什么没有变成商业价值?(从生产力幻觉,到企业组织效率的真实困境)
AI很忙,企业却没赚到钱:95%的AI投入,为什么没有变成商业价值?(从生产力幻觉,到企业组织效率的真实困境)最近，我一直在思考一个问题： 为什么AI的能力越来越强，企业对AI的投入越来越大，各种AI应用演示也越来越精彩，但真正落到企业经营层面，我们却很难感受到与之匹配的效率提升和利润增长？ 我们经常看到这样的场景： AI几秒钟生成一份报告，几分钟完成一份PPT，几分钟写完一段代码，甚至能够自主调用工具、分析数据、执行复杂任务。 从技术演示来看，AI似乎已经无所不能。 但回到企业的真实经营场景，很多管理者却发现： 员工确实在使用AI，部门也采购了AI工具，企业甚至成立了AI创新团队，但成本没有明显下降，收入没有明显增长，管理效率也没有发生根本性变化。 有些时候，情况甚至更糟。 AI生成的内容需要人工检查，AI给出的结论需要重新验证，AI完成的任务还需要其他部门重新处理。 原本希望通过AI减少工作量，结果却增加了新的工作环节。 这让我意识到一个问题： AI的技术进步，并不等于企业生产力的进步；AI提高个体效率，也不等于企业提高经营效率。 这两者之间，存在一道巨大的鸿沟。 而这道鸿沟，可能才是当前AI商业化最值得关注的问题。
2025年，MIT NANDA发布了一份名为《The GenAI Divide: State of AI in Business 2025》的研究报告。 报告中有一个非常引人关注的数据： 企业在生成式AI上的投入估计达到300亿至400亿美元，但95%的受访组织尚未从生成式AI试点中获得可衡量的商业回报。 只有约5%的项目真正形成了可衡量的商业价值。 需要说明的是，这并不意味着全球95%的企业使用AI都没有收益。报告研究的是企业生成式AI项目及其商业化落地情况，不能简单等同于所有AI应用的整体回报率。 但它至少揭示了一个重要现象： AI的普及速度，远远快于AI商业价值的兑现速度。 再看麦肯锡2025年的《The State of AI》调查。 调查显示： 88%的受访企业已经在至少一个业务职能中经常使用AI。 64%的受访者认为AI正在促进企业创新。 但只有39%的受访者表示AI已经对企业EBIT（息税前利润）产生了某种程度的影响。 大多数企业仍然处于AI试验或试点阶段，尚未实现企业级规模化应用。 这组数据非常值得思考。 企业已经开始使用AI，但使用AI和获得经营回报之间，仍然存在明显差距。 从个人体验看，AI确实让很多工作变得更快了。 但从企业财务报表看，这种变化并没有充分转化为利润。 这就是当前AI商业化面临的第一个矛盾： 技术上的进步已经发生，经营上的收益却没有同步兑现。 如果说AI没有带来预期收益还可以理解，那么更值得关注的是，AI甚至可能在某些场景中增加企业的工作负担。 2026年1月，Workday发布了一项针对全球3200名企业管理者和员工的研究。 研究发现： 85%的受访员工表示，AI每周可以为自己节省1至7小时。 但与此同时，接近40%的AI节省时间，最终又被用于修正错误、重写内容、核实结果以及处理低质量输出。 也就是说： AI帮助员工节省了时间，却又通过新的返工环节消耗掉其中相当一部分。 Workday将这种现象称为AI生产力税（AI Tax）。 举一个很简单的例子。 一个员工原本需要2小时完成一份分析报告。 使用AI之后，初稿可能只需要20分钟。 看起来效率提升了很多。 但接下来，他还需要： 检查AI引用的数据是否准确； 验证分析结论是否合理； 修改不符合企业业务逻辑的内容； 补充AI不了解的内部信息； 重新整理格式和表达； 向其他部门确认相关数据。 最后，真正节省的时间可能远没有最初想象的那么多。 这还不是最严重的问题。 更麻烦的是，AI生成的内容可能让工作看起来已经完成，但实际上只是把问题从一个环节转移到了另一个环节。 于是，一个新的现象出现了： AI生产了更多内容，但企业未必因此完成了更多有效工作。 这也催生了一个值得关注的概念：Workslop。 它指的是那些看起来专业、完整、像是已经完成任务，但实际上质量不足、需要他人花费大量时间重新处理的AI生成内容。 例如： 一份看起来完整、但数据口径错误的经营分析报告； 一段逻辑通顺、但无法运行的代码； 一份内容丰富、但没有解决业务问题的方案。 这些内容并不是完全没有价值，而是它们把原本应该由生产者完成的工作，转移给了审核者和下游人员。 AI的产出速度提高了，但整个组织的有效产出未必提高。 更有意思的是，2025年一项针对16名有经验的开源软件开发者进行的随机对照研究发现，在该研究所测试的成熟项目和工具条件下，允许使用AI工具后，开发者完成任务的时间反而增加了19%。 但参与者主观上认为AI让自己快了约20%。 当然，这是一项样本较小、场景特定的实验，不能据此推断所有开发者使用AI都会降低效率。 不过，它揭示了一个非常重要的现象： 人对效率的主观感受，与实际生产效率之间，可能存在明显偏差。 我们觉得自己更快了，不代表整个任务链条真的更快了。 我认为，这才是整个问题最核心的地方。 企业经营的基本逻辑，并不是由一个个孤立的任务构成的，而是由一条条完整的业务流程构成的。 举个例子。 一家企业的员工每天需要花30分钟写工作周报。 引入AI之后，写周报的时间从30分钟缩短到10分钟。 从个人角度看，效率提升了66%。 但从企业角度看，问题来了： 节省下来的20分钟去了哪里？ 如果员工只是把这20分钟用于刷信息、处理其他低价值事务，企业的利润并没有因此增加。 如果管理者只是要求员工利用这20分钟再多写两份报告，企业也未必创造了更多价值。 只有当这20分钟被重新配置到更有价值的工作，或者真正减少了企业的人工成本、运营成本，才可能转化为可衡量的经营收益。 这就是任务级提效与企业级提效的区别。 我们可以把企业AI价值的转化过程理解为三个层次： 第一层：任务效率。 AI帮助员工更快完成某一项工作。 例如写文案、整理数据、生成报告、处理邮件。 第二层：流程效率。 AI不再只是辅助某个员工，而是进入完整的业务流程，减少重复劳动、等待时间、人工交接和流程断点。 第三层：经营价值。 流程效率最终转化为成本下降、收入增长、风险降低、客户体验改善或者资金周转效率提升。 很多企业目前停留在第一层。 真正能够形成商业价值的企业，已经开始向第二层和第三层推进。 问题就在于： 企业不能只给旧流程安装一个AI插件，就期待整个组织自动获得新的生产力。 如果原来的流程没有改变，原来的部门边界没有改变，原来的审批机制没有改变，原来的考核指标也没有改变，那么AI很可能只是让原有流程中的某个环节跑得更快。 局部提速，全局未必增效。 为什么很多企业明明已经采购了先进的AI工具，却迟迟无法获得商业价值？ 我认为，至少存在三个组织层面的障碍。 1. 没有真正的流程负责人 很多企业的AI项目是这样推进的： IT部门负责采购和部署，业务部门负责试用，管理层负责听取汇报。 但最终没有一个人对业务结果负责。 AI上线了，系统可以运行，员工也完成了培训。 然而，业务指标没有变化。 这时候，究竟是谁的问题？ 模型不够好？数据不够完整？员工不会使用？还是业务流程本身存在问题？ 如果没有明确的流程Owner，AI项目就很容易变成一个技术部门的建设项目，而不是一个经营改善项目。 2. KPI没有发生变化 如果企业仍然按照原来的工作方式考核员工，那么员工没有足够的动力主动改变工作流程。 例如： 过去一个部门需要10个人完成某项工作。 引入AI之后，理论上8个人就可以完成。 但如果企业没有调整工作分工、绩效指标和人员配置机制，那么AI带来的效率提升就很难真正体现在经营成果上。 更现实的问题是，员工可能会担心： 我使用AI提高效率之后，是不是意味着企业会给我安排更多工作？ 当效率提升只意味着工作量增加，却没有带来相应的激励和价值提升，AI就很难真正改变组织行为。 3. AI项目铺得太多，却没有形成闭环 很多企业同时启动几十个AI项目： 智能客服、智能办公、智能营销、智能知识库、智能报表、智能审核…… 每个项目都有演示，每个项目都能展示一定效果。 但项目之间缺乏统一规划，数据没有打通，业务流程没有贯通，最终很难形成真正的经营价值。 标普全球市场情报的研究显示，2025年，有42%的受访企业表示自己放弃了大部分AI项目，高于此前一年的17%。 与此同时，企业平均放弃了46%的AI概念验证项目。 这说明，AI从试点走向规模化，并不是一件简单的事情。 技术可以快速复制，但组织能力无法通过采购快速获得。 企业AI落地存在价值转化问题，而在互联网商业模式中，我们还能看到另一种现象： AI可能先改变甚至冲击原有的盈利模式，然后才逐渐创造新的收入来源。 Google就是一个值得观察的案例。 2026年第三季度，Alphabet公布财报： Google Search及其他广告收入同比增长12%，达到633.5亿美元。 这一增速低于第二季度的17%。 值得注意的是，在财报电话会议中，Google管理层明确提到，AI Mode查询量增长带来的影响之一，是目前AI Mode的广告变现能力相对较低。 这意味着，用户使用AI搜索的方式正在发生变化，而新的搜索体验与传统广告模式之间，还需要重新建立商业化关系。 当然，不能把搜索广告增速变化全部归因于AI。汇率、行业广告需求以及不同地区的市场因素也产生了影响。 但这个案例至少说明： AI带来的变化，并不总是先表现为新增利润。 有时候，它首先改变的是用户行为、流量分配和原有商业模式的价值链。 传统搜索的商业模式，很大程度上建立在用户搜索关键词、浏览结果、点击广告、完成转化的链路之上。 而生成式AI正在改变其中的一些环节。 当用户可以直接通过AI获得答案时，传统搜索结果页的展示逻辑、用户点击路径和广告变现方式，都需要重新适应。 这背后有一个值得企业管理者思考的规律： AI对存量业务的冲击，可能早于AI对新增生产力的全面兑现。 旧商业模式的收入可能先受到压力，而新商业模式的利润还需要时间建立。 这不仅是Google面临的问题，也是许多行业未来需要面对的问题。 如果AI没有那么容易转化为利润，那么为什么仍然有一些企业能够获得明显收益？ 
我认为，关键区别在于： 它们不是简单地把AI当作一个新工具，而是把AI作为重新设计业务流程的技术基础。 真正有效的AI应用，往往具备几个特点： 业务边界清晰； 任务重复频率高； 业务规则相对明确； 有可衡量的结果指标； 能够嵌入真实业务系统； 有明确的业务负责人； 具备持续反馈和纠错机制。 例如，在保险理赔领域。 传统理赔流程可能涉及报案、资料收集、票据识别、责任审核、损失核定、风险识别、理算和支付等多个环节。 如果只是引入一个AI工具，让理赔人员更快地写一份案件分析报告，那么它改善的只是其中一个局部任务。 但如果把AI能力嵌入完整理赔流程： 第一步，自动识别报案资料和相关票据； 第二步，提取关键字段并与业务规则进行校验； 第三步，结合历史理赔记录识别重复索赔和异常风险； 第四步，根据案件类型自动分流； 第五步，将符合规则的案件进入自动化处理流程； 第六步，对复杂案件进行智能辅助审核； 第七步，将处理结果、审核意见和后续风险反馈到模型及规则体系中。 那么，AI改变的就不再是某一个员工的工作速度，而是整个理赔流程的运行方式。 这时候，企业可以真正衡量： 单案件平均处理时间是否下降； 单案件人工处理成本是否下降； 自动化处理率是否提高； 案件积压量是否减少； 重复理赔和欺诈风险是否降低； 理赔服务体验是否改善。 这些指标才真正接近企业的经营价值。 同样的逻辑也适用于销售、营销、采购、客服、财务和供应链。 AI的价值不是让每个员工都拥有一个智能助手，而是让原本需要多人、多系统、多次交接才能完成的业务流程，能够以更低成本、更高质量、更短时间运行。 这才是企业AI真正值得投入的方向。 如果说过去两年企业关注的是如何使用AI，那么未来更重要的问题应该是： 如何围绕AI重新设计企业的工作方式？ 我认为，至少需要完成四个转变。 第一，从关注工具使用率，转向关注业务结果。 企业不应该只考核多少员工使用了AI、多少部门上线了AI系统，而应该关注AI是否真正降低了成本、提高了收入、减少了风险。 使用率只是过程指标，经营结果才是最终指标。 第二，从优化单点任务，转向重构端到端流程。 不要只问AI能否帮助员工完成某个任务，而要问： 这项业务从开始到结束，哪些环节可以重新设计？ 哪些工作可以自动化？ 哪些环节可以减少人工交接？ 哪些决策可以由AI辅助，哪些决策可以在明确规则下自动执行？ 第三，从IT部门主导，转向业务与技术共同负责。 AI项目不能只是技术部门的事情。 业务部门必须明确目标、定义流程、制定验收标准，并对最终业务指标负责。 IT和AI团队则负责模型、数据、系统集成、安全和技术保障。 只有两者形成共同责任，AI才可能从试点项目变成生产系统。 第四，从一次性部署，转向持续运营。 AI不是上线即结束的传统软件项目。 它需要持续监测输出质量、评估业务效果、修正规则、更新知识、优化流程。 更重要的是，要把员工的反馈和业务结果纳入持续改进机制。 真正的AI能力，不只是模型有多聪明，而是企业能否让它在真实业务环境中持续创造价值。
回过头来看，AI商业化面临的问题其实并不复杂。 技术能力在快速进步。 工具越来越成熟。 模型的推理、生成和执行能力也在不断增强。 但企业不是一个简单的任务集合，而是一个由流程、人员、制度、数据、系统和利益关系共同构成的复杂组织。 AI可以改变一个任务的执行方式，却不会自动改变企业的组织结构。 AI可以节省一个员工的时间，却不会自动决定这些时间应该如何重新配置。 AI可以生成一份高质量的报告，却不会自动保证企业根据报告做出正确的经营决策。 因此，我越来越倾向于一个判断： AI时代真正的竞争力，不只是企业拥有多先进的模型和工具，而是企业有没有能力把AI的技术能力转化为流程能力，再把流程能力转化为经营成果。 未来，企业之间的AI差距，可能不再主要取决于谁先采购了哪个模型、谁部署了多少个智能体，而取决于谁真正完成了业务流程重构，谁能够让AI融入日常经营，谁能够建立一套持续创造价值的组织机制。 95%的AI项目没有形成可衡量回报，近40%的效率收益被返工消耗，这些数据背后指向的，其实是同一个问题： 技术已经跑得很快，但组织还没有准备好。 AI可以给企业装上更强大的引擎。 但如果企业仍然沿用旧的流程、旧的管理方式和旧的考核体系，那么再强大的引擎，也未必能够转化为更快的增长。 这或许就是今天很多企业AI应用的真实困境： AI的故事已经足够精彩，但企业真正需要回答的，是如何把故事变成利润。
一、一个值得警惕的现实：AI很热，但企业回报并没有同步增长
二、企业可能正在缴纳一种新的成本：AI税
三、为什么AI提升了任务效率，却没有提升企业利润？
四、AI落地最大的障碍，可能不是技术，而是组织
五、Google的案例：AI创造新价值，也可能冲击旧商业模式
六、真正获得AI商业价值的企业，究竟做对了什么？
