核心观点洞见：

观点一： 95%的AI投资没有回报——不是AI不够强，而是企业把"技术先进性"当成了"商业价值"。追技术跑的公司永远在追赶，锚定价值的公司每一次技术升级都在巩固护城河。

观点二： 95%失败者的共同特征是把AI当作"一个新工具"加进现有流程；5%成功者的共同特征是为AI重新设计了业务流程。

观点三： "按效果付费"不是定价技巧，而是价值宣言——当你的收入直接绑定客户获得的价值时，你永远不会造出没人要的东西。

2025年中，MIT Media Lab的Project NANDA发布了一份让整个行业沉默的报告。

分析了300多个#企业AI 部署案例、访谈了153位企业高管、调查了350名员工后，结论只有一句话：95%的组织在生成式AI投资中获得了零可测量的投资回报。

注意，不是"低于预期"，是零。

这三年里，美国企业在生成式AI上烧掉了大约3000到4000亿美元。95%打了水漂。

更扎心的对比在后面：仅5%的企业从AI中获得了可观回报，而这5%拿走了超过70%的AI财务回报。AI行业的赢家和输家之间，一条鸿沟正在急速扩大。

如果你正在做AI产品，或者正在用AI改造业务——这篇文章是写给你的。因为那95%不是运气不好，是做错了一个选择。

这篇文章想讲清楚三件事：追AI技术为什么是一条死路；那5%活下来的人做对了什么；以及——你怎么判断自己是不是在正确的路上。

一、追AI技术的三个代价

代价一：每次技术迭代，你的价值主张就要重写

2025年11月，中国最知名的自动驾驶独角兽之一毫末智行通知全员停工放假。这家由长城汽车孵化、累计融资超20亿元、估值一度超百亿的公司，基本宣告倒闭。

毫末的技术并不差。它的MANA数据系统和HPilot量产方案，在中国自动驾驶领域属于第一梯队。但它犯了一个致命的错误：固守"高精地图"技术路线。

2023到2025年，中国自动驾驶行业发生了一次路线大转向——从"高精地图+规则驱动"切换到"无图化+端到端大模型"。华为、小鹏等头部玩家快速转型，城市NOH（导航辅助驾驶）覆盖了超过200个城市。而毫末的高精地图方案，只落地了8个城市。

创始人可能觉得很冤："我们的技术明明很好，为什么市场不认了？"

问题不在于技术好不好。问题在于，他们的价值主张完全绑死在了一个特定的技术路线上。 当行业公认的技术范式发生了转移，之前投入的一切——数据、算法、工程、人才——全部需要重来。

这不是一个孤例。同一时期，倒下或陷入困境的自动驾驶公司还有纵目科技（估值90亿，进入破产审查）、中智行（破产清算，无力支付1.5万元劳动仲裁款）、大卓智能（解散回母公司）。一个赛道的集体洗牌，背后是同一个逻辑：当你的价值主张绑死在会过时的技术上，每一次技术转向，都是一次价值主张的塌方。

代价二：技术壁垒不是护城河，是包袱

印度一家叫NeuroPixel.AI的生成式AI创业公司，在2026年4月关停了。团队花了4年时间自研专有的图像生成模型，以为靠技术壁垒能站稳脚跟。结果2025年底Google发布了NanoBanana Pro，性能远超他们的模型。CEO说了一句让人心酸的话："我们在2021年就看对了大方向，但2025年底被一夜之间碾压了。"

另一个案例Polymet，做了一个AI设计工具，自研了图形渲染引擎，烧掉了70%的研发资源。用户免费用得很开心，但没有一个人愿意付钱。

创始人复盘时说了一句话，值得每个AI创业者刻在桌上：**"我们以为技术难度是护城河，结果发现它是包袱。"**

这样的故事不只发生在海外。2025年中国AI行业"死亡名单"上，675家公司中有超过一半倒在了同一个逻辑上——以为技术强就是护城河。IT桔子的统计显示，AI公司倒闭原因中出现频率最高的词不是"技术不行"，而是"烧钱"和"商业逻辑有问题"。

技术壁垒只有在一种情况下才是护城河：当这项技术直接服务于一个客户愿意付费的价值主张。 否则，技术投入越大，包袱越重。

代价三：市场正在加速淘汰"追技术型"公司

2026年初，Google和Accel联合举办的AI加速器收到了4000多份申请。结果：超过70%被直接拒绝。 评审给出的理由不是技术不行，而是——"只是把chatbot集成到现有软件里，没有创造新的工作流程或价值。"

这不是一个孤立事件。整个资本市场对"套壳AI"的态度已经全面冷却。

在中国，同样的淘汰在加速。2025年超过300家中小AI公司因现金流断裂停止运营。一个更残酷的数据是：2025年中国AI融资额前20名拿走了全行业30%的资金，其余764家公司均值不足8000万元。2026年前两个月，全球AI融资2200亿美元中，OpenAI、Anthropic、Waymo三家就拿走了83%。

资本用脚投票的逻辑很清楚：不再为"可能性"买单，只为"确定性"下注。

追技术的模式有一个致命结构：追逐新技术 → 以技术定义价值 → 技术过时 → 价值主张崩塌 → 重头再来。在这种循环里，你永远在追赶，永远在重建。

二、锚定不变的价值：四个案例的启示

如果追技术是条死路，那正确的路是什么？

MIT的同一份研究给出了线索。那5%成功的企业，有三个共同特征：① 找合作伙伴而非自建（成功率67%，对比自建的33%）；② 聚焦一个痛点打深而非到处试点；③ 选择能持续学习和进化的系统。

但这些行为特征的背后，有一个更深层的共性：**#价值锚定**——它们都先锚定了一个不变的价值主张。

什么叫"不变的价值主张"？就是问问自己：你的客户到底需要什么？不管AI技术怎么变，这个需求永远在。

企业客户对AI的真正需求，从来没有变过——降本、增效、增收、控风险。 ChatGPT时代他们要这个，GPT-4时代他们要这个，Agent时代他们还是要这个。变的是实现方式，不是需求本身。

下面四个产品，用同一个模式证明了这个道理。

Decagon：定价本身就是价值主张

Decagon做AI客服。它的定价模式很简单：**#按效果付费 ——按解决量定价。** AI自主解决一个客户问题，收0.50美元；转人工，免费。

这不是一个定价技巧，这是一个价值宣言。Decagon在说：你不应该为我消耗的计算资源付费，你应该为我实际解决的问题付费。

效果呢？Chime的聊天+语音自动化率达到70%；Duolingo的AI分流率达到80%；Classpass的运营成本降低了95%；Oura的客户满意度提升了3倍。2026年，Decagon的中位合同价值已达40万美元/年。

Sierra：21个月到1亿美元的"确定性"

Sierra由Salesforce前联合CEO Bret Taylor创立。模式同样清晰：按解决量收费，转人工不收钱。客户包括ADT、SiriusXM、Rivian、Cigna，自动化率高达50-90%。

结果：21个月达到1亿美元ARR，随后估值100亿美元。Bret Taylor说了一句话值得反复读：**"整个市场都会走向Agent和按结果定价——这显然是构建和销售软件的正确方式。"**

注意他的措辞：按结果定价不只是定价模式，它是构建软件的方式。因为当你的收入直接绑定客户获得的价值时，你永远不会造出没人要的东西。

Intercom Fin：100万美元的承诺

Intercom的AI客服产品Fin采用0.99美元/解决的定价。成绩单：从100万美元增长到1亿+美元ARR；8000+企业客户；每周自动解决200万客户问题；分辨率从27%提升到67%。

Intercom甚至给出了一个100万美元的性能担保——如果Fin的客户问题解决率达不到65%，Intercom赔钱。

这是最极致的"价值锚定"：不仅按效果收费，还用真金白银为自己的效果背书。

HighRadius：极致到零

HighRadius把这条逻辑推到了极致。它的oCFO产品（190+AI Agent，面向CFO办公室）提供：零实施费 + 零订阅费。 HighRadius的收入来自客户实际实现的P&L节省中的分成。

客户不需要在项目启动前做任何预算承诺。AI生效了才付款，没生效不花钱。这种模式让企业的采购决策从"IT预算审批"变成了"运营成本优化"——决策门槛和风险同时大幅降低。

共性：价值锚定，而非技术驱动

把这四个案例放在一起看，模式清晰了：

价值锚定模式：价值主张清晰 → 选择技术实现 → 技术升级 → 增强价值主张（护城河越来越深）追技术模式：  追逐新技术 → 以技术定义价值 → 技术过时 → 价值主张崩塌（重头再来）

Decagon的价值主张始终是"帮企业以最低成本解决最多客户问题"。技术从GPT-3进化到GPT-4再到Agent，每进化一次，它的分辨率更高、成本更低、护城河更深——因为价值主张没变，技术升级只是让这个主张变得更可信。

这就是"增强"和"推翻"的区别。

三、技术升级应该"增强"而不是"推翻"

任何一个AI产品，可以拆成两层：

• 上层：核心价值主张——你为客户解决的到底是什么问题。（这个不变）
• 下层：技术实现层——你用哪种AI技术来实现它。（这个可以变）

追技术的公司，犯了一个结构性的错误：它们让下层决定了上层。每次技术变了，上层就得重写。

而锚定价值的公司，上层是稳定的。下层的技术升级，只是让上层更强大。

这就是MIT研究中那5%成功企业能持续进化的秘密。它们不是不需要技术升级，而是**技术升级在它们那里是做"加法"**——在稳固的地基上加新楼层。而追技术的公司，每次升级都在"拆了重建"。

金谷园饺子馆：最简单的价值锚定

2026年4月，北京一家饺子馆意外成了AI行业最热门的案例。

金谷园饺子馆的老板李博，北邮计算机毕业但近20年没写代码。他看到字节Coze 2.5发布后，花了几小时"搓"了一个AI Skill——顾客的AI助手可以直接通过这个Skill排队取号、查菜单、问Wi-Fi密码。上线后文章获得1.9万转发，字节、美团、百度的大厂团队主动上门交流。

这个案例为什么出圈？不是因为技术有多牛。恰恰相反，李博的技术栈很普通。

金谷园的秘密在于：李博从来没有想过"要做AI"。他想的是"怎么让顾客少排队"。 AI只是恰好能解决这个问题的工具。

他的价值主张从创业第一天就没变过：让顾客吃上好吃的饺子，别让排队太烦人。AI Skill只是这个价值主张在2026年的一个新实现方式。如果明年有更好的技术，他会换；如果后年AI过时了，会有别的工具。但"让顾客满意"这件事，不需要重写。

这就是最简单的"价值锚定"——比Decagon、Sierra这些大公司的版本更朴素，但逻辑一模一样。

四、一个判断框架：你的AI价值锚点稳不稳？

说了这么多，怎么判断自己的AI产品是"锚定价值"还是"追逐技术"？

二维矩阵：价值清晰度 × 技术依赖度

                  低技术依赖度 ← → 高技术依赖度                    │                   高价值清晰度 ───── 最优区 ←──→ 脆弱区                   │      │                   │      │低价值清晰度 ───── 机会区 ←──→ 危险区                    │

最优区（高价值清晰 + 低技术依赖）：你的客户很清楚你能解决什么具体问题，而且核心价值不绑定在某一个特定技术上。即使底层模型换了，你的产品价值依然成立。 → 案例：Decagon、Sierra、金谷园饺子馆。它们提供的是"更便宜更好地解决客户问题"，不是"我们用了最新模型"。

脆弱区（高价值清晰 + 高技术依赖）：客户知道你解决什么问题，但方案高度依赖某个特定技术。如果这项技术被替代或被商品化，价值主张需要重建。 → 案例：毫末智行。价值清晰（帮车自动驾驶），但完全绑死在"高精地图"技术路线上，行业转向后价值主张崩塌。

机会区（低价值清晰 + 低技术依赖）：你的产品没有用到什么特殊技术，但客户也不清楚你解决什么问题。这是大多数"套壳AI"公司所在的象限。 → 案例：大量被Google+Accel拒绝的申请。不是技术不好，是说不清到底解决了什么问题。

危险区（低价值清晰 + 高技术依赖）：最糟糕的位置：用了最先进的技术，投入了大量研发资源，但客户说不清你解决什么问题。 → 案例：Polymet。自研图形引擎（高技术投入），但没人愿意付钱（价值不清）。"技术难度不是护城河，是包袱"——这句话就是这个象限的墓志铭。

三问自检清单

每季度用这三个问题检查你的AI产品：

1. 风险识别在我们的核心能力中，哪些有被AI技术商品化的风险？如果明天出现一个免费的开源模型能做同样的事，你的护城河还在吗？

2. 摩擦洞察你的客户现在最大的"摩擦点"是什么？AI能否帮助消除这个摩擦？注意——不是"AI能做什么"，而是"客户哪里最痛"。

3. 模式创新如果打破"按人头/按时间收费"的成本约束，你能不能用一个全新的方式定价——按效果、按结果、按节省的成本？

给创业者和产品负责人的三条建议

第一，先定义"不变的东西"，再选"会变的技术"。

坐下来想清楚：你的客户真正需要的是什么？不是"AI能帮他做什么"，而是"不管技术怎么变，他永远需要什么"。把这个写下来，贴在墙上。这是你的北极星。

第二，定价模式就是价值主张。

如果你的定价是"按Token消耗"或"按API调用"，你的价值主张就是"卖算力"。如果你的定价是"按解决的问题"或"按节省的成本"，你的价值主张就是"卖结果"。定价不只是收钱的方式，它是你对客户的价值承诺。 Decagon、Sierra、Intercom、HighRadius——这四个增长最快的AI产品全都在按效果定价，不是巧合。

第三，每次技术升级，问自己一句：这次升级是在增强我们的价值主张，还是在推翻它？

如果每次模型升级你都要重新定位、重新写文案、重新定义目标客户——说明你的价值主张绑死在技术上。一个好的AI产品，技术升级应该只是让原有的价值主张变得更好、更便宜、更可靠，而不需要改变方向。

结语

MIT的这份报告有一个容易被忽略的副标题。它不叫《AI失败了》，也不叫《技术不行》。它叫《生成式AI鸿沟》——这个措辞是经过深思熟虑的。

"鸿沟"意味着不是AI本身出了什么问题，而是不同企业利用AI的能力之间出现了巨大差距。 那5%的企业不是运气好，而是在价值锚定、场景选择、流程重构、组织变革这四个维度上做对了事情。

对于那95%的企业来说，问题不在于"要不要用AI"——AI是必选项，这一点没有争议。问题出在"怎么用"上。

而"怎么用"的答案，不在技术文档里，在那些已经跑通价值闭环的企业实践经验里。

问一问你的组织：过去一年在AI上的投入，你用什么指标来衡量成功？如果你的答案不是"某个业务指标改善了X%"，那可能需要重新想想了。

95%这个数字，不是悲观的结论。它恰恰证明了一件事：那5%的成功路径是清晰的、可复制的。

追AI技术的人输了，追AI价值的人赢了。

——

下一篇预告：如果你的客户是传统企业——制造业、零售、金融——他们关心的"价值"到底是什么？为什么说存量经济时代，效率才是企业的第一优先级？我们下一篇聊。

参考来源：

1. MIT Media Lab Project NANDA - 《生成式AI鸿沟：2025年商业AI现状报告》
2. 毫末智行倒闭报道 - 财经杂志/界面新闻（2025年11月）
3. 中国AI公司"死亡名单" - IT桔子数据（2012-2025）
4. Decagon官方数据和定价信息（2026）
5. Sierra - 1亿美元ARR和100亿美元估值报道（SaaStr 2026）
6. Intercom Fin - 100万美元性能担保及增长数据（2026）
7. HighRadius - 零实施零订阅按P&L分成模式（2026-02）
8. 经济观察报 - 金谷园饺子馆AI风暴深度报道（2026-04）
9. Google+Accel AI加速器4000+申请70%被拒（2026）
10. 哈佛商业评论 - "当效率不再是护城河"（2026-03）