夜雨聆风全球企业已累计投入超过1万亿美元用于人工智能建设，然而贝恩最新调查报告给这场狂热浇了一盆冷水。钱烧了，模型跑了，回报呢？
贝恩公司于2026年6月1日发布了一份题为《你的AI预算在增长，但回报没有》（Your AI Budget Is Growing. Your Returns Aren't. Here‘s Why.）的调查报告，覆盖全球951家年营收超过1亿美元的大型企业，横跨零售、科技、先进制造、医疗保健、能源、金融服务等九大行业。这是迄今关于企业AI投资回报最全面的一份画像。
报告给出了一个振聋发聩的判断：“技术跑通了，价值没到来。” 以下结合全文数据，逐层拆解这一判断背后的结构性逻辑。
一、数据落差：近四成企业降本不足10%，预期与现实严重背离
本次调查最直观的冲击性数据是降本效果的全面不及预期。在能够量化AI成本节约效果的企业中，实际成本降幅在10%及以下的占比高达40%，构成了最大的单一群体；而最初设定这一区间目标的企业仅占25%。原本有37%的企业目标设定在11%至20%的降本区间，最终真正实现这一目标的只有31%。
这组数据的深层含义在于“落差的方向”。 预期分布和目标分布之间不存在随机误差，而是一致性下偏——几乎每一个预期区间的企业，最终落入了更差的区间。“10%或以下”这一最低降本区间中，实际占比（40%）不仅远高于目标占比（25%），更高于原本希望在11%至20%区间降本的受调查群体（37%）。可以说，AI对成本的削减并没有如预期般兑现。
贝恩在报告中直言，未能达标的结果“应该让高管们感到不安”——因为他们中的许多人正是以“预期节约”为由批准了持续增加的AI预算。问题的核心在于：AI模型能够运行，但真实的财务回报并未跟上。
二、“循环赌注”：用未兑现的收益为下一轮投资背书
如果说第一组数据反映的是“回报不足”的现状，那么第二组数据则揭示了更深层的结构性风险。
当被问及如何为新一轮生成式AI和智能体AI投资筹措资金时，44%的企业——占比最大的群体——回答是：来自上一轮自动化项目尚未实现的节约。换言之，这些企业正以纸面上还未到账的“节约”去滚动支持更大的投资承诺。
贝恩对这一现象的定性极为犀利，称其为“一个存在结构性漏洞的循环赌注”（a circular bet with a structural leak）。具体逻辑链如下：
上一轮AI投资未能兑现节约承诺；
可供实际调用的资金池远小于账面预期；
但新一轮投资仍按照预测（而非真实）规模来编制商业论证。
这种“用过去回报自我滚动融资下一轮”的做法，表面上看似财务纪律严明，实质上形成了一种自我循环但基础不牢的“击鼓传花”式财务逻辑。报告进一步警告：“上一轮投资未能兑现承诺，可供分配的节约池比预想的要小得多。而当前这一轮投资的商业论证，是基于预测值而非实际值来定规模的。”
一旦市场开始严格测算真实ROI，部分企业的估值逻辑将面临严峻拷问。
三、“人夹在中间”：自动化程度远未达到“完全自主”
AI自主代理（Autonomous Agents）被资本市场视为自动化的最终形态，大量投资案例也正是以“完全自动化”的经济模型作为假设前提。
但贝恩的调查数据描绘了一幅截然不同的现实图景：
| 7% | |
超过七成企业的AI代理目前在执行关键决策时仍需人类介入。绝大多数投资案例假设的是“完全自动化”的经济模型，实际运行的却是“人机混合”的操作现实——这直接导致了投资回报预期的根本偏差。
贝恩报告指出，“许多企业尚未充分理解AI落地所涉及的组织转型挑战，这是导致投资与回报之间出现落差的核心原因之一。”
四、数据困境：十年数千亿美元投入，仍是AI项目失败的头号原因
贝恩报告还揭示了一个反直觉的现象：阻碍AI降本兑现的首要原因既非预算不足，也非战略不清，而是一个更基础、更棘手的问题——企业无法稳定、可靠地获取自己的数据。
报告指出：“尽管全球在数据现代化方面的投入已历经十年、累计达数千亿美元，AI项目表现不佳的首要原因，仍然是企业无法可靠地访问自身数据。”
更值得关注的是，那些已经达成节约目标的企业，在数据结构和可及性方面遭遇障碍的比例反而高于那些未达标的企业。这一现象恰恰印证了数据问题的普遍性——越是试图规模化、深度应用AI的企业，越早暴露数据基建的短板。关键区别在于，成功企业将数据治理和流程重构视为“CEO层面的战略问题”而非单纯的IT任务，它们虽然遇到障碍，但积极采取行动而非被动等待。
五、行业警示：AI账单失控与“信仰式押注”
贝恩报告并非孤证。近期多家企业的AI账单失控案例，为这份调查结论提供了生动的现实注脚。
据彭博社报道，Uber Technologies在员工大规模使用AI编程工具后，仅用几个月便耗尽了全年AI预算，被迫对相关工具的使用设置上限。更极端的案例来自一家不具名企业——在向员工推出Anthropic的Claude后，因未设置任何使用限制，单月意外消耗了高达5亿美元的token费用。
咨询公司贝恩指出：“尽管部分企业通过AI实现了10%至20%的成本削减，但许多企业在这些节省尚未完全兑现之前，便已大举追加投入，本质上是在进行一场信仰式押注。”
六、历史镜鉴：结构变革滞后于技术突破
面对上述数据，麻省理工学院的研究团队并不倾向于将其解读为AI能力被高估的证据。他们指出，更可能的解释是：当前的组织架构和市场结构尚未做好承接AI真实潜力的准备。
历史提供了有力的参照。19世纪末至20世纪初的电气化浪潮中，工厂若仅以电动机替换蒸汽机、维持原有机械布局不变，生产率提升极为有限。真正的效率跃升出现在数十年后——当工程师为每个工作台配备独立小型电机，彻底重构了生产流程。
当前AI领域或正上演相似的动态。传统软件和知识工作企业将AI嵌入既有工作流，生产率提升有限；而能够重塑核心流程的企业，才有可能将技术的潜力真正转化为商业价值。
这就引出了贝恩报告最具穿透力的洞见：技术可以运行，但只有当一个组织能够在技术基础上重构自身的决策流程、数据架构和运营模式时，价值才会真正到来。 “技术跑通了，价值没到来”，本质上是一份关于组织转型滞后于技术突破的时代诊断。
七、市场与监管：共识或正在凝聚
在贝恩报告发布前后，多个领域发出了方向一致的信号。
高德纳（Gartner）同期报告预测，超过40%的智能体AI项目将在2027年底前被叫停。2025年麻省理工学院（MIT）的研究报告同样显示，95%的企业AI试点项目以失败告终，主要原因在于“工具无法学习、集成效果差，或与实际工作流程不匹配”。
当技术提供方、咨询机构、学术研究、企业实践和成本失控的现实案例同时指向同一方向——万亿级资本投入后的真实ROI正在承受结构性质疑——一个重要的信号已经浮现：当前AI概念股的高估值建立在“预测值”而非“实际值”之上，一旦市场开始认真测算投资回报率，估值重构的风险不可忽视。
