国外企业已经开始算 AI 回报了,很多国内企业还在纠结选哪个模型

这句话可能有点扎心。

国内很多企业现在讨论 AI，第一反应还是：

哪个大模型更强？

要不要建知识库？

要不要上智能体？

私有化还是公有云？

买平台还是自己搭？

这些问题当然重要。

但如果最近看一些关于企业 AI 的研究和讨论，会发现一个很明显的变化：

国外很多企业已经不满足于讨论“AI 能不能做”，而是在追问“AI 到底有没有进业务账”。

也就是说，问题已经从：

模型强不强

变成了：

有没有影响收入、成本、效率、风险和客户体验。

这其实是企业 AI 建设里非常关键的一次转向。

一、AI 不缺热度，缺的是结果

麦肯锡 2025 年的全球 AI 调研里有一个很值得关注的数据：88% 的受访者表示，他们所在组织已经在至少一个业务职能中常规使用 AI。看起来，AI 已经不再是少数企业的尝鲜项目。

但同一份调研也提到，真正进入全企业规模化阶段的公司并不多。大约三分之二的组织仍然处在实验或试点阶段，只有 39% 的受访者表示 AI 对企业层面的 EBIT 产生了影响，而且其中大多数影响还低于 5%。

这组数据放在一起看，就很有意思。

AI 用起来了。

但 AI 还没有大规模变成经营结果。

这才是今天企业 AI 最真实的状态。

很多企业不是没有做 AI，也不是完全没投入，而是做完之后，很难回答一个问题：

这件事到底给公司带来了什么？

二、为什么很多企业还停在“选模型”阶段

站在甲方视角看，这其实很正常。

因为“选模型”是一个相对容易讨论的问题。

参数可以对比，榜单可以参考，厂商可以演示，能力可以测试。

会议室里大家围着几个模型评估，至少看起来很专业。

但“算回报”就难多了。

因为一旦开始算回报，就要面对更现实的问题：

这个场景谁用？

用的频率有多高？

原来流程是什么样？

接入之后节省了什么？

有没有减少返工？

有没有提升响应速度？

有没有影响客户满意度？

有没有降低合规风险？

有没有进入业务流程，而不是停在演示页面？

这些问题，比模型参数难回答多了。

所以很多企业会不自觉地把问题停留在技术层：

“先看看哪个模型好。”

“先搭个能力底座。”

“先做个知识库试试。”

“先搞几个智能体 demo。”

不是这些事不该做，而是如果长期停在这里，项目很容易变成一种“技术准备”，而不是“业务建设”。

三、国外企业现在更关心：AI 有没有进入业务闭环

有一个结论传播得很广：大量企业生成式 AI 项目没有形成可衡量的 P&L 影响，问题往往不是模型完全不能用，而是和企业已有工作流结合得不够深。相关报道还提到，真正跑出效果的项目，往往聚焦一个明确痛点，而不是泛泛铺开。

这句话其实很适合大部分企业借鉴。

因为很多 AI 项目失败，不是因为技术完全不行，而是因为它没有进入业务原来的工作路径。

举个很简单的例子。

一个员工原来每天都在 CRM、ERP、OA、飞书、企业微信、Excel 里工作。

你现在给他多开一个 AI 对话框，让他自己去问、自己复制、自己判断、自己再贴回业务系统。

刚开始可能觉得新鲜。

但过一段时间，大概率就不用了。

为什么？

因为它没有减少工作路径，反而增加了一个新入口。

员工真正需要的不是“旁边多一个 AI”，而是：

在他处理审批时，AI 已经帮他读完材料；

在他写方案时，AI 已经调出历史案例；

在他跟进客户时，AI 已经整理出风险点；

在他做报表时，AI 已经解释异常数据；

在他处理流程时，AI 已经给出下一步建议。

这才叫进入业务闭环。

所以企业做 AI，不能只问：

“这个模型能不能回答？”

更应该问：

“这个能力能不能进入员工每天真实发生的动作里？”

四、真正该算的，不是“省几个人”，而是四张账

很多企业一谈 AI ROI，第一反应就是：

能不能少招人？

能不能替代客服？

能不能减少外包？

能不能节省人力成本？

这当然是账，而且是老板最容易听懂的一张账。

但如果只算这张账，AI 的价值会被看窄。

企业 AI 至少应该算四张账。

第一张账：效率账

这件事有没有让高频工作变快？

比如：

文档处理快了没有；

查询资料快了没有；

会议纪要快了没有；

需求响应快了没有；

跨系统找信息快了没有。

效率账不是一句“提升办公效率”就结束了。

要尽量落到具体动作：

原来一个人整理一份材料要 2 小时，现在是不是 30 分钟；

原来业务问制度要等半天，现在是不是几分钟能查到；

原来新人熟悉产品要两周，现在是不是能缩短到几天。

这才叫能说清楚。

第二张账：成本账

这件事有没有减少重复劳动、外包支出、返工成本？

有些 AI 场景看起来不直接赚钱，但能减少大量隐性成本。

比如客服知识问答、合同初审、内部制度查询、报表解释、文档归档、项目材料生成。

这些事情本来都有人在做，只是成本散在各个部门里，没有被单独算出来。

AI 如果能把这些重复劳动压下来，本质上就是成本账。

但这里有个前提：

不是生成得快就叫降本。

如果 AI 生成一堆内容，还要别人花更多时间审核、修改、返工，那成本可能没有下降，反而转移到了下游。

HBR 关于 AI “workslop”的文章就提到，低质量 AI 内容看起来完整漂亮，但没有实质推进价值，反而会浪费同事时间、破坏协作信任。

所以企业不能只鼓励“多用 AI”。

还要定义：

什么是合格输出；

哪些内容必须人工复核；

哪些场景不能直接交付；

谁对 AI 输出负责。

否则 AI 可能不是降本工具，而是新的内耗制造机。

第三张账：收入账

这件事有没有帮助企业多卖一点、快卖一点、准一点？

收入账往往比效率账更难做，但一旦跑通，价值更大。

比如：

销售线索分级；

客户跟进建议；

商机风险预警；

方案自动生成；

行业案例匹配；

客户需求洞察；

产品推荐优化。

这些场景如果设计得好，AI 就不是“办公助手”，而是进入了业务增长链条。

麦肯锡的 2025 年调研也提到，AI 高绩效组织往往不只是把效率作为目标，它们更常把增长和创新也设为 AI 目标；相比其他组织，高绩效组织也更可能重构工作流。

这对 CIO 很有启发。

如果 AI 永远只被包装成“提效工具”，它在老板心里的价值就会被限制。

但如果 AI 能和业务增长、客户体验、产品创新、市场响应速度绑定，位置就不一样了。

第四张账：风险账

这件事有没有降低错误、合规、遗漏、延迟和管理盲区？

很多企业容易忽略风险账。

但对中大型企业来说，风险账非常重要。

比如：

合同有没有关键条款遗漏；

项目有没有延期风险；

审批有没有异常路径；

数据有没有敏感信息外泄；

客户投诉有没有升级趋势；

流程有没有越权操作；

知识问答有没有误导员工。

AI 如果能在这些地方做辅助识别、提醒、拦截和留痕，它创造的价值不一定体现在“多赚了多少钱”，但可能体现在“少出了多少问题”。

这类价值，对金融、制造、医药、能源、集团型企业尤其关键。

因为这些行业不是只追求快，还要追求稳。

五、CIO 不能只做“模型评委”，而要做“价值验证人”

过去很多信息化项目，CIO 或信息部门的核心任务是：

系统能不能上线；

流程能不能跑通；

数据能不能打通；

项目能不能交付。

但到了 AI 项目，这还不够。

因为 AI 项目的特殊之处在于：

系统上线，不等于业务使用；

业务使用，不等于价值产生；

价值产生，不等于可以复制；

可以复制，不等于风险可控。

所以 CIO 的角色也要变。

不能只做技术选型的评委，而要做价值验证的负责人。

换句话说，CIO 要帮助企业回答几个问题：

这个场景为什么值得做？

这个项目成功的指标是什么？

这个能力嵌入哪个流程？

谁是业务责任人？

上线之后怎么评估？

如果试点成功，怎么复制到更多部门？

如果输出错误，谁来兜底，怎么回滚？

这些问题，才是真正决定 AI 能不能落地的关键。

六、企业第一步不该问“哪个模型最强”，而该问“哪件事最值得被 AI 改造”

这不是说模型不重要。

模型当然重要。

平台当然重要。

数据当然重要。

安全当然重要。

但这些东西应该服务于场景，而不是反过来让企业围着技术打转。

企业第一步更应该问：

哪类工作最重复？

哪个流程最耗时？

哪个岗位最依赖经验？

哪个环节最容易出错？

哪个场景价值最容易验证？

哪个业务部门最愿意配合？

哪个试点成功后最容易复制？

如果这些问题没有想清楚，上来就选模型、搭平台、做知识库，最后很可能会出现一种尴尬局面：

能力看起来有了，

场景没有跑通；

系统看起来上线了，

业务没有持续用；

投入看起来不少，

价值说不清楚。

这才是最危险的。

七、真正成熟的 AI 建设，是从“业务账”倒推“技术账”

我越来越觉得，企业做 AI，不能只按技术路线图推进。

更应该从业务账倒推。

先问：

这个项目如果成功，应该改变什么指标？

再问：

为了改变这个指标，需要改造哪个流程？

继续问：

这个流程里，AI 应该承担哪一段动作？

最后才问：

需要什么模型、什么数据、什么系统集成、什么权限控制、什么平台能力。

这个顺序很重要。

很多项目的问题，不是方向错了，而是顺序错了。

它先买工具，再找场景；

先做平台，再想价值；

先看模型，再问业务；

先做 demo，再找使用人。

这样当然容易跑偏。

八、给企业一个更现实的判断框架

如果企业现在准备做 AI，我建议先不要急着开大项目。

可以先拿一个场景，用五个问题判断一下。

第一，这个问题是不是真实存在？

不是为了 AI 硬找需求，而是业务里本来就痛。

第二，这个动作是不是高频发生？

一年发生几次的场景，不适合作为第一步。

第三，结果能不能被验证？

至少要能看到效率、成本、收入、风险或体验中的某一项变化。

第四，AI 能不能进入原有工作流？

如果只是多一个入口，而不是嵌进流程，使用率大概率会掉。

第五，成功后能不能复制？

试点不是为了做一个样板间，而是为了找到可复制的方法。

这五个问题问完，很多“看起来很先进”的 AI 项目，可能就没那么适合做第一步了。

反而是一些看起来没那么炫的场景，更容易先跑出价值。

比如知识查询、文档处理、客服辅助、销售资料生成、合同初审、流程节点判断、报表解释、项目风险预警。

这些不一定最酷，但可能最容易形成闭环。

结尾

国外企业现在对 AI 的讨论，已经越来越少停留在“模型厉不厉害”，而是转向更现实的问题：

有没有进工作流？

有没有影响 P&L？

有没有重构业务流程？

有没有产生可复制的组织能力？

这对国内企业很有启发。

因为 AI 最终不是一场技术选美。

企业真正需要的，也不是一个看起来很强的模型，而是一个能进入业务、跑出结果、还能被管理的能力体系。

所以，企业做 AI，第一步不是问：

“哪个模型最强？”

而是问：

“哪件事，最值得被 AI 改造，并且能看见结果？”

这个问题问对了，后面才有可能真正落地。

你所在的企业现在推进 AI，最难的是选模型，还是选场景？

又或者，是不知道怎么把 AI 的价值讲给老板听？