夜雨聆风
引爆点
过去一年，AI在企业端的讨论已经明显升温。模型能力不断提升，应用产品密集出现，越来越多企业开始把AI纳入数字化转型、业务提效和管理决策的工具箱。
但热度上升之后，一个更现实的问题开始浮现：AI能不能从“好用的工具”，变成企业流程里“可以长期依赖的系统”？
6月23日，2026大连夏季达沃斯论坛“AI无处不在，却非一蹴而就”分论坛，正好把这一问题推到台前。论坛讨论中提到，AI规模化落地的阻力不只是成本，更在于风险不可控；法律法规、监管体系、责任边界等“软性基建”，也还没有完全跟上模型迭代速度。
图片来源：新华社
这意味着，AI产业正在从单纯比拼模型能力，进入比拼可控、可信、可治理能力的新阶段。
一、企业已经开始用AI，
但还没真正放进核心流程
从全球企业调研看，AI已经不是少数企业的尝鲜工具。相关数据显示，企业在至少一个业务职能中常规使用AI的比例已经处在高位，但真正开始规模化推进AI项目的企业仍然有限。
这说明，AI应用已经进入企业内部，但很多项目仍停留在局部场景。尤其是在AI Agent相关方向上，企业的探索热情和实际规模化部署之间仍有差距。企业并不是没有行动，而是在从试点走向深度应用时出现了明显分化。
资料来源：McKinsey《The State of AI: Global Survey 2025》，洞见研报整理
从行业落地节奏看，AI可以较快进入内容生成、客服辅助、知识检索等低风险环节，但进入合同审核、客户交付、财务分析、经营决策等高责任场景时，企业通常会明显放慢节奏。原因不在于这些场景没有需求，而在于错误结果可能直接影响经营判断、客户关系和合规责任。
这种分化会让企业内部形成两套不同的AI使用逻辑：一类是以效率提升为目标的辅助型应用，主要解决重复劳动、资料整理和内容初稿问题；另一类是参与业务判断的决策型应用，需要面对数据准确性、结论可靠性和责任归属问题。前者可以快速铺开，后者则必须建立更完整的管理规则。
二、成本不是最大阻力，
风险才是企业的顾虑
达沃斯论坛上提到，企业对AI大规模落地的顾虑并非成本，而是风险不可控。这个判断与企业端调研数据能够形成对应。
企业最关注的AI风险，主要集中在输出准确性和安全性两个方向。与此同时，部分组织的AI治理政策、访问控制和风险处置机制仍不完善，这会直接影响企业对AI系统的放权程度。
资料来源：McKinsey《State of AI Trust in 2026》、IBM《Cost of a Data Breach Report 2025》，洞见研报整理
这也是AI落地与普通数字化工具不同的地方。普通软件通常按照既定规则执行任务，企业更容易判断流程责任；AI系统则可能在不完整信息下生成结论，甚至在多步骤任务中自动调用工具、整理材料或触发下一步动作。
因此，企业真正担心的不是AI单次使用成本，而是错误被放大后的连锁影响。一个看似流畅的结论，如果缺少事实依据和复核机制，可能会影响报告输出、业务判断甚至客户交付。
对于企业管理者而言，AI风险也不只是技术部门的问题。它会同时触及法务、合规、信息安全、业务负责人和管理层决策流程。也正因为如此，AI规模化部署往往不是单一部门能够推动的项目，而需要跨部门共同定义使用边界。
三、AI落地慢，
背后是规则和治理没跟上
清华大学薛澜在论坛中提到，AI全面渗透社会不仅需要数据中心、能源供给等硬件基础设施，也需要法律法规、监管体系等软性基建。放到企业层面，这个问题同样存在。
很多企业在部署AI时，首先会采购工具、接入模型、建设系统接口，但更难补齐的是内部治理规则。例如，哪些数据可以进入AI系统，哪些内容必须脱敏，哪些输出可以作为参考，哪些结论必须人工确认，出问题后由哪个部门承担责任。
如果这些规则没有建立，AI就很难从个人工具升级为组织能力。它可以帮助员工提高某个环节的效率，却难以稳定嵌入企业流程。
资料来源：Cisco《AI Readiness Index》，洞见研报整理
这组数据反映出一个更重要的差距：领先组织并不是单纯采用了更先进的模型，而是具备更强的部署、管理和协同能力。AI规模化落地，本质上是一项企业系统工程，而不是一次工具采购。
换句话说，软性基建并不是抽象概念，而是会直接影响企业内部的工作方式。没有数据分级，AI无法判断哪些信息可以调用；没有流程权限，AI很难被放进关键业务；没有审计留痕，企业也很难在结果出错时追溯原因。技术能力越强，这些管理问题反而越需要提前被设计清楚。
四、从试点到规模化，
企业要先补治理能力
从企业部署逻辑看，AI规模化落地至少需要建立四类机制。
第一是数据机制。企业要明确哪些数据可用于AI训练、检索和生成，哪些数据只能在内部封闭环境中使用，哪些数据必须脱敏处理。没有数据分级，AI就很难进入核心业务。
第二是权限机制。不同岗位、部门和场景，应当对应不同的AI使用权限。尤其是涉及客户信息、财务数据、合同文本、技术文档的场景，不能让所有人以同样方式调用模型。
第三是复核机制。AI输出不能只看语言是否流畅，而要看事实依据是否明确、来源是否可追溯、关键判断是否经过人工确认。对于正式报告、客户交付、经营决策类内容，复核机制应当成为流程的一部分。
第四是问责机制。AI一旦参与业务动作，就必须留下完整记录，包括调用了哪些数据、生成了哪些内容、谁进行了确认、最终如何被使用。否则，企业很难在风险发生后定位原因。
资料来源：NIST AI Risk Management Framework，洞见研报整理
对企业管理者来说，AI部署不应只停留在“引入什么工具”，还要同步回答“由谁使用、在哪使用、怎么复核、如何负责”。只有这些机制形成闭环，AI才可能从局部试点进入长期运行。
这也意味着，AI项目的评估标准需要发生变化。过去企业更容易关注模型效果、响应速度和使用成本，未来则需要把数据安全、输出可追溯、权限分层和复核流程纳入同一套评估框架。AI能不能用，只是第一步；能不能被组织长期、安全地使用，才是规模化落地的关键。
五、AI产业跟踪，要看
技术也要看落地风险
AI产业接下来仍会快速迭代，但企业部署节奏不会只由模型能力决定。政策监管、数据安全、行业规则、客户接受度、责任边界，都会影响AI能否从试点进入规模化应用。
这也是为什么AI产业跟踪不能只看模型发布和融资热度，更要持续观察企业端落地阻力。哪些行业更容易率先规模化，哪些场景会被合规要求限制，哪些企业具备更强的数据与治理基础，都会决定AI应用的真实商业价值。
AI落地不是单一技术事件，而是一组产业变量共同作用的结果。只有把政策变化、行业应用、风险案例、企业实践和数据指标放在同一框架下分析，才能更早看清哪些机会是真需求，哪些热度只是短期试验。
从研究视角看，未来AI产业分析也需要从“技术进展跟踪”延伸到“落地条件评估”。模型能力、行业需求、监管环境、企业数据基础和组织治理水平，都会共同决定AI应用的商业化进程。单看技术突破，容易高估短期落地速度；只看应用热度，又容易忽视后续治理成本。
结语
达沃斯论坛释放出的信号是，AI规模化落地慢，并不意味着企业不需要AI，也不意味着模型能力不够。
真正的问题在于，AI进入企业流程后，必须与数据治理、权限管理、人工复核和责任机制同步建设。未来AI竞争不会只发生在模型参数和算力资源上，也会发生在企业能否把AI变成一套稳定运行的业务系统。
谁能率先完成这一步，谁才更可能在产业智能化的下一阶段获得持续优势。
点击下方小程序查看相关报告
洞 见 研 报
让决策有依据，让增长有方向
洞见研报通过整合行业研究、数据资源与专家网络为企业提供系统化研究能力与数据支持，形成覆盖行业、企业、政策、产业及市场的多维度研究数据体系协助企业从宏观至微观获得完整的视角研究。
