夜雨聆风一辆货车少跑一段空驶里程、一套软件减少数小时重复编码、一个客服团队在相同时间内处理更多请求——单项改善看起来并不惊人，但当它们同时进入排班、定价、维护、研发和销售流程，人工智能才可能真正出现在企业利润表中。
资本市场对AI的关注点也在随之改变。
过去数年，市场讨论主要围绕芯片、数据中心和模型能力；随着基础设施投入持续扩大，投资者开始追问一个更直接的问题：企业购买了算力和软件之后，究竟能否降低成本、增加收入并改善利润率？
摩根士丹利近日提出，随着更多美国企业将AI嵌入业务流程，AI采用较快的企业有望获得更强的利润率表现。运输、软件与服务、专业服务等经常被视为容易受到AI冲击的行业，也可能成为应用收益较明显的领域。
不过，从“使用AI”到“盈利改善”之间，仍隔着流程改造、数据治理、人员培训和投入回收等多道关口。
9200亿美元只是情景测算，不是已经实现的利润
摩根士丹利此前测算，如果人工智能在标普500指数成分企业中得到充分采用，每年可能带来最高约9200亿美元的净收益。其中，约4900亿美元可能来自能够规划、决策并执行任务的智能体系统。
部分消费品流通、零售、房地产管理和运输行业的潜在效率收益，甚至可能超过这些行业2026年预测利润的100%。
这个数字很容易被误读。
所谓“超过利润的100%”，并不是预测相关行业利润一定翻倍，更不代表企业已经获得了这些收益。它衡量的是在全面采用情景下，潜在生产率收益相对于行业现有利润基数的大小。
而且，“潜在净收益”建立在一系列假设之上，包括多少任务能够被自动化、劳动时间能否被真正节省、节省的时间是否转化为产出，以及企业需要承担多少实施成本。
因此，9200亿美元更接近一张“可改造成本地图”，而不是一份确定的盈利预测。它说明哪些环节理论上存在较大提效空间，却不能替代企业实际的现金流和利润率数据。
采用率正在上升，但多数企业仍停留在局部试用
AI要成为盈利引擎，首先必须进入企业核心流程。然而，现有数据表明，美国企业的AI扩散仍处于不均衡阶段。
美国人口普查局商业趋势与展望调查显示，2025年12月至2026年5月，美国企业AI使用率大致维持在17%至20%；预计未来六个月使用AI的企业比例为20%至23%。
企业规模差异十分明显。截至2026年5月，员工不少于250人的企业中，约37%已经使用AI；员工少于5人的企业使用率则低于20%。信息行业使用率达到39.7%，金融保险业为33.9%，均高于19.8%的全国平均水平。
另一项基于人口普查局调查的研究显示，2025年11月至2026年1月，约18%的企业在至少一项业务职能中使用AI；按就业人数加权后，AI覆盖约32%的就业岗位。
但在已经使用AI的企业中，57%只将其部署在不超过三个业务职能，65%的企业只用于不超过三类具体任务。目前最常见的用途仍是营销、战略分析、信息技术，以及写作、文档分析和信息搜索。
这些数据意味着，AI采用已从少数技术企业向传统行业扩展，却尚未普遍进入采购、生产、物流、财务和客户交付等核心流程。企业可以拥有很多AI账户，但如果使用范围只停留在撰写邮件和总结文档，便很难形成足以改变利润率的规模效应。
运输业受益的关键，不是“无人化”而是降低波动成本
运输行业被认为是潜在受益者，并不意味着短期内所有车辆和仓库都会实现无人运行。
这个行业更现实的AI价值，来自对复杂流程的预测和调度。
运输企业利润容易受到燃料价格、车辆利用率、空驶里程、仓储周转、人工排班和设备故障影响。AI可以结合订单、天气、道路、库存及历史维护数据，优化线路和装载，预测设备故障，并动态安排车辆、仓位和人员。
这些改善具有几个共同特点：单次收益可能较小，但发生频率高；业务规模越大，累计影响越明显；行业利润率越薄，少量成本下降对利润的放大作用越强。
假设一家企业收入不变，原有营业利润率只有5%，若运营成本下降1%，利润的相对增幅可能接近20%。这正是运输、零售和流通行业的潜在AI收益相对于现有利润显得较大的原因。
美国劳工统计局在2024年至2034年就业预测中也指出，仓储企业正在增加仓库管理系统、自动导引设备、机器人和AI系统的使用。相关生产率提升预计会限制仓储行业的用工增速，但电商物流扩张仍会增加司机、货运代理和库存处理等岗位需求。
这说明，AI对运输就业的影响不是简单的整体替代。部分重复性调度和处理任务会被压缩，但业务增长、设备维护、异常处置和客户服务仍需要人工参与。
运输业能否真正获得收益，取决于数据是否贯通。订单、车辆、仓储和客户系统如果彼此割裂，再先进的算法也只能优化局部环节。对传统运输企业而言，首先要补的可能不是模型，而是数据标准和流程数字化。
软件行业既是AI的供应者，也是被改造者
软件与服务行业的处境更为复杂。
一方面，AI能够辅助生成代码、查找错误、编写测试、整理文档和维护旧系统，直接提高研发效率；另一方面，代码生成门槛下降，也可能压缩部分标准化软件功能的价格，改变按用户、席位或开发工时收费的传统模式。
美国全国经济研究所2026年发布的一项研究，分析了超过10万名软件开发者的数据。结果显示，自动补全、交互式编码智能体和自主编码智能体分别显著增加了开发活动；其中，自主编码工具带来的代码提交活动累计增长约180%。
但这种增幅沿着生产链条迅速减弱：项目数量只增加约50%，真正发布的软件版本仅增加约30%。研究认为，AI与人的替代弹性只有0.25，意味着人类评审、产品决策、测试、协调和发布仍是明显瓶颈。
“写出更多代码”与“交付更多有价值的软件”并不是同一件事。
如果AI生成的代码增加了审查、测试和安全维护成本，表面上的开发提速未必能转化为利润。软件企业真正的机会，不是单纯减少程序员数量，而是重新设计研发流程：让AI承担重复生产，让人集中处理产品判断、系统架构、风险控制和客户需求。
与此同时，传统软件商业模式也将面对重新定价。客户可能不再愿意为固定数量的账户付费，而更倾向于按照任务完成量、调用量或实际业务结果付费。这将迫使软件企业证明，其AI功能带来的不是使用时长，而是可量化的经营价值。
个体生产率提升，不一定自动形成企业利润
目前关于AI生产率的研究已经出现一些积极结果。
一项覆盖约5000名客服人员的研究发现，使用AI辅助系统后，客服人员每小时解决的问题数量平均提高13.8%；经验较少、原本效率较低的员工，生产率增幅达到约35%，而高技能员工获得的改善较小。
这说明，AI的一项重要价值是把优秀员工的经验提炼出来，帮助经验不足者更快达到较高水平。
但微观任务提效要成为企业利润，至少还需要完成三次转化：
从个人节省时间，转化为团队总体产出增加； 从局部工具提效，转化为跨部门流程缩短； 从运营成本下降，转化为利润，而不是被新增算力和管理成本抵消。
现实中，员工节省一小时，并不等于企业可以直接减少一小时工资。如果企业没有重新安排任务、缩短交付周期或扩大业务量，这段时间可能只是变成空闲时间。
经济合作与发展组织对相关实验研究的总结也指出，生成式AI的效果高度依赖任务类型、使用者经验和人机协作方式，长期企业影响仍缺乏充分证据。
OECD的宏观生产率统计显示，AI带来的改善尚未在整体生产率数据中清晰显现。
收入增长与成本削减，是两套不同的盈利逻辑
AI改善企业盈利，主要存在两条路径。
一条是成本路径，包括减少重复劳动、缩短处理时间、降低库存和故障损失、提高营销及客服效率。这条路径容易测量，也最可能率先反映在利润率上，但往往伴随岗位调整。
另一条是收入路径，包括提高定价能力、改善客户体验、推出新的智能服务，以及让过去成本过高的个性化服务实现规模化。这条路径的潜在空间更大，却更加依赖客户是否愿意付费。
如果企业只是把AI功能免费附加到原有产品中，同时继续承担模型调用和数据治理成本，使用量越大，利润压力反而可能越高。
因此，判断AI是否成为盈利引擎，不能只看调用次数和活跃用户，还应观察几个更直接的经营指标：
单位任务成本是否持续下降； 产品交付周期是否缩短； 客户留存率和客单价是否改善； AI相关收入能否覆盖推理及基础设施成本； 错误率、返工率和合规成本是否上升； 节省的工时最终流向增产、裁员还是员工培训。
只有这些指标发生可持续变化，AI采用才真正完成了从技术指标到财务指标的转换。
“采用者溢价”不会平均分配
摩根士丹利的核心判断，是市场将逐渐从担忧AI带来的价格冲击，转向评估企业如何把效率改善转化为财务表现。其统计显示，标普500指数成分企业中，提及至少一项AI收益的比例已从2024年的10%上升至21%。
但企业之间的回报不会平均分配。
拥有高质量专有数据、清晰业务流程、较强定价能力和充足改造预算的企业，更容易将AI嵌入核心经营；数据分散、利润率较低、系统老旧或缺乏技术人员的企业，则可能先承担软件订阅、算力和咨询成本，却迟迟无法获得收益。
这意味着，下一阶段的AI竞争不只是技术企业之间的模型竞争，也是一场传统企业的组织能力竞争。
运输行业需要把订单、车辆和仓储数据打通；软件行业需要重建研发与收费模式；专业服务行业需要在提高人均产出与维护专业责任之间取得平衡。技术可以同时提供给所有企业，但流程、数据和管理能力无法被快速复制。
来源：摩根士丹利、NBER和OECD公开资料、证券时报网
