OptAI®
ZH

文章 应用

为什么多数 AI 试点无疾而终

麻省理工学院发现,95% 的企业生成式 AI 试点对利润没有可衡量的影响。问题出在落地的最后一公里,也就是软件进到企业日常里的那一步。

黄色背景上,一架白色小飞机模型被拴在试验台上

2025年夏天,麻省理工学院的一个团队发布了一份报告,里面有个不太客气的数字:在其研究的生成式 AI 试点中,约 95% 对损益没有可衡量的影响。研究人员访谈了 150 名高管,调查了 350 名员工,并分析了 300 个公开的部署案例。企业花了钱,却没见回报。

这个发现传得很快,部分原因是它看上去在说这项技术不管用。它根本没这么说。作者把问题归咎于“学习鸿沟”:这些工具不适应企业的工作方式,记不住交代过的事,也不会越用越好。一个演示时惊艳、到周一就全忘光的聊天机器人,不过是一个有预算的玩具。

麦肯锡的年度调查从另一面指向同一个方向。2025年,受访企业中有 88% 至少在一个业务环节使用了 AI。只有约 6% 表示 AI 给它们带来了显著价值,并贡献了 5% 或以上的营业利润。8月发布的2026年版,得出的也是 6%。也就是说,大多数企业在用 AI,但很少有企业靠它赚到钱。

钱花到了哪里

麻省理工学院还研究了企业把钱花在哪里。一半以上的生成式 AI 预算流向了销售和营销工具,这些工具好买,也好向董事会展示。回报最好的却是后台,在那里 AI 取代了外包流程和代理机构的工作。具体说,就是发票、合同、理赔和采购。这些工作不光鲜,但规则清楚,输入干净,成本人人都算得出来。所以这里最适合起步。

第二个发现让大型 IT 部门不太舒服。从专业供应商采购、与合作伙伴一起搭建的工具,成功率约为 67%。完全自建的系统,成功率只有它的三分之一。

试点生来就是要停的

大多数试点之所以失败,是因为它们本来就是按试点来做的。它们跑在一份干净的样本数据上,只挂在真实系统旁边,没有接进去,只有几个热心用户,没有人为结果负责。试点结束后,得有人把它接进 ERP,过数据保护这一关,培训其余 300 个人,并为它的错误负责。这些工作从来不在计划里,所以也就从来没人做。

正式投产要从另一些问题开始。哪项工作最耗工时?数据在哪里,谁有权查看?答错一次代价多大,谁来发现?每个月能省多少瑞郎?第一周回答不了这些问题的项目,到第六个月也回答不了。

我们怎么做

在 OptAI®,我们用客户的真实数据做第一版,直接做在客户已在用的系统里。第一周会慢一些,到第八周就快得多,因为什么都不用推倒重来。自动化之前,我们先量化这项工作,这样省下多少有数可查,不靠感觉。我们还会在一开始就讲好,出现什么情况就停。

麻省理工学院研究里那 5% 的企业,用的模型并不比别人好。它们挑了一项让人头疼的工作,把它好好接进系统,然后坚持下去,直到见回报。这没有演示那么激动人心。但只有这一部分,会出现在账本上。

资料来源

  1. Fortune: MIT report, 95% of generative AI pilots at companies are failing, 18 August 2025
  2. Computing: MIT report, 95% of corporate generative AI pilots fail to deliver returns
  3. Virtualization Review: MIT report finds most AI business investments fail, 19 August 2025
  4. McKinsey: The state of AI in 2025, agents, innovation and transformation, 5 November 2025
  5. McKinsey: The state of AI in 2026, on the road to ROI, 25 August 2026

更多文章