多数企业AI项目盈利缺失的根源：忽略了数据基础设施这一最底层步骤

进攻压制相关的真实实践案例中，真正能够长期脱颖而出、表现稳定的，往往是那些把用户旅程优化、体验细节做到相对细致深入的团队。

Anthropic的相关职位影响预测显示，程序员、客服和数据录入等角色暴露度较高，而建筑工人、园丁等体力或高情境判断岗位受影响较小。这提醒我们，AI盈利路径在不同任务类型上差异巨大。编码之外的大量工作，需要的不仅是模型能力，更是组织层面的真实变革。企业若只追逐新模型而忽略这些，2026-2030年的长期价值实现恐怕仍将停留在纸面。

大多数人看到的AI投资困局，是技术热潮与现实回报之间的巨大剪刀差。过去几年，CEO们在财报和战略会议上频繁强调AI将驱动快速转型与利润增长，市场也随之涌现大量试点项目。然而，MIT《GenAI Divide: State of AI in Business 2025》报告显示，约95%的生成式AI试点未能实现对P&L的可衡量影响，仅有5%的项目带来了快速收入加速。

短期来看，企业将继续面临高投入低回报的困境。大量AI项目因无法证明清晰ROI而流产或缩减，决策智能的规模化落地率维持在较低水平。长期而言，若不补上决策痕迹与优化闭环，AI大概率只能停留在工具层，而难以进入真正的决策层，企业软件栈从记录系统向决策系统的范式转移也将受阻。目前的缺失让这一转型充满不确定性，但如果模型厂商加大透明度和真实世界评估力度，转化过程有望加速，否则hype泡沫可能还会持续膨胀。

表面上，行业对AI Agent和决策智能的热情依然高涨。主流媒体频频报道模型能力爆棚，企业争相部署从自动化工作流到战略辅助的各种项目，演示场景中AI生成报告、模拟决策的速度令人印象深刻。然而，真实反馈往往指向另一个方向：试点项目启动后ROI难以兑现，网友评论里“演示很强、落地拉胯”的声音越来越多。多数讨论仍集中在参数规模和基准分数上，忽略了决策过程本身的可追溯性与持续迭代，这正是主流观点容易滑过的盲区。

深挖AI商业化困境，根源在于价值量化困难与定价模式僵化。传统SaaS的固定订阅模式假设输出稳定、边际成本可控，而AI的推理成本随token消耗波动，输出质量也存在不确定性——有时一次到位，有时需多次迭代或人工干预。企业为此付出的费用难以与清晰ROI挂钩，导致部署犹豫不决。早期云计算从固定付费转向弹性计费的演变，提供了一个可参照的历史路径。

短期内，这种执行差距将持续制造高投入低回报的阵痛。部分AI试点因整合失败悄然搁浅，预算被砍，团队士气受挫。那些只追求演示效果却回避真实场景测试的公司，会发现业务核心指标几乎原地踏步。长期来看，若无法补齐组织环节，AI转型的整体承诺很可能延后兑现。对普通企业和从业者而言，这意味着注意力必须从单纯采购工具转向流程再造：哪些环节AI能真正辅助，哪些必须保留人力判断，需要逐一拆解评估。

主流报道里，AI的表面风光往往聚焦模型参数规模或特定测试表现。Mercor近期对顶级模型驱动的AI代理进行评估，让它们处理投资银行、咨询和公司法领域的480个真实任务，结果成功率仅在20-25%左右。即使多次尝试，也难以稳定达到40%。Anthropic等机构对就业影响的预测同样基于模型能力假设，而非真实职场数据支撑。企业高管在公开场合频繁讨论大模型部署，却很少提及数据准备环节。

企业端的现实反馈形成鲜明对比。不少报告指出，高达95%的AI试点项目难以产生可衡量的ROI，项目往往卡在实验阶段，无法转化为实际利润。Mercor对480项真实职场任务的测试进一步印证这一点：即使采用顶级模型的AI代理，在投资银行、咨询和公司法等领域，首次成功率也仅约24%，多数非编码任务面临明显瓶颈。数据支持AI在编码等窄领域有潜力，但样本显示规模化盈利仍遥远。

长期来看，能否跨越从hype到盈利的死亡谷，取决于企业是否愿意直面那些琐碎却关键的执行细节。如果模型透明度提升、企业与研究者协作加强，盈利路径或会加速清晰；否则，集体卡壳的局面可能延长。这一点目前行业内仍有不同声音，值得持续跟踪，现在下结论仍为时尚早。

表面繁荣之下，企业AI项目大多停留在“收集阶段”的狂欢。采购ChatGPT Enterprise、部署各种代理工具、内部设立使用率排行并奖励重度用户，这些动作让OpenAI科学家将生成式AI称为“经济变革技术”。主流观点反复强调AI将重塑业务流程，可真实案例显示，Mercor今年测试顶级AI代理在480个复杂职场任务（涵盖投行、咨询和法律场景）中的首次成功率仅约24%。

数据支持这个观点，但不同团队的起点和资源差异显著。