企业AI落地为什么卡在“盈利”这一步

但同时，边际收益更高的路径也逐渐清晰。

表面上看，行业对AI商业化仍保持高度乐观。主流媒体频频报道AI将驱动经济变革，OpenAI首席科学家Jakub Pachocki就将其描述为“经济变革技术”。不少从业者和观察者期待AI代理快速部署到银行、咨询、法律等场景，认为效率提升指日可待。讨论焦点往往落在“何时全面取代人工”或“下一个杀手级应用何时出现”。

三大行业的数据基础、集成难度和ROI兑现周期差异显著，金融在标准化和快速回报上领先，制造面临物理集成与流程改造的最大挑战，零售则卡在行为多变与行动闭环上。没有万能的AI盈利路径，关键在于认清自己行业的专属Step 2并优先补齐。值得持续跟踪的是，随着技术迭代，这个中间步骤的定义是否会进一步演化，现在下结论或许还为时尚早。

被忽略的最底层步骤，正是数据基础设施建设。企业长期积累的数据往往散落在多个孤岛系统，格式不统一、标签不一致、治理机制缺失，导致AI在真实场景中输出不稳定甚至失灵。数据清理、结构化处理以及可信生成机制，才是从数据到盈利的关键桥梁。没有这些基础，先进模型最多只能制造一场昂贵的演示。MIT NANDA倡议的报告反复指出，数据准备不足是95%试点失败的主因之一，而非技术本身。

深层问题在于“缺失步骤”的本质。单纯将AI工具嵌入现有流程，往往无法释放预期价值，甚至会增加认知负荷。因为工作流不是实验室里的干净环境，而是“沾染了人和现有流程”的复杂系统。Mercor的APEX-Agents基准测试了480项真实职场任务，覆盖投资银行、咨询和公司法等领域，即使是顶级AI代理，成功率也普遍低于25%。这凸显了在需要多步骤协调和战略判断的非编码任务上，AI仍面临显著瓶颈。

短期内，若企业继续回避这一桥梁建设，下季度财报中的AI相关成本很可能持续拖累利润，更多非核心试点将被暂停。长期看，只有少数完成工作流重塑的企业有望实现显著EBITDA改善，类似BCG报告中提到的10-20个百分点效率或增长提升；而普通企业若一味跟风新模型，则面临资源浪费的风险。模型成本下降与流程再造的结合速度，将决定转化窗口的长短，这一点目前行业内仍有不同声音。

深层来看，被忽略的“缺失一步”正是人力技能升级与组织文化、流程的变革。这一步，才是连接hype与实际利润的关键桥梁。Mercor最近的APEX-Agents基准测试很有代表性，他们用前沿模型测试了480个来自投资银行、管理咨询和企业律师的真实复杂任务。这些任务通常需要专业人士一到两个小时完成，结果即使表现最好的模型，Pass@1成功率也仅在24%左右，大多无法达到初级专业人员的水平。

企业端的现实反馈却要冷静得多。不少从业者和网友在讨论中指出，AI试点项目往往停留在实验阶段，无法产生可衡量的ROI。据MIT相关报告，高达95%的企业生成式AI试点难以带来显著收益，项目很容易陷入“试点炼狱”。这一剪刀差说明，单纯的技术能力与真实经济价值之间存在明显鸿沟。数据支持乐观方向，但样本和场景的局限性提醒我们，现在下定论仍需谨慎。

短期内，更多AI项目可能因无法清晰证明ROI而面临预算压缩，企业会优先选择低风险的按量模式进行小步验证。长期来看，成功重构商业模式的企业有望建立可持续盈利路径，而未能掌握价值量化工具的普通企业和开发者，则可能在竞争中逐渐掉队。当然，如果更贴近真实场景的职场评估基准测试能快速成熟，盈利进程或将加速；反之，持续的hype泡沫也可能进一步引发监管层面的压力。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。

多份报告指向，70%-95%的企业AI项目难以交付可衡量的业务价值。RAND分析显示80.3%的AI项目未能实现预期业务价值，其中部分完成但价值不足以覆盖成本的比例不低。多数企业把资源集中在技术部署和美好愿景上，却跳过了中间的量化验证环节。hype容易，量化难，多数项目就死在模糊的Step 2这个剪刀差上。

当前企业AI adoption呈现明显剪刀差。一边是疯狂采购ChatGPT Enterprise等工具、内部测试使用率甚至奖励重度用户，OpenAI科学家将生成式AI称为“经济变革技术”；另一边是真实部署的低效。Mercor近期对480个职场复杂任务的测试显示，顶级AI代理首次成功率仅约24%，多数在模糊信息处理、多步上下文维持上卡壳。70%以上的企业有部署计划，但全公司级规模化落地远低于10%。

这个剪刀差提醒我们，技术本身或许不是最大瓶颈，配套机制的跟进速度可能更关键。