AI炒得再热，企业盈利为何还是缺失？那一步被忽略的人力与组织变革

面对提前布局的持续演进，保守策略和激进策略各有拥趸。目前看，混合策略在多数中型团队中表现更稳。

主流声音往往把问题指向“技术还不够成熟”或“需要加强监管”。这些说法有一定道理，AI在战略判断和复杂上下文处理上确实存在短板。但这遮蔽了一个关键盲区：单纯提升模型能力，并不会自动带来商业价值。工作流的根本重构和可衡量的机制建设，被普遍低估了。

企业AI试点项目的现实数据进一步印证了这一困境。根据MIT相关报告，高达95%的生成式AI试点难以带来可衡量的ROI，大部分项目停留在实验阶段，无法有效转化为业务价值。95%和5%，这个剪刀差说明一切。许多公司投入不菲，却发现技术叠加后生产力提升远低于预期，这件事比单纯的技术hype复杂得多。

MIT Technology Review等报道借用South Park的“underpants gnomes”梗来描述这一现象：第一步收集内裤，第三步赚大钱，中间的Step 2永远是个问号。AI项目同样如此，技术框架搭起来，未来愿景画得宏大，但从技术到真实盈利的路径却模糊不清。Pause AI相关讨论甚至直接点出“先搞清楚Step 2再继续”，这句话虽尖锐，却反映了行业普遍的困惑。

创新路径已逐渐清晰。其中，按量付费模式基于token、使用次数或API调用计费，让客户只为实际消耗买单，显著降低了试错门槛。OpenAI的API早已采用类似逻辑，不少AI工具也开始探索每对话或每小时活跃使用收费。另一种是结果导向定价，直接以生成的有效线索数量、解决的工单数或节省人力小时作为结算依据，倒逼提供方优化模型集成。混合模式则结合基础订阅与效果分成，既保证稳定性又捕捉价值增长。

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通常碎片化散落在不同系统，标签不一致、质量参差，导致AI在真实场景中输出不稳定甚至失灵。MIT NANDA倡议2025年报告显示，约95%的生成式AI试点几乎没有带来可衡量的P&L影响，数据准备不足被反复列为主要原因之一。Gartner也预测，到2026年，缺乏AI就绪数据支持的项目中，60%将被放弃。

MIT Technology Review近期文章借用South Park“underpants gnomes”梗精准捕捉了这一现状——Step 1构建强大技术，Step 3承诺经济转型，而中间的Step 2，即如何把技术真正转化为可衡量的利润，却仍是个大问号。

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，2026-2027年hype消退可能让更多企业暂停或缩减试点。根据Wharton模型，2025年AI对生产力增长的贡献仅约0.01个百分点，整体GDP拉动有限。但少数敢于重构工作流的公司，或许能在局部看到小幅效率提升，形成一定市场分化。长期到2030年，若能补上流程再造与人机协作优化，AI有望贡献约1.5%的生产力增长；若忽略部署痛点，经济现实或接近历史趋势，泡沫风险反而上升。值得持续跟踪，现在下结论为时尚早。

MIT Technology Review的分析指出，AI技术构建已完成“Step 1”，却在经济可行性这一“Step 2”上陷入困境。hype直接跳向profit的中间环节缺失，让企业普遍面临价值证明和合理定价的难题。South Park小矮人 meme 与反AI游行传单的讽刺，精准捕捉了这一尴尬：技术承诺响亮，但实际盈利路径仍模糊不清。

长期而言，如果不补上组织变革这一步，AI难以实现规模化贡献利润。白领工作的自动化可能会加速，但整体生产力提升却有限。企业可能面临人才荒加剧，一方面老员工技能跟不上，另一方面新人才又难招到合适的复合能力。这一点目前行业内仍有不同声音，值得持续跟踪，现在下结论为时尚早。

“同城一元一分跑的快群”_同城一元一分跑的快群好奇心日报带来的行业震动仍在发酵。

• 返回首页
• 进入栏目
• 同城一元一分跑的快群
• 提前布局
• 行业观察
• 深度报道
• 专题聚焦