本周二，英偉達股價下跌 3.5%，“AI 軍工第一股”Palantir 下跌 9.4%，芯片設計公司 Arm 也下跌5%。不少華爾街交易員認為，部分 AI 概念股下跌源于美國麻省理工學院于周一發布的一份報告。這份題為《生成式 AI 的鴻溝：2025 年商業 AI 的現狀》的報告顯示，盡管企業在生成 AI 上已花費了 300 至 400 億美元，但 95% 的公司迄今并未能獲得商業回報。報告出品方的權威，報告結論與當下 AI “大殺四方”形成的強烈對比，可能都是此次 AI 概念股股價下跌的原因之一。

據了解，本次報告針對企業利益相關者開展了 52 次結構化訪談，對 300 余個公開的 AI 項目及公告進行了系統性分析，并對 153 位領導者進行了調研。成功的定義為：項目部署超越試點階段且具備可量化的關鍵績效指標，投資回報率影響在試點結束后 6 個月進行衡量，并根據部門規模進行調整。在適用情況下，使用自助重采樣法計算置信區間。

可以說，生成式 AI 陷入了高采用率、低轉化率的困境。一邊是 00 后創辦 AI 企業并融資上億元，一邊是僅有 5% 的商業回報率；一邊是 AI 專家警告 AI 或將接管人類，一邊是企業高管對于 AI 供應商的銷售郵件愛答不理。AI 的世界為何如此割裂？本次報告或能帶來一定的答案。

95% 的組織未獲得任何回報

盡管企業在生成式 AI 領域投入了 300 億至 400 億美元，但本報告揭示了一個驚人的結果：95% 的組織未獲得任何回報。這種成果差異在買方（企業、中型市場企業、中小型企業）和構建方（初創公司、供應商、咨詢機構）中表現得極為顯著，本次報告將其稱為“生成式 AI 鴻溝”。僅有 5% 的集成式 AI 試點項目實現了數百萬美元的價值提取，而絕大多數項目仍停滯不前，沒有對損益產生可衡量的影響。這種鴻溝并非由模型質量或監管因素導致，而是似乎取決于實施方法。

ChatGPT 和 Copilot 等工具已得到廣泛采用。超過 80% 的組織已對其進行探索或試點，近 40% 的組織報告已完成部署。但這些工具主要提升的是個人生產力，而非損益表現。與此同時，企業級系統（無論是定制化還是供應商銷售的版本）正被悄然棄用。60% 的組織對這類工具進行了評估，但僅有 20% 進入試點階段，最終僅 5% 投入實際生產。多數項目失敗的原因在于工作流程僵化、缺乏情境化學習能力，以及與日常運營脫節。

通過訪談、調研以及對 300 項公開實施案例的分析，本次報告發現了四個造成生成式 AI 鴻溝的典型模式：

有限的顛覆性影響：8 大主要行業中僅 2 個呈現顯著的結構性變革。企業悖論：大型企業在試點數量上領先，卻在規模化推廣上滯后。投資偏向：預算傾向于可見的前端職能部門，而非高投資回報率的后臺部門 。實施優勢：借助外部合作伙伴的實施成功率比內部自行開發高出兩倍。

報告指出，規模化應用的核心障礙并非基礎設施、法規或人才，而是學習能力。大多數生成式 AI 系統無法沉淀反饋、適應上下文，也無法隨時間推移不斷進行改進。

一小部分供應商和采購方通過直接應對這些局限性，正在取得更快進展。那些成功的采購方要求針對具體業務流程進行定制化開發，并基于業務成效（而非軟件基準測試）來評估工具，他們期望系統能與現有流程無縫集成，并能隨著時間不斷改進。而那些能夠滿足這些期望的供應商，往往能在幾個月內就拿下數百萬美元規模的部署訂單。

盡管大多數生成式 AI 應用并未直接帶來人員編制縮減，但那些已經跨越生成式 AI 鴻溝的組織，開始在客戶服務、軟件開發以及行政職能等領域觀察到局部的人員結構變化。此外，一些表現最優異的企業表示，通過減少對業務流程外包和外部機構的依賴（特別是在后臺運營上），已經實現了可量化的成本節約。還有一些企業提到，通過自動外聯和智能跟進系統，客戶留存率和銷售轉化率均有所提升。這些早期成果表明，具備學習能力的系統，假如能夠聚焦于特定業務流程，那么即使不進行大規模組織架構調整，也能創造實實在在的價值。

生成式 AI 鴻溝的困境：高采用率，低轉化率

大多數組織處于生成式 AI 鴻溝的不利一側：采用率高，但是顛覆性影響低。報告指出，在九個行業中，有七個行業幾乎未出現結構性變革。企業雖在試點生成式AI工具，但是極少能夠推進至部署階段。ChatGPT 等通用工具得到了廣泛應用，而定制化解決方案卻因集成復雜性及與現有工作流程不匹配而陷入停滯。

生成式 AI 鴻溝在行業級轉型模式中最為顯著。盡管存在高調的投資和廣泛的試點活動，但僅有少數組織能夠超越實驗階段，實現實質性的業務轉型。

鴻溝背后的顛覆性現實

盡管生成式 AI 備受關注，但生成式 AI 鴻溝在行業層面表現得尤為明顯。目前，僅科技與媒體這兩大行業顯現出結構性變革的清晰跡象，而其他七個行業仍處于轉型的滯后一側。

盡管有大量的高調投資，但是行業層面的整體轉型依然有限。生成式 AI 雖已廣泛用于支持服務、內容創作與分析場景，但鮮有行業展現出與過去通用技術（如催生新市場領導者、顛覆傳統商業模式或帶來客戶行為的顯著變化）相類似的深層結構性變革。

為了更精準地量化顛覆性影響的現狀，本次報告構建了一個綜合的 AI 市場顛覆指數。每個行業依據五項可觀測指標獲得 0 至 5 分的評分。這些分數代表了五個維度的標準化平均值，數據通過公開指標與訪談評估交叉驗證得出。本次報告還測試了不同的權重分配方案，以便確保行業排名的一致性。 這五個維度分別是：

頭部現有企業的市場份額波動性（2022 年至 2025 年）。2020 年后成立的原生 AI 企業的收入增長情況。AI 驅動的新型商業模式的涌現。歸因于生成式 AI 的用戶行為變化。歸因于 AI 工具的管理層組織架構調整頻率。

圖 | 生成式 AI 的顛覆性影響因行業而異（資料圖）

圖 | 生成式 AI 顛覆性影響說明（資料圖）

在敏感性分析上，本次報告針對五項顛覆性影響指標測試了不同的權重分配方案。在所有合理的權重設置下，科技行業與媒體和電信行業始終保持領先排名，而醫療健康行業和能源行業則始終排名靠后。專業服務行業對權重變化的敏感度最高，其得分區間為 1.2 至 2.1，具體數值取決于對效率提升與結構性變革的側重程度。

在九個主要行業中，有七個行業展現出大量試點活動，但幾乎未出現結構性變革。這種投資與顛覆性影響之間的落差，直接體現了規模化層面的生成式 AI 鴻溝——即廣泛的實驗活動并未帶來轉型成果。

受訪者們的評價直言不諱。一位中型制造企業的首席運營官（COO，Chief Operating Officer）如此概括了人們的普遍看法： “領英上的炒作言論稱一切都已改變，但在我們的實際運營中，根本層面毫無變化。我們只是能更快地處理一些合同，僅此而已。 ”

AI 應用從試點到生產的落地鴻溝

生成式 AI 鴻溝在部署率方面體現得最為明顯，僅有 5% 的企業定制化 AI 工具能夠投入生產使用。聊天機器人之所以能得到應用，是因為它們易于試用且靈活性高，但由于缺乏記憶功能和定制化能力，在關鍵工作流程中往往難以發揮作用。這一根本性差距解釋了為什么大多數企業仍停留在鴻溝的“落后一側”。

本次報告發現，從對生成式 AI 工具與試點的探索，到實際落地實施之間，存在著顯著的斷崖式下降。其中，通用解決方案與定制化方案之間存在明顯差異。

不過研究局限性在于，這些數據基于個人訪談得出，雖然方向上準確，但并非來自企業官方報告。不同類別的樣本量存在差異，而且各個組織對“成功”的定義可能有所不同。

（資料圖）

需要說明的是，對于任務特定型的生成式 AI 工具，本次報告將“成功落地”定義為用戶或管理層認為其對生產力和/或損益產生了顯著且持續影響的工具。

企業 AI 解決方案高達 95% 的失敗率，正是生成式 AI 鴻溝最清晰的體現。滯留在鴻溝“落后一側”的組織，仍在持續投資那些無法適配其業務流程的靜態工具；而成功跨越鴻溝的組織，則聚焦于具備學習能力的系統。

通用大模型在試點到落地階段的轉化率看似較高（約 83%）。然而，這一數據掩蓋了其在實際感知價值上的深層差異，也揭示了為何大多數企業仍深陷于生成式 AI 鴻溝的落后一側。

在企業用戶的訪談中，他們對 ChatGPT 和 Copilot 等消費級工具普遍給出了積極評價。這些系統因其靈活性、易用性以及立竿見影的實用性而備受稱贊。然而，同樣是這些用戶，卻對定制化 AI 工具或供應商推銷的 AI 系統普遍持懷疑態度，認為它們過于僵化、設計過度復雜，或與實際業務流程脫節。

正如一位首席信息官（CIO，Chief Information Officer）所言：“今年我們看了幾十場演示，可能只有一兩個真正有用，其余要么是套個殼子，要么就是科研項目。”

盡管熱情和預算通常足以啟動試點項目，但將其轉化為具有持續價值的工作流集成系統卻依然罕見，這一模式正是處于生成式 AI 鴻溝不利一側的組織所面臨的典型困境。

需要說明的是，本次報告所定義的“企業”指年收入超過 1 億美元的公司，這類企業在試點項目數量上處于領先地位，且為 AI 相關舉措投入了更多人力。然而，這種投入強度并未轉化為成功，這些組織的試點項目規模化轉化率在所有類別中最低。

相比之下，中型市場企業行動更為迅速且決策果斷。那些表現優異的中型企業報告稱，從試點到全面落地平均僅需 90 天；而相比之下，大型企業則平均耗時九個月甚至更久。

基于此，本次報告指出了企業使用生成式 AI 的五大誤區：

誤區一：人們認為 AI 將在未來幾年取代大多數工作崗位。

事實上，研究發現，生成式 AI 導致的裁員情況有限，且僅發生在已受 AI 顯著影響的行業中。對于未來 3-5 年的招聘規模，高管們尚未達成共識。

誤區二：生成式 AI 正在改變商業。

事實上，應用率雖高，但轉型卻非常罕見。僅有 5%的企業已將 AI 工具大規模集成到工作流程中，且 9 個行業中有 7 個未出現真正的結構性變革。

誤區三：企業在采用新技術方面行動遲緩。

事實上，企業對采用 AI 的意愿極高，90%的企業已認真考慮購買 AI 解決方案。

誤區四：阻礙 AI 發展的最大因素是模型質量、法律、數據和風險問題。

事實上，真正阻礙其發展的是，大多數 AI 工具既不具備學習能力，也無法很好地融入工作流程。

誤區五：最優秀的企業都在自主開發工具。

事實上，內部開發的失敗率是其他方式的兩倍。

“影子 AI 經濟”：跨越生成式 AI 鴻溝的橋梁

盡管企業官方發起的 AI 計劃仍被困在生成式 AI 鴻溝的不利一側，但員工已通過個人 AI 工具跨越了這一鴻溝。這種“影子AI”往往能比正式計劃帶來更高的投資回報率，也揭示了真正能有效跨越鴻溝的方法。

企業部署數據不盡如人意的背后，隱藏著一個令人意外的現實：AI 其實已在改變工作方式，只是并非通過官方渠道。本次報告發現了一個蓬勃發展的“影子 AI 經濟”——員工們利用個人的 ChatGPT 賬戶、Claude 訂閱服務及其他消費級工具，將工作中的大量內容實現自動化，而這往往無需具備 IT 知識，同時也未獲得企業官方批準。

然而，其規模令人矚目。盡管僅有 40% 的公司表示購買了官方的大模型訂閱服務，但在本次報告調查的公司中，超過 90% 的員工報告稱會定期使用個人 AI 工具處理工作任務。事實上，幾乎每個人都會以某種形式在工作中使用大模型。

圖 | 影子 AI 經濟，員工使用率遠超官方采用率（資料圖）

在許多情況下，使用“影子 AI”的員工表示，他們每周的工作日中幾乎每天都會多次通過個人工具使用大模型，而他們所在企業的官方 AI 項目卻仍停滯在試點階段。

這一“影子 AI 經濟”的現象表明，只要能為員工提供靈活、響應迅速的工具，個人完全有能力成功跨越生成式 AI 鴻溝。而那些能夠洞察這一趨勢并加以利用的企業，正是未來企業級 AI 應用普及的方向所在。

具有前瞻性思維的組織正開始彌合這一差距：它們從“影子 AI”的使用情況中學習經驗，先分析哪些個人工具能產生價值，再采購對應的企業級替代方案。

投資模式反映鴻溝差異

報告指出，投資分配揭示了生成式 AI 鴻溝的真實表現，盡管 50% 的生成式 AI 預算流向了銷售與市場部門，但后臺自動化往往能帶來更高的投資回報率。這種偏向反映的只是指標歸因更簡單，而非實際價值更高，結果導致企業持續聚焦于錯誤的優先事項。

在功能側重點方面，生成式 AI 工具的投資呈現高度集中的特點。由于各個組織尚未對生成式 AI 支出進行正式量化，因此本次報告讓高管們將一筆假設性的 100 美元分配到不同功能領域。在本次報告的調查中，銷售和營銷功能占據了各家組織 AI 預算分配的大約 70%。

圖 | 按功能劃分的生成式 AI 投資分布（資料圖）

盡管在高管訪談中，生成式 AI 投資的總體功能分配（例如約 50% 流向銷售與市場部門）相對一致，但細分領域以及具體用例的劃分，至多可被視為方向性參考。這些細分項是基于綜合訪談記錄與案例模式歸納得出的，而非精確的財務核算結果。企業類型對投資分布有著顯著影響：例如，制造商和醫療健康機構通常對銷售與市場部門的投入極少，而更傾向于將資金重點投向運營領域；科技與媒體公司則往往優先考慮營銷、內容創作及開發者效率工具；專業服務機構則更偏向于文檔自動化及法律合規類工具。

銷售與市場部門之所以占據主導地位，不僅因為其成果更顯眼可見，更因為其成效更容易衡量。諸如產品演示數量或郵件響應時間等指標，能直接與董事會層面的關鍵績效指標掛鉤。

相比之下，法律、采購和財務領域帶來的效率提升則更為隱蔽。這些提升包括合規違規情況減少、工作流程簡化、月末結算流程提速等，這些成果雖至關重要，卻難以在高管會議或投資者更新報告中清晰體現。

一家《財富》1000 強制藥企業負責采購的副總裁清晰地表達了這一挑戰：“如果我購買一款工具來幫助團隊提升工作效率，該如何量化這種影響？當它無法直接拉動收入或降低可衡量的成本時，我又該如何向 CEO 證明這筆支出的合理性？我或許可以說它能幫助我們公司的科學家更快獲得所需工具，但這與最終的利潤影響之間還隔著好幾層關聯。”

這種投資上的偏向加劇了生成式 AI 鴻溝的存在，資源被投向那些關注度高但變革性往往較弱的用例，而后臺職能中具有最高投資回報率的機會卻仍面臨資金不足的問題。

除了衡量難題之外，信任與社會認同仍然是采購決策中的關鍵因素。一家大型消費品公司的采購負責人道出了許多采購決策者面臨的共同困境：“我每天都會收到無數封郵件，聲稱能提供最優質的生成式 AI 解決方案。有些方案的演示效果令人印象深刻，但建立信任才是真正的難題。面對收件箱中泛濫的各類選擇，我們在很大程度上依賴同行的推薦和人脈網絡的介紹。”

這凸顯了一個更普遍的現象：僅靠產品質量往往遠遠不夠。在企業采用決策中，推薦介紹、既往合作關系以及風投引薦，比產品功能或特性組合更能決定最終結果。

AI 試點為何停滯：技術鴻溝背后的認知斷層

導致組織停留在生成式 AI 鴻溝不利一側的主要因素是學習差距、工具無法學習、集成性差，或與工作流程不匹配。用戶會傾向于使用 ChatGPT 處理簡單任務，但在關鍵工作中卻會放棄它，原因在于其缺乏記憶功能。目前缺失的是具備自適應、記憶和進化能力的系統，而這些能力正是區分鴻溝兩側的關鍵所在。

困住組織的重重障礙

最主要的障礙反映出定義生成式 AI 鴻溝的根本性學習差距，用戶會抵制那些無法自適應的工具，模型的輸出質量在沒有上下文時就會變差，而當系統不具備記憶能力時，用戶體驗也會大打折扣。即便是熱衷于使用 ChatGPT 的用戶，對于那些無法達到其期望的內部生成式 AI 工具也往往心存疑慮。

為了弄清楚為何如此多的生成式 AI 試點項目停留在實驗階段而無法推進，本次報告對 52 家組織的高管發起者和一線用戶均進行了調查。參與者需對常見的規模化障礙按發生頻率從 1 到 10 分進行評分，其中 10 分代表最常遇到的障礙。

結果顯示，一個可預見的主要障礙是：對采用新工具的抗拒。然而，排名第二的障礙其影響程度遠超預期。

（資料圖）

需要說明的是，這些分數反映的是本次報告中的障礙發生頻率，而非對障礙影響程度的客觀衡量，而且可能因行業和組織規模的不同而存在顯著差異。

報告指出，隨著 ChatGPT 及類似工具的消費端采用率的激增，超過 40% 的知識工作者已經在個人化層面使用 AI 工具，但正是這些將 AI 融入個人工作流的用戶，在企業系統中遭遇同類工具時卻認為其不可靠。這種悖論揭示了生成式 AI 在用戶層面的應用鴻溝。

這一偏好揭示了一個根本性的矛盾：那些日常在個人工作中頻繁使用 ChatGPT 的專業人士，在企業場景中卻要求 AI 具備學習和記憶能力。大量員工已經在私下使用 AI 工具，并報告稱其提升了工作效率，而企業內部的正式 AI 項目卻進展緩慢。這種“影子使用”行為形成了一個反饋循環。員工已經體驗過優質 AI 帶來的便利，因此對僵化不變的企業級工具容忍度更低。

為何通用工具既占優勢也存短板

如前所述，生成式 AI 鴻溝也體現在了用戶偏好上，即便 ChatGPT 與企業工具使用的模型相似，前者仍憑借更優質、更快捷、更易上手的特點勝過企業工具。但這種偏好也揭示了為何組織會被困在鴻溝的不利一側。

本次報告的后續訪談揭示了一個顯著的矛盾：那些對企業 AI 工具持懷疑態度的專業人士，往往卻是消費級大模型的重度使用者。當被要求對比兩種使用體驗時，三個一致的主題浮現出來。

（資料圖）

一家中型律所的公司法務就體現了這種情況。她所在的機構斥資 5 萬美元購買了一款專業的合同分析工具，但她在起草工作中卻始終默認使用 ChatGPT，其表示： “我們購買的 AI 工具生成的摘要刻板生硬，定制化選項也十分有限。而使用 ChatGPT 時，我可以引導對話并反復調整，直到得到完全符合需求的結果。兩者在質量上的根本差異顯而易見。盡管供應商聲稱使用的是相同的底層技術，但 ChatGPT 生成的輸出內容始終更優質。”

這種現象表明，一款每月 20 美元的通用工具往往比成本高出幾個數量級的定制化企業系統表現更優，至少在即時可用性和用戶滿意度方面是如此。這一矛盾恰恰解釋了為何大多數組織仍停留在生成式 AI 鴻溝的不利一側。

定義鴻溝的學習差距

ChatGPT 自身的局限性恰恰揭示了生成式 AI 鴻溝背后的核心問題，它無法記住上下文、不會學習，也無法自我進化。在關鍵任務型工作中，90% 的用戶仍更傾向于選擇人工處理。這一差距是結構性的：即生成式 AI 缺乏記憶能力和適應能力。

基于用戶對消費級大模型的偏好，本次報告深入探究了阻礙關鍵任務工作廣泛采用該技術的核心因素。研究發現，這些障礙截然不同于一般的可用性問題，也直接揭示了造成生成式 AI 鴻溝能力斷層的原因所在。

圖 | 核心工作流程集成的障礙（資料圖）

那位偏愛使用 ChatGPT 進行初稿起草的律師，在涉及敏感合同時劃下了明確界限： “它在頭腦風暴和初稿起草方面表現出色，但無法記住客戶的偏好，也不能從之前的修改中學習。它會重復同樣的錯誤，而且每次使用都需要輸入大量背景信息。對于處理高風險工作來說，我需要一個能夠積累知識并不斷改進的系統。”

這一反饋揭示了導致企業停留在生成式 AI 鴻溝落后一側的根本性學習差距：用戶雖然欣賞消費級大模型的靈活性和響應速度，但更需要當前工具所無法提供的持久記憶能力與上下文感知能力。

當本次報告讓企業用戶對高風險工作的不同工具選項進行評分時，偏好層級變得清晰起來。

（資料圖）

結果顯示，AI 已能在簡單工作的競爭中勝出：70% 的受訪者更傾向于用 AI 起草郵件，65% 更傾向于用其進行基礎分析。但對于任何復雜或長期的工作，人類以 9：1 的壓倒性優勢占據主導地位。兩者的分界線并非智力，而是記憶、適應性和學習能力，這些也正是劃分生成式 AI 鴻溝兩側的核心特征。

智能體 AI（Agentic AI）是一類通過設計嵌入持久記憶與迭代學習能力的系統，它直接填補了定義生成式 AI 鴻溝的學習差距。與當前每次使用都需要完整上下文的系統不同，智能體系統能夠保持持久記憶、從交互中學習，并且可以自主協調復雜的工作流程。企業在多個領域的早期實驗已證明，自主性與記憶能力可以填補企業面臨的核心差距：例如能夠端到端處理完整咨詢服務的客戶服務智能體、監控并審批常規交易的財務處理智能體，以及跨渠道追蹤客戶互動的銷售線索智能體。

（資料圖）

跨越生成式 AI 鴻溝：頂尖實踐者如何成功突圍

處于生成式 AI 鴻溝正確一側的企業，都秉持著一種共同的策略：它們構建的是能夠自適應、深度嵌入業務流程，并能從用戶反饋中不斷學習的系統。而那些成功跨越鴻溝的優秀初創企業，往往聚焦于細分但高價值的特定應用場景，深度融入用戶工作流，并通過持續學習實現擴展，而非依賴大而全的功能堆砌。在這些成功案例中，領域專業度與工作流融合能力，遠比華而不實的用戶界面更重要。

在本次報告的訪談中，報告作者們觀察到生成式 AI 初創企業之間的差距正日益擴大。一些企業仍固守過時的軟件即服務（SaaS，Software as a Service）運營模式，困在鴻溝的不利一側；而另一些企業則通過深度定制化服務以及與實際業務痛點的精準對接，成功吸引了企業客戶的關注。

市場對生成式 AI 工具的需求依然旺盛。多家初創企業報告稱，它們在短短數日內便簽下試點項目，隨后很快實現了七位數的營收運行率（即年收入達百萬美元級別）。表現最為突出的企業，并非那些開發通用型工具的公司，而是那些能夠深度嵌入業務流程、根據具體場景靈活適配，并從細分但高價值的切入點實現規模化擴張的團隊。

本次報告也用數據揭示了一個清晰的模式：取得成功的組織和供應商，都是那些積極解決學習、記憶和工作流程適配問題的主體；而遭遇失敗的，則要么是在開發通用工具，要么是試圖在內部自行開發相關能力。

成功的初創企業所構建的系統能夠從反饋中學習（66% 的高管有此需求）、保留上下文信息（63% 的高管要求具備這一功能），并能深度定制以適配特定工作流程。它們從工作流程的邊緣環節入手，進行大量定制化開發，隨后再逐步拓展至核心流程。

企業真正想要的是什么：跨越鴻溝的橋梁

最成功的供應商深知，要想跨越生成式 AI 鴻溝，關鍵在于構建高管們反復強調的那種系統：這種 AI 系統不僅能生成內容，還能在其所處環境中不斷學習和改進。在評估 AI 工具時，采購方始終強調一系列特定的優先考量因素。本次報告對訪談中的這些主題進行了編碼，以便量化它們在采購決策中出現的頻率：

（資料圖）

（資料圖）

本次報告指出，人們對于員工隊伍影響的擔憂遠低于預期。大多數用戶對自動化持歡迎態度，尤其是針對繁瑣的手工任務，前提是數據安全有保障且成果可衡量。

盡管傳統觀念認為企業會抵制訓練 AI 系統，但在本次報告的訪談中，大多數團隊表示愿意這樣做，前提是能明確看到收益且有相應的保障措施。

盡管企業對 AI 抱有興趣，但卻對新興供應商存在明顯的疑慮，尤其是在高信任度或受監管的工作流程中。許多采購負責人告訴本次報告的作者們，他們會忽略大多數初創企業的推銷，無論其創新程度如何。

某全球消費品集團采購負責人表示：“我們每天都會收到數十份關于 AI 驅動的采購工具的推銷，但我們長期合作的業務流程外包合作伙伴已經熟知我們的政策和流程。相比轉向未知供應商，我們更有可能等待前者推出 AI 增強版本。”

跨越鴻溝的成功策略指南

成功跨越生成式 AI 鴻溝的初創企業，往往先在細分工作流中取得小型但可見的成果，再逐步擴展。那些部署門檻低、價值實現速度快的工具，其表現優于傳統重型企業級解決方案。而渠道推薦與同行信任，是跨越這一鴻溝的關鍵增長杠桿。那些最成功的初創企業通過實施兩項策略，既滿足了企業對學習型系統的需求，又化解了其對新工具的疑慮。

一方面，要為特定工作流程定制化開發。先將工具嵌入非核心或相鄰流程并進行深度定制，通過展現明確價值后再逐步擴展至核心業務流程。那些取得成功的工具都具備兩大共性：配置簡便、價值立現。與之形成鮮明對比的是，那些需要企業進行大量定制的 AI 工具，往往止步于試點階段。

本次報告的樣本中的成功類別包括：用于通話總結與轉接的語音 AI、用于合同和表單的文檔自動化、用于重復性工程任務的代碼生成。而表現不佳的類別往往涉及復雜的內部邏輯、不透明的決策支持，或基于專有啟發法的優化。由于企業內部需求的高度特異性，這些工具常常在推廣應用時遭遇阻力。

一些初創企業通過主導規模雖小但至關重要的工作流程（尤其在銷售和營銷領域）脫穎而出，隨后逐步拓展業務。排名前 25% 的生成式 AI 初創企業在產品推出后的 6 至 12 個月內，年化收入便能達到 120 萬美元。

（資料圖）

另一方面，要利用推薦人脈網絡。為了克服信任壁壘，成功的初創企業通常會與系統集成商建立渠道合作伙伴關系，借助董事會成員或顧問的采購推薦，以及通過企業熟悉的市場進行分銷。

圖 | 高管們如何發現生成式 AI 解決方案（資料圖）

跨越鴻溝的窗口期正在收窄

本次報告指出，跨越生成式 AI 鴻溝的時間窗口正在迅速收窄。企業正加速鎖定具備學習能力的工具。具備自主智能（Agentic AI）與記憶框架的解決方案，將決定哪些供應商能夠幫助組織成功跨越鴻溝，而哪些會讓企業繼續困在落后一側。

企業對能夠隨時間推移不斷適應的系統需求日益增長。微軟 365 Copilot 和 Dynamics 365 正整合持久記憶功能和反饋循環。OpenAI 的 ChatGPT 記憶測試版也表明，通用型工具領域存在類似的需求預期。

能夠迅速采取行動填補這一差距的初創企業，通過構建能從反饋、使用情況和結果中學習的自適應智能體，可以憑借數據積累和深度集成建立持久的產品護城河。而實現這一點的窗口期十分狹窄。在許多垂直領域，相關試點項目已在推進當中。

支持這一轉型的基礎設施正通過模型上下文協議（MCP，Model Context Protocol）、智能體間協議（A2A，Agent-to-Agent）和網絡化智能體與去中心化架構（NANDA，Networked Agents And Decentralized Architecture）等框架逐步形成，這些框架實現了智能體的互操作性與協同能力。通過允許專用智能體協同工作而非依賴單體系統，這些協議促進了市場競爭并提升了成本效益。同時，這些框架構成了新興的“智能體網絡（Agentic Web）”的基礎，因為這是一個由可互操作的智能體和協議組成的網絡，它用動態協同層取代了單體應用程序。

未來幾個季度，一些企業將鎖定與供應商的合作關系，而這些合作關系此后幾乎無法輕易解除。18 個月的時間窗口，是本次報告的作者們訪談了 17 位采購與 IT 資源采購負責人后達成的共識，并得到了公開采購信息披露的分析支持。數據顯示，企業從發出需求建議書到實際落地實施的周期通常為 2 至 18 個月。那些投資于能夠從自身數據、工作流程和反饋中學習的 AI 系統的組織，其切換成本正在以月為單位不斷累積。

某 50 億美元規模金融服務公司的 CIO 表示：“我們目前正在評估五種不同的生成式 AI 解決方案，但最終能贏得我們業務的，將是最能學習并適應我們特定流程的系統。一旦我們投入時間培訓某個系統來理解我們的工作流程，轉換成本就會高到令人望而卻步。”

跨越生成式 AI 鴻溝：卓越采購者如何取得成功

成功跨越生成式 AI 鴻溝的組織，其 AI 采購方式也是截然不同的：它們表現得像業務流程外包客戶，而非軟件即服務（SaaS，Software as a Service）消費者。這些組織要求深度定制化服務，從一線推動技術采用，并讓供應商對業務指標負責。最成功的采購者明白，跨越這一鴻溝需要的是合作關系，而非僅僅是采購行為。

在本次報告的訪談中，一個觀點十分明確：最高效的 AI 采購組織不再等待完美的用例或集中式審批。相反，它們通過分布式實驗、供應商合作以及明確的問責機制推動技術采用。這些采購者不僅更為積極主動，而且在戰略上更具適應性。

在本次報告的樣本中，與具備學習能力的定制化工具開展外部合作時，部署成功率約為 67%，而內部自建工具的部署成功率約為 33%。盡管這些數據基于自我報告的結果，可能未涵蓋所有混雜變量，但這種差異程度在受訪者中表現一致。

這種差距解釋了為何 ChatGPT 在臨時任務中占據主導地位，卻在關鍵工作流程中表現不佳；也解釋了為何通用型企業工具會同時輸給消費級大模型和深度定制化的替代方案。

跨越鴻溝的組織設計

本次報告指出，合適的組織結構是跨越生成式 AI 鴻溝的關鍵。戰略性合作的成功率是內部自建的兩倍。成功的關鍵不在于資源多寡，而在于通過明確的權責劃分實現權力下放。

跨越生成式 AI 鴻溝的主要障礙并非技術整合或預算問題，而是組織設計。本次報告的數據顯示，企業成功的關鍵在于將實施權力下放的同時，保留明確的問責機制。

與此同時，本次報告觀察到三種主要的生成式 AI 實施團隊結構，其結果存在顯著差異，而這些差異也反映了不同組織在跨越鴻溝進程中的不同站位。

（資料圖）

這些百分比數據基于本次報告對 52 家組織的訪談樣本，可能無法代表更廣泛的市場模式。因為不同組織對“成功”的定義存在差異，且本次報告的觀察期可能無法捕捉長期實施之后的趨勢。

這些成功率差異可能不僅反映實施方法的不同，還與組織能力相關。選擇外部合作的組織與選擇內部自建的組織相比，可能在風險承受能力、采購成熟度或內部技術能力方面存在差異。外部合作與成功之間的相關性并不一定意味著因果關系。

已有研究發現，戰略性合作的成功部署比例顯著高于內部開發。盡管在本次報告的樣本中，自研舉措的數量遠多于外采舉措（更多組織在探索內部開發），但外部合作的成功率更高。雖然本次報告缺乏關于項目總數量的精確數據，但這一模式表明，盡管內部開發嘗試更為普遍，但其成功率明顯更低。

盡管組織通常會結合多種方式，但通過戰略性合作開展的試點項目成功實現全面部署的可能性是內部自建項目的 2 倍。更值得注意的是，外部開發工具的員工使用率幾乎是內部工具的兩倍。

這類合作往往能帶來更快的價值實現速度、更低的總成本，以及與業務流程更好的適配性。企業無需承擔從零開始構建的額外成本，同時仍能獲得定制化解決方案。因此，理解這一模式的組織能更有效地跨越生成式 AI 的鴻溝。

跨越鴻溝的采購者實踐

在訪談中，成功跨越生成式 AI 鴻溝的組織呈現出一個一致的模式：卓越的采購者不再將 AI 初創企業僅僅視為軟件供應商，而是更多地當作業務服務提供商，并用更接近咨詢公司或業務流程外包服務商的標準對其進行考核。這些組織具體表現為：

要求根據內部流程和數據進行深度定制。以運營成果而非模型基準作為工具的考核標準。在早期試錯中開展合作，將部署視為共同演進的過程。從一線管理者而非中央實驗室獲取 AI 需求。

在最后一種模式中，一線執行者和團隊管理者往往發揮著關鍵作用。許多最成功的企業級部署都始于“超級用戶”，即那些早已嘗試使用 ChatGPT 或 Claude 等工具提升個人生產力 的員工。這些“產消者”憑著直覺去理解 AI 的能力與局限，并成為內部認可解決方案的早期倡導者。成功的組織并非依賴集中式 AI 部門來識別用例，而是允許預算負責人和業務領域管理者提出問題、審核工具并主導推廣。這種自下而上的需求來源，再加上高管層面的問責機制，在加速技術采用的同時，也確保了與業務運營的適配性。

真正的投資回報率所在：跨越鴻溝之后

那些成功跨越生成式 AI 鴻溝的企業發現，投資回報率往往在那些被忽視的職能部門（如運營和財務）中最高。真正的收益并非來自裁員，而是通過取代業務流程外包和外部機構來實現。前臺工具固然備受關注，但后臺工具才是降本增效的主力軍。

盡管據高管們估算，約 50% 的 AI 預算流向了銷售與市場營銷（理論預估），但本次報告記錄到的一些最顯著的降本成效實際上來自后臺自動化。雖然前臺工具帶來的效益顯而易見、也更受董事會青睞，但后臺部署往往具有更快的投資回收期和更清晰的成本節約效果。

值得注意的是，這些收益的實現并未伴隨大規模裁員。工具提升了工作效率，但并未改變團隊架構或預算配置。投資回報主要來源于外部支出的減少，包括取消業務流程外包合同、削減機構服務費用，以及用 AI 驅動的內部能力替代昂貴的外部顧問。

這一規律表明：盡管銷售與市場營銷吸引了大部分關注與投資，但對于那些愿意跳出常規應用場景、真正跨越生成式 AI 鴻溝的企業而言，后臺自動化反而可能帶來更顯著、更可持續的回報。

跨越生成式 AI 鴻溝：頂尖采購者如何成功

生成式 AI 已經開始對勞動力產生影響，這種影響主要體現為對先前外包職能的選擇性替代以及招聘模式的受限，而非大規模裁員。那些成功跨越生成式 AI 鴻溝的組織，在實現可量化的外部成本降低的同時，內部員工數量略有減少。

就替代模式與組織戰略而言，本次報告指出生成式 AI 驅動的勞動力縮減主要集中在傳統上被視為非核心業務活動的職能領域：客戶支持運營、行政處理以及標準化開發任務。由于這些崗位此前處于外包狀態且流程標準化程度高，在 AI 應用之前就已顯現出脆弱性。高管們不愿透露因 AI 導致的裁員規模，但在這些公司中客戶支持運營和行政處理崗位的裁員比例在 5% 至 20% 之間。特定行業的招聘預期與生成式 AI 的影響模式存在明顯關聯。在 AI 引發結構性破壞較小的行業（如醫療健康、能源、高端制造業），大多數高管表示目前及未來五年內均無裁員計劃。少數高管提到可能會減少招聘，但也承認目前尚未建立相應系統，無法準確預測裁員的時間和領域。例如，醫療健康行業的高管明確表示，不會減少對醫生或臨床醫護人員的招聘。相反，在生成式 AI 已展現出可量化影響的科技和媒體行業，超過 80% 的高管預計將在 24 個月內減少招聘量。這種動態變化仍集中在先進的 AI 采用者中，且僅存在于當前正經歷生成式 AI 顯著沖擊的科技行業和媒體行業。

本次報告還發現了不斷演變的招聘標準與技能要求。生成式 AI 的采用導致各組織形成了差異化的招聘策略。盡管高管們在入門級崗位或一般性招聘規模上尚未達成共識，但他們一致強調，AI 素養已成為一項基本能力要求。這反映出組織層面的共識：AI 應用能力是工作流程優化中的一項競爭優勢。 某中型制造企業運營副總裁表示：“我們的招聘策略優先考慮具備 AI 工具應用能力的候選人。在這一能力上，應屆畢業生往往超過資深職場人士。”

就未來勞動力影響預測而言，麻省理工學院“冰山計劃”（Project Iceberg）的分析為潛在的自動化風險暴露程度提供了量化依據。首先，當前的自動化潛力占美國勞動力價值的2.27%；其次，潛在自動化風險已經暴露，大約涉及 2.3 萬億美元的勞動力價值，影響 3900 萬個崗位。隨著 AI 系統逐步具備持久記憶、持續學習和自主工具集成能力，這些正是跨越生成式 AI 鴻溝的核心特征，這種潛在的自動化風險暴露將轉化為實際可操作的現實。 可以說，勞動力轉型將逐步發生，而非通過離散的替代事件實現。在 AI 系統具備情境適應能力和自主運行能力之前，組織層面受到的影響將主要體現為外部成本優化，而非內部結構重組。

超越智能體：智能體網絡（Agentic Web）

超越單個 AI 智能體的下一個演進階段是智能體網絡（Agentic Web）。在這一網絡中，自主系統能夠在整個互聯網基礎設施中實現發現、協商與協同，從根本上改變業務流程的運作方式。

推動這一轉型的基礎設施基礎已開始通過模型上下文協議（MCP，Model Context Protocol）、智能體到智能體（A2A，Agent-to-Agent）以及 NANDA 等協議逐步顯現。這些協議不僅支持智能體的互操作性，還能實現自主網絡導航。在智能體網絡中，系統將自主發現最優供應商并評估解決方案，無需人工調研；實時建立動態 API 集成，無需預先構建連接器；通過區塊鏈支持的智能合約執行無需信任中介的交易；并開發跨多個平臺和組織邊界實現自我優化的新興工作流。

早期實驗顯示，采購智能體能夠獨立識別新供應商并協商條款，客戶服務系統可跨平臺無縫協同，內容創作工作流能整合多個服務提供商并實現自動化質量保障與支付。這標志著從如今人工介導的業務流程向自主系統的根本性轉變，這些自主系統將在整個互聯網生態中運行，遠遠超越當前的生成式 AI 鴻溝，從而能夠重塑組織在網絡經濟中發現、整合與交易的方式。

跨越生成式 AI 鴻溝

本次報告指出，那些成功跨越生成式 AI 鴻溝的企業在三個關鍵點上采取了不同的做法：它們選擇采購而非自主開發，賦能一線管理者而非僅依賴中央實驗室，同時選用那些能夠深度集成且能隨時間不斷適應的工具。最具前瞻思維的企業，已經開始嘗試使用具備自主能力的智能系統，這些系統能在明確邊界內自主學習、記憶并采取行動。

這一轉變不僅意味著工具的更迭，更預示著“智能體網絡”（Agentic Web）的崛起——這是一個持久存在、相互關聯的學習系統層，能夠在不同供應商、領域與界面之間實現協同。當今的企業技術棧由各自孤立的 SaaS 工具和靜態工作流構成，而智能體網絡則將其取而代之，代之以能夠協商任務、共享上下文并協調跨企業行動的動態智能體。

正如最初的萬維網實現了出版與商業的去中心化，智能體網絡（Agentic Web）則推動行動的去中心化——從依賴提示詞轉向基于自主協議的協同機制。諸如 NANDA、MCP 和 A2A 等系統，正是這一網絡的早期基礎設施，它們讓企業能夠不再依賴代碼，而是通過智能體的能力與交互來編排工作流。隨著企業從 2026 年起逐步鎖定供應商關系與反饋閉環，生成式 AI 鴻溝的跨越窗口正迅速收窄。下一波技術采納浪潮的贏家，將不再是那些最炫目的模型，而是那些具備學習與記憶能力的系統，或是為特定流程量身定制的解決方案。

從自主開發轉向采購的趨勢，加上專業消費者應用的興起以及智能體能力的出現，為那些能夠提供具備學習能力、深度集成的 AI 系統的供應商創造了前所未有的機遇。那些能夠識別這些趨勢并順勢而為的組織與供應商，將在“后試點”AI 經濟中確立主導地位，成功站上生成式 AI 鴻溝的正確一側。

對于目前仍被困在鴻溝錯誤一側的組織而言，前進的道路已然清晰：停止投資那些需要持續人工指令的靜態工具，開始與提供定制化系統的供應商合作，并將重點放在工作流集成上，而非追求花哨的演示效果。生成式 AI 鴻溝并非永恒存在，但跨越它需要在技術、合作伙伴關系和組織設計方面做出根本性的不同選擇。

參考資料：

報告PDF：https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/

https://www.reddit.com/r/singularity/comments/1mtvswh/mit_report_95_of_generative_ai_pilots_at/

https://futurism.com/ai-industry-nvidia-stock

https://futurism.com/ai-agents-failing-companies

https://www.tomshardware.com/tech-industry/artificial-intelligence/95-percent-of-generative-ai-implementations-in-enterprise-have-no-measurable-impact-on-p-and-l-says-mit-flawed-integration-key-reason-why-ai-projects-underperform

https://thehill.com/policy/technology/5460663-generative-ai-zero-returns-businesses-mit-report/

https://gizmodo.com/the-ai-report-thats-spooking-wall-street-2000645518

運營/排版：何晨龍