过去很长一段时间，企业圈谈论 AI，话题永远绕不开怎么投钱，选什么大模型，快速落地多少试点项目。仿佛跑得越快，投入越多，就能稳稳拿到 AI 带来的红利。可潮水退去，不少人才猛然惊醒，试点项目热闹非凡，真正嵌入日常业务之后，一堆此前被忽略的现实难题全部冒了出来。AI 给出错误决策该谁担责，依赖的外部模型突然关停业务该如何运转，大把资金花出去，到底换来了多少实际收益，这些问题正在拷问每一家正在推进 AI 转型的企业。
调研显示，全球企业未来 12 个月的 AI 计划平均投资额已经上涨至 2.1 亿美元。区域之间的 AI 成熟度差距正在快速收窄，年初美洲地区 AI 规模化落地比例遥遥领先，和其他地区存在 16 个百分点差距，到第三季度，这个差距已经压缩到 8 个百分点。美洲有 64% 企业实现 AI 规模化，亚太占比 61%，欧洲、中东及非洲地区达到 56%。
这个变化释放出一个很现实的信号。AI 赛道的竞争逻辑已经悄然改写。单纯抢先入局，早早布局 AI，已经不能再给企业带来足够的竞争优势。比起步早晚更重要的，是能不能把已经部署的 AI 管好、用好。很多企业熬过了试点阶段，把 AI 铺到业务流程当中，才发现真正的考验才刚刚开始。技术本身不再是最大门槛，问责机制、系统韧性、投入产出的核算，这些偏管理层面的能力，拉开了企业之间的最终差距。
不少企业已经开始搭建一套叫做 AI 管控层的基础设施，简单来讲，它相当于架在大模型和业务工作中间的一道关卡。调研显示，全部受访企业当中，有 55% 已经搭建正式的 AI 管控层。那些已经拿到稳定业务回报的成熟企业，这一比例直接飙升至 86%。但这套系统的建设，出现了很明显的轻重失衡现象。
大家优先补齐的是安全身份校验、数据权限管控、AI 输出内容监控、成本统计这类基础防守功能，占比普遍超过三成。而用来分配任务、把不同工作匹配给最合适模型的模型路由功能，仅有 23% 企业完成部署。通俗来说，多数企业先建好一扇门，用来拦住风险，却没有搭建好内部调度的转接枢纽。可以允许 AI 上线运行，却没办法高效指挥不同模型分工协作，AI 的潜力自然很难完全释放。
权责划分的缺口同样肉眼可见。当 AI 参与业务决策，一旦结果出错，到底谁来承担后果，这件事不能模糊处理。调研显示，仅有 53% 的企业把 AI 相关决策的最终责任，落实到高管层及以上岗位。其中 35% 指定专门负责人，比如首席 AI 官、首席信息官，18% 把权责交给 CEO 或者高管委员会。剩下接近一半企业，并没有明确的责任人。
管控工具已经上线，但没有具体的人为此负责，再完善的制度也只会停留在纸面。一旦 AI 输出内容造成业务损失，就容易出现互相推诿。同时 AI 智能体正在快速走进职场，员工大规模使用 AI 智能体的企业占比从今年第一季度 25% 上涨到 34%。处在不同发展阶段的企业，员工接受度差距巨大，已经实现稳定回报的企业，48% 员工大规模使用 AI 智能体，尚在实验阶段企业，这个数字只有 15%。
当企业深度依赖 AI 之后，新的风险浮出水面。网络安全风险、模型主权、第三方服务商依赖，原本被当成三件独立的事情，现在全部指向同一个核心，那就是业务连续性。如果合作的服务商修改协议，核心模型停止对外服务，企业的业务能不能继续运转下去，这是所有规模化使用 AI 的企业都必须回答的问题。
调研显示，处在实验阶段的企业，只有三分之一把网络安全视作 AI 推进过程中的阻碍。但已经拿到稳定回报的成熟企业，半数高管都把网络安全列为主要障碍。预算分配也能体现认知差距，71% 成熟企业会把 AI 预算划拨一部分给到网络和数据安全，尚在实验阶段企业，该比例仅 36%。多数企业都在调整自身网络安全模式应对 AI 带来的新型威胁，但大部分初级企业只做到监控风险，没有落地对应的操作流程。
模型主权也正式走进企业正式决策流程。调研显示，21% 企业拥有一套定期复盘更新的全企业模型主权战略，另外 51% 企业会在大部分或者部分项目当中，套用正式评判标准。真正因为主权顾虑，放缓 AI 落地节奏的企业，仅仅占 8%。也就是说，多数企业不会因为顾虑外部依赖就停下脚步，但已经会把这部分风险放进前期决策。成熟企业会主动选用多家模型和服务商分散风险，减少把命运交到单一供应商手上，而实验阶段企业，依旧更容易高度依赖单一外部模型。
最扎心的，是 AI 投入和价值评估之间巨大断层。调研显示，89% 企业都表示自己已经拿到可衡量的 AI 业务价值。61% 企业会在 AI 项目审批环节审核成本，59% 企业会在系统运行过程当中持续监控开销。大家都能清清楚楚看见 AI 每个月烧掉多少钱，可只有 12% 企业，可以持续对照业务产出，评估每一笔 AI 花费到底值不值得。
即便很多企业看得见账单，却算不清回报。这种现象在行业内十分普遍，很多团队可以汇报 AI 的使用率、调用次数，却讲不清楚这些开销，究竟帮公司省下多少成本，新增多少营收。两者的差距，就是财务管控和 AI 经济管理之间的鸿沟。在已经拿到稳定回报的企业群体，能够持续完成成本价值对照评估的比例达到 48%，远远高于整体平均水平。
阻碍企业算清 AI 真实价值的首要因素，不是统计工具不足，也不是人才缺口。调研数据显示，网络安全、隐私这类风险层面考量，才是摆在第一位的限制因素。风险管控不到位，就算 AI 表面带来收益，这份收益本身也并不稳固。风险、成本、业务回报三者牢牢绑定在一起，没有办法拆开来单独处理。企业不能盯着产出，就无视潜藏的各类风险。
很多企业还陷在一个误区，优先把精力全部放在挑选更好的大模型，不停追逐更新的技术。可调研透露出现实，决定 AI 能不能给企业带来持续收益，往往不是模型本身，而是企业配套的整套管理体系。同样一套 AI 工具，放在权责清晰、风险可控、能够核算投入产出的组织，和完全没有配套机制的组织，最终结果会天差地别。
AI 的竞赛已经来到下半场。拼的不再是谁敢于第一个尝鲜，谁采购最前沿的模型。而是企业有没有能力回答三个朴素的现实问题。AI 做出错误的业务判断，谁为此负责。我们在 AI 上面花掉的钱，究竟换回了什么。如果依赖的模型、服务商发生变动，哪些业务会直接停摆。能把这三件事想明白落实到位，才算真正完成 AI 规模化落地，否则再热闹的 AI 项目，都只是一场漂亮的实验。
关于报告的所有内容，公众号『行业报告智库』阅读原文或点击菜单获取报告下载查看。
