很多企业都陷入过这样的怪圈。跟风采购大模型，上线一批 AI 试点项目，员工学会用工具提升单点工作速度，报表上记录着亮眼的使用数据。可等到年终复盘，高管却发现，真真正正达到业务预期的项目少得可怜，大把资金投入之后，经营层面的增长并没有如期而至。所有人都在谈论 AI 的价值，可落到自己公司，AI 更像一场好看却不产生实效的内部表演。
调研显示，截至 2025 年底，全球范围内仅仅只有 37% 的 AI 项目交出了符合管理层预期的业务成果。即便企业持续加大资金投入，能够完成全面规模化投产的 AI 项目占比也只有 17%。很多管理者会下意识把问题归咎于模型不够强大，算力供给跟不上业务需求，或是内部员工不会熟练使用 AI 工具。但拨开表层的技术表象，真正拖垮 AI 投资回报的，往往藏在企业内部盘根错节的业务体系之中。
IT 和业务体系之间的内耗，正在悄悄吞噬企业的 AI 投入。调研显示，2025 年，这类组织摩擦直接造成 21% 的 AI 投资回报凭空损耗。我们很容易想象这样的场景，某一个部门上线 AI 工具，把本部门的工作处理速度提升三成，可输出的数据无法对接下游系统，流转到其他岗位还要手动二次整理录入。局部环节效率变高，瓶颈只是被转移到下一个节点，企业整体运转压力没有得到缓解，成本却实实在在花出去了。
超过四分之三的企业高管认同一个现实，如果不去重构整体业务流程，仅仅在零散环节叠加 AI，能够释放的价值会十分有限。不少企业的 IT 版图，是过去几十年无数次独立决策慢慢堆砌而成。各个业务部门出于自身需求采购软件与云服务，影子 IT 挤占预算，不同系统标准互不统一，跨平台集成链路错综复杂。就算引入再顶尖的 AI 能力，套在这套支离破碎的环境里，也很难发挥出完整力量。
更值得警惕的是预算层面的现实矛盾。调研显示，58% 的组织正在承受削减非 AI 类技术预算的压力。企业一边要花钱上新 AI 项目，另一边那些拖累 AI 落地的老旧系统，还在和新项目抢夺有限的 IT 资金。很多企业的选择是压缩传统技术升级开支，优先保障 AI 相关投入。可底层系统的技术债务没有被处理，数据孤岛持续存在，后续 AI 落地就会不断撞上看不见的墙，看似节约了当下成本，实则埋下长期亏损的隐患。
调研显示，愿意在商业案例中如实计入技术债务改造成本的组织，AI 预期投资回报率，相比忽略这笔开销的企业高出 29%。不少团队做 AI 立项测算的时候，只会统计模型采购、开发人力的直接开销，刻意回避老旧系统改造、孤岛数据打通、安全漏洞修补的隐性成本。这会让项目前期收益测算看上去无比诱人，等到落地阶段才不断冒出额外开销，项目 ROI 快速缩水，最终陷入进退两难的境地。
组织内部管理标准的缺失，进一步放大 AI 投资的无序状态。调研显示，仅有 17% 的高管表示企业拥有统一的 AI 立项以及资金审批标准，也只有 25% 的组织，能够用同一套标尺衡量不同 AI 项目的业务价值和投资回报。各个业务部门各自上马 AI 试验，评判成果的口径五花八门，有的看工具访问量，有的统计工时节省，很少对齐营收、利润这类核心经营指标。遍地开花的试验，最后很难沉淀出可以复制推广的成熟方案。
很多企业习惯把 AI 资源投向行政、后台类容易落地的场景。优化报表生成，自动处理内部文档，这些项目上线门槛低，效果很快就可以被看见。可一家营收 170 亿美元规模的企业，销售一般及行政成本削减 1%，只能释放约 2400 万美元价值。反观面向客户的核心价值流，如果实现 1% 的营收提升，可以带来 1.7 亿美元的增量。两者之间的价值差距巨大，后台降本的天花板显而易见，想要撬动真正的增长，目光不能只停留在内部琐事的精简上。
85% 的高管坦言，大量 AI 项目拿不到合理回报，根源在于项目设计之初，就没有瞄准关键业务流程的产出。后台效率提升当然有它的意义，但它不该是 AI 转型的终点。后台释放出来的人力与资金，应当重新流向驱动收入、构筑竞争壁垒的核心业务链条。当企业把资源从细碎的行政优化，转向端到端面向客户的价值流重塑，有机会挖掘到的价值，是单纯削减行政成本的 7 倍。
这里需要厘清很多人混淆的几组概念，任务、工作流、流程和价值流，并不是同一回事。任务是单人完成的一份份具体工作，工作流代表单一部门内部串联的任务集合，流程会跨部门产出内部结果。而价值流是从客户需求发起，一直到客户拿到实际价值的完整链路，它打破部门墙，直接对接外部客户诉求。AI 只加速任务或者局部工作流，只能节省个体时间，只有在完整价值流层面完成改造，才有机会拉动营收层面的实质增长。
不少企业做 AI，始终停留在任务和工作流层级，期待靠局部工具迭代换来业务增长，这本身就是逻辑错位。价值流重塑之后，企业内部的角色分工也会随之发生变化。会诞生智能体设计者、监督者、训练者，业务负责人需要对最终客户成果承担全部责任。不再是 IT 做完系统交付业务就宣告结束，业务和技术需要绑定在一起，共同面对 AI 带来的不确定性与业务风险。
数据层面的短板，同样会困住智能体 AI 的发挥。调研显示，企业 74% 的高价值流程数据，存储在公有云之外的各类系统当中，数据格式更多为存储服务，并不适配业务实时调用。仅仅 41% 的高管反馈，企业数据源除了批处理模式，还能够支持实时访问。AI 代理想要自主流转工作，需要持续获取完整的流程上下文，如果只能拿到滞后、割裂的数据，就会基于残缺信息开展工作，小则输出偏差，大则触发错误业务动作。
企业需要构建起 “温数据”，也就是持续更新、经过治理，全价值流都可以调用的信息资产。它不是一次性完成的数据大搬迁，而是运营模式的改变。推动各个系统之间流转实时事件数据流，提前明确关键数据的归属，用统一结构化标准梳理企业信息。数据不光要保证可以调取，可靠性、可追溯性，端到端治理，每一项都不能缺位，这是智能体稳定运行的基础土壤。
决策权的模糊，是很多企业容易忽略的隐形卡点。AI 代理开始自主执行动作之后，到底谁为它做出的决策结果负责，自主操作的边界划在哪里，效果怎么修正评估。能清晰回答这套问题的管理者少之又少，仅仅三分之一的组织，会在 AI 代理投产之前，正式确认数据源归属以及运维责任。没有清晰的权责制度，员工不知道什么时候采信 AI 建议，什么时候需要驳回上报，这种不确定性会直接降低 AI 在真实业务当中的采纳率。
AI 的决策自带概率属性，但很多企业现有的治理框架，依旧只接受确定性输出。企业不能简单套用旧的管控逻辑，要像搭建财务管控制度一样，把 AI 决策权制度化。划定 AI 自主运行的边界，搭建完整问责链路，采用循序渐进的权限升级思路。先让 AI 给出建议接受人工审核，再开放受限执行权限，只有经过反复验证决策质量、异常风险可控之后，才逐步给到更高的自主操作空间。
传统阶段性项目制团队，也很难承接 AI 时代的转型需求。过去的模式是规划、设计、执行拆分给多组人马，项目交付完毕团队就地解散。大家完成各自阶段任务，却不用对长期业务结果负责。而 AI 价值流重塑，是一场持续不断的迭代，经验沉淀发生在日复一日真实业务协作之中，不是几场短期冲刺就可以大功告成。员工对于 AI 的实战判断力，也不是依靠几场培训课程就能习得，必须在真实业务场景反复磨合。
更适配 AI 转型的是成果导向的常设交付模式。组建 IT、数据、业务运营、风控合规共同组成的跨职能团队，团队长期存续，同时对技术落地效果和真实业务绩效双重负责。不再是战略部门只负责出方案，落地后果交给别的团队承担。把反馈闭环嵌进日常运营，收集一线使用者的真实感受，持续调整 AI 代理行为，筛选下一阶段的优化重点，让每一轮改动都瞄准实实在在的业务产出。
企业 AI 的比拼，从来不是看谁部署了更多大模型，也不是比拼谁采购的工具更前沿。真正拉开差距的，是企业能不能改造自身的运行环境，让 AI 能力顺畅贯穿完整业务价值流。试点项目的热闹只是起点，破除系统、数据、权责、运营模式当中的重重摩擦，把技术能力转化为客户看得见的业务结果，这才是 AI 投资真正要奔赴的主航道。
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。
