企业在 AI 上的投入早已达到数十亿美元规模，但麻省理工学院 2025 年的研究显示，95% 的生成式 AI 试点项目没能产生可衡量的财务影响。失败的原因从来不是模型不够好。77% 的企业 AI 实施中，最难解决的问题和技术无关。变革管理占比 33%，数据质量与架构占 17%，流程重新设计占 10%。真正的技术与集成难题，只占所有挑战的 10%。
61% 最终成功的 AI 项目，都经历过至少一次重大失败。这些失败的投入不会出现在最终的投资回报率计算里，却是成功必不可少的铺垫。多数失败的共性是，团队把 AI 当成了单纯的技术项目，而非流程与变革管理项目。他们试图用 AI 修补破损的工作流，而不是先把流程本身理顺。
相似的 AI 用例，在不同企业的落地时间天差地别。有的数周就能上线，有的却要耗费数年。这种差异和技术能力无关。43% 的项目能加速落地，核心原因是高管赞助。32% 得益于利用了现有技术基础。25% 是因为最终用户有强烈的使用意愿。拖慢项目的因素则相对分散。学习曲线与迭代占 25%，数据质量准备、监管合规、流程文档缺口各占 21%。所有成功的 AI 项目都采用了迭代开发方法，没有一个使用传统的瀑布式规划。
人工监督的水平直接决定了生产力提升的幅度。AI 自主处理 80% 以上工作，人类仅审查例外情况的上报模型，能实现 71% 的中位生产力提升。而需要人类审批每个输出的审批模型，以及人机全程协作的模型，中位生产力提升都只有 30%。不同职能适合的监督模式完全不同。IT 运营和客户支持这类高容量低风险任务，用上报模型收益最高。临床文档和现场服务这类需要专业判断或有监管要求的工作，审批模型是更稳妥的选择。编码工作则更适合人机协作的模式。
高管的参与方式，是 AI 项目成败的关键变量。58% 的成功项目有高管进行每周检查、主动清除障碍的积极指导。29% 的项目实现了战略集成，也就是把 AI 采用纳入企业 OKR，和员工奖金直接挂钩。仅仅批准预算的被动赞助，几乎无法支撑项目走到规模化阶段。业务和技术领导者的联合赞助，能有效解决跨职能项目的协作难题。最关键的是，所有成功案例里，没有任何人因为失败的 AI 尝试受到惩罚。高管会给团队划定可控的失败范围，让迭代试错成为被允许的常态。
关于 AI 实施的阻力，行业普遍的认知是一线员工害怕被替代。但数据显示，职能部门才是最主要的阻力来源。法务、人力资源、风险与合规部门的顾虑，远多于最终用户。这些部门担心流程风险和责任划分，并非刻意阻碍项目推进。当他们被赋予治理角色，而不是单纯的审批者身份时，往往会从阻力转变为推动者。
AI 带来的人员编制变化，比外界想象的更复杂。45% 的部署确实出现了人员减少，但这并不是唯一的结果。17% 的企业将员工重新部署到更高价值的岗位。19% 选择维持原有人员编制。还有 19% 通过 AI 避免了新的招聘需求。企业的战略选择决定了人员调整的方向。处于增长阶段的公司，更倾向于把生产力提升转化为业务加速。成本导向的企业，则更容易选择直接裁员。不过劳动力市场的早期信号已经显现。AI 暴露职业中，22 至 25 岁的早期职业工人，已经出现了 16% 的相对就业下降。其中软件开发人员的下降幅度接近 20%。
大多数企业的 AI 部署还停留在成本节约阶段。只有少数企业实现了真正的收入增长。74% 的组织希望通过 AI 增加收入，但目前只有 20% 做到了这一点。智能体 AI 的表现格外亮眼。虽然它只占所有案例的 20%，但中位生产力提升达到了 71%，远高于高自动化实施的 40%。智能体不是简单的人机交互界面升级，而是对工作流中人类与机器角色的重新定义。
企业对数据的认知也需要彻底更新。只有 6% 的实施拥有完全为 AI 准备好的干净数据。但大语言模型本身就能解决大部分数据混乱的问题。88% 的案例中，大语言模型解锁了以前无法访问的数据，包括语音转录、扫描文档、遗留代码和分散的知识库。企业不需要追求数据的完美，更重要的是构建数据访问层。75% 的企业将专有数据视为 AI 战略的核心，47% 明确表示积累的内部数据是自身的竞争护城河。
模型选择的重要性被严重高估了。42% 的 AI 实施中，基础模型是完全可互换的。对于客户支持分类、文档搜索这类常规任务，71% 的企业认为不同模型没有本质区别。只有在需要多步骤推理和深度领域知识的高级任务中，模型能力才会成为关键差异化因素。现在多模型策略已经成为行业主流。企业会根据任务的成本、延迟和准确率要求，将不同的查询路由到最合适的模型。持久的竞争优势来自模型之上的编排层，而不是基础模型本身。超过三分之二的企业在选择模型时，优先考虑能力和交付速度，而非成本。
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。
