大模型的热度还在持续发酵，几乎每家规模企业都在争先恐后布局 AI 项目。买工具、招算法人才、上线试点项目，预算一笔笔划拨出去，管理者满心期待效率暴涨、利润抬升的结果。可现实却给很多企业浇上一盆冷水。不少 AI 项目停留在演示阶段，小范围测试效果亮眼，一旦铺开至全公司业务，就各种水土不服，投入和产出严重失衡。很多管理者开始困惑，明明技术已经足够成熟，为什么真金白银砸下去，企业拿不到预想的商业价值。
调研显示，到 2025 年底，仅有 37% 的 AI 举措实现了高层领导预期的业务成果。大量企业投入资源做 AI，最终只能收获零散的局部效率提升，很难转化为公司层面实打实的业绩增长。高管预估只有 29% 的 AI 项目能够顺利推进到大生产落地，理想和现实中间横亘着巨大鸿沟。
很多团队陷入一个很隐蔽的误区，把 AI 当成提速工具，拿来优化一个个独立工作任务。写文档更快，整理表格更快，检索资料更快，单点的效率提升肉眼可见。可这种做法有一个致命缺陷，当你只把流程里某一个步骤自动化，不去审视完整链路，本质上没有解决问题，只是把瓶颈转移到流程下游的下一个环节。局部环节跑快了，上下游对接、数据流转、跨部门协作的堵点还在原地。上游产出速度变快，下游承接能力跟不上，堆积的问题只会越来越多，企业整体收益被无形消耗。
调研显示，2025 年，因为 IT 和业务环境内部的各类摩擦，企业 21% 的 AI 投资回报率直接流失掉。这份损失并不是模型能力不足造成的，更多来自系统割裂、数据不通、权责模糊带来的内耗。很多企业的 IT 环境是长年累月逐步搭建而成，不同时期上线不同系统，横跨多个云平台，形成大量孤立的集成点。影子 IT 现象普遍存在，业务部门绕开 IT 团队自行采购软件和工具，调研数据显示影子 IT 平均占到企业 IT 预算的 24%。不同工具标准不统一，数据互相隔绝，即便 AI 模型本身性能优秀，也很难在碎片化环境中发挥全部实力。
超过四分之三的高管认同一个事实，如果不对整体业务流程重新设计，仅仅将 AI 应用在工作流的孤立环节，能够创造的价值十分有限。但现实里，企业 AI 改造的推进，依旧绕不开重重组织层面的阻碍。调研当中，高管把未能重新设计业务流程，列为阻碍 AI 拿到高回报的头号原因。紧随其后的，是数据质量低下、AI 项目权责划分模糊、试点项目本身就没有面向规模化生产设计，还有遗留系统日积月累形成的技术债务负担。
不少企业管理者会产生一种错觉，技术等到完全稳定成熟之后再下场布局，才是稳妥的选择。可现实恰恰相反，抱着观望等待的心态，企业会慢慢丢失搭建 AI 运营能力的窗口期。企业对 AI 的驾驭能力，不是靠纸上学习得来，而是在一次次落地迭代当中打磨出来的组织肌肉记忆。今天跑通 AI 拿到成果的企业，都是一边跟进技术迭代，一边持续评估、部署、调整 AI 方案。不去上手真实业务场景演练，等到技术完全定型，企业内部依旧没有懂得如何用好 AI 的团队，只能眼睁睁看着同行拉开差距。
很多企业内部积攒了庞大的待办积压，大量业务想法、功能诉求、客户需求，受制于人力和时间始终无法落地。AI 带来的改变，不只是把旧工作完成速度变快，更是让企业有能力承接过去根本无力开展的业务。但这份潜力，需要依托端到端完整价值流的重构释放，而不是零散工具叠加。很多人会混淆任务、工作流、流程和价值流几个概念，不同层级的 AI 改造，带来的收益天花板完全不一样。
任务是个人手里独立的工作单元，工作流局限在单一职能内部，流程跨越部门产出内部结果。而价值流，是从客户需求发起，一直到客户拿到满意结果的完整链路，穿透组织内部各个边界。任务自动化只能让单个动作变快，工作流自动化只能加快部门内部流转。只有锚定完整价值流开展改造，AI 才有机会撬动收入增长。如果只在部门内部做 AI，追求个体效率提升，这份收益走到企业层面就会被稀释消散，很难沉淀为整体竞争优势。
成本收益的差距直观体现在数字之上。调研测算，对于一家 170 亿美元规模的企业，销售、一般及管理费用降低 1%，带来 2400 万美元成本节省。核心交付流程改善 1%，可以收获 1.02 亿美元收益。而面向客户的价值流实现收入提升 1%，能够带来 1.7 亿美元新增收入。对比不难发现，深耕面向客户的创收价值流，能够释放的价值，是优化行政类工作的 7 倍之多。
讽刺的是，大量企业的 AI 资源，反而向更容易落地见效的行政类场景倾斜。这类场景治理简单，试点很快出效果，可价值池本身很小。调研显示，85% 的高管反馈，不少 AI 项目拿不到预期投资回报率，根源就在于项目目标并不是改善核心业务结果。把间接职能拿到的效率收益，再次投入到创收价值流改造，才是 AI 转型可以循环运转的正确路径。可惜不少企业没有建立这套逻辑，试点拿到一点微小成效，项目就宣告结束，没有持续再投资的闭环，价值自然无法放大。
企业当下还深陷预算博弈的困局。调研显示，58% 的组织正面临削减非 AI 类技术支出的压力，老旧遗留系统本就需要资金完成现代化升级，现在还要和 AI 新项目抢夺有限预算。一边是拖慢 AI 落地的旧环境亟待修复，一边新增 AI 项目需要持续投钱，资金盘子没有同步扩大，企业很容易陷入到处撒钱的局面。每个领域都做一点改良，却没有任何板块拿到足够资源实现实质性突破。
组织层面的管理混乱进一步放大资源浪费。调研显示，只有 17% 的高管表示，全公司 AI 项目审批和资金拨付流程保持统一，仅仅 25% 的企业，可以做到统一衡量 AI 项目商业价值和投资回报率。各个业务部门各自立项，评判标准千差万别，成功的经验没法复制，失败的教训也得不到沉淀。70% 的高管希望依靠 AI 产生的价值反哺企业整体增长，但缺少统一评估标尺，哪些项目该追加投入，哪些项目该及时叫停，管理者很难做出清晰判断。
不少企业把 AI 改造简单等同于 IT 技术升级，认为只要搭建好底层平台，业务价值自然会随之而来。真实情况并非如此，架构、数据、决策权、业务 IT 运营模式，四件事情必须同步推进，任何一块短板，都会限制 AI 的上限。如今绝大多数企业运行混合环境，系统分散在本地、不同云平台，初衷来自成本、合规等现实考量。但如果缺少统一的执行层，每一处系统边界，都会成为 AI 流转的阻碍。
仅仅 10% 的高管表示，企业 AI 开发运维基础设施，已经在跨环境实现完整标准化。架构改造不只是采购新硬件新软件，而是建立统一管控机制，模型、数据流、集成链路在规模化之前就完成治理，保证不同项目可以复用同一套运行规则，不用每启动一个 AI 项目，全部逻辑重新搭建一遍。同时还要兼顾架构经济性，针对模型训练、推理运算、敏感数据处理，匹配对应环境，平衡资本投入和业务产出，而不是盲目依赖单一环境。
数据环节同样埋藏着很多看不见的坑。调研发现，74% 高价值业务流程数据存储在公有云之外，很多数据当初设计目标只是存储归档，并不是拿来支撑实时业务决策。只有 41% 高管表示，企业数据源可以实现批量推送以外的实时获取。
AI 智能体开展工作，需要持续、带着完整业务上下文的数据输入。如果只能拿到静态批量数据，智能体就会基于错误的现实假设开展工作，轻则输出偏差结果，重则引发业务失误。企业需要打造 “温数据”，也就是持续更新、权限可控、全价值流可调用的数据资产，这不是单纯技术工程，更是一套运营层面的变革，厘清数据归属，搭建流式事件传输机制，保障数据全链路可追溯可治理。
AI 大规模落地之后，决策权的问题会变得格外尖锐。当 AI 可以自主输出判断，甚至执行动作的时候，谁来为最终结果负责。智能体自主权限边界划到哪里，绩效如何衡量，出错之后如何修正，这一系列问题，大部分企业还没有形成成熟答案。调研显示，仅仅三分之一的组织，会在 AI 智能体正式投产之前，完整确认数据源所有权与维护责任。员工不清楚什么时候听从 AI 建议，什么时候需要质疑上报，模糊的权责边界会直接降低大家使用 AI 的意愿，拖慢整体落地节奏。
企业需要像搭建财务管控制度一样，设计 AI 决策权限体系，明确问责，划定自主边界，建立持续监督机制。智能体不能一步到位放开全部权限，采用渐进式自主模式，先给出建议，再过渡到有限执行。只有经过反复验证，决策准确率、异常率、审计能力、业务影响全部达标之后，才可以授予更高自主权。智能体的决策还会沿着价值链产生连锁反应，单点判断失误，会传导扩散到上下游业务，系统性风险必须提前纳入考量范围。
运营模式的重构，权重丝毫不亚于技术建设。很多企业做 AI 转型，依旧沿用老项目模式，组建临时团队，完成阶段性交付之后就地解散。团队做完项目交付一份成果就宣告结束，却没有人长期对业务结果负责。团队人员完成任务就离开，企业无法沉淀处理同类业务的经验，自然长不出 AI 原生的组织能力。员工使用 AI 的能力，也不是靠几场培训课程就能习得。真正的能力养成，来自日复一日和 AI 协同处理真实业务，在实战当中学会什么时候信任 AI，什么时候保持警惕，挖掘新自动化机会。
更加适配 AI 时代的交付模式，是设计长期存续的跨职能团队。团队集合技术、业务、风控合规多方人员，深度扎进业务一线，同时对技术落地质量和真实业务成果双重负责。工作不再是分阶段规划、设计、执行，割裂交给不同团队接力。而是把设计、实施、运营捏合在一起，持续迭代优化业务。依靠这套模式，企业才能把单次试点成功，转化为可以反复复用的组织能力，让 AI 价值源源不断释放出来。
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。
