企业AI落地工具拆解（一）｜95% 的 AI 项目没有回报，问题真的不在模型

14小时前数字化转型

关于这个系列

十二讲按落地顺序排列，各自独立成篇，可跳读。每一讲只回答一个问题：这个工具解决什么判断、怎么用、什么时候会误判。不讲概念，不讲趋势，只讲真实项目里拿来就能判断对错的东西。

这一讲不解决具体方法，先解决一个更前置的问题：为什么大量投入换不来回报。想清楚这件事，后面十一讲才有意义。

一、先说三组数据

MIT NANDA 在 2025 年的研究里，做了一个横跨 300 项公开 AI 部署案例、52 家企业访谈、153 名高管问卷的调查。

结论是：在 300 至 400 亿美元的企业级投入之下，95% 的项目没有产生可衡量的回报。

McKinsey 2025 年的全球调研补了另外三个数字：88% 的组织已经在至少一个职能里用上了 AI，但只有 39% 报告了任何企业级的 EBIT 影响，能够归因 5% 以上 EBIT 的“高绩效者”只有约 6%。

Gartner 对 506 名 CIO 的调研则显示：72% 的组织在 AI 投入上只是保本或者亏损。

三组研究、三个不同的样本、三种不同的方法，指向了同一个结论。

面对这个结果，绝大多数企业的第一反应是：模型不行、数据不够、算力不足。

于是动作是——换更强的模型、补更多的数据、买更多的卡。

但 MIT 那份研究里还有一句更关键的话被忽略了：核心问题不是模型质量，而是“学习差距”——工具和组织都没能学会怎么用它。

换成更直白的说法：不是 AI 不会干活，是没人把活重新安排给它。

McKinsey 的数据也印证了这一点。那 6% 的高绩效组织，最强的共同特征不是用了更多模型，而是重构了工作流——他们不是把 AI 贴在现有流程上，而是围绕 AI 重新设计了流程本身。

把失败项目拆开看，断点集中在三个位置：

▪第一处，场景选错。 选了一个技术上很漂亮、业务上不痛不痒的场景。做完之后指标好看，业务无感。

▪第二处，流程未重构。 把 AI 当成一个插件插进旧流程，流程里原本的设计缺陷原样保留。模型越快，错误传递得越快。

▪第三处，变革未承接。 系统上线了，人没用起来。表面说在用，背地里该走线下还走线下。

这三处，没有一处是技术问题。

这也解释了为什么“技术团队主导的 AI 项目”失败率特别高——技术团队天然擅长把模型做好，但场景选择、流程重构、变革承接，都不在他们的能力射程内。

MIT 的研究里还有一个细节值得单独说：超过半数企业的生成式 AI 预算，投向了销售和营销工具，而最大 ROI 实际出现在后台流程自动化。

也就是说，钱花在了最显眼的地方，回报藏在最不起眼的地方。

这个错配的根源，是决策者在做预算时，用的是“哪里看起来更酷”的标准，而不是“哪里真的在流血”的标准。

如果问题不在模型，那从业者该练的就不是“怎么把模型用得更好”，而是另外七件事：

战略解码、场景规划、流程诊断、AI 技术判断、方案设计、试点与推广、运营与价值。

这七件事排成一条链：前一环的输出是后一环的输入。链条上任何一环断掉，最后都会体现在“价值无法兑现”这一个结果上。

接下来的十一讲，每一讲拆开其中一个环节里的一个具体工具。

返回列表