2400+公司，6000+高管，4份调研看清AI落地的真相和机会

一提到AI的应用和落地，大家就会陷入非共识迷雾。为了拨开营销炒作，我把近期有代表性的几份Enterprise AI调研报告拉通，横跨Menlo Ventures（500+企业AI决策者）、德勤（24个国家，6大行业，3235名高管）、KPMG（20个国家，8大行业，2110名全球高管）、Entelligence（2444家企业）。透过这份由

真实数据拼凑出的图景，我们或许能直面AI落地的真相。

AI到底落地成功了吗？

德勤在调研中发现，尽管员工对AI访问量增加了50%，但真正在日常工作流中使用AI的比例不足60%——这一模式与2024年相比，基本没有变化。KPMG的结论更直接：能源企业AI投资预算均值高达1.88亿美元，但已验证ROI的仅4%。

虽然Menlo等VC一直把AI应用和SaaS做对比，以此衬托AI交易转化率和增长率，但这几份调研拉通后的真实图景却是：“高转化率”只能反映AI购买意志的坚定，而非使用深度，“买AI”和“用AI”之间还存在明显的激活断层。钱在流，合同在签，但商业链条在"AI工具访问→实际使用→流程改造→ROI确认"的每一个环节都有大量流失。

Agent实际成熟度远低于市场叙事

这几份报告互相印证了一个信号：Agentic AI目前仍是一个预期大于现实的标签。

剥去炒作，大多数所谓"Agent落地"实际只是围绕单一模型调用的基础if-then逻辑。在Menlo的调研中，只有16%企业部署的才算真正的Agent——一个LLM能够规划、执行、观察反馈并调整行为的系统。KPMG对这一现象也有切片——Agent在各行业中最强的能力是跨职能自动化工作流，但更高阶的协调决策、对齐共同目标、检测跨职能异常等能力，在所有行业都远落后于自动化。

德勤的预测是，2年内74%的企业将"至少适度使用"Agentic AI，用词既显克制，定义弹性也很大。

AI支出的ROI很难度量

KPMG调研显示，自称已能验证ROI的企业比例普遍较低：TMT最高9%，能源最低4%，金融服务6%，医疗6%。德勤显示AI已为66%的企业带来效率和生产力提升，但只有20%的企业认可实现了“AI增收”。

这两组数据并不矛盾，而是揭示了同一问题的不同截面：企业“体感”上能感知到效率收益，但缺乏将其转化为可量化ROI的度量体系。"AI正在产生价值"和"AI的ROI已经确认"是两件完全不同的事，只是市场叙事中普遍倾向于混用。

Tokenmaxxing降温？

我详细介绍过硅谷企业开始质疑token账单不值？随着知名对冲基金Citadel Securities发布「token消耗指数下降」现象，Tokenomics成了当下硅谷AI投资最热门的话题——

silicon data统计的token消耗指数在5月见顶后开始下降，这让很多人质疑AI行业是否出现需求调头、利润率下降的转折点？投资人对这个命题目前分歧很大。Citadel指出的是：不断飙升的token账单，正在推动用户转向更便宜的模型。AI行业从 “看模型能力” 转向 “看成本与规模化落地能力”，市场出现前沿旗舰模型与轻量化模型的两极分化。

我介绍过一些信号：

• 微软：全面叫停员工使用Claude Code，ROI无法量化
• Uber：4月份已烧光全年AI Coding预算，没有看到投入与产出的明确关联
• 英伟达深度学习团队：token成本已超过员工成本
• Mercor：今年token支出超过人力成本总和

Mercor CEO的另一个判断更具指向性，他指出AI让开发成本趋近于零，但持续运维AI应用的成本很高——"从0到1容易，从1到N的综合成本会越来越高"。

这从另一个维度填补了几份调研均有记录、但均未解释清楚的现象：为什么企业在"开始规模化部署AI"后，ROI并未同步上升，甚至很难验证？

因为规模化部署本身会产生新的持续性成本：模型调用、上下文管理、监控、版本维护、token消耗的每一个环节都在产生账单，而这些账单在试点阶段几乎是不可见的。VC叙事中普遍采用的AI高转化率、高采用率指标，不再是纯粹的成功信号，它同时是潜在的成本超支信号。再强大的技术，也必须接受成本曲线、产能约束和边际收益的现实考验。

企业AI预算逻辑滞后，显现结构性软肋

Uber的token超支案例里还有个值得讨论的细节：Uber曾创建内部token消耗排行榜形成竞争机制，国内科技企业现在也普遍采用，结果是加速了Uber的预算崩溃，tokenmaxxing竞赛没有任何"减速机制"导致成本失控，这是治理缺位和激励机制设计失误的叠加后果。

德勤指出"企业的AI战略准备度，普遍高于基础设施准备度"，也就是说企业AI战略决心很强，但和基础设施的预算规划逻辑之间存在认知断层。多数企业AI预算是按席位、订阅或固定预算包逻辑建立的，这个逻辑在API访问取代订阅、Agent取代chatbot之后完全失效，甚至可以差出一个数量级。

德勤发现，只有21%的企业表示已有成熟的自主Agent治理模型。KPMG的分行业数据显示，TMT的治理就绪度最高达77%，而医疗行业仅56%，生命科学仅53%。

几份报告的共同指向和惯性思维相反：多数人认为是治理是拖慢AI渗透的“后腿”，现实恰恰相反，治理不是监管合规问题，而是制约AI能否从试点走向规模的执行瓶颈。德勤明确将其定性为增长的催化剂而非刹车，但大多数企业仍把治理当事后补丁。

一批新的工具类公司在断层中成长

Tokenmaxxing危机的公开化叠加“治理瓶颈”，暗含了一个细分领域的布局机会，硅谷有一批AI FinOps公司正在这个断层里成长。

Pay-i做AI支出追踪与优化，Paid让开发者按实际价值而非订阅费计费，Faros AI和Jellyfish提供Agent监控以证明开发工具ROI。Ramp进入AI支出管理，Datadog和New Relic增加了token级可观测性。我最近看到国内一些创业公司也在做同样的事。

这批公司的出现，是AI成本管理从财务痛点演变为商业机会的直接信号。

这些横跨全球的调研数据，为我们拨开了AI供需两侧的叙事裂缝——

供给侧技术和成本在狂飙，而需求侧的消化和治理能力还在艰难追赶。

文章来自于"后浪new"，作者 "Evelyn"。