并非95%的AI项目都失败！麻省理工MIT《2025年商业人工智能现状》

这份来自麻省理工的2025年商业AI现状的研究报告最近在网上炸锅了，该报告称 95% 的人工智能试点都失败了，这吓坏了美国股市的投资者。报告提到大多数公司都陷入了困境，因为 95% 的 GenAI 试点项目都没有产生任何投资回报率，而只有 5% 的公司通过使用可学习、可融入实际工作流程并随着使用而改进的系统获得了成功。

事实上，许多人都误读了这份著名的麻省理工学院报告。人工智能结果数字中的“95%失败”仅衡量了脆弱的定制企业试点，而不是一般的人工智能。您可以从统计学的角度反思一下。相反，日常工作者不断从个人人工智能工具中获得真正的价值。

报告的数据来源于研究人员分析了超过300个公开发布的人工智能项目和计划，与来自52个不同组织的代表进行了结构化访谈，并且收集了在四个主要行业会议上对153位高级领导的调查问卷回复。报告还明确指出，其研究是在2025年1月至6月期间进行的，非常新。

从作者们的访谈、调查以及对 300 个公开实施案例的分析中，出现了四个定义 GenAI 鸿沟的模式：

1.有限的颠覆：8个主要行业中只有2个有结构性变化。

2.企业悖论：大公司试点多，但规模化应用落后。

3.投资偏见：预算偏向可见的、顶层的功能（如销售），而不是高投资回报率的后台。

4.实施优势：外部合作的成功率是内部开发的两倍。

报告认为，鸿沟的决定因素不是模型质量或法规和人才，而是“学习”（learning）和“方法”（approach）。

“鸿沟”的错误一边：为何AI产品叫好不叫座？

明明大家私下里都在用ChatGPT、Claude处理工作，效率飞起，可一旦公司花了重金采购或公司亲自下场研发一款企业级AI工具，用户却不买账？研究者们将这种现象称为“GenAI鸿沟”，即AI的高采用率和低业务转型率之间的巨大裂痕。这背后，隐藏着几个值得我们深思的残酷现实。

行业颠覆的真相：雷声大，雨点小

研究者们创建了一个“AI市场颠覆指数”来量化AI对不同行业的影响。从0到5分，结果发现，在九个主要行业中，只有科技Technology）和媒体与电信（Media & Telecom）得分最高（2.8和2.3）出现了较为明显的结构性变化，而金融、医疗、零售等绝大多数行业，尽管试点活动频繁，但“没有任何根本性的改变”。

一位制造业COO的话很经典：“领英上的炒作说一切都变了，但在我们的运营中，没有任何根本性的改变。”

试点到生产的鸿沟：95%的项目倒在了黎明前

这是最触目惊心的数据。报告指出，对于企业级的、为特定任务定制的AI工具：

• 约60%的公司进行过评估。

• 只有20%进入了试点阶段。

• 最终，仅有5%能够成功部署到生产环境并产生持续价值。

并且通用的LLM聊天机器人（如ChatGPT）的试点到实施率高达83%。这背后有一个价值认知的分裂。员工喜欢用消费级工具，因为它们灵活、熟悉、立即可用。但他们对公司推销的定制AI工具充满怀疑，认为它们“脆弱、过度设计或与实际工作流程不符”。这背后有一个深层原因，非常有意思。

“影子AI经济”：用户的真实选择

报告揭示了一个极其有趣的“影子AI经济”现象。虽然只有约40%的公司为员工购买了官方的LLM订阅，但超过90%的公司员工在日常工作中使用自己付费的个人AI工具。这是一个巨大的反差。员工们用个人工具已经悄悄“跨越了鸿沟”，而公司的官方项目还在原地踏步。这说明，问题不在于AI本身有没有用，而在于公司“如何”提供和集成AI。

投资模式的偏见：被忽视的金矿

在投资方面，约70%的AI预算流向了销售和营销这类前台部门，因为它们的产出更容易量化。但研究者发现，真正的、能带来巨额回报的ROI金矿，其实埋藏在后台职能中（如财务、采购、法务）。通过AI自动化替代昂贵的业务流程外包（BPO）和外部咨询，所带来的成本节约远比前台的增收更为直接和可观。不过由于很难量化并向CEO汇报，这种投资偏见导致的资源错配，高ROI的机会被现在很多企业忽视了。

为什么试点会停滞：鸿沟背后的学习差距

那么问题到底出在哪？是我们的模型不够强大，还是算法不够先进？都不是。研究者一针见血地指出，根本原因在于“学习差距”（The Learning Gap）我们构建的大多数AI系统，本质上是个患有严重“失忆症”的天才。

用户体验的悖论

报告调查了AI应用的主要障碍，排在第一的是“抵制采用新工具”，而紧随其后的就是“模型质量/不可靠的输出”。这就产生了一个悖论：既然员工私下里那么爱用ChatGPT，为什么又会抱怨企业级AI的模型质量呢？研究者解释道，“上下文”是关键。在没有严格流程约束的个人任务中，AI的灵活性是优点；但在需要精确、一致、可靠的企业工作流中，同样的AI就因无法理解复杂的业务上下文而显得“不可靠”了。

关于上下文工程（Context Engineering），感兴趣您可以看下这两篇《中科院清北重磅发布：「上下文工程」的系统脉络图来了！》和《第一性原理的Context Engineering工具、指南》

通用工具为何胜出？

研究者发现，即使用上了同款底层模型，用户也普遍认为直接使用ChatGPT网站的体验，远胜于将其集成在企业软件里的工具。原因有三：

• 更好的输出质量：用户感觉直接和ChatGPT对话，得到的结果比通过企业软件封装后的要好。

• 更快的响应速度：没有中间层封装，交互更直接。

• 更熟悉的用户体验：用户已经习惯了聊天界面。

ChatGPT的缺陷

既然如此，为什么企业不能直接用ChatGPT处理所有关键任务呢？因为它存在几个致命的局限性，而这些局限性正是“学习差距”的集中体现：

• 它没有上下文记忆：每次对话都是一次“冷启动”，它记不住客户偏好或历史修改。

• 它无法从反馈中学习：它会一遍又一遍地重复犯同样的错误。

• 它无法自主进化：需要用户不断提供完整的上下文，比如完整的背景信息和指令。

我之前介绍过一篇微软的论文，其中的观点很相似，他们提到“我们的数万名员工每天都在经历反复重申意图、手动追逐依赖关系，并费力的将不同工具的上下文拼接在一起，充当人力胶水的痛苦”

感兴趣您可以看看《微软已为Agent悄然调转船头，当大厂都在卷“通用Agent”》

当被问及处理高风险工作时，用户的选择清晰地说明了这一点。对于起草邮件这类简单重复工作，70%的人选择AI。但对于复杂或长期的任务，90%的人选择人类同事。 AI和人类的界限不是“智能”，而是“记忆、适应性和学习能力”。这正是AI鸿沟的两边所区分的特质。

给AI构建者的playbook：如何成为那成功的5%？

报告指出，成功的AI供应商都在解决“学习、记忆和工作流适应”的问题。

企业客户到底想要什么？

成功的供应商都深刻理解企业客户的真实需求，他们想要的不仅仅是算法：

• 一个值得信赖的合作伙伴：企业宁愿等待现有的大厂合作伙伴推出AI功能，也不愿冒险尝试一个不知名的初创公司。

• 对他们工作流程的深刻理解：AI必须懂业务，而不是一个空有技术的黑盒子。

• 与现有工具的无缝集成：AI需要像插件一样融入企业现有的Salesforce、ERP等系统。

• 清晰的数据安全边界：确保客户数据不会被用于模型的混合训练。

• 随时间推移而不断改进的能力：这恰恰是对“学习能力”最直接的要求。

成功的初创公司如何做到这些？

成功的AI初创公司通常会执行两大战术：

1.为特定工作流程深度定制：他们放弃了打造“万金油”平台的幻想，而是从非核心或邻近的流程切入，进行深度定制，展示明确价值，然后扩展到核心流程。成功的工具通常配置负担低、价值立即可见。

2.利用推荐网络：通过系统集成商、董事会成员或行业顾问的推荐来克服企业的信任壁垒，实现冷启动。冷不防的推销邮件/电话”（Cold Inbound Offer）几乎无效，而来自现有供应商（20%）、合作伙伴（15%）、同行（13%）和董事会（10%）的推荐则占据了主导地位。意思就是说想要成功，最好借助和建立信任网络，进行盲目的市场推广效果可能不好。

报告还提到了一个紧迫感：“跨越鸿沟的窗口正在迅速关闭”。企业正在锁定那些具备学习能力的工具，一旦企业投入时间训练一个系统来理解其工作流程，转换成本就会变得非常高。

购买者的成功秘籍：如何成为聪明的“买家”？

这一章是给企业客户的 playbook。

核心思想：像买服务一样买AI

成功的AI购买者，行为模式更像BPO（业务流程外包）客户，而不是SaaS客户。他们不再只看功能列表，而是要求供应商对最终的业务指标负责。

“购买”远胜于“构建”

• 与外部专业伙伴合作的项目，成功部署率约为 66%。

• 企业内部从零开始自研的项目，成功率仅有 33%。

这清晰地表明，在当前阶段，利用外部成熟的专业能力远比闭门造车更明智。

成功的组织设计

企业在推动AI时面临两个核心的组织设计决策，而最成功的企业往往在这两点上都做出了明智的选择。

第一个决策：项目应该由谁主导？答案是“赋权一线”。 报告发现，相比依赖一个中心化的“AI卓越中心”（CoE）自上而下地寻找应用场景，由最懂业务的一线管理者和“超级用户”自下而上地发现需求、主导选型，成功率要高得多 。这种“业务线主导”的模式能最大程度确保解决方案与实际运营的契合度。

第二个决策：技术应该如何实现？答案是“战略合作”。 无论项目由谁主导，在实现方式上，报告的数据给出了明确的答案：“购买”远胜于“构建”。通过与外部供应商建立战略合作伙伴关系（即购买或合作开发模式），项目的成功部署率高达66%，是完全依赖内部团队自建（33%）的两倍。

真正的ROI在哪里？对岗位的影响是什么？

• ROI来源：最大的成本节约并非来自裁员，而是来自替代昂贵的外部BPO和咨询机构，尤其是在后台业务上。比如，通过自动化客户服务和文件处理，每年可以节省200万到1000万美元的BPO开支。

• 岗位影响：GenAI确实开始产生影响，但并未引发大规模裁员，其影响主要体现在替代以前外包的职能，受影响最大的是客户支持、行政处理等非核心业务。并在技术和媒体等受AI冲击大的行业限制了新岗位的招聘。同时，AI的熟练使用正在成为一项新的基本工作技能。

未来已来：从AI工具到“智能体网络”

最后，报告将视野拔高，提出了“智能体网络”（Agentic Web）的概念，那是一个超越了单个AI工具的时代。动态的智能体取代了孤立的SaaS工具和静态的工作流程。在这个网络里，无数个具备学习、记忆和自主行动能力的“智能体”，可以跨越公司和平台的界限，自主地协同工作，去发现问题、谈判任务、执行流程。

这标志着从“提示驱动”到“协议驱动”的自主协调的转变。

未来是“智能体网络”的时代。

写在最后

1.“购买”优于“自建”，战略合作是关键

报告最核心的洞见之一是，企业内部自行构建AI工具的成功率远低于与外部供应商合作。数据显示，通过战略合作部署的AI项目成功率（66%）是内部开发（33%）的两倍。这颠覆了许多企业认为必须掌握核心技术自研的传统观念，指出成功的关键在于利用外部专业知识快速实现价值。

2.投资与回报的错配：真正的ROI在“后台”

一个普遍的战略误区是将大部分AI预算投向光鲜的“前台”业务，如销售和市场营销。报告洞察到，尽管这些领域获得了约70%的投资 ，但最快、最可衡量的投资回报（ROI）往往来自被忽视的“后台”职能，如运营、财务和采购。通过自动化后台流程来取代昂贵的业务流程外包（BPO）和外部机构，可以实现数百万美元的成本节约。

3.核心障碍是“学习差距”，而非技术本身

阻碍AI广泛应用和产生价值的根本原因不是模型质量、数据或法规，而是大多数AI系统缺乏“学习能力”。这些系统无法从用户反馈中学习、记住上下文或适应不断变化的工作流程。因此，战略重点应从评估AI的技术基准转向评估其学习、适应和与现有工作流程集成的能力。

4.“影子AI”揭示了用户的真实需求

报告发现，员工自发使用个人AI工具（如ChatGPT）的“影子AI经济”非常普遍。90%的员工在工作中使用个人AI工具，而只有40%的公司购买了官方订阅。这一现象不应被视为安全风险，而是一个战略洞察：它揭示了什么样的AI工具是员工真正需要的灵活、易用、能立即解决问题。成功的组织会学习“影子AI”的使用模式，并以此为依据来采购企业级解决方案。

5.组织架构比技术选型更重要

成功部署AI更多的是一个组织设计问题，而非技术问题。成功的企业通常会采取“去中心化”的实施方式，将选择和推广AI工具的权力下放给一线的业务经理和预算负责人，而不是依赖一个集中的AI中心或IT部门。这种自下而上的方法确保了AI解决方案能真正贴合业务需求，从而加速了采用。

6. 行动窗口正在迅速关闭

报告发出了一个明确的战略预警：企业选择能够学习和适应的AI系统并进行投资后，会产生巨大的转换成本 。随着系统不断学习特定公司的流程和数据，其价值会持续累积，导致竞争对手难以追赶。报告预测，在未来18个月内，许多企业将锁定核心的AI供应商关系。这意味着，现在犹豫不决的企业将在未来几年内处于严重的竞争劣势。

文章来自于微信公众号“AI修猫Prompt”。