生产力低下：95% 的人工智能项目未能为公司带来可衡量的回报，以及他们如何（必须）避免这种情况

Xpert 预发布

在线联系（Konrad Wolfenstein）

语言选择 📢

发布日期：2025 年 9 月 26 日 / 更新日期：2025 年 9 月 26 日 – 作者： Konrad Wolfenstein

生产力低下：95% 的人工智能项目未能为公司带来可衡量的回报，以及他们如何（必须）避免这种情况

生产力停滞：95% 的人工智能项目未能为公司带来可衡量的回报，以及他们如何（必须）避免这种情况 - 图片：Xpert.Digital

当企业使用人工智能成为唯一选择时：行业特定的人工智能解决方案将成为竞争优势

重要提示！人工智能的悖论：数十亿美元的投资为何最终不了了之

尽管在生成式人工智能领域投入了前所未有的300亿至400亿美元，95%的公司仍未能获得可衡量的投资回报。麻省理工学院2025年的一项综合研究揭示了这一令人警醒的统计数据，揭示了预期与现实之间的巨大差距。尽管这项技术每天都登上新闻头条，并被誉为未来生存的关键，但绝大多数公司未能从其人工智能计划中获得真正的价值。

GenAI 鸿沟：经济中无形的鸿沟

麻省理工学院为这种现象创造了一个术语“GenAI Divide”（人工智能鸿沟），即少数受益于人工智能的公司与陷入无休止试点阶段的大众之间存在着巨大的鸿沟。这种鸿沟并非技术问题，而是一种组织上的失败，其后果深远。

数字说明了一切：目前只有5%的集成AI试点项目产生了可衡量的价值，其余95%的项目对盈利没有任何影响。考虑到ChatGPT和Microsoft Copilot等消费级工具的高采用率，这种差距就更加引人注目。约80%的组织正在测试这些平台，近40%的组织已经实施了这些平台。

这项研究的成果基于对300多个公共人工智能应用的系统分析，以及对153位来自不同行业的高管进行的结构化访谈。这项研究于2025年1月至6月进行，揭示了GenAI鸿沟的四个典型模式：在八个主要行业中，只有两个行业产生了有限的颠覆性影响；试点活动多但规模化程度低的企业悖论；投资偏好可见特性；以及外部合作比内部开发更具实施优势。

Workslop：人工智能生产力的隐患

研究发现，一种极具破坏性的现象被称为“workslop”（工作流）。“workslop”是“work”（工作）和“slop”（废品）的混成词。它指的是人工智能生成的工作内容，表面上看起来很专业，但仔细检查后就会发现，它们并不完整，也无法使用。这种看似完美却毫无实质内容的工作，将负担从创作者转移到了接收者身上，从而增加了整体工作量，而不是减少。

Workslop 的影响十分巨大：在接受调查的 1150 多名美国全职员工中，40% 表示在过去一个月内收到过此类内容。员工们估计，他们收到的工作文件中平均有 15.4% 属于此类。专业服务和技术行业尤其受到影响，因为这类现象在这些行业中发生的频率异常高。

财务成本巨大：每起 Workslop 事件平均给公司每位员工每月造成 186 美元的损失。对于一个拥有 10,000 名员工的组织来说，这相当于每年超过 900 万美元的生产力损失。但其社会和情感成本可能更为巨大。53% 的收件人表示感到厌烦，38% 感到困惑，22% 认为内容令人反感。

同事之间的信任度严重受损：约一半的收件人认为发送Workslop信息的同事缺乏创造力、能力和可靠性。42%的人认为他们缺乏信任，37%的人认为他们缺乏智慧。三分之一的受影响者表示，未来不愿与此类同事共事。这种工作关系的恶化威胁着成功采用人工智能和进行变革管理所必需的关键协作要素。

结构性学习差距：企业失败的原因

核心问题并非在于技术本身，而在于影响人工智能系统和组织机构的根本学习差距。目前的生成式人工智能系统无法永久存储反馈、适应组织环境或持续提升性能。这些局限性甚至导致那些每天私下使用 ChatGPT 的专业人士也拒绝接受公司内部的人工智能实施。

一位律师提供了一个特别引人注目的例子，她报告说，她公司价值 5 万美元的合同分析工具的表现始终不如她 20 美元的 ChatGPT 订阅服务。这种差异凸显了一个悖论：尽管消费级工具和昂贵的企业级解决方案都基于类似的模型，但它们通常能提供更好的结果。

企业人工智能被低估的弱点——以及消费者工具如何超越它

像 ChatGPT 这样的廉价消费级 AI 工具相对于昂贵的企业级解决方案拥有显著优势，这可以归因于几个具体的原因。主要问题在于，企业级 AI 系统虽然高度专业化且价格昂贵，但在开发过程中往往没有考虑到用户的关键需求和模型的动态演进。消费级工具通常更灵活、直观，并且能够通过数百万次用户交互进行更优化。而企业级系统则受到复杂集成、数据孤岛和僵化工作流程的限制，并且通常无法永久存储反馈。

一个关键问题是缺乏适应性：企业解决方案一次性实施，之后发展缓慢，而消费级人工智能工具则根据用户反馈和现有知识不断训练。使用 ChatGPT，用户可以直接在对话框中提问、更改输入，并立即获得优化结果。另一方面，许多企业解决方案严重依赖表单，并使用预定义的、通常已过时的文本模块——这使得它们非常缺乏灵活性，响应速度也非常慢。

此外，集成和管理工作量巨大：昂贵的解决方案必须适应企业流程、数据保护政策和界面，而且由于过多的系统限制，它们已无法跟上消费者产品的创新速度。尤其对于合同分析等特定任务，通用模型通常更加强大，因为它们涵盖更广泛的知识，并且可以通过更完善的提示直接由用户控制。定制的企业人工智能通常缺乏有意义的数据库，无法独立扩展和学习上下文。

最终，所有这些方面都导致了一种矛盾的局面：尽管在看似定制的企业人工智能上投入了大量资金，但其结果往往不如那些更便宜、更灵活、可以直接无缝地适应用户特定需求的消费者解决方案那么相关、更实用或更准确。

主流AI工具的隐形限制

消费级人工智能工具通常针对广泛的主流主题和一般任务进行优化。它们所基于的训练数据通常来自互联网、公开文本和日常案例等公开可访问的来源。这使得它们对于常见问题、一般文本或标准流程（例如，创建营销文本、回复电子邮件或自动化简单的日常流程）特别有效。

然而，需求越专业化，通用消费级人工智能的局限性就越严重。当涉及特定行业或业务关键型任务时，这些工具通常缺乏必要的详细信息、特定主题的数据或专门的培训。诸如涉及复杂法律术语的合同分析、技术报告或高度定制的B2B流程等任务通常无法有效地实现自动化，因为人工智能缺乏相关背景知识或无法可靠地解释这些背景信息。

这在高度专业化的行业以及针对特定公司需求的行业中最为明显。可免费获取的信息越少（例如，关于公司核心产品或机密内部流程的信息），消费级人工智能的错误率就越高。因此，此类系统存在提供错误或不完整建议的风险，在最坏的情况下，甚至可能阻碍关键业务流程或导致误判。

实际上，这意味着消费级AI工具通常足以胜任主流任务；然而，随着专业化程度的提高，这些工具的故障率也会显著上升。因此，依赖行业专业知识、精确的流程验证或高度定制化的公司，将受益于拥有专业数据库和定制化培训的企业解决方案，从而实现长期发展。

人工智能扩展的真正障碍不是智能：当对灵活性的高期望放缓时

成功实现 AI 规模化面临的障碍是多方面的：首先是不愿采用新工具，其次是对模型质量的担忧。尤其值得关注的是，这些质量担忧并非源于客观的性能缺陷，而是因为用户已经习惯了消费级工具的灵活性和响应速度，因此认为静态的企业级工具难以满足需求。

在关键任务型工作中，这种差距更加明显：70% 的用户更喜欢使用人工智能来完成电子邮件撰写或基本分析等简单任务，而 90% 的用户则更喜欢使用人类员工来完成复杂项目或客户服务。这种区分并非基于智能，而是基于记忆、适应和持续学习的能力。

影子人工智能经济：职场中的秘密人工智能革命

与令人失望的官方人工智能计划并行的是，“影子人工智能经济”蓬勃发展，员工使用个人人工智能工具完成工作任务，通常未经IT部门知情或批准。其规模惊人：虽然只有40%的公司表示购买了官方人工智能订阅，但超过90%的受访公司员工表示，他们经常将个人人工智能工具用于工作目的。

这种平行经济揭示了一个重要事实：如果个人能够使用灵活、响应迅速的工具，他们就能成功弥合与 GenAI 之间的差距。那些认识到并以此为基础构建的组织代表着企业 AI 应用的未来。一些进步的公司已经开始通过从影子使用中学习，并在购买企业替代方案之前分析哪些个人工具能够带来价值，从而弥合这一差距。

通过“托管人工智能”（人工智能）开启数字化转型的新维度 - 平台和 B2B 解决方案 | Xpert Consulting

“托管人工智能”（AI）开启数字化转型新维度——平台与 B2B 解决方案 | Xpert Consulting - 图片：Xpert.Digital

在这里您将了解您的公司如何快速、安全且无高门槛地实施定制化的AI解决方案。

托管 AI 平台是您全方位、无忧的人工智能解决方案。您无需处理复杂的技术、昂贵的基础设施和冗长的开发流程，只需几天时间，即可从专业合作伙伴处获得根据您的需求量身定制的交钥匙解决方案。

主要优势一览：

⚡ 快速实施：从构思到实际应用，只需几天，无需数月。我们提供切实可行的解决方案，创造即时价值。

🔒 最高数据安全性：您的敏感数据将由您自行保管。我们保证数据处理安全合规，不会与第三方共享。

💸 无财务风险：您只需为结果付费。完全无需在硬件、软件或人员方面进行高额的前期投资。

🎯 专注于您的核心业务：专注于您最擅长的领域。我们负责您 AI 解决方案的整个技术实施、运营和维护。

📈 面向未来且可扩展：您的 AI 将与您共同成长。我们确保持续优化和可扩展性，并灵活地调整模型以适应新的需求。

更多相关信息请点击这里：

托管人工智能解决方案 - 工业人工智能服务：服务业、工业和机械工程领域竞争力的关键

光鲜亮丽胜过实质：为何 GenAI 投资常常被误导

投资配置不当：追求浮华而非实质

GenAI 分歧的另一个关键方面体现在投资模式上：大约 50% 的 GenAI 预算流向了销售和营销职能，尽管后台自动化通常能带来更好的投资回报率。这种偏差并非反映实际价值，而是更容易在可见领域分配指标。

销售和市场营销部门在预算分配中占据主导地位，这不仅是因为它们的可见性，还因为演示量或电子邮件回复时间等结果与董事会指标直接相关。另一方面，法务、采购和财务部门则提供了更微妙的效率提升，例如更少的合规违规行为、优化的工作流程或加快的月末结算——这些改进虽然重要，但却难以沟通。

这种投资偏好使 GenAI 的鸿沟长期存在，因为它将资源导向可见但往往缺乏变革性的用例，而投资回报率最高的项目在后台职能方面仍然资金不足。此外，寻求社会认可对购买决策的影响比产品质量更大：推荐、现有关系和风险投资引入仍然是企业采用的更强有力的预测因素，而不是功能或特性集。

结构差异：企业人工智能与消费者人工智能

企业级AI和消费者级AI之间的根本差异解释了许多观察到的问题。消费者级AI专注于改善客户体验并个性化用户，而企业级AI则旨在优化组织流程，确保合规性并为复杂的业务需求提供可扩展的解决方案。

企业级 AI 需要深厚的领域专业知识，并经常使用监督学习技术来实现 KPI 驱动的结果。它必须融入复杂的 IT 环境，满足监管要求，并实施强大的数据安全措施。另一方面，消费级 AI 则优先考虑易用性和即时满足感，通常以牺牲安全性和合规性为代价。

这些结构性差异解释了为什么相同的底层模型在消费者应用中表现出色，但在企业环境中却失败了。企业AI不仅要在技术上发挥作用，还必须融入现有业务流程，满足治理要求，并展现出长期的价值创造。

成功策略：5%的人如何克服差距

少数成功弥合 GenAI 鸿沟的公司遵循着一个可识别的模式。他们对待 AI 初创公司的方式与其说是软件供应商，不如说是业务服务提供商，类似于咨询公司或业务流程外包合作伙伴。这些组织要求与内部流程和数据深度契合，根据运营结果而非模型基准来评估工具，并将部署视为通过早期失败共同进化的过程。

尤其值得注意的是，外部合作的成功率大约是内部开发的成功率的两倍。67%的战略合作最终实现了部署成功，而只有33%的内部开发工作能够实现这一目标。这些合作通常能够更快地实现价值，降低总体成本，并与运营工作流程更好地协调一致。

成功的买家会从一线管理者而非中央实验室的角度识别 AI 计划，从而使预算负责人和领域经理能够发现问题、评估工具并指导部署。这种自下而上的采购方式，加上高管问责制，能够加速采用并保持运营契合度。

行业特定颠覆：技术引领，其他行业犹豫跟随

GenAI 的分化在行业层面清晰可见。尽管投入巨大且试点活动广泛，但在九大主要行业中，只有科技和媒体/电信这两个行业显示出明显的结构性颠覆迹象。所有其他行业仍然在转型中受阻。

科技行业正经历着新挑战者不断抢占市场份额和工作流程的变革。媒体和电信行业正经历着人工智能原生内容的崛起和广告格局的变革，而老牌公司仍在持续增长。专业服务效率不断提升，但客户服务基本保持不变。

传统行业的情况尤为突出：能源和材料行业几乎未见应用，实验也寥寥无几。先进行业则仅限于维护试点，缺乏重大的供应链转型。这种投资与颠覆之间的差距，凸显了宏观层面上GenAI的差距——大规模实验却缺乏转型。

德国视角：特殊的挑战和机遇

德国企业在实施人工智能方面面临特殊挑战。仅有6%的德国企业为人工智能做好了充分准备，与去年相比有所下降。在国际比较中，德国在充分做好人工智能准备的企业数量方面在欧洲仅排名第六。

尤其令人担忧的是，84% 的德国高管担心，如果未来 18 个月内未能实施人工智能战略，将会产生负面影响。与此同时，四分之三的德国公司尚未实施人工智能政策。只有 40% 的公司拥有足够的专业人员来满足人工智能需求。

德国企业面临的主要挑战包括：技术工人短缺（34%，全球为28%）、网络安全与合规挑战（33%）以及数据基础设施可扩展性挑战（25%）。监管不确定性、文化保留以及一定程度的技术怀疑态度加剧了这些问题。

然而，机遇正在涌现：德国企业可以将其在精度和质量方面的优势与人工智能创新相结合。在机械工程和汽车等行业，人工智能可以帮助优化流程，进一步提升产品质量。专业的人工智能即使经过数千次迭代也永不疲倦，能够充分利用最后几个百分点，最终达到完美。

代理人工智能：下一个进化阶段

解决学习差距的方案在于所谓的代理人工智能（Agentic AI），这是一类从头开始整合持久记忆和迭代学习的系统。与当前每次都需要完整上下文的系统不同，代理系统能够保留持久记忆，从交互中学习，并能够自主协调复杂的工作流程。

公司早期的实验是让客户服务代理端到端处理完整的查询，让财务处理代理监控和批准日常交易，让销售渠道代理跟踪跨渠道的参与度，这些实验展示了自主性和记忆性如何解决已确定的核心差距。

支持这一转变的基础设施正在通过模型上下文协议 (MCP)、代理到代理 (A2A) 和 NANDA 等框架涌现，这些框架实现了代理的互操作性和协调性。这些协议允许专门的代理进行协作，而无需使用单一系统，从而促进了市场竞争并提高了成本效益。

为企业提供实用解决方案

寻求弥合GenAI鸿沟的公司应该采取以下几种策略。首先，至关重要的是避免不加区分的授权：当高管们无时无刻不在倡导人工智能时，他们就体现出了在技术应用方面缺乏判断力。GenAI并非适用于所有任务，也无法读懂人们的想法。

员工心态至关重要：研究表明，具有高度自主性和高度乐观精神的员工（即所谓的“飞行员”）在工作中使用 GenAI 的频率比自主性和乐观精神较低的“乘客”高出 75%。飞行员会恰当地利用人工智能来实现目标并提升创造力，而乘客则更有可能利用人工智能来逃避工作。

尤其应该关注的是回归协作。人工智能成功运作所需的许多任务——提供提示、提供反馈、描述情境——都需要协作。如今的工作越来越需要协作，不仅需要与人类协作，也需要与人工智能协作。Workslop 就是人工智能带来的全新协作模式的一个很好的例子，它更有可能阻碍生产力，而不是提高生产力。

组织成功因素和变革管理

成功的人工智能实施需要特定的组织设计。最成功的公司会分散实施权力，同时保持问责制。他们让一线经理和领域专家能够识别用例并评估工具，而不是完全依赖集中式的人工智能功能。

从影子人工智能经济中学习尤为重要。许多最强大的企业部署始于高级用户——那些已经尝试过 ChatGPT 或 Claude 等个人生产力工具的员工。这些“产消者”直观地了解 GenAI 的功能和局限性，并成为内部认可解决方案的早期拥护者。

衡量和传达成功需要新的方法。传统的软件指标侧重于功能和用户采用率，而企业 AI 的评估必须基于业务成果和流程改进。企业必须学会量化和传达细微但重要的改进，例如减少合规违规或加快工作流程。

机会之窗正在关闭

弥合 GenAI 差距的窗口正在迅速关闭。企业越来越要求系统能够随时间推移而调整。Microsoft 365 Copilot 和 Dynamics 365 已经集成了持久内存和反馈循环。OpenAI 的 ChatGPT 内存测试版预示着对通用工具的类似期望。

初创公司如果能迅速采取行动，开发能够从反馈、使用情况和结果中学习的自适应代理，从而弥补这一差距，就能通过数据和深度集成建立持久的产品护城河。机会之窗很狭窄：许多行业已经在进行试点项目。未来几个季度，一些公司将建立几乎不可能破裂的供应商关系。

投资于能够从其数据、工作流程和反馈中学习的人工智能系统的组织，其转换成本会逐月递增。一家价值50亿美元的金融服务公司的首席信息官总结道：“我们目前正在评估五种不同的GenAI解决方案，但无论哪个系统学习能力最强、能够适应我们特定的流程，最终都会赢得我们的业务。一旦我们投入时间训练一个系统来理解我们的工作流程，转换成本就会变得高得令人望而却步。”

GenAI 的差距真实存在且意义深远，但并非不可逾越。那些了解其根本原因（学习差距、组织设计挑战和投资偏见）并采取相应行动的公司，才能真正驾驭人工智能的变革力量。然而，行动的时间有限，等待的成本正在呈指数级增长。