生产力低下：人工智能项目对95%的公司来说没有带来可衡量的回报，以及它们（必须）如何避免这种情况

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：人工智能项目对95%的公司来说没有带来可衡量的回报，以及它们（必须）如何避免这种情况——图片来源：Xpert.Digital

当企业人工智能的应用变得不可或缺时：行业专属人工智能解决方案将成为竞争优势

重要须知！人工智能悖论：为什么数十亿美元的投资付诸东流。

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，但95%的公司并未获得可衡量的投资回报。麻省理工学院一项针对2025年的综合研究揭示了这一令人警醒的评估结果，凸显了预期与现实之间的巨大差距。虽然这项技术每天都占据新闻头条，并被誉为未来生存的关键，但绝大多数公司都未能从其人工智能项目中创造真正的价值。.

人工智能世代差距：经济中一条看不见的鸿沟

麻省理工学院创造了“世代人工智能鸿沟”（GenAI gap）一词来描述这种现象——少数公司从人工智能中获益，而绝大多数公司仍深陷无休止的试点阶段，两者之间存在着巨大的鸿沟。这种鸿沟并非技术问题，而是组织上的失败，其后果影响深远。.

数据本身就说明了一切：目前只有 5% 的集成人工智能试点项目产生了可衡量的价值，而其余 95% 的项目对损益表没有任何影响。考虑到 ChatGPT 和 Microsoft Copilot 等消费级工具的普及率很高，这种差异就显得更加引人注目。大约 80% 的组织正在测试这些平台，近 40% 的组织已经部署了这些平台。.

该研究结果基于对300多个公开人工智能应用案例的系统分析，以及对来自不同行业的153位高管的结构化访谈。这项研究于2025年1月至6月期间开展，揭示了人工智能发展初期阶段的四个典型特征：仅在八个关键行业中的两个行业受到有限影响；企业内部存在试点活动频繁但规模化程度低的悖论；投资偏好偏向于可见功能；以及外部合作比内部开发更具实施优势。.

工作懈怠：人工智能生产力的隐形毒药

研究发现的一种特别有害的现象被称为“工作垃圾”（Workslop），这个词是由“工作”（work）和“垃圾”（slop）组合而成，指的是人工智能生成的作品内容。这些作品表面上看起来很专业，但仔细检查后会发现它们不完整且无法使用。这种看似精雕细琢却缺乏实质内容的作品，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，而不是减轻了工作量。.

工作垃圾的影响不容小觑：在接受调查的1150多名美国全职员工中，40%的人表示上个月收到过此类内容。员工估计，他们收到的工作文档中平均有15.4%属于此类。专业服务和科技行业受到的影响尤为严重，这些行业中此类现象的发生频率高于平均水平。.

经济损失巨大：每次“工作失误”事件平均每月会给公司造成每位员工186美元的损失。对于拥有1万名员工的企业而言，每年累计损失将超过900万美元。但其社会和情感损失可能更为严重。53%的受害者表示感到恼火，38%感到困惑，22%认为内容令人反感。.

同事间的信任度显著下降：约一半的接收者认为发送工作垃圾信息的同事缺乏创造力、能力和可靠性。42%的人认为他们不太值得信任，37%的人认为他们不够聪明。三分之一的受影响者表示，未来他们更愿意减少与这类同事的合作。这种工作关系的恶化威胁到协作的关键要素，而这些要素对于成功应用人工智能和进行变革管理至关重要。.

结构性学习差距：企业失败的原因

核心问题不在于技术本身，而在于影响人工智能系统和组织的根本性学习鸿沟。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改进自身性能。这些局限性导致即使是那些在个人生活中每天使用 ChatGPT 的专业人士，也会拒绝公司内部的人工智能部署。.

一个特别引人注目的例子来自一位律师，她反映其所在律所价值 5 万美元的合同分析工具的表现始终不如她每月 20 美元订阅的 ChatGPT。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基于类似的模型，但它们往往能提供更好的结果。.

企业人工智能被低估的弱点——以及消费者工具如何超越它。

ChatGPT 等价格低廉的消费级人工智能工具之所以能显著优于昂贵的企业级解决方案，可以归因于以下几个具体原因。主要问题在于，企业级人工智能系统虽然高度专业化且成本高昂，但其开发往往忽略了用户的关键需求以及模型的动态演进。消费级工具通常更加灵活、直观，并且经过数百万次用户交互的优化，性能更佳。而企业级系统则受限于复杂的集成、数据孤岛和僵化的工作流程，并且往往无法永久存储用户反馈。.

关键问题在于缺乏适应性：企业解决方案往往一次性部署，后续开发进展缓慢，而消费级人工智能工具则会根据用户反馈和现有知识持续进行训练。借助 ChatGPT，用户可以直接在对话中提问，改变输入内容，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，使用预定义的、通常过时的文本模块，导致其灵活性和响应速度都非常差。.

此外，集成和管理工作量巨大：昂贵的解决方案必须适应公司流程、数据保护准则和接口，而且由于系统性限制过多，它们已无法跟上消费类产品创新的步伐。尤其对于合同分析等特定任务，通用模型通常效率更高，因为它们涵盖更广泛的知识，并且可以通过更好的提示由用户直接控制。定制的企业级人工智能往往缺乏有意义的数据基础，无法独立扩展其上下文并进行学习。.

因此，所有这些方面都导致了一个自相矛盾的情况：尽管在看似量身定制的企业人工智能上投入了大量资金，但其结果往往不如更便宜、更灵活的消费级解决方案那样相关、实用或准确，而后者可以直接适应用户的特定需求，无需绕道。.

主流人工智能工具的隐形局限性

消费级人工智能工具通常针对主流话题和通用任务进行优化。它们所基于的训练数据通常来自公开渠道，例如互联网、公共文本和常见的日常示例。这使得它们在处理常见问题、通用文本或标准流程方面尤为有效——例如，撰写营销文案、回复电子邮件或自动化简单的日常任务。.

然而，需求越专业化，通用型消费人工智能的局限性就越明显。一旦涉及行业特定或业务关键型任务，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训练。例如，涉及复杂法律术语的合同分析、技术报告或B2B领域高度个性化的流程等任务，往往无法有效实现自动化，因为人工智能不了解相关上下文，或者无法可靠地解读上下文。.

这一点在高度专业化的行业以及具有特定公司需求的领域尤为明显。可公开获取的信息越少——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，此类系统可能给出错误或不完整的建议，在最坏的情况下，甚至会阻碍关键业务流程或导致误判。.

实际上，这意味着消费级人工智能工具通常足以应对主流任务；然而，随着专业化程度的提高，这些工具的失败率会显著增加。因此，那些依赖行业特定知识、精确流程验证或广泛定制的公司，从长远来看，拥有专业数据库和定制化训练的企业级解决方案才是更明智的选择。.

人工智能规模化发展的真正障碍不在于智能本身，而在于人们对灵活性的过高期望阻碍了它的发展。

人工智能成功扩展面临诸多障碍：首先也是最重要的是用户不愿采用新工具，其次是对模型质量的担忧。尤其值得注意的是，这些质量担忧并非源于客观的性能缺陷，而是因为用户习惯了消费级工具的灵活性和响应速度，从而认为静态的企业级工具不够完善。.

对于业务关键型任务，这种差距更加显著：70% 的用户更倾向于使用人工智能来完成撰写邮件或进行基础分析等简单任务，而 90% 的用户则更倾向于使用人工来完成复杂项目或客户支持。分界线并非在于智能水平，而在于记忆力、适应能力和持续学习能力。.

影子人工智能经济：职场中一场隐秘的人工智能革命

在官方人工智能计划令人失望的同时，“影子人工智能经济”正在蓬勃发展，员工们经常在未经IT部门知情或批准的情况下，使用个人人工智能工具完成工作任务。其规模令人震惊：虽然只有40%的公司表示购买了官方的LLM订阅服务，但超过90%的受访公司员工表示经常将个人人工智能工具用于工作。.

这种平行经济模式揭示了一个关键点：如果个人能够使用灵活、响应迅速的工具，他们就能成功弥合人工智能与世代之间的鸿沟。那些认识到这一模式并加以利用的组织，代表着企业人工智能应用的未来。一些具有前瞻性的公司已经开始通过学习影子使用经验，并在购置企业级替代方案之前分析哪些个人工具能够带来价值，从而弥合这一鸿沟。.

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

华而不实：为什么GenAI投资常常误入歧途

投资错配：注重表面功夫而非实质内容

GenAI差距的另一个关键方面体现在投资模式上：大约50%的GenAI预算分配给了销售和市场营销部门，尽管后台自动化通常能带来更高的投资回报率。这种偏差并非反映了真正的价值，而是因为更容易将指标分配给更显眼的领域。.

销售和市场营销部门之所以在预算分配中占据主导地位，不仅是因为它们的可见性高，还因为诸如演示量或电子邮件回复速度等结果与董事会层面的指标直接相关。另一方面，法务、采购和财务部门带来的效率提升则更为隐蔽，例如减少违规行为、优化工作流程或加快月末结算——这些改进固然重要，但却难以有效传达。.

这种投资偏好加剧了人工智能世代差距，它将资源导向那些显而易见但往往变革性较小的应用场景，而后台功能中最具投资回报率的机会却资金不足。此外，寻求社会认同感对购买决策的影响远大于产品质量：推荐、现有关系和风险投资资金仍然是企业采纳人工智能的更有效预测因素，而非功能或特性集。.

结构差异：企业级人工智能与消费者级人工智能

企业级人工智能和消费级人工智能之间的根本差异可以解释许多观察到的问题。消费级人工智能侧重于改善客户体验和个性化服务，而企业级人工智能旨在优化组织流程、确保合规性，并为复杂的业务需求提供可扩展的解决方案。.

企业级人工智能需要深厚的领域专业知识，并且通常采用监督学习技术来实现以关键绩效指标 (KPI) 为导向的结果。它必须集成到复杂的 IT 环境中，满足监管要求，并实施强大的数据安全措施。而消费级人工智能则优先考虑易用性和即时满足感，往往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同样的底层模型在消费级应用中表现出色，但在企业环境中却会失败。企业级人工智能不仅要在技术上发挥作用，还要与现有业务流程集成，满足治理要求，并展现出长期的价值创造能力。.

成功策略：那5%的人如何弥合差距

少数成功弥合人工智能世代差距的公司遵循着一种可识别的模式。它们对待人工智能初创公司并非软件供应商，而是将其视为业务服务提供商，类似于咨询公司或业务流程外包合作伙伴。这些组织要求对内部流程和数据进行深度调整，基于运营结果而非模型基准来评估工具，并将部署视为一个在早期失败中共同演进的过程。.

尤其值得注意的是，外部合作的成功率大约是内部研发的两倍。战略合作的成功率高达 67%，而内部研发的成功率仅为 33%。这些合作通常能够更快地实现价值、降低总成本，并更好地与运营流程相契合。.

成功的采购方会优先考虑来自一线经理而非集中式实验室的AI项目，从而赋予预算负责人和领域经理识别问题、评估工具和主导推广的权力。这种自下而上的采购模式，加上高管的责任制，能够加速AI的普及应用，并确保其与运营的契合度。.

行业颠覆：技术引领，其他因素犹豫不决。

人工智能世代差距在行业层面显而易见。尽管投入巨大且试点活动广泛开展，但在九大主要行业中，只有科技和媒体/电信这两个行业呈现出明显的结构性变革迹象。其他所有行业仍然被困在转型浪潮的逆境中。.

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转变的局面。媒体和电信行业正经历着人工智能原生内容的兴起和广告格局的改变，尽管老牌公司仍在持续增长。专业服务行业的效率有所提高，但客户服务水平基本保持不变。.

传统行业的情况尤为严峻：能源和材料行业几乎没有采用人工智能技术，实验也寥寥无几。先进行业也仅限于维护试点，并未对供应链进行重大变革。这种投资与颠覆性变革之间的差距，从宏观层面揭示了人工智能世代的鸿沟——广泛的实验却缺乏真正的变革。.

德国视角：特殊挑战与机遇

德国企业在人工智能应用方面面临着独特的挑战。仅有6%的德国企业为人工智能做好了充分准备，这一比例较上年有所下降。在国际比较中，德国在欧洲企业人工智能准备程度排名中仅位列第六。.

一个尤其令人担忧的问题是，84%的德国高管担心，如果无法在未来18个月内实施人工智能战略，将会面临负面后果。与此同时，四分之三的德国公司尚未制定任何人工智能指导方针。只有40%的公司拥有足够的专业人员来满足人工智能方面的需求。.

德国企业面临的主要障碍包括技术工人短缺（34%，而全球平均水平为28%）、网络安全和合规挑战（33%）以及数据基础设施可扩展性挑战（25%）。监管的不确定性、文化上的保留态度以及对技术的一定程度的怀疑态度都加剧了这些问题。.

尽管如此，机遇正在涌现：德国企业可以将自身在精度和质量方面的优势与人工智能创新相结合。在机械工程和汽车行业等领域，人工智能可以帮助优化流程并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不会疲倦，能够挖掘出最后那几个百分点的完美点。.

智能体人工智能：进化的下一个阶段

解决学习差距的关键在于所谓的智能体人工智能——这类系统从一开始就集成了持久记忆和迭代学习。与当前每次都需要完整上下文信息的系统不同，智能体系统能够保留持久记忆，从交互中学习，并能自主地协调复杂的工作流程。.

早期企业实验表明，客户服务代理可以处理完整的端到端查询，财务处理代理可以监控和批准日常交易，销售渠道代理可以跟踪跨渠道的互动情况，这些实验证明了自主性和记忆功能如何解决已确定的核心差距。.

支持这一转型的基础设施是通过模型上下文协议 (MCP)、代理间协议 (A2A) 和 NANDA 等框架构建的，这些框架实现了代理间的互操作性和协调性。这些协议允许专业代理进行协作，而非依赖单一系统，从而促进了市场竞争和成本效益。.

为企业提供的实用解决方案

致力于弥合人工智能与人类发展差距的企业应采取多种策略。首先，至关重要的是避免盲目授权：当高管们在任何场合、任何时间都倡导使用人工智能时，他们实际上是在示范如何缺乏对技术应用的判断力。人类发展并非适用于所有任务，也无法读懂人心。.

员工的心态至关重要：研究表明，那些兼具高度自主性和高度乐观精神的员工——即所谓的“飞行员”——在工作中使用人工智能的频率比那些自主性和乐观精神较低的“乘客”高出75%。飞行员会主动使用人工智能来实现目标并提升创造力，而乘客则更倾向于使用人工智能来逃避工作。.

尤其应该重视重新聚焦协作。人工智能成功运行所需的许多任务——例如提供提示、反馈和描述上下文——都需要协作。如今的工作越来越需要协作，不仅是与人类的协作，也包括与人工智能的协作。“工作效率低下”就是一个很好的例子，它体现了人工智能带来的新型协作模式，这种模式非但没有提高生产力，反而阻碍了生产力的发展。.

组织成功因素和变革管理

成功的AI实施需要特定的组织架构。最成功的公司会分散实施权限，同时保持问责制。他们授权一线经理和领域专家识别应用场景并评估工具，而不是仅仅依赖集中式的AI职能部门。.

尤其重要的是要从影子人工智能经济中汲取经验。许多最成功的企业部署都始于高级用户——那些已经尝试过 ChatGPT 或 Claude 等工具来提高个人效率的员工。这些“产消者”对通用人工智能的功能和局限性有着直观的理解，并成为公司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纳率，而企业人工智能的评估则必须基于业务成果和流程改进。企业需要学会量化和传达那些细微但重要的改进，例如合规性违规行为的减少或工作流程的加速。.

机会之窗正在关闭

弥合世代人工智能差距的窗口正在迅速关闭。企业对能够随时间推移而适应的系统的需求日益增长。微软 365 Copilot 和 Dynamics 365 已经集成了持久记忆和反馈循环。OpenAI 的 ChatGPT 记忆测试版也表明，通用工具也面临着类似的需求。.

那些迅速行动、开发能够从反馈、使用情况和结果中学习的自适应代理来弥合这一差距的初创公司，可以通过数据和集成深度建立持久的产品优势。机会窗口稍纵即逝：许多行业的试点项目已经启动。在接下来的几个季度里，多家公司将建立起几乎无法分割的供应商关系。.

投资于能够从自身数据、工作流程和反馈中学习的人工智能系统的企业，其转换成本会逐月增加。一家市值50亿美元的金融服务公司的首席信息官简洁地指出：“我们目前正在评估五种不同的全息人工智能解决方案，但最终赢得我们业务的，将是学习能力最强、适应我们特定流程的系统。一旦我们投入时间训练系统理解我们的工作流程，转换成本就会变得难以承受。”.

人工智能世代差距真实存在且影响深远，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，确实能够驾驭人工智能的变革力量。然而，行动的时间有限，等待的代价正在呈指数级增长。.