多数企业AI项目盈利缺失的根源：忽略了数据基础设施这一最底层步骤

通过数据支撑、对比分析和判断提炼，提供有观察力的框架，才是长期有效的策略。

对决策者而言，现在是审视自家AI项目的时候了。问问自己：是否有明确的执行步骤，将AI真正嵌入日常工作流，而不是偶尔调用？建议从一个小而具体的场景入手，比如部门内的文档处理或数据分析，先完成流程整合测试，再考虑规模化，避免全盘收集带来的浪费。补齐这一步，企业才能真正走出“内裤侏儒”陷阱，让AI从工具变成生产力。

最近，MIT Technology Review用South Park“内裤精灵”的经典梗，精准戳中了当前AI投资的尴尬现实：企业忙着收集“内裤”（完成技术试点和模型部署），却在中间那一步彻底卡壳，导致承诺的盈利变革迟迟无法落地。数据显示，约95%的生成式AI试点项目几乎没有可测量的P&L影响，尽管过去一年企业在这上面投入了数十亿美元。

当前数据显示，这种缺失正带来连锁反应。S&P Global报告显示2025年已有42%的公司放弃了大部分AI项目，MIT相关调研也指出95%的AI试点未能产生可衡量的P&L影响。短期内，更多企业将面对ROI失望、项目闲置或形式主义疲劳；长期来看，那些认真补齐Phase 2的企业——通过透明协调机制和工作流重新设计——有望实现从数据到盈利的跨越，而停留在hype阶段的则可能被市场逐步淘汰。

值得持续跟踪的是，少数领先者已开始从定义P&L挂钩的业务目标入手，挑选高价值场景建立基线并测试重构方案。但对大多数组织而言，究竟需要多大决心推动跨部门对齐，才能让AI投资真正落地，仍是一个开放的问题。数据支持这个方向，但样本量和执行变量都提醒我们，现在下结论或许为时尚早。

历史IT革命提供了一个类比。新技术引入后，企业往往需要数年时间打破路径依赖、调整组织结构和优化流程，才能释放真正价值。AI面临同样的挑战：工作流不是实验室里的干净环境，而是充满人际互动和上下文适应的系统。技术已经就位，但利润不是自动掉下来的。

真实用户反馈却描绘出另一幅图景。Mercor的APEX-Agents基准测试显示，即使是Gemini 3 Flash等前沿模型驱动的代理，在专业人士设计的复杂任务中也大多失败。这些任务涉及投资分析、战略咨询和公司法务，平均耗时1-2小时，依赖跨系统协作和模糊判断。问题核心在于，AI难以深度整合“污染”严重的工作流：历史数据、人工决策和例外处理交织其中，简单叠加反而增加纠错负担。

主流声音仍充满乐观。OpenAI首席科学家Jakub Pachocki等业内人士反复强调AI是“经济转型技术”，Anthropic的报告预测管理、建筑和媒体等领域岗位将面临显著重塑，而体力劳动岗位受影响较小。初期试用中，不少企业和职场人反馈AI在文档处理、代码生成或数据分析上效率提升明显，似乎落地只是时间问题。

表面上看，行业乐观情绪依然主导。OpenAI等机构的科学家反复强调AI是“economically transformative technology”，主流媒体也频繁报道大模型如何重塑生产力。不少企业高管和从业者认为，只要上线工具，效率提升自然带来利润增长。许多公司确实砸下重金，内部测试中AI表现抢眼，似乎盈利只是时间问题。但这些乐观往往停留在隔离环境或简单场景，忽略了职场真实测试中反复出现的失败案例。

短期内，这种阵痛或将延续。更多企业完成初期尝试后，会面临预算浪费和团队信心下滑，部分项目直接下马。市场hype与现实落差进一步放大了泡沫风险，而反AI声音可能借此升温。但我的判断是，这一阶段的分化已经开始显现——执行能力强的组织正悄然拉开差距。

缺失的Phase 2远非简单上线模型那么肤浅。它要求企业系统重构工作流程、建立人类与AI的协作边界，并在真实场景中持续评估迭代。内裤侏儒的笑话之所以刺痛人心，就在于它揭示了“只管收集不管转化”的逻辑漏洞。早期不少AI投资项目最终让人失望，往往不是模型能力不足，而是数据质量、系统集成与业务流程调整的脱节，让输出无法落地为价值。少了这个执行计划，再先进的模型也只是服务器里昂贵的摆设。

在谁有一块1分跑的快群的赛道上，SEO资讯站看到专业化浪潮的兴起。