企业AI落地为什么卡在“盈利”这一步

忽略任何一环，都可能让前期努力付诸东流。

三大行业的数据基础、集成难度和ROI兑现周期差异显著，金融在标准化和快速回报上领先，制造面临物理集成与流程改造的最大挑战，零售则卡在行为多变与行动闭环上。没有万能的AI盈利路径，关键在于认清自己行业的专属Step 2并优先补齐。值得持续跟踪的是，随着技术迭代，这个中间步骤的定义是否会进一步演化，现在下结论或许还为时尚早。

最近，MIT Technology Review的一篇文章重新点燃了行业对AI落地路径的讨论。它借用South Park《 underpants gnomes》 meme 来描述当前AI发展的尴尬：Step 1是构建强大的数字智能模型，Step 3是许诺企业转型与巨额利润，而Step 2——从智能输出到实际决策执行的中间环节——却严重缺失。

主流媒体和企业高管讨论AI时，焦点往往停留在模型参数规模、代理测试表现或就业影响预测上。Mercor的APEX-Agents基准测试了顶级模型在投资银行、咨询和法律领域的480个真实任务，结果首次成功率仅约24%，多次尝试后也难超40%。Anthropic等机构对职场任务的预测同样引发热议，但这些分析多基于模型能力，而非落地后的实际数据支撑。表面上看，失败常被归因于集成难度或业务不匹配，少有人直指数据混沌才是核心盲区。

深层问题在于云迁移的执行方式。不少企业仍采用简单的“lift-and-shift”策略，将遗留系统原封不动搬到云端，却未进行架构重构和优化。这种做法在短期内看似降低迁移门槛，但无法承载AI大规模推理、实时数据流动以及agentic工作流所需的弹性算力和低延迟访问。AI就绪基础设施需要云原生能力、打通的数据管道和可扩展环境，这些都不是传统“只搬不改”能提供的。

把三大行业放在一起看，差异非常清晰：金融的数据标准化程度最高，集成难度较低，ROI兑现周期最短，但监管压力最大；制造的数据碎片化和物理集成难度最高，周期更长；零售则居中，消费者端的不确定性是突出挑战。没有哪一个行业有万能的AI盈利路径，关键在于认清各自的Step 2并优先补齐。值得持续跟踪的是，随着技术成熟，这个行业剪刀差是否会缩小，现在下结论为时尚早。

这一点目前行业内仍有不同声音。数据清晰指向执行差距，但如果未来模型透明度和企业-研究者协作显著加强，盈利路径是否会加速清晰？还是hype泡沫会先破裂？值得持续跟踪，现在下结论仍为时尚早。

可现实中，很多人忽略了落地时的真实阻力。技术堆得再多，如果工作流程还是老样子，人也没准备好，AI就很难真正嵌入日常操作，更别提产生可衡量的利润。主流观点往往停留在“技术够用就行”的层面，却很少深挖技能和组织层面的障碍。这正是当前报道的盲区。

短期内，这种阵痛或将延续。更多试点项目面临预算浪费和信心下滑，部分直接下马，hype带来的高预期与现实落差可能放大泡沫风险。长期来看，行业将加速分化：那些愿意重构流程、建立真实世界评估机制并加强协作的企业，有望补齐缺失的一步，实现从采用到盈利的闭环。而多数企业仍可能在反复尝试中徘徊。这一点目前行业内仍有不同声音，值得持续跟踪，现在下结论为时尚早。

一家制造型中小企业的AI库存预测项目提供了可复制的实操参考。他们诊断出手动预测导致的年度额外成本约80万元后，定义目标为预测准确率提升至85%以上并提高库存周转率15%。试点三个月后，准确率升至87%，周转天数从45天降至38天，节省损失约45万元，首年ROI达到120%，回本周期不到半年。从“凭经验决策”到“数据驱动”，这一前后对比清晰可见，也说明从小范围验证起步能有效控制风险。

Anthropic的劳动力市场影响研究进一步提供了对照维度。他们发现，经理、建筑师、媒体从业者等岗位的任务暴露度较高，而一些体力或服务类职业相对较低。但这些预测更多基于模型理论能力，而非真实工作流中的整合表现。企业现有流程高度依赖历史路径、人力隐性知识和特定工具链，简单把AI“叠加”上去，往往会带来额外认知负荷和混乱，而不是效率跃升。

McKinsey 类调研数据印证了这一点。