AI炒得再热，企业盈利为何还是缺失？那一步被忽略的人力与组织变革

“谁有1元1分跑的快群”_谁有1元1分跑的快群新摄影论坛如果能提供独特的对比视角和可操作框架，往往能在竞争中占据更有利位置。

在我观察这个行业多年后，如果是制造或零售这类实体属性较强的企业，我会建议先从一个小而美的场景化试点入手，同步做必要的流程微调，而不是一上来就堆全栈大模型。补齐行业专属的中间步骤，比单纯追逐最新技术模型更务实，也更可能让AI投资从成本转为真正的盈利驱动。不同行业AI盈利的路径差异，本质上反映了技术与业务融合的深度差距。

这件事远比媒体常说的“AI不赚钱”复杂。核心不在模型本身不够强大，而在于缺乏一套系统性的桥梁，将技术投资转化为可衡量的业务结果。95%的企业AI项目几乎没有可测量的P&L影响，尽管过去一年投入了数十亿美元，多数仍停留在实验阶段。

缺失的Phase 2本质上不是简单上线模型，而是系统性的流程重构、人类与AI的协作整合，以及真实场景下的持续评估迭代。内裤侏儒的笑话流传至今，正是因为它精准捕捉了“只管收集、不问怎么用”的荒诞逻辑。只堆积数据和工具，却缺乏清晰执行计划，再强大的模型也只是昂贵的摆设。早期不少AI投资项目最终令人失望，往往并非模型能力不足，而是数据质量、系统集成或业务流程调整不到位，导致输出无法转化为实际价值。

最近，MIT Technology Review的一篇文章用South Park的“underpants gnomes”梗精准捕捉了AI当前的尴尬处境：Step 1是构建数字超级智能，这一步企业已经基本完成；Step 3则是实现经济转型和利润爆发，高管们反复承诺这一点；可中间的Step 2却始终空白。MIT另一份关于企业AI状态的报告进一步刺破泡沫，显示约95%的生成式AI试点项目未能产生可衡量的P&L影响，仅有5%实现了快速收入加速。

企业决策者不妨现在就审视自家AI项目：是否有清晰的执行步骤？工具是否真正融入了日常工作流？从一个具体的小场景入手，比如部门内的重复文档处理或数据分析任务，先尝试整合测试效果，再逐步扩大规模，或许能避免大干快上带来的沉没成本。AI不是魔法棒，补齐中间这一步，才是真正拉开竞争差距的关键。

这一点目前行业内仍有不同声音。McKinsey等多份报告显示，70%以上企业有AI部署计划，但全公司级规模化率不足7%，与五年前上云早期阶段颇为相似。数据支持补齐执行环节的方向，但样本量和具体情境仍需更多验证。值得持续跟踪的是，如果企业愿意从小场景试点开始，明确人类-AI分工边界并建立迭代反馈循环，从收集到利润的路径或许会逐渐清晰起来。现在下结论为时尚早，但方向已足够明确。

最近，MIT Technology Review的一篇文章点出了当前AI发展的尴尬节奏：技术建模已基本完成，利润转型的宏大许诺也层出不穷，但中间的决策落地环节却严重缺失。类似South Park里“ underpants gnomes”的梗被反复引用，Step 1打造超级智能，Step 3宣称重塑商业，Step 2却一片空白。这件事远比表面上“AI不赚钱”复杂，根源在于决策智能中隐形的断层，让智能输出难以转化为可衡量的商业利润。

变革管理缺失同样致命。引入AI不是简单替换工具，而是要撕掉旧流程重新设计，这涉及心理安全、持续培训和挑战惯性的勇气。历史上不少数字转型项目就是因为忽略了这点，最终不了了之。AI时代，这个“人因盈利障碍”显得更加突出：短期内，95%的生成式AI试点没有产生可衡量的业务影响，企业投资容易打水漂；长期若不补上这一步，白领自动化加速，但整体生产力提升仍将有限。

Anthropic等机构的职场影响预测，与真实环境表现存在明显脱节。

当然，金融并非没有障碍。监管严格和责任归属模糊常常让规模化部署犹豫不决，谁为AI决策失误负责仍是悬而未决的问题。这一点目前行业内仍有不同声音。但总体看，金融AI最适合数据密集型决策任务。其缺失的中间步骤往往是“从试点到规模化合规集成”。一旦补上清晰的审计机制和责任链条，ROI兑现就会加速。方向是对的，但执行窗口可能比想象中短。

数据支持这个方向，但长期跟踪仍不可少。