不同行业AI盈利路径差异分析：从炒作到盈利的缺失中间步骤

企业反馈显示，集成难度和变更管理仍是主要痛点。

43%的组织已将遗留架构视为AI部署的主要障碍。如果云迁移仅止于搬迁而非现代化，AI就绪基础设施就难以成型，成本浪费只会进一步放大。

Anthropic关于LLM对劳动力市场影响的研究虽预测某些白领角色将受较大冲击，但研究者自己也承认，这些判断更多基于模型能力，而非实际职场验证，样本和时间窗口都还存在局限。

Mercor在2026年初发布的APEX-Agents基准测试进一步放大了这一痛点。该测试用投资银行分析师、管理咨询师和公司律师的真实专业任务考验OpenAI、Anthropic等前沿模型的AI代理，结果显示即使最强模型，首次尝试成功率也仅在24%左右，大部分复杂跨应用、长周期操作以失败告终。这与Anthropic劳动力市场影响研究中对经理、建筑师等角色的高暴露度预测形成鲜明对比：理论潜力不等于实际经济产出。

更直接的证据来自Mercor今年2月发布的APEX-Agents基准测试。他们让基于顶级模型的AI代理处理银行分析师、管理咨询师和公司律师的480项真实任务，这些任务通常需要从业者一两个小时完成。结果显示，即使表现最好的代理，首次尝试成功率也仅在24%左右，多次尝试后也远未达到可靠水平。AI在隔离环境中看似强大，但在需要处理模糊性、跨应用上下文和战略判断的真实场景中，大多表现不佳。

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。

深层瓶颈在于那个缺失的“中间步骤”。Anthropic的劳动市场影响研究显示，经理、建筑师等知识密集岗位的任务暴露度较高，但这更多基于理论能力而非实际表现。Mercor在2月发布的APEX-Agents基准测试则更直接：顶级模型驱动的AI代理处理银行分析师、管理咨询师和公司律师的480项真实任务时，首次尝试成功率仅约24%，即使多次重试也远未达到可靠水准。

最近，MIT Technology Review的一篇文章用South Park经典的“内裤小精灵”梗精准捕捉了当前AI发展的尴尬处境：Step 1是打造数字超级智能，企业已经基本完成；Step 3是实现经济转型和利润增长，高层们也反复在公开场合许诺。但中间的Step 2，却是一片巨大的空白。企业投入巨资推动AI试点，表面上看技术门槛不断降低，可现实中大多数项目难以跨越从炒作到真正盈利的鸿沟。

深层来看，缺失的步骤本质上是让AI在“沾染了人和现有流程”的真实环境中实现经济可行性。单纯将AI工具叠加到既有工作中，往往无法释放预期价值，甚至会增加额外摩擦。因为工作流充满路径依赖、人际协调和上下文适应，而非实验室里的干净任务。历史上的IT革命也曾面临类似困境，企业需要数年时间调整组织结构和流程，才能真正看到回报。技术已经就位，但利润从来不是自动掉下来的。

企业AI从技术演示到实际盈利的路径上，始终存在一个被低估的执行缺口。MIT Technology Review近期报道指出，许多公司已完成模型构建和变革宣传，却在落地环节普遍卡壳。数据显示，95%的生成式AI试点项目未能产生可衡量的P&L影响，仅有少数实现了快速营收加速。这一现象与几年前企业上云的早期阶段颇为相似，但AI的时间窗口可能更短，容错空间也更有限。

被长期忽略的最底层环节，正是数据基础设施建设。企业积累的数据往往碎片化地散落在不同系统，格式不统一、标签标准不一致、质量参差不齐，导致AI在生产环境中输出不稳定甚至产生合规风险。MIT等多份报告反复指出，数据准备不足是95%试点无显著回报的主因之一；Gartner则预测，到2026年，缺乏AI就绪数据支持的项目中约60%将被放弃。干净、可信、结构化的数据生成机制，才是从数据混沌走向实际盈利的关键桥梁。

短期看效果不明显，但拉长周期后，同城1元1分红中麻将群带来的复利会逐步释放。