雷火竞技首页

【MIT】2025年商业人工智能现状
发布时间:2025-09-03
 95%的组织回报率为零。这种差异在采购方(企业、中型市场、中小企业)和构建方(的集成人工智能试点项目创造了数百万美元的价值,而绝大多数项目仍未对损益产生可衡量  像ChatGPT和Copilot这样的工具被广泛采用。超过80%的组织已经对它们进行了探索或试点,近40%的组织表示已进行部署。但这些工具主要提高的是个人生产力,而非盈亏表现。与此同时,企业级系统,无论是定制的还是供应商销售的,都在悄

  95%的组织回报率为零。这种差异在采购方(企业、中型市场、中小企业)和构建方(的集成人工智能试点项目创造了数百万美元的价值,而绝大多数项目仍未对损益产生可衡量

  像ChatGPT和Copilot这样的工具被广泛采用。超过80%的组织已经对它们进行了探索或试点,近40%的组织表示已进行部署。但这些工具主要提高的是个人生产力,而非盈亏表现。与此同时,企业级系统,无论是定制的还是供应商销售的,都在悄然遭到摒弃。60%的组织对这类工具进行了评估,但只有20%进入了试点阶段,仅有5%进入了实际应用阶段。大多数失败的原因在于工作流程脆弱、缺乏情境学习能力,以及与日常运营不匹配。

  通过我们的访谈、调查以及对300个公开应用案例的分析,出现了四种模式,它们界定了生成式人工智能鸿沟。

  ·投资偏见:预算倾向于可见的、直接产生收益的职能部门,而非高投资回报率的后台部门

  扩大规模的核心障碍并非基础设施、监管或人才。而是学习。大多数生成式人工智能系统无法留存反馈、根据上下文进行调整.或随着时间推移而改进。

  一小部分供应商和采购商通过直接解决这些限制,正在取得更快的进展。成功的采购商要求针对特定流程进行定制,并根据业务成果而非软件基准来评估工具。他们期望

  与现有流程集成并随时间推移不断改进的系统。满足这些期望的供应商在几个月内就能获得数百万美元的部署项目。

  虽然大多数应用并没有导致裁员,但已经跨越生成式人工智能分水岭的企业,开始在客户支持、软件工程和行政职能等方面,看到对员工的选择性影响。此外,表现最佳的企业表示,由于减少了业务流程外包支出和外部机构的使用,尤其是在后台运营方面,实现了可观的成本节省。还有企业提到,通过自动外联和智能跟进系统,提高了客户留存率和销售转化率。这些早期成果表明,具备学习能力的系统,若针对特定流程,即便不进行大规模的组织架构重组,也能带来实际价值。

  要点:大多数组织处于生成式人工智能分化的不利一方,采用率高,但颠覆性低。九个行业中有七个几乎没有结构性变化。企业正在试用生成式人工智能工具,但很少进入部署阶段。像ChatGPT这样的通用工具被广泛使用,但定制解决方案由于集成的复杂性以及与现有工作流程不匹配而停滞不前。

  在审视行业层面的转型模式时,生成式人工智能应用差距最为明显。尽管有备受瞩目的投资和广泛的试点活动,但只有一小部分组织超越了试验阶段,实现了有意义的业务转型。

  要点:生成式人工智能的分化在行业层面表现得十分明显,尽管生成式人工智能备受瞩目,但只有两个行业(科技和媒体)呈现出明显的结构性变革迹象,而其他七个行业仍处于转型 的不利境地。

  尽管有引人注目的投资,但行业层面的变革仍然有限。生成式人工智能已应用于支持、内容创作和分析等应用场景,但与过去的通用技术相比,很少有行业出现深层次的结构性转变,比如新的市场领导者、被颠覆的商业模式或客户行为的可衡量变化。

  为了更好地量化颠覆程度,我们制定了一个综合人工智能市场颠覆指数。根据五个可观察指标,每个行业的得分从0到5分不等。这些得分代表了五个维度的标准化平均值,是通过公开指标 和访谈评估得出的。我们还测试了其他加权方案,以确认行业排名的一致性:

  敏感性分析:我们对五个干扰指标测试了不同的权重。在所有合理的加权方案中,科技以及媒体与电信行业均保持最高排名,而医疗保健和能源行业的排名一直很低。专业服务行业对权重变化最为敏感,根据对效率提升与结构变革的侧重不同,得分在1.2到2.1之间。

  各主要行业中有七个呈现出显著的试点活动,但几乎没有结构性变化。投资与颠覆之间的这种差距直接大规模地体现了生成式人工智能鸿沟,即广泛开展试验却未实现转型。

  “领英上的炒作声称一切都已改变,但在我们的运营中,没有任何根本性的变化。我们处理某些合同的速度更快了,但这就是所有的改变。”

  要点:生成式人工智能在部署率方面的差距最为明显,只有5%bwin官网的定制企业人工智能工具投入生产。聊天机器人之所以成功,是因为它们易于试用且灵活,但由于缺乏记忆和定制性,在关键工作流程中却表现不佳。这种根本差距解释了为什么大多数组织仍处于差距的不利一端。

  我们的研究显示,在生成式人工智能应用工具和试点的调查与实际实施之间存在大幅落差,通用解决方案和定制解决方案之间也存在显著差异。

  研究局限性:这些数据基于个人访谈,在趋势上准确,但并非来自公司官方报告。样本数量因类别而异,不同组织对成功的定义可能也有所不同。

  图表:特定任务生成式人工智能工具从试点到量产的急剧下降揭示了生成式人工智能的差距

  研究报告:我们将特定任务生成式人工智能工具的成功实施定义为,用户或高管认为其对生产力和/或损益产生了显著且持续的影响。

  企业人工智能解决方案95%的失败率,是生成式人工智能鸿沟最明显的体现。处于错误一端的组织仍在继续投资那些无法适应其工作流程的静态工具,而跨越这一鸿沟的组织则专注于具备学习能力的系统。

  通用大语言模型聊天机器人似乎呈现出较高的试点到实施比例(约83%)。然而,这掩盖了感知价值上的更深层次分歧,并揭示了为什么大多数组织仍被困在分歧的错误一边。

  在采访中,企业用户对ChatGPT和Copilot等消费级工具的体验评价始终积极。这些系统因灵活性、易用性和即时实用性而受到赞誉。然而,同样是这些用户,却对定制或供应商推销的人工智能工具极为怀疑,称它们脆弱、过度设计,或与实际工作流程不符。

  正如一位首席信息官所说:“今年我们看过几十个演示。可能只有一两个确实有用。其余的要么是包装.要么是科研项目。”

  虽然启动试点项目时,热情和预算往往是充足的,但将这些试点转化为具有持久价值、融入工作流程的系统的情况却依然少见,这种模式正是那些处于生成式人工智能鸿沟不利一侧的组织所经历的。

  这里定义的企业,指的是年收入超过1亿美元的公司,它们在试点数量上处于领先地位,并为人工智能相关项目分配了更多员工。然而,这种投入强度并未转化为成功。这些组织的试点转规模转化率是最低的。

  相比之下,中型市场企业的行动更为迅速果断。表现最佳的企业报告称,从试点到全面实施的平均时间为90天。相比之下,大型企业则需要9个月或更长时间。

  要点:虽然企业的官方举措仍在生成式人工智能鸿沟的错误一侧停滞不前,但员工已经通过个人人工智能工具跨越了这一鸿沟。这种“影子人工智能”往往比正式举措带来更好的投资回报率,并揭示了真正有助于弥合这一鸿沟的方法。

  在令人失望的企业部署数据背后,隐藏着一个惊人的现实:人工智能已然在改变工作,只不过并非通过官方渠道。我们的研究发现了一个蓬勃发展的“影子人工智能经济”,员工们常常在未经信息技术部门知晓或批准的情况下,使用个人的ChatGPT账号、Claude订阅服务以及其他面向消费者的工具,将工作中的很大一部分实现自动化。

  这种规模十分惊人。虽然只有40%的公司表示他们购买了官方大语言模型(LLM)的订阅服务,但在我们调查的公司中,超过90%的公司员工表示会经常使用个人人工智能工具来完成工作任务。事实上,几乎每个人都以某种形式在工作中使用过大语言模型。

  在许多情况下,影子人工智能用户表示,在每周的工作时间里,他们每天都会通过个人工具多次使用大语言模型,而他们公司的官方人工智能项目仍停留在试点阶段。

  这种影子经济表明,当个人能够使用灵活、响应迅速的工具时,他们能够成功跨越生成式人工智能鸿沟。认识到这一模式并加以利用的组织,代表了企业采用人工智能的未来。

  具有前瞻性思维的组织开始通过研究影子使用情况,并分析哪些个人工具能带来价值,进而在采购企业替代工具之前弥补这一差距。

  要点:投资分配揭示了生成式人工智能应用中的差异,50%的生成式人工智能预算用于销售和营销,但后台办公自动化往往能产生更高的投资回报率。这种偏向反映的是指标更易于归因,而非实际价值,导致企业将重点放在了错误的优先事项上。

  从功能重点来看,生成式人工智能工具的投资高度集中。由于各组织尚未对生成式人工智能支出进行正式量化,我们请高管们将假设的100美元分配给不同职能部门。在我们的调查中,销售和营销职能部门获得了各组织人工智能预算分配的约70%。

  研究笔记:虽然在高管访谈中,生成式人工智能投资的总体功能分配(例如,约50%用于销售与营销)相对一致,但子类别和用例细分充其量只能作为参考方向。子类别反映的是综合笔记和传闻模式,而非精确核算。公司类型会导致显著差异。例如,制造商和医疗服务提供商通常将极少的投资用于销售与营销,而在运营方面投入过多。科技和媒体公司通常优先考虑营销、内容和开发者生产力。专业服务公司则倾向于文档自动化以及法律/合规工具。

  销售和市场营销占据主导地位,不仅是因为其可见性,还因为其成果易于衡量。诸如演示数量或邮件回复时间等指标,可直接与董事会层面的关键绩效指标(KPI)相对应。

  相比之下,法务、采购和财务职能部门带来的效率提升更为隐性。这包括减少合规违规行为、简化工作流程或加快月末结算流程,这些虽然很重要,但在管理层沟通或投资者汇报中却很难凸显出来。

  “如果我购买一种工具来帮助我的团队更快地工作,我该如何量化这种影响呢?当它不会直接增加收入或降低可衡量的成本时,我又该如何向我的首席执行官证明其合理性呢?我可以辩称它能帮助我们的科学家更快地获得他们所需的工具,但这与对底线的影响还有一定距离。”

  这种投资偏向将资源导向那些引人瞩目但往往变革性较小的应用场景,从而延续了生成式人工智能领域的差距,而后台职能部门中投资回报率最高的机会却始终资金不足。

  除了衡量方面的挑战,信任和社会认同在购买决策中仍然起着决定性作用。一家大型消费品公司的采购主管道出了许多买家面临的两难境地:

  “我每天都会收到大量电子邮件,声称能提供最佳的生成式人工智能解决方案。有些演示令人印象深刻,但真正的挑战在于建立信任。收件箱里充斥着如此多的选择,我们在很大程度上依赖同行推荐以及人脉关系的引荐。”

  这凸显了一个更普遍的模式:仅靠产品质量往往是不够的。与功能或特性集相比,推荐、先前的关系以及风投的引荐,仍然是企业采用产品与否的更有力预测指标。

  导致各机构处于生成式人工智能鸿沟不利一侧的主要因素是学习差距,以及工具无法学习、整合性差或与工作流程不匹配。用户在处理简单任务时倾向于使用ChatGPT,但由于其缺乏记忆功能,在处理关键任务时便会弃用它。所欠缺的是具备适应、记忆和进化能力的系统,而这些能力正是区分鸿沟两侧的关键所在。

  要点:首要障碍反映了造成生成式人工智能差距的根本性学习鸿沟:用户抵触无法自适应的工具,模型在缺乏上下文时质量不佳,而当系统无法记忆时用户体验就会变差。即便是ChatGPT 的忠实用户,也不信任不符合他们期望的内部生成式人工智能工具。

  为了弄清楚为什么很少有生成式人工智能试点项目能迈过试验阶段,我们对52家机构的高管发起人和一线用户进行了调查。参与者被要求按照1到10的频率等级,对推广过程中常见的障碍进行打分,10分代表最常遇到的障碍。

  结果显示出一个意料之中的首要因素:抗拒采用新工具。然而,第二大障碍的影响比预期更为显著。

  图表:生成式人工智能应用试点为何失败:企业推广人工智能的主要障碍要求用户对每个问题按1-10分进行评分

  研究提示:这些得分反映的是报告的频率,而非对障碍影响的客观衡量,且可能因行业和组织规模而有显著差异。

  起初,对模型质量的高度关注似乎有悖常理。ChatGPT及类似工具在消费者中的使用率激增,超40%的知识工作者个人在使用人工智能工具。然而,同样是这些将此类工具融入个人工作流程的用户,却称在企业系统中使用时,这些工具并不可靠。这种矛盾体现了生成式人工智能在用户层面的差异。

  这种偏好揭示了一种根本性的矛盾。同样是这些专业人士,他们日常使用ChatGPT来处理个人事务,却要求企业工作具备学习和记忆能力。大量员工已经在私下使用人工智能工具,并表示工作效率有所提高,然而他们公司的正式人工智能项目却停滞不前。这种“影子使用”形成了一个反馈循环:员工们了解优秀人工智能的体验,这使得他们对一成不变的企业工具的容忍度降低。

  要点:生成式人工智能领域的差距体现在用户偏好上:ChatGPT击败企业工具,是因为它更出色、更快捷,也更为人熟知,即便两者使用的模型类似。但正是这种偏好,揭示了为何企业在这一差距中始终处于劣势。

  我们后续的采访揭示了一个惊人的矛盾。那些对企业人工智能工具表示怀疑的专业人士,往往是消费级大语言模型接口的频繁使用者。当被要求比较他们的使用体验时,出现了三个一致的主题。用户偏好驱动因素:通用大语言模型接口与集成工具

  一家中型律所的公司律师就是这种情况的典型例子。她所在的机构花了5万美元购买了一款专业的合同分析工具,但她在起草文件时仍一直使用ChatGPT:“我们购买的人工智能工具提供的总结很生硬,定制选项有限。使用ChatGPT,我可以引导对话并反复调整,直到得到我确切需要的内容。质量上的根本差异很明显,ChatGPT始终能产出更好的结果,尽管我们的供应商声称使用了相同的底层技术。”

  这种模式表明,一款每月20美元的通用工具往往比成本高出几个数量级的定制企业系统表现更好,至少在即时可用性和用户满意度方面是如此。这种矛盾体现了为什么大多数组织在生成式人工智能鸿沟中处于落后地位。

  要点:ChatGPT的局限性恰恰揭示了生成式人工智能差距背后的核心问题:它会遗忘上下文,不会学习,也无法进化。对于关键任务,90%的用户更倾向于人类。这种差距是结构性的,生成式人工智能缺乏记忆和适应性。

  鉴于用户对消费级大语言模型(LLM)界面的偏好,我们研究了是哪些因素阻碍了大语言模型在关键任务工作中的更广泛应用。事实证明,这里的障碍与一般的可用性问题不同,并且直接揭示了造成生成式人工智能鸿沟的学习差距。