AI在商业中的现状2025

news
#AI #MIT #report

AI在商业中的现状2025：学习与转型的鸿沟 报告原文

TL.DR

  • 95% 的企业 GenAI 项目未见 ROI，根因在“不会学习”：系统缺少持久记忆、基于反馈的适配与持续改进。
  • 采用多、落地少：从试点到生产仅约 5% 成功；大企业上线需 9 个月+、中型约 90 天；影子 AI 广泛存在。
  • 投资偏见：预算偏向销售/市场，而更高 ROI 常在法务/采购/财务等后台及可替代 BPO 的流程。
  • 制胜之道：购买胜于自建；聚焦狭窄高价值用例，深度嵌入工作流，以反馈闭环驱动学习并明确数据边界。
  • 演进与行动：Agentic AI → Agentic Web（MCP/A2A/NANDA）；优先选择可学习、可集成、可度量改进的系统，将“工作流集成+持续改进”设为 KPI。

I. 报告概述与核心概念

  • 报告标题与作者： 《AI在商业中的现状2025》，由MIT NANDA团队（Aditya Challapally, Chris Pease, Ramesh Raskar, Pradyumna Chari）于2025年7月发布。
  • 研究目标： 评估企业对生成式AI（GenAI）的投资回报率，并识别其成功或失败的关键因素。
  • 核心发现： 尽管企业投入了300-400亿美元，但95%的组织在GenAI投资中未能获得回报，形成了显著的“GenAI鸿沟”。
  • GenAI鸿沟的定义： 极少数（5%）的AI试点项目取得了数百万美元的价值，而绝大多数项目停滞不前，对盈亏没有可衡量影响。这种鸿沟并非由模型质量或法规驱动，而是由方法论决定。
    • 研究方法：系统性回顾300多项公开披露的AI倡议。对52家组织的代表进行结构化访谈。收集了来自四场主要行业会议的153位高级领导的调查回复。
  • 主要结论： 核心障碍不是基础设施、法规或人才，而是学习能力。大多数GenAI系统不保留反馈、不适应上下文，也无法随时间改进。

II. GenAI鸿沟的表现形式

高采用率，低转型

通用LLM工具（如ChatGPT, Copilot）： 80%的组织已探索或试点，40%已部署，主要提升个人生产力，但对盈亏影响有限。 企业级定制或销售工具： 60%的组织评估过，但仅20%进入试点，5%投入生产，主要因工作流脆弱、缺乏上下文学习和与日常操作不符而失败。 行业颠覆有限： 只有技术和媒体行业显示出有意义的结构性变化，其他七个主要行业（专业服务、医疗健康、消费零售、金融服务、先进工业、能源材料）的转型程度有限。报告使用“AI市场颠覆指数”衡量，该指数考虑了市场份额波动、AI原生公司的营收增长、新AI商业模式的出现、用户行为变化和高管组织变动频率。 试点到生产的鸿沟： 企业AI解决方案的95%失败率是GenAI鸿沟最清晰的体现。

企业悖论与“影子AI经济”

企业规模与成功率： 营收超过1亿美元的企业在试点数量上领先，但在规模化部署方面落后；中型市场公司行动更快，从试点到全面实施平均90天，而企业需要9个月或更长时间。 影子AI经济： 尽管官方企业倡议停滞不前，但员工通过个人AI工具（如个人ChatGPT账户）私下进行AI转型。90%的受访公司员工报告定期使用个人AI工具进行工作，远超40%的公司官方采购LLM订阅的比例。这表明灵活性和响应式工具的重要性。

投资偏见

GenAI预算的50%（根据高管分配假设）流向销售和市场功能，因为其可衡量性更强，与董事会KPI直接挂钩。 投资回报率高的领域被忽视： 后台自动化（如法律、采购、财务）通常能带来更好的投资回报率，但由于其效率提升不易量化，往往投资不足。 信任与社会认同： 采购决策中，推荐、现有关系和风险投资方介绍比产品质量或功能集更重要。

III. 试点停滞的原因：学习鸿沟

用户抗拒与模型输出质量

主要障碍： 用户不愿采纳不适应其工作流的工具，以及对模型输出质量的担忧。 矛盾： 个人大量使用ChatGPT的知识工作者，却认为企业内部AI系统不可靠，因为后者缺乏学习和记忆能力。 用户偏好驱动因素： 用户更喜欢通用LLM接口（如ChatGPT）因其输出更好、界面熟悉、信任度更高。

GenAI的核心局限性

  • 缺乏记忆和上下文： ChatGPT的局限性在于它忘记上下文、不学习、不进化。对于高风险、任务关键型工作，90%的用户仍然偏爱人类。
  • 学习鸿沟： 缺乏记忆、适应性和学习能力是GenAI鸿沟的核心。
  • Agentic AI（自主智能体AI）： 具备持久记忆和迭代学习能力的系统，直接解决了学习鸿沟。它们能保持持久记忆，从互动中学习，并自主编排复杂工作流。

IV. 跨越GenAI鸿沟的策略

成功构建者（供应商）的策略

  • 构建适应性、嵌入式系统： 能够从反馈中学习。
  • 聚焦狭窄但高价值的用例： 深度集成到工作流中，通过持续学习而非广泛功能来扩展。
  • 领域专业知识和工作流集成优先： 胜过花哨的用户体验。
  • 满足企业需求： 企业希望AI系统不仅能生成内容，还能在其环境中学习和改进。关键选择标准包括信任供应商、深度理解工作流、对现有工具的最小干扰、清晰的数据边界、随时间改进的能力、面对变化时的灵活性。
  • “赢家秘籍”： 从非关键或邻近流程的小而可见的成功开始，通过深度定制证明价值，然后扩展到核心工作流。低配置负担和快速实现价值的工具表现优异。利用推荐网络克服信任障碍。

机遇窗口： 企业正在锁定具有学习能力的工具，Agentic AI和记忆框架（如NANDA, MCP）将定义哪些供应商能够帮助组织跨越鸿沟。

成功采购者（企业）的策略

  • 像BPO客户一样对待AI采购： 而非SaaS客户。
  • 要求深度定制： 与内部流程和数据对齐。
  • 根据业务成果而非模型基准评估工具。
  • 通过早期失败进行合作： 将部署视为共同演进。
  • 从一线经理而非中央实验室获取AI倡议。
  • 组织设计： 战略伙伴关系（购买）的成功部署率是内部开发（构建）的两倍。成功的公司通过权力下放但保留问责制来实现。
  • 真正的投资回报率： 通常存在于被忽视的后台职能（运营和财务），通过取代BPO和外部机构实现，而非裁减内部员工。
  • 对就业的影响： GenAI正在通过选择性地取代先前外包的职能和限制招聘模式来影响劳动力，而非大规模裁员。特别是在客户支持运营、行政处理和标准化开发任务等非核心业务活动中。AI素养成为核心能力要求。

V. 超越智能体：Agentic Web

  • Agentic Web： 下一代演进，自主系统可以在整个互联网基础设施中发现、协商和协调，从根本上改变业务流程。
  • 基础设施： Model Context Protocol (MCP)、Agent-to-Agent (A2A) 和 NANDA 等协议，实现智能体互操作性和自主网络导航。
  • 未来： 智能体将自主发现最佳供应商、实时建立API集成、通过区块链智能合约执行无信任交易，并开发跨多个平台和组织边界的自优化工作流。

VI. 总结

  • 成功跨越GenAI鸿沟的组织：购买而非构建；赋能一线经理而非中央实验室；选择深度集成并能随时间适应的工具。
  • 未来：Agentic Web将用动态智能体取代孤立的SaaS工具和静态工作流，实现自主的、协议驱动的协调。
  • 行动呼吁：停止投资静态工具，与提供定制化系统的供应商合作，专注于工作流集成而非花哨演示。