88% 用上了 AI，只有 6% 真正赚到钱：AI 落地的价值鸿沟

一句话看懂：全球88%的企业已用上AI，但只有约6%真正将AI转化为5%以上的息税前利润影响，中国这一比例约为9%。采纳率越高，价值鸿沟反而越大，因为“用了AI”和“AI创造价值”是两件事。核心瓶颈不在技术或采纳，而在从试点到规模化、再到价值化的两次跨越。本文用“AI价值三级漏斗”拆解六处渗漏，并给出从追求采纳率转向追求价值转化率的三条落地建议，帮助企业把AI投入真正落进利润表。

过去两年，企业 AI 采纳率的曲线几乎是垂直向上的。麦肯锡《2025 全球 AI 现状》调研（2025 年）显示，全球已有 88% 的组织在至少一个业务环节用上了 AI，比一年前的 78% 又跳了一级。会议室里的话术也变了：从”我们要不要上 AI”，变成了”我们上了几个 AI 项目”。

但如果把问题换成”这些 AI 到底赚到钱了没有”，画面立刻反转。同一份麦肯锡调研里，只有约 6% 的企业算得上”AI 高绩效者”——即 AI 为企业带来了 5% 以上的息税前利润（EBIT）影响、并产生了显著价值；约 39% 的企业报告 AI 带来了某种企业级利润影响，但绝大多数低于 5%。换句话说，用上 AI 的有近九成，真正把 AI 变成利润表上一个数字的，是极少数。

放到中国同样成立。埃森哲《2025 中国企业数字化转型指数》（2025 年，调研 163 家中国企业）发现，46% 的受访企业正在规模化应用生成式 AI，把它嵌进大部分业务和流程；但只有 9% 的企业由此实现了生产效率、收入或利润的显著提升。BCG《为未来而建·2025》则给出一个更冷的全球数字：约 5% 的企业在规模上真正获得了 AI 价值，约 60% 投入不少却几乎没看到实质回报。

这里藏着一个反常识的事实：采纳率越高，价值鸿沟反而越被放大。 因为”用了 AI”和”AI 创造了价值”根本是两件事，中间隔着两道很难跨的坎。当所有人都在比”上了几个项目”时，真正稀缺的能力不是”上不上 AI”，而是”把试点变成价值”。瓶颈不在技术、也不在采纳，而在从试点到规模化、再到价值化的两次跨越。

为什么偏偏是这两年？因为过去让企业望而却步的是”技术门槛”——建模型、招算法、搭平台，动辄百万投入。生成式 AI 几乎把这道门槛踏平了：一个业务人员用自然语言就能跑出一个像模像样的 demo，试点的成本和难度断崖式下降。于是”用上 AI”这件事迅速普及，采纳率的曲线才会那么陡。但与此同时，让 AI 真正产生价值的门槛——干净的数据、被重新设计的流程、愿意改变的组织——一寸也没有降低。一端的门槛塌了、另一端的门槛没动，两条曲线之间越拉越大的剪刀差，就是这道价值鸿沟。采纳越容易，越多企业涌到第一道门槛前，也就越多企业堆积在第二道门槛后过不去。相关讨论可参见别给马车喷上汽车漆：2026，中国企业的 AI 困局与出路。

一个记住就够用的模型：AI 价值三级漏斗

要看清这道鸿沟，只需要记住一个模型——AI 价值三级漏斗。企业的 AI 落地不是”用了/没用”的开关，而是一个逐级收窄、每一级都在掉队的漏斗，从上到下依次是三层：

第一层，试点：有没有用上。 买了工具、跑了 demo、某个部门试了一个场景。这一层最热闹，也最容易达标——麦肯锡口径下近九成企业已经站在这一层。

第二层，规模化：能不能推广到核心业务、跑在真实流程里。 试点从受控的演示环境，走进有脏数据、老系统、跨部门审批和合规约束的真实业务。这一层开始急剧收窄：麦肯锡调研里只有约三分之一的企业开始在企业范围内规模化，报告”完全规模化”的仅约 7%；埃森哲的中国数据里，46% 在规模化，但只有 21% 能以较快速度真正推开。

第三层，价值化：有没有变成可衡量的业务结果。 收入、成本、周期、质量——AI 的效果最终要落到一个业务指标上，能说清进了哪张报表。这一层是最窄的出口：全球约 6%（麦肯锡）、中国约 9%（埃森哲）、规模化获益者约 5%（BCG）。

想快速定位自己在哪一层，有个粗糙但好用的办法：如果你只能说出”我们用了 AI”，还在第一层；如果能说出”AI 已经跑在某条核心业务的真实流程里，不是演示环境”，到了第二层；如果能说出”AI 让某个业务指标改善了多少、体现在哪张报表上”，才算真正站上了第三层。一个值得警惕的现象是，绝大多数企业自我感觉已经在第二、三层，把”很多人在用”当成了”已经产生价值”，实际还困在第一层的热闹里。

这个漏斗的关键，不在于”每一级都在掉队”这个现象，而在于每一级掉队的原因完全不同。第一层的掉队，是试点从一开始就没打算跑进核心业务；第二层的掉队，是组织能力跟不上技术可行性；第三层的掉队，是根本没有一套度量把”感觉有用”翻成”利润表上的数字”。用同一套药方治三种病，正是大多数企业 AI 投入打水漂的根因。下面拆开每一处渗漏。

渗漏一：试点动物园——第一层的”假成功”

表现形式： 各部门各自为战，市场部买一个文案工具、客服上一个问答机器人、研发试一个代码助手，彼此不通、口径不一。年度 AI 汇报做得漂亮，PPT 上写着”本年度落地 X 个 AI 项目”，每个都能演示，每个都跑不出那个部门。KPI 定的是”做了多少 AI 项目”，而不是”AI 改变了什么”。

为什么致命： 这些试点在受控环境里确实”成功”了，但它们从立项那天起就是为”向上汇报好看”设计的，不是为”跑进核心流程”设计的。于是企业攒下一堆互不兼容的 demo——一座”试点动物园”，看着物种繁多，没有一只能放归业务的真实丛林。一个典型的场景是：季度创新评审会上，五个部门各自演示了自己的 AI 项目，台上掌声不断；散会之后，没有任何一个项目会被追问”下个季度要覆盖多少真实业务量、对哪个经营指标负责”。它们的使命在演示成功的那一刻就完成了。漏斗的第一次跌落，其实在试点立项时就已经注定。

一句影响： MIT NANDA 项目《生成式 AI 鸿沟·2025》（该研究结论被广泛引用，但样本与”失败”定义也受到一定方法论质疑，宜作参考而非定论）观察到，超过 80% 的企业试过 AI 工具，但只有约 5% 的集成型项目产生了可衡量的损益影响。

渗漏二：规模化断层——受控环境不等于真实业务

表现形式： demo 里一切顺滑，一接上真实数据就露馅：数据是脏的、缺的、口径打架的；要调的系统是十年前的老架构；一个流程横跨三个部门，每个部门都有自己的审批和顾虑；再加上合规和数据安全的红线。试点里三天能跑通的东西，规模化时三个月推不动。

为什么致命： 试点验证的是”技术可行”，规模化考验的是”组织可行”——这是两种完全不同的能力。很多企业误以为规模化只是”把试点复制粘贴到更多部门”，结果发现真正要跨越的不是技术门槛，而是数据、系统、流程和人的门槛。试点，是在一块被精心打扫过的实验田里种出来的：数据是挑过的、场景是简化的、配合的是最积极的那几个人。规模化，则要把这株苗移栽到真实的盐碱地——历史遗留的脏数据、跨部门的相互推诿、一线员工的惯性和抵触。移栽时死掉的，从来不是种子（模型）本身，而是因为没人愿意先去改良土壤。

一句影响： 麦肯锡（2025）显示，仅约三分之一的企业开始跨企业规模化 AI，报告”完全规模化”的只有约 7%。绝大多数企业，卡死在从第一层到第二层的这道断层里。

渗漏三：数据与流程债——AI 放大问题，而不是修复问题

表现形式： 不少企业把 AI 当成”自动整理术”，指望它一上线就把多年积累的数据混乱、流程断点顺出来。真实情况往往相反：AI 把原有的数据孤岛、指标口径不一致、流程缺环，以更快的速度、更大的规模暴露和放大出来。

为什么致命： AI 是放大器，不是清道夫。喂进去的是烂数据，它只会更快地产出看起来很专业、其实不可靠的结果，而且因为输出流畅、语气笃定，比人工出错更难被发现和追责。组织欠下的”数据债”和”流程债”，不会因为上了 AI 而自动清零，只会连本带利地反噬价值化。

一句影响： 埃森哲（2025）指出，仅有 15% 的中国受访企业认为自己在”数据分类标准统一、且用户可合理使用”方面表现优异——也就是说，绝大多数企业是带着一身数据债在往规模化冲。

渗漏四：价值化盲区——说不清 AI 到底进了哪张报表

表现形式： 问起 AI 的效果，得到的回答通常是”感觉效率提升了””员工挺爱用的””生成速度快多了”。但再追一句”那它带来了多少收入、省了多少成本、缩短了多少交付周期”，往往就答不上来。价值被锚定在体感，而不是指标上。

为什么致命： 没有价值化的度量，就没有价值化的管理。一件说不清价值的事，注定拿不到下一轮预算、排不进一把手的优先级，也就永远停在试点，等新鲜感一过就悄悄下线。度量的缺失，是”价值化”这一层最大的暗礁——它让原本可能有价值的项目，因为证明不了价值而死掉。度量之所以难，还难在归因：业务指标好转了，到底是 AI 的功劳，还是这个季度赶上了促销、旺季或大盘回暖？想把 AI 的贡献从一堆变量里干净地剥离出来，需要在上线之前就设好对照组、留好基线数据——而这恰恰是大多数”先上了再说”的团队会跳过的一步。等到半年后想回头证明价值，才发现根本没有可比的参照系，只能停留在”感觉有用”。

一句影响： 埃森哲（2025）中国仅 9% 的企业实现显著价值；BCG《AI 的价值在哪里？》（2024 年，调研 1000 位高管）更早就发现，约 74% 的企业尚未从 AI 中拿到实质价值。

渗漏五：组织与人的断点——真正的门槛从来不在模型

表现形式： 一把手当”项目发起人”，剪完彩就退场，不当”结果负责人”；跨部门协同没人牵头，数据、业务、IT 三方各说各话；员工是被”要求用” AI，而不是”想要用”——工具没有解决他们手头真实的痛，自然用两次就扔。更普遍的是，工作流压根没重新设计，只是把 AI 像贴纸一样叠加在旧流程上。

为什么致命： 价值化本质上是一场组织变革，不是一次技术部署。模型再强，如果流程不为它重设、人不愿意用它、决策层不为结果负责，价值就永远卡在”最后一公里”。真正拉开差距的，是”为拉力而设计”（design for pull）——让 AI 解决员工和业务真实想解决的问题，让人主动来用，而不是靠行政命令硬推。两者的区别很具体：靠推力的做法，是发一封全员邮件”即日起所有报告须用 AI 起草”，然后统计使用率；靠拉力的做法，是先找到销售每周花三小时手写周报的痛点，把 AI 嵌进他们已有的工作节奏里，让用了的人自己省下时间、主动安利同事。前者的使用率是被考核出来的，一撤考核就归零；后者的使用率是长出来的，撤了也还在用。价值化只可能发生在后一种土壤里。

一句影响： 麦肯锡（2025）发现，在所有与 AI 见效相关的组织动作中，”从根本上重新设计工作流”与 EBIT 影响的相关性最高，但只有约 21% 的企业真正重设计了工作流，近 80% 只是把 AI 叠在旧流程上；高绩效者推动变革性调整的可能性是其他企业的 3.6 倍。埃森哲（2025）也显示，中国仅 34% 的企业为适应 AI 协作重新设计了组织架构。关于组织如何真正拥抱 AI，可参考创新研报｜95%企业AI投资失败？MIT报告揭秘成功企业如何跨越鸿沟。

渗漏六：Token 与成本的隐形账——规模化之后才寄到的账单

表现形式： 试点阶段，AI 的调用成本被一笔”项目预算”轻轻盖过，没人算细账。可一旦跑进高频的真实业务，模型推理的调用成本就从一次性投入，变成了天天在走的经营性支出。很多企业在价值还没算清之前，先把这笔持续成本背上了。

为什么致命： 试点看的是”能不能做出来”，规模化必须看”单位价值的成本划不划算”。ROI 是一个分数，效果是分子，持续成本是分母——只盯着分子欢呼、不看分母的企业，很容易在规模化后发现：AI 确实提了效，但省下的钱还不够付它自己的账单。把资源投错地方会让这笔账更糟：MIT（2025）观察到，超过一半的生成式 AI 预算流向了销售和营销这类”看得见”的前台场景，而更高的投资回报其实藏在后台流程自动化里。关于 AI 成本的隐性增长，可参见AI 成本的冰山：为什么 Token 单价跌去 99%，账单却越用越贵。

一句影响： 这一层的成本测算目前缺乏统一的公开口径（此处为基于行业观察的审慎推断，而非某项调研的确定结论）——但一个可核实的信号是资源错配：预算大量投向易展示的前台，回报更高的后台反而投入不足。

结论：从”追求 AI 采纳率”，转向”追求 AI 价值转化率”

把这六处渗漏连起来看，会得到一个清晰的视角转换。

过去两年，企业衡量 AI 的默认标尺是采纳率和项目数——用没用上、上了几个。这套标尺的问题在于，它衡量的是”活动量”，不是”结果”。它会奖励那些最会立项、最会做 demo 的团队，却奖励不到那些真正把 AI 跑进核心业务、改动了利润表的团队。采纳率越漂亮，越可能掩盖漏斗底部的空洞。

真正该盯的标尺，是AI 价值转化率：你启动的 AI 投入里，有多大比例最终穿过了三级漏斗、变成了可衡量的业务结果。领先企业和其他企业的差距，从来不是”用没用 AI”（这一层大家都过了），而是漏斗每一级的转化率——同样一百个试点，有的企业只有个位数走到价值化，有的能走出两三成。这个转化率，才是 AI 时代真正的竞争力分水岭。

把标尺从采纳率换成价值转化率，会立刻改变资源的流向。盯着采纳率，企业会不断把钱投在”再上一个新项目”上，因为那是最快能让数字变好看的方式；盯着价值转化率，企业会开始把钱投在”让已经启动的项目走完漏斗”上——治理数据、重设流程、培养真正会用 AI 的人。前者制造更多试点，后者制造更多价值。同一笔预算，投在漏斗的入口还是出口，很大程度上决定了你最终站在哪一端：是用上了 AI 的那 88%，还是真正赚到钱的那 6%。

给管理者的三条落地建议

第一，从立项就绑定业务指标，设一套”价值化 KPI”。 别再考核”今年做了多少个 AI 项目”，改成考核”AI 让哪个业务指标动了多少”。每一个 AI 试点在立项时就写清楚：成功的定义是哪个具体指标（转化率、人均产能、交付周期、单件成本……）变化多少、什么时候验收。立项即锚定价值，才能从源头上避免”试点动物园”。你可以先问自己：我们现在跑着的 AI 项目，有几个能说清它对应利润表上的哪一行？

第二，向”能规模化”的场景下注，而不是”好演示”的场景。 好演示的场景往往在前台、够炫、汇报好看；能规模化、能产生价值的场景，常常在核心业务和后台流程里，不性感但离钱近。选场景时优先看三件事：数据是否够干净、流程是否能被重设、结果是否能被度量。此外，MIT（2025）的一个务实发现值得参考——采购成熟厂商方案的成功率约为三分之二，明显高于纯自研（成功率约为其三分之一），别为了”自主可控”的执念，把有限资源耗在重复造轮子上。你可以先问自己：我们最想上的那个场景，是因为它能创造价值，还是因为它演示起来最惊艳？

第三，先还数据与组织的债，再谈规模化。 规模化断层和价值化盲区的根，几乎都埋在数据治理、工作流重设计和组织采纳这三件”脏活累活”里。与其再多买一个模型，不如先做三件事：把关键业务的数据口径和质量理顺；围绕 AI 重新设计一两条核心工作流（而不是把 AI 贴在旧流程上）；把一把手从”发起人”变成”结果负责人”，并想清楚怎么让员工”想用”而不是”被要求用”。这些债不还，规模化只会把窟窿放得更大。你可以先问自己：如果现在撤掉所有 AI 工具，我们的流程和数据，是会回到原点，还是本来就没被真正改动过？

说到底，AI 落地这场竞赛，比的不是谁先冲到试点，而是谁能把试点一路推到价值化。采纳只是入场券，价值化才是终点线。当同行还在为”用上了 AI”鼓掌时，真正的领先者已经在盘算：这一次投入，能穿过漏斗，落到哪张报表的哪一行。

想把这套打法用到你自己的业务上？

想知道你的AI投入卡在漏斗哪一层、下一笔预算该投入口还是出口？用AI顾问做一次价值转化率诊断，拿到可落地的改进清单。

💎 核心承诺：先诊断、再合作，思路不对不推进。

专属咨询热线：400 822 8832

扫码加顾问 Ben 评估