沃顿与 GBK 第四年企业 AI 调查:用上 AI 已不稀奇,拉开回报差距的是怎么算账
作者 Runwise 增长研究院 · 审核 Jackie Pan · AI 整理 · 编辑审核 · 发布 2026-11-17 · 实质复核 2026-11-18 · 下次复核 2027-05-17 · 阅读 9 分钟

企业都在用 AI,为什么只有少数部门拿到明显回报?
报告认为差距不在用不用,而在怎么算账:至少看一项增长类指标的部门,明显回报的比例远高于只看效率的部门。这是相关关系。我们建议在一项已上线的 AI 用法上补一个增长类指标,试四周再决定加不加预算。
30 秒看懂
八成经理及以上受访者报告 AI 有正回报,明显回报不到三成;只按效率算账的部门明显回报最少。数据是相关关系,先在一项已上线的用法上补一个增长类指标,试四周再决定。
- 80% 对 28%正回报很普遍,明显回报仍是少数80% 的经理及以上受访者报告 AI 有正回报,只有 28% 报告明显正回报。第 11 页
- 35% 对 13%看增长类指标的部门明显回报更多至少跟踪一项增长类指标的部门 35% 报告明显正回报,只看效率的为 13%。第 33 页
- 40% 对 27%最常用省工时算账,净新增收入最少用衡量回报的受访者里,40% 用每人每周省下的工时,用净新增收入的只有 27%。第 29 页
本页目录
关键事实
出处:Wharton Human-AI Research 与 GBK Collective:The Adaptive Advantage(2026年10月) · 数据截至 2026-07-29
- 80% 对 28%80% 的经理及以上受访者报告 AI 投资有正回报,28% 报告明显正回报第 11 页
- 62%62% 的经理及以上受访者每天使用 AI,比上年高 16 个百分点;91% 每周使用不止一次,高 10 个百分点第 43 页
- 83%83% 的经理及以上受访者预计 AI 会在两到五年内彻底改变或大幅影响所在行业第 13 页
- 40% 对 27%衡量 AI 回报最常用的指标是每人每周节省工时(40%),其次是错误率下降(37%)和完成时间缩短(34%),净新增收入用得最少(27%);基数为至少偶尔衡量回报的经理及以上受访者,n=941,每人最多选三项第 29 页
- 35% 对 13%至少跟踪一项增长类指标的部门,35% 报告明显正回报;只看效率类指标的部门为 13%第 33 页
- 43%跟踪一项、两项、三项增长类指标的部门,报告明显正回报的比例分别为 32%、37%、43%;跟踪三项的样本 n=65,报告提示只看方向第 33 页
- 52% 对 22%52% 的经理及以上受访者认为未来 12 到 24 个月 AI 的主要任务是提高生产率(44%)或降低成本(7%),期望 AI 带来增长的为 22%第 28 页
- 41% 对 19%IT 部门 41%、财务部门 37%、人力资源部门 35% 报告明显正回报,法务和产品研发都是 19%第 40 页
- 56% 对 10%40% 的经理及以上受访者非常有信心算清企业 AI 总花费;他们中 56% 报告明显正回报,信心较低的为 10%第 15 页
- 34%34% 的经理及以上受访者把工具、算力和许可费用列为提高 AI 回报的障碍,和 AI 性能问题并列第一第 34 页
其余 6 条口径与补充事实
- 72% 的 IT 部门、70% 的财务部门用一致或完全整合的方法衡量 AI 回报,法务为 42% 第 40 页
- 93% 的经理及以上受访者所在部门至少偶尔正式衡量 AI 回报 第 11 页
- 增长类指标为净新增收入、销售转化率、产出量和客户满意度,效率类指标为运营成本、节省工时、完成时间和错误率;没有正式衡量回报的部门算作没有显示回报 第 9 页
- 调查对象为美国员工 1,000 人以上、有年收入门槛的私营企业全职员工,在线问卷于 2026年7月9日至29日进行 第 7 页
- 经理及以上受访者 n=1,007,基层和中层员工 n=409,两组单独统计 第 8 页
- 报告称九个部门的回报排序与衡量方法严格程度的排序几乎完全一致,排序跟的是衡量得多严格,而不是衡不衡量 第 16 页
报告卡片
- 发布机构
- Wharton Human-AI Research(宾夕法尼亚大学沃顿商学院)与 GBK Collective;报告第 5 页说明,沃顿负责研究方向并发布,GBK 设计问卷、执行调查和分析
- 发布日期
- 原报告只写 2026年10月,本文按 2026-10-01 记;调查在 2026年7月9日至29日进行,本文的数据日期按 2026-07-29 记
- 样本与方法
- 美国大型私营企业全职员工的十五分钟在线问卷,每年重新抽样的第四年调查;回报相关的问题只统计经理及以上受访者,回报高低是受访者自评
- 原文
- The Adaptive Advantage: Who's Winning with AI and How(Year Four Full Report,英文);本文页码为原报告 PDF 的物理页序号,共 102 页
- 结论有效期
- 6 个月,2027-05-17 前复核
01 信号Signal报告里最重要的变化:问题从用不用 AI 变成回报有多大
报告认为,用不用 AI 已经不是问题。经理及以上受访者中,62% 每天使用 AI,比上年高 16 个百分点;91% 每周使用不止一次,高 10 个百分点。回报也很普遍:80% 报告 AI 投资有正回报,但报告明显正回报的只有 28%。报告的判断是,正回报几乎人人都有,大的回报却不是。
报告把今年数据里的核心矛盾概括为:大家预期 AI 会改变整个行业,算账时却只问省了多少时间。83% 的经理及以上受访者预计 AI 会在两到五年内彻底改变或大幅影响所在行业;而在至少偶尔衡量回报的经理及以上受访者(n=941,每人最多选三项)里,最常用的指标是每人每周节省工时(40%),净新增收入在主要指标里用得最少(27%)。
本文说的“增长类指标”沿用报告的定义,共四项:净新增收入、销售转化率、客户满意度和产出量。另外四项是效率类:运营成本、节省工时、完成时间和错误率。每个部门最多选三项来判断 AI 的回报,只要选了一项增长类,就算按增长看回报。“明显正回报”指受访者报告 AI 投资迄今带来明显的财务回报;没有正式衡量回报的部门,一律算作没有显示回报。
来源:Wharton Human-AI Research 与 GBK Collective:The Adaptive Advantage(2026年10月) · 第 29 页 · 数据截至 2026-07-29
数据表
| 项目 | 选该指标的受访者(n=941,最多选三项) |
|---|---|
| 每人每周省工时 | 40% |
| 错误率下降 | 37% |
| 完成时间缩短 | 34% |
| 净新增收入 | 27% |
02 拆解Structure原因:报告认为与我们认为
按增长类指标的数量拆开看,跟踪一项、两项、三项的部门,报告明显正回报的比例分别为 32%、37%、43%,只看效率类指标的为 13%。报告提示,跟踪三项的样本只有 n=65,只能看方向。
报告认为,按增长看回报的部门回报明显更强:至少跟踪一项增长类指标的部门,35% 报告明显正回报,只看效率类指标的部门为 13%;跟踪的增长类指标越多,比例越高。报告据此说,按增长看回报的思路太少见:52% 的经理及以上受访者认为未来 12 到 24 个月 AI 的主要任务是提高生产率或降低成本,期望 AI 带来增长的只有 22%。
我们认为这组数据说明的是“看增长类指标的部门更常报告明显回报”,不能说明“改用增长类指标就会有回报”。选指标的人和自评回报的人是同一个人;做客户相关用法的部门本来就更容易选收入或转化率当指标,差距也可以来自用法不同,而不是算法不同。要检验,就在同一个部门、同一项用法上比较:只算省下的工时时,这项用法看起来值多少;补上一个增长类指标后,结论有没有变。这更适合 AI 已经用在销售、客服、市场内容这类直接接触客户环节的部门。
来源:Wharton Human-AI Research 与 GBK Collective:The Adaptive Advantage(2026年10月) · 第 33 页 · 数据截至 2026-07-29
数据表
| 项目 | 报告明显正回报的受访者 |
|---|---|
| 只看效率 | 13% |
| 一项增长类 | 32% |
| 两项增长类 | 37% |
| 三项增长类 | 43% |
03 选项Options对企业意味着什么:先把账算清,再谈回报
报告在部门和预算两个层面看到同一个规律:衡量越认真,报告的回报越高。IT 部门 41%、财务部门 37%、人力资源部门 35% 报告明显正回报,法务和产品研发都只有 19%。报告说,各部门回报的排序和衡量方法的严格程度几乎完全一致,排序跟的是衡量得多严格,而不是衡不衡量。
来源:Wharton Human-AI Research 与 GBK Collective:The Adaptive Advantage(2026年10月) · 第 40 页 · 数据截至 2026-07-29
数据表
| 项目 | 报告明显正回报的受访者 |
|---|---|
| IT | 41% |
| 财务 | 37% |
| 人力资源 | 35% |
| 法务 | 19% |
| 产品研发 | 19% |
04 试点Pilot一个四周内能做的小试验:给一项已上线的用法补一个增长类指标
这是我们的建议,依据是报告里按增长看回报和只看效率的部门之间的差距,报告本身没有给出试验。做法:挑一项已经上线、目前只按省下的工时算账、直接接触客户、而且一周内能看到结果的 AI 用法,例如客服回复草稿看客户满意度或一次解决率,销售首次跟进邮件看是否约到会议。成交周期长的用法不要拿成交率来比,三周内很多单还没有结果。不选产出量,产出多不等于收入多。指定一名业务负责人和一名财务对口人。
时间安排:第一周不改做法,按线索或工单编号尾号的奇偶分成两组,记下两组的基线;第一周单数少,两组差几个百分点属于正常波动,相差超过五个百分点才换一种分法重新分组。后三周尾号为奇数的一组用这项 AI 用法,偶数的一组不用,逐单记下结果、处理耗时,以及省下的时间被用在了什么事上。按编号而不是按人分组,是为了避免会用 AI 的人本来就更能干。同一批员工同时处理两组的单,用 AI 时学到的写法会带到另一组,两组的差距会被低估,判断时要把这一点算进去。
判断规则(按百分点计算):每组至少四百单才做判断,不够就延长,不缩小门槛。用 AI 一组的满意度或约到会议的比例比不用的一组高出五个百分点以上,且处理耗时没有变长,就把这个增长类指标写进这项用法的回报口径,再据此申请预算。高出不到两个百分点,就把它当作效率工具管理,不再用增长的说法申请预算。介于两者之间时,不扩大范围,再跑四周,把两段的单数合起来再算一次。四百单和五个百分点是按基线在两成上下粗估的:这时两组差值的标准误接近三个百分点,五个百分点不到它的两倍,仍有误判的机会。每组单数更多时门槛可以放低;基线更高或更低时,找财务对口人按实际基线重算。
- 选用法挑一项已上线、只按省时算账、一周内能看到结果的客户相关用法。
- 记基线第一周照常运行,按尾号奇偶分两组,两组差超过五个百分点才重分。
- 试跑后三周奇数组用 AI、偶数组不用,逐单记结果、耗时和省时去向。
- 判断每组满四百单再判:高出五个百分点加预算,不到两个按效率工具管,之间再跑四周。
05 复盘Measure建议跟踪的指标
这是我们的建议,报告没有给出指标清单。五个指标对应报告说的三件事:增长类指标覆盖和转化或满意度差看算账口径,省时去向看省下的时间有没有变成增长,AI 花费可追踪和口径一致看账能不能算清。
- 增长类指标覆盖已上线的 AI 用法里,至少带一项增长类指标的用法占比。
- 转化或满意度差用 AI 和不用 AI 两组在同一指标上差几个百分点。
- 省时去向省下的工时有多少转到了接触客户或新业务上。
- AI 花费可追踪捆绑在软件和云服务里的 AI 费用是否已单列、能按用法拆开。
- 口径一致各部门是否用同一套方法衡量 AI 回报。
局限与反对意见
这是相关关系。回报高低是受访者自评的,选什么指标也是同一批人回答的,报告没有对照试验。报告在 AI 花费追踪处明确提醒过,差别可以来自受访者对 AI 本来就更有信心;同样的提醒放在增长类指标上也说得通,这是我们的看法,不是报告的说法。
报告的“增长类指标”包含产出量,报告举的例子是代码行数、营销活动数和报告份数。所以“按增长看回报”的部门里,有一部分只是在数产出,不一定在看收入。报告没有单独给出只看收入或转化率的部门的回报比例。
样本范围:只调查美国员工 1,000 人以上、并有年收入门槛的私营企业全职员工。回报相关的问题只统计经理及以上受访者(n=1,007),基层和中层员工(n=409)单独统计;回报题的问法今年改了,报告没有给出和往年的对比。正文里的 35% 是跟踪一项及以上增长类指标的合计,拆开后一项的是 32%,两者并不矛盾。
有些数字要小心读:AI 主要任务一题,报告写提高生产率 44%、降低成本 7%,合计写作 52%,和两项相加差一个百分点,报告没有说明原因。原报告 PDF 的文字层里,衡量指标图的标签和数值顺序是乱的,本文只用了正文明确写出的四个数。还要注意 28% 在报告里有两个意思:报告明显正回报的比例,以及认为 AI 已完全融入核心流程的比例,本文只用前一个。93% 的部门至少偶尔正式衡量回报,所以差别主要不在衡不衡量。
反对意见:效率类指标好归因,增长类指标会受价格、季节和销售人员的影响,硬给每项 AI 用法配一个收入指标,容易把别的因素算到 AI 头上。所以第四节的试验按编号分组、按百分点比较两组。对后台用法,例如对账或合同初审,只按省时算账可以是合理的选择,没有必要硬套增长类指标。
最容易被下一期调查改写的结论有三类:一是跟踪三项增长类指标的 43%,样本只有 n=65;二是 AI 花费追踪信心和回报的关系,报告自己说这里面有受访者本来就看好 AI 的成分;三是回报题今年改了问法,明年才有第一次同口径对比,八成正回报、不到三成明显回报这组数最容易变。
常见问题
我们的 AI 已经在帮员工省时间,还要改算账方法吗?
报告认为只看效率的部门明显回报最少。我们建议挑一项直接接触客户的用法补一个增长类指标,先试四周,后台用法可以继续只算省时。
换成增长类指标,回报就会变高吗?
不能这样推。报告的数据是相关关系,选指标和自评回报的是同一批人,要在自己的一项用法上分组比较才知道。
报告说的增长类指标包括哪些?
净新增收入、销售转化率、客户满意度和产出量。产出量只是数量,不等于收入,试验里我们不建议用它。
哪些部门最该先试?
AI 已经用在销售、客服、市场内容这类直接接触客户环节的部门,这些用法最容易配上转化率或满意度。
算不清 AI 花了多少钱,会有什么影响?
报告发现,对算清 AI 总花费非常有信心的受访者更常报告明显回报,但报告自己也说,这个差别也可以来自受访者本来就更看好 AI。我们建议先把捆绑在软件和云服务里的 AI 费用单列出来。
这份报告的数据有哪些要小心?
回报是受访者自评的,只覆盖美国大型企业;增长类指标包含产出量;部分图表的文字层顺序是乱的,局限一节列了具体位置。
SOURCE TRACE · 来源追溯
Wharton Human-AI Research 与 GBK Collective:The Adaptive Advantage(2026年10月)引用页:第 7 页 第 8 页 第 9 页 第 11 页 第 13 页 第 15 页 第 16 页 第 28 页 第 29 页 第 33 页 第 34 页 第 40 页 第 43 页核对 2026-11-17
接着读
Accenture《共同智能时代》:智能体省下的时间,要有人主动转去做增长
报告估计平均一半以上的工时会受智能体影响,主要价值来自增长而非降本;但数字是模型上限,案例只有一家,先用四周记清省下的时间去了哪里。
Oliver Wyman:智能体让 AI 账单在运行时才定,预算既要能叫停,也要说得清钱花在哪,还要看收益进没进损益表
报告认为按人头和单点估计做的 AI 预算已经失效;它的调查显示,已把智能体投入日常运营的 CIO 多数设了上限,而全部 CIO 中能按团队看清消耗的只有三成。我们建议先在两三个智能体负载上试四周,再决定预算怎么改。
麦肯锡 B2B 调查:全渠道和电商已是门槛,领先者在个性化、AI 和 ABM 归属上拉开差距
报告把全渠道和电商称为新的“生存门槛”,差距出在门槛之上的三件事;数据是相关关系,先在少量重点客户上试四周再决定。