几乎所有组织都在谈 AI。上工具、做试点、建平台、搞培训,看上去一派繁忙。
但一个更现实的问题是:
到底哪些组织,真的把 AI 变成了增长和利润?谁在引领 AI 的应用和规模化落地?
在 2025 年 11 月,麦肯锡曾发布的《AI 应用状态报告》中曾指出:真正从 AI 中获得可衡量、可持续商业收益的企业,只有约 6%。这意味着,大多数组织仍停留在“投入很多、结果有限”的阶段。麦肯锡报告
最近,NTT DAA 发布了《2026 Global AI Report: A Playbook for AI Leaders》,这是其 2026 全球 AI 报告系列的第一份研究,也是一份非常“结果导向”的 AI 领导者手册。(这里所说的“领导者”,并非指个人管理者,而是在 AI 应用与规模化方面已经跑在前面的企业与组织)

这份报告之所以值得特别关注,很大程度上源于 NTT DATA 的独特位置。
作为全球领先的 IT 服务与系统集成商,它长期深度参与企业级 AI 的真实落地:既进入业务流程与系统重构的一线,也承担数据、算力、平台与治理等底座建设。因此,它看到的不是“企业想做什么”,而是哪些 AI 投入真正跑通了,哪些在规模化时卡住了。
总体来看,数据清晰表明:前瞻型组织正从“早期对齐”阶段——即把 AI 视为业务计划的补充——迈向“深度融合”阶段,在这一阶段,AI 本身就是业务计划。
整理这份报告,是希望为正在做、想做或仍在犹豫上AI的企业,提供一份可参考的真实样本。需要原版报告,可后台留言“报告”。
研究方法和数据
本手册内容是在2025年10月-11月期间,基于对 15 个行业、5 大区域、35 个国家,超过 2,500 名 C-level 及高级决策者的广泛调研。

内容涵盖 AI、生成式 AI 与智能体 AI 的最新发展,以及多种 AI 路径选择,包括私有 AI、主权 AI 与可持续 AI。
为更清楚地刻画这一趋势,报告依据问卷结果,将受访组织界定为 AI 领导者(AI leaders),需同时满足以下条件:
已制定清晰的 AI 战略,或正处于系统推进阶段
AI 成熟度被评为“成熟(mature)”或“进阶(evolved)”
从 AI 中获得的利润显著高于同业水平
同时,也识别出一个对立群体——AI 落后者(AI laggards):这些组织要么缺乏清晰的 AI 战略(甚至完全没有),要么将自身 AI 成熟度评为“新手(novice)”或“探索者(explorer)”(或尚未开展相关工作),且在 AI 应用中更少实现盈利,往往看不到收益,甚至出现亏损。
在 2,567 名受访者中:

15%(397 家)为 AI 领导者
20%(516 家)为 AI 落后者
65%(1,654 家)处于“中间地带”,未被明确分类
在本报告中,将 AI 领导者与“其他所有组织”进行对比时,“其他所有组织”包括 AI 落后者与未分类组织,总计 2,170 家(占 85%)。
AI 成熟度等级定义

无计划(No plans):尚未在组织内探索 AI 的使用
探索者(Explorer):正在讨论战略与计划,但尚未落地应用或形成能力
新手(Novice):刚刚起步,经验有限,应用场景较少
已启用(Enabled):使用零散、相对割裂,多为可行性试点或局部业务单元的有限应用,主要集中在非核心职能
成熟(Mature):AI 在各业务单元和职能中被广泛、战略性地使用,具备较强治理机制、最佳实践与可扩展的工作负载
进阶(Evolved):AI 深度融入核心与非核心业务,并成为持续交付体系的一部分;以 AI 为驱动的创新正在加速业务转型并推动业务成果提升
AI 领导者为何格外突出
数据显示,AI 领导者在增长与利润率上明显“跑赢大盘”。
与其他组织相比,AI 领导者实现 10% 以上营收增长的可能性高出近 2.5 倍,在 15% 及以上利润率水平运营的可能性高出 3.6 倍。
尽管其中一部分 AI 领导者是超大型组织(如下文定义),但在研究中,AI 领导者分布在所有收入规模区间,并非只集中在头部企业。
简而言之,AI 领导者通常具备以下特征:
增长更快:62.8% 在上一财年实现了 10% 以上的营收增长,而其他组织仅为 25.3%
规模多样(略偏向超大型):17.1% 的 AI 领导者年收入超过 250 亿美元,而其他组织为 12.6%
更常具备大规模运营能力:23.9% 的 AI 领导者员工规模超过 5 万人,而其他组织仅为 15.5%
利润率更高:33.8% 的 AI 领导者运营利润率达到或超过 15%,而其他组织仅为 9.4%
AI 领导者分布在 全部 15 个行业中,但在以下行业中出现得略为更频繁:
保险(11.6% vs 11.3%)
消费品(9.6% vs 6.8%)
科技、媒体与通信(7.8% vs 4.0%)
零售(6.1% vs 4.2%)
生命科学(4.8% vs 4.1%)
相对而言,以下行业中的 AI 领导者比例偏低:
银行与投资(10.1% vs 11.8%)
汽车行业(7.6% vs 11.7%)
能源与公用事业(1.8% vs 4.7%)
AI 领导者的 9 个关键特征
在这本行动手册中,总结了 AI 领导者的 9 个关键特征,分成战略层和执行层特点,用以说明他们是如何运作的,以及为什么他们已经开始从 AI 投入中获得实质性回报。(今天我们先看战略层,明天继续执行层解读)
手册总结AI领导者的九大特征:

战略层:
AI 领导者将 AI 视为核心增长引擎,并据此重写整体战略。
01|战略高度对齐与速度(Strategic alignment and speed)
AI 领导者通过将 AI 与业务战略高度对齐,把清晰的战略聚焦 + 快速推进能力,转化为显著高于同行的财务回报。
02|端到端聚焦(Focused end-to-end approach)
领先者会优先选择高价值业务领域,对流程进行端到端重构,而不是零散叠加工具,从而释放远超线性投入的经济价值。
03|飞轮效应(Flywheel effect)
这些先行者构建了一个正向循环:
早期投入 → 快速见效 → 强化信心 → 持续再投资 → 更快增长。
04|核心系统再造(Core reinvention)
增长型领导者并非只在原有系统上“加 AI 插件”,而是重构核心应用,让 AI 从底层嵌入,而非停留在表层叠加。
执行层:
AI 领导者通过稳健的技术底座、被赋能的人才、内建的应用与治理机制,以及专业伙伴,形成差异化优势。
05|规模化安全能力(Secure at scale)
AI 领导者构建可扩展且安全的技术栈,根据需要将 AI 基础设施本地化或迁移,用于私有 / 主权 AI,并持续投入以消除基础设施瓶颈。
06|专家优先的 AI(Expert-first AI)
这些领跑者用 AI 放大高经验、高技能员工的影响力,而不是试图用 AI 直接替代他们。
07|真正“落地”的变革(Change that sticks)
顶尖组织将 AI 采用视为一次全公司的变革项目,通过系统性的变革管理,降低阻力,让改变真正发生并持续。
08|面向规模的治理(Governed for scale)
领先组织集中化 AI 治理体系,建立企业级监督机制,并设立专职的 首席 AI 官(CAIO),以统一风险管理并对齐创新方向。
09|伙伴驱动的增长(Partner-powered growth)
一流企业积极借助战略型外部伙伴,并愿意采用以结果为导向、收益共享的合作模式,加速 AI 价值的实现。
AI 领导者如何管理他们的组织
AI 领导者深知,仅仅投资新技术,并不足以实现他们想要的结果。
他们同样需要重新想象组织的运作方式。对他们而言,整体的价值,远大于各个部分之和。

研究表明,高绩效组织在结构、决策与变革方面,采取了一种更为根本、也更为系统的管理方式。他们在保持战略清晰的同时,具备高度的运营敏捷性,将 AI 视为企业级能力,而非一系列彼此割裂的实验项目。
真正拉开差距的,是他们围绕 AI 对业务进行的有意识管理方式:
在组织最顶层实现战略对齐、以清晰指标牵引执行;对流程进行端到端重构;在设计与决策的各个层级嵌入治理机制;赋能专家型人才;并在安全、可靠的基础之上,实现规模化扩展。
这些组织的运作方式,更像是高速运转、持续学习的系统:早期成果会推动进一步投资,生态型合作伙伴在价值加速中扮演关键角色。尽管他们保持谨慎,但这种谨慎并非保守,而是体现在高度精确的策略与执行选择上——这正是建立 AI 原生运营模式所必需的。
在本章中,将从战略到执行,系统拆解区分 AI 领导者与其他组织的 9 项组织实践,并说明这些实践如何帮助他们在更快增长的同时,更高效地将 AI 投入转化为清晰、可持续的业务回报。
知识点:AI 技术栈:生成式 AI、智能体 AI 与企业级“护栏”
AI 的广泛成功——涵盖生成式 AI 与智能体 AI——建立在 四大基石之上:
高质量数据、世界级数据工程、强大的算力,以及可扩展的基础设施。
这些基础共同推动了 AI 生态的成熟,而每一层都有其明确的角色与责任边界。
● 生成式 AI(创造者|GenAI)
作为 2022 年进入主流的革命性力量,生成式 AI 将数据转化为对话,将想法转化为初稿。它激发创造力、降低信息获取门槛,推动洞察产生,并在各行业中设立了新的生产力基线。
● 智能体 AI(执行者|Agentic AI)
作为当前最具决定性的跃迁,智能体 AI 将生成式 AI 从“生成内容”拓展到“采取行动”。
它以自主、结果导向的系统形式运行,能够在闭环中执行、迭代与优化,将静态流程转变为自适应生态系统。
● 私有 / 主权 / 可持续 AI(守护者|The protector)
随着 AI 技术栈日益复杂,组织对控制力与合规性的需求不断上升:
私有 AI:保护专有数据与核心资产
主权 AI:遵循司法辖区与监管框架,明确数据处理与存储边界
可持续 AI:在算力、伦理与碳足迹之间取得平衡,保障长期可持续性
单独来看,这些层级代表着不同的技术进步;合在一起,它们构成了企业级 AI 的整体架构,使 AI 成为一个连贯、可治理、可持续演进的系统,为“智能型组织”提供坚实基础。
一、战略对齐与速度 Strategic alignment and speed
AI 领导者通过将 AI 与业务战略高度对齐,把战略聚焦与推进速度,转化为显著高于同行的财务回报。
研究显示,那些已经实现 AI 战略与业务战略全面对齐的组织,比未对齐的组织,更有可能从 AI 中获得可量化的财务收益。
在上一财年中,超过 8 成实现全面对齐的组织(83.6%)表示,AI 带来了 5% 或以上的利润增长;相比之下,仅 77%的“部分对齐”组织,以及 58%的“未对齐”组织,报告了类似的利润提升。

AI 领导者在推进方式上,也明显更偏向先行试验(first-mover),而不是“等等看”的策略,这一点在实际影响中体现得非常清楚:
46.1% 的 AI 领导者明确表示,希望通过 AI “快速行动、引领市场”
(AI 落后者仅为 25.4%,所有其他组织为 33.3%)

只有 16.6% 的 AI 领导者选择 “让别人先承担风险”
(AI 落后者为 25.2%,其他组织为 17.4%)

对董事会而言,AI 正在演变为组织的“操作系统”,这一变化释放出一个非常重要的信号:AI 在定义和驱动企业价值的关键杠杆上,扮演着越来越核心的角色——包括 增长、利润率、风险管理与人才。
模型选择,决定了速度与服务水平;
数据架构,定义了产品能力、市场空间与定价权;
AI 智能体,正逐渐成为绩效表现与竞争优势的关键差异来源。
过去由 IT 团队主导的决策,如今已进入 董事会层面的战略核心,并深刻影响着各业务职能的方向。
简言之:AI 的成功,就是业务的成功。
二、端到端聚焦Focused end-to-end approach
领先组织聚焦于高价值领域,通过端到端重构流程,释放非线性、超比例的经济价值。
由于“增长型用例”往往能带来远超平均水平的经济回报,AI 领导者会优先选择回报清晰、落地节奏快的高价值业务场景。
他们通过端到端重设计工作流程,实现几乎即时的生产力提升与清晰的成本收益。
这些高价值 AI 应用,主要集中在:
前台场景:如市场、销售、客户服务等与客户直接交互的环节
同时也高度重视 后台与中台的流程自动化与效率优化
数据显示:
73.3% 的 AI 领导者使用 AI 支持前台业务
85.6% 的 AI 领导者在后台和 / 或中台使用 AI
相比之下:
只有 44% 的 AI 落后者将 AI 重点放在前台
71.1% 的 AI 落后者主要用于后台和 / 或中台
在所有其他组织中:
58.7%聚焦前台
73.8%聚焦后台和 / 或中台

知识点:迈向 AI 原生(Becoming AI-native)
工作流与流程的转型,是组织走向 AI 原生状态的重要一环。
如果说“云原生”强调的是弹性与可扩展性,那么 AI 原生关注的则是适应性与自主性。
AI 原生架构在每一层都内嵌了推理、反馈与自我纠偏机制。
它们不仅仅是“承载智能”的基础设施,本身也具备“智能”——能够基于运行表现数据和不断变化的业务环境,自动重构和调整自身。
AI 原生的商业模式,意味着决策、流程与结果都是资源可感知的、软件定义的、由智能体驱动的。
这类模式要求组织进行一次自下而上的全面重构,同时与 CEO 自上而下制定的 AI 战略保持高度一致。
三、飞轮效应(Flywheel effect)
AI先行者构建了一种正向循环:
早期投入 → 初步成功 → 强化信心 → 持续再投资 → 更快增长。
研究数据显示,AI 的投入强度本身非常重要,而投入带来的成功会直接驱动再投入。
AI 领导者将其 AI 投入描述为“非常显著”的比例,几乎是其他组织的两倍;并且,由于已经看到清晰成效,许多 AI 领导者计划在未来两年内大幅增加 AI 投入。
接近 7 成 AI 领导者(68.2%)表示,其当前在 AI 上的投入“非常显著”,
相比之下,只有 45.5% 的 AI 落后者,以及 34.6% 的其他组织如此认为。

此外,64.5% 的 AI 领导者计划在未来两年内显著增加 AI 投资;
而 AI 落后者为 45%,其他组织为 40.3%。

对 AI 创造新收入来源的信心,在技术战略型高管群体中最为明显,尤其是:
首席软件官(CSO):54.5% 表示“非常有信心”
CEO:48.3% 表示“非常有信心”
相比之下,财务体系的态度更为谨慎,强调更严格的商业论证与控制节点。只有 38.8% 的 CFO在这一问题上的信心水平,与 CSO 和 CEO 持平。
四、核心系统再造(Core reinvention)
增长型领导者选择在核心系统中嵌入 AI,而不是只停留在表层的功能叠加。
越来越多的 C-level 高管正在认识到一个残酷现实:你可以设定雄心勃勃的 AI 目标,组建优秀团队,选用最先进的模型;但如果你的基础设施是割裂的、算力不足的,或缺乏安全性,组织不仅跑不快,还会放大风险、流失价值。
当工具彼此割裂,重复成本、控制不一致以及无法承载真实用户与高风险场景的接口问题就会不断放大。
几乎每一位高管都曾见过这样的情形:
宏大的 AI 承诺,被薄弱的基础设施和不断累积的系统错误拖慢甚至中断。
如果数据管道、网络能力、身份管理和服务管理不到位,其他一切都难以成立。
4.1 将 AI“嵌进去”,而不是“外挂上去”
Embedding AI, not bolting it on
与 AI 落后者和其他组织相比,AI 领导者更倾向于重构核心应用,把 AI 能力嵌入系统底层,而不是简单加装表层功能。
34.5% 的 AI 领导者已经采取“嵌入式重构”策略
相比之下,仅 14.5% 的 AI 落后者
以及 18% 的其他组织选择了这一做法

4.2 用 AI 插件或 API 增强现有系统
Augmenting existing applications with AI add-ons or APIs
在 AI 应用现代化的路径中,第二常见的做法是:通过 AI 插件或 API,在现有系统上进行增强。这种方式在 AI 落后者和其他组织中更为普遍:
40.8% 的 AI 落后者采用该方式
37.6% 的其他组织
仅 32% 的 AI 领导者主要依赖这种方法

4.3 混合式 AI 部署:即插即用 + 协同共创
Hybrid AI deployment (plug and play with co-innovation)
从整体来看,混合式 AI 部署是最常见的方式:
50.1% 的 AI 领导者
48% 的其他组织
35.1% 的 AI 落后者

这表明,即使是领先者,也并非完全“推倒重来”,而是在标准化能力与定制创新之间取得平衡。
4.4 与战略型 IT 伙伴进行定制化共创
Pursuing bespoke co-innovation with a strategic IT partner
接近一半的 AI 领导者(45.3%)表示,他们会在战略型系统集成商的支持下,推进定制化的 AI 共创方案。
相比之下:
36.6% 的 AI 落后者
39.6% 的其他组织
愿意走这条更复杂、但潜在回报更高的路径。

今天先把视角放在 AI 领导者的“战略层”。
从报告里看到真正让AI应用领先的,并不是谁更早用上某个模型,而是是否在战略层面完成了四件事:
把 AI 与业务目标真正对齐、聚焦高价值场景做端到端重构、跑通“投入—产出—再投入”的飞轮,以及下决心重构核心系统而不是不断外挂能力。
这四个选择,本质上回答的是同一个问题:
AI 在组织里,到底是“工具”,还是“增长引擎”?
但战略本身并不能自动变成结果。
真正决定 AI 能否规模化、能否持续跑赢的,是接下来更难、也更容易被忽视的部分——执行层的组织与治理实践。
明天,我们继续往下看:
AI 领导者在执行层做对了哪 5 件事,
他们如何搭建安全可扩展的底座、重构治理方式、重塑人才结构,
以及这些选择,最终如何体现在增长、利润和组织能力上。
后台发不了附件,需要完整报告的可后台私信“报告”,我来发送PDF版本全文~
?关注AI组织进化论|陪你读懂组织
此外,我们设计了一门半天/1天版《AI时代组织与人才重塑》的课程,围绕 AI 如何影响组织与人才的关键问题,结合趋势、案例和方法论,帮助团队形成共识并促进行动落地,适合管理者、HR 、OD 及数字化转型等伙伴。感兴趣欢迎私信交流。
案例|谷歌最新六大机制:AI时代如何对抗大公司病,重塑产品力
都知道 AI 会重构组织,但为什么迈不出第一步?以及第一步从哪开始?


