图源：https://www.deloitte.com/content/dam/assets-zone3/us/en/docs/services/consulting/2026/state-of-ai-2026.pdf
2025年，企业员工使用AI工具的比例从不足40%跃升至约60%。一年时间，半数以上的职场人开始与AI共事。
这个数字背后，藏着两个容易被忽略的事实：一是AI的普及速度远超多数人的预期，二是大多数企业还没想清楚如何让AI真正发挥作用。
德勤最新发布的《企业AI现状报告》揭示了一个有趣的反差：技术跑得很快，制度建设却慢了一拍。74%的企业计划在两年内部署Agentic AI，但仅有21%建立了成熟的治理框架。58%的公司已经在使用物理AI（机器人、自动驾驶设备等），但真正把AI试点项目推向规模化生产的比例仍然偏低。
这既是一个技术问题，也是一个关于组织能力、管理智慧和战略眼光的系统性挑战。
以下是我从这份报告中提炼出的六个关键洞察，以及它们对企业决策者的实际意义。
一、AI工具普及
一年之内，员工AI工具覆盖率从不到40%增长到约60%，涨幅超过50%。这个数字的意义，远不止于"大家都在用AI"这么简单。
这种普及带来的变化是深层次的。当超过一半的员工开始使用AI工具，企业的协作模式、信息处理方式、甚至决策流程都在悄然改变。有人用AI写邮件、有人用AI分析数据、有人用AI生成方案——同一个办公室里，每个人的AI使用深度参差不齐，但这种参差不齐本身就在制造新的效率鸿沟。
值得注意的一个现象是：25%的企业报告AI正在对公司产生实质性影响，而这个数字在一年前还只有12%左右。换句话说，AI的"杀手级应用"正在涌现，但受益者仍然是少数。
对企业的建议：
把AI当成重塑工作方式的契机，而不是一个独立的项目 关注员工的AI使用深度，而不仅仅是覆盖率 识别那些AI已经产生实质性影响的场景，复制这些成功经验
二、Agentic AI
如果说传统AI是一个能说会道的助手，那Agentic AI就是一个能独立完成任务的数字员工。
德勤报告的核心发现之一，就是AI的角色正在发生根本性转变：从"信息来源"升级为"能做实际工作的系统"。这是一个功能层面的质变，而不只是修辞上的变化。
Agentic AI的核心特征是自主性和目标导向。它不只回答问题，而是能分解任务、调用工具、跨系统协作、主动交付成果。想象一下，一个AI不仅能告诉你库存数据，还能自动触发补货流程、协调物流供应商、甚至预测需求波动——这才是Agentic AI真正有价值的地方。
85%的公司计划定制化智能体以适应业务需求，这说明市场正在从通用工具走向行业解决方案。但与此同时，74%的企业计划在两年内部署Agentic AI，仅有21%拥有成熟的治理框架——技术愿景和制度保障之间的鸿沟，清晰可见。
德勤还提到了一个重要发现：那些成功部署AI的企业，往往从小风险场景开始，逐步构建治理能力。这句话听起来简单，但真正做到的企业不多。很多企业的做法是反过来的——先大干快上，遇到问题再打补丁。
对企业的建议：
在正式部署Agentic AI之前，先明确谁对AI的决策负责 从低风险、高重复性的场景切入，比如内部报告生成、数据整理等 建立清晰的AI使用边界，哪些事情可以让AI自主决定，哪些必须人工审核
三、物理AI
当人们讨论AI时，话题往往集中在ChatGPT、写代码、生成图片这些数字世界的应用。但德勤报告揭示了一个常被忽视的领域——物理AI，也就是在真实物理世界中运作的智能系统。
机器人、自动驾驶车辆、无人机、智能监控系统……这些听起来像是科幻小说的东西，已经在大量企业中落地。58%的公司已在使用物理AI，而这个数字预计在两年内将攀升至80%。
从行业分布看，制造、物流和国防领域是物理AI的先行者。这些行业的共同特点是：重复性劳动密集、对精度要求高、人力成本压力大。一个能24小时运转、误差控制在毫米级别的智能机器人，对制造企业的价值是实实在在的。
地理分布上，亚太市场在物理AI应用上处于领先地位。报告指出，亚太地区的企业在机器人整合、自动驾驶车辆部署、无人机应用等方面走得更快。这与当地产业升级需求、劳动力成本结构以及政策推动力度都有关系。
从具体应用的影响力来看：
智能安全与监控系统（21%）正在重新定义工厂、仓库和公共场所的安全管理 协作机器人（20%）让人类和机器在同一空间高效配合 数字孪生（19%）让企业能在虚拟环境中优化真实世界的运营
对企业的建议：
重新审视自身的物理运营场景，寻找物理AI的切入机会 关注数字孪生技术——它可能是连接数字世界和物理世界的关键桥梁 在引入物理AI时，同步考虑人机协作的培训和流程再造
四、AI主权
在德勤报告的所有发现中，"AI主权"可能是中国读者最感同身受的一个话题。
83%的企业认为AI主权对战略规划重要，这个数字本身就说明问题。当近半数企业把AI开发地视为选择技术的关键因素，当近六成企业主要使用本地供应商构建AI技术栈，当66%的企业对依赖外国AI技术和基础设施表示担忧——这不是简单的技术选型问题，而是关乎企业生存安全的基础设施思考。
报告中有一个数据特别值得关注：77%的公司在选择新技术时，会把AI开发地作为关键因素。 换句话说，供应商的"出身"已经成为采购决策的重要维度。这背后是对数据安全、供应链稳定、技术可控性的综合考量。
对于高度依赖AI的企业来说：AI能力越强，对AI系统的依赖程度越高，一旦外部环境变化（比如技术断供、政策调整），企业受到的影响就越大。
对企业的建议：
建立AI供应商的多元化策略，避免对单一来源的过度依赖 评估核心业务场景对外部AI的依赖程度，识别潜在的"卡脖子"环节 在追求AI能力提升的同时，同步建设自主可控的技术储备
五、人才困境
AI技术日新月异，但企业的最大瓶颈，技术本身往往不是最难的，真正难的是人。
德勤报告揭示了一个让人担忧的现象：84%的公司没有围绕AI能力重新设计工作或工作性质。 这个数字说明，尽管AI工具在快速普及，但大多数企业的工作方式几乎没有改变。
与此同时，36%的企业预计一年内至少10%的工作岗位将完全自动化。这意味着大量的工作内容和职责边界正在或即将发生变化。但讽刺的是，大多数企业还没有为这种变化做好准备——既没有重新设计岗位，也没有大规模培养新技能。
报告还指出了一个被忽视的矛盾：大多数企业把"不具备足够的工人技能"列为整合AI的最大障碍，但不到一半的公司正在对其人才策略进行重大调整。问题很清晰，但解法却迟迟不到位。
这种矛盾的本质是：人才转型是一个慢变量，投入大、见效慢、且难以量化。相比之下，购买AI工具、启动试点项目要容易得多。但没有人才支撑的AI战略，就像没有驾驶员的自动驾驶汽车——再先进也只能停在车库里。
对企业的建议：
把人才培养提升到战略优先级，而不是把它当作培训部门的日常工作 关注"人机协作"能力，而不仅仅是技术操作能力 重新设计那些即将被AI改变的岗位，明确人类员工的新价值定位 建立持续的技能更新机制，而不是一次性的培训项目
六、治理差距
最后，也是最容易被忽略的一个问题：为什么那么多AI试点项目没能转化为实际生产力？
报告给出了一个冷冰冰的数字：仅25%的受访者将40%或更多的AI试点项目投入生产。 换句话说，大多数企业的AI试点，更像是一场又一场的"成功实验"，但这些实验很难走出实验室。
德勤把这种现象称为"试点疲劳"——反复试验、反复成功、但就是无法规模化。这个问题的根源不在技术，而在于治理机制的缺失。
具体来说：
缺乏清晰的生产化标准和流程 缺少跨部门协调的机制 试点成功后的责任归属不明确 没有建立规模化的资源配置能力
更值得关注的是，74%的企业计划在两年内部署Agentic AI，但仅21%有成熟的治理框架。这种"技术先行、治理滞后"的模式，风险是显而易见的——当AI系统变得越来越自主、越来越深入业务核心，如果没有相应的治理机制，企业面临的将不只是效率损失，而是潜在的合规、法律甚至声誉风险。
对企业的建议：
建立AI项目的"毕业机制"，明确试点如何才能进入生产阶段 设立跨部门的AI治理委员会，打破技术、业务、合规的壁垒 在启动新试点之前，先盘点已有试点的经验教训，避免重复踩坑 把治理框架的建设作为AI战略的一部分，而不是事后的补丁
结语：跑得快不如跑得稳
德勤报告描绘了一幅充满张力的画面：企业对AI的热情空前高涨，技术能力在快速进化，但组织能力、制度建设和人才培养还在拖后腿。
这让人想起商业史上一个反复出现的规律——每当新技术浪潮来临，最先冲浪的人不一定笑到最后。真正能穿越周期、建立持久优势的企业，往往是那些既拥抱创新、又尊重规律的人。
AI不是万能药，但它正在成为新的基础设施。对于企业来说，核心问题已经从"要不要用AI"转向"如何让AI用得更好、用得更稳、用得更久"。
接下来的18到24个月，将是关键的窗口期。那些能在技术热浪中保持冷静、在试点繁荣中看到隐忧、在人才困境中主动破局的企业，才更有可能真正握住AI这把钥匙。
跑得快很重要，但跑得稳才能跑得远。
原报告：https://www.deloitte.com/content/dam/assets-zone3/us/en/docs/services/consulting/2026/state-of-ai-2026.pdf
