AI落地报告:为什么88%的企业在用AI,但只有不到10%真正赚到了钱?

导读：麦肯锡最新调研发现，88%的企业已在至少一个业务中"经常使用AI"，但真正实现规模化价值创造的企业不足十分之一。从"尝鲜"到"赚钱"，中间到底隔了什么？

一、让CEO睡不着觉的现实

去年，我参加了一场企业数字化转型闭门会。

圆桌讨论环节，主持人抛出一个问题："在座各位，你们公司在2025年投入AI的预算比2024年增长了多少？"

十几位企业高管依次回答。最少的增长了30%，最多的翻了三倍。

主持人接着问："那有多少人觉得，这笔投入带来了对等的回报？"

全场沉默了。

这就是2026年中国企业面临的一个尴尬现实：AI投入的热情空前高涨，但真正能从AI投资中获得显著回报的企业，寥寥无几。

麦肯锡《2026全球技术议程》调研覆盖全球632位科技与业务领导者，数据触目惊心：

88%在用，不到10%赚到钱。这不是AI的问题，是企业的能力问题。

二、六个"坑"，正在吞掉你的AI投入

为什么AI投入大、产出小？麦肯锡的研究指出了六大障碍：

坑一：战略脱节——把AI当"项目"做，不是当"战略"打

很多企业的AI推进方式是业务部门"各自为战"：

销售部说"我们搞个AI客服"→ 市场部说"我们试个内容生成"→ 生产部说"我们弄个预测维护"

每一个听起来都很合理，但这些项目之间毫无关联，无法形成合力。

更致命的是，CEO往往是"鼓励探索"，却没有把AI与公司的核心战略目标真正对齐。

结果：一堆零散的试点项目，没有一个能支撑公司整体战略。

坑二：无法规模化——100个试点，0个推广

这是最普遍的问题。麦肯锡数据显示：横向应用（如聊天机器人、员工助手）虽然广泛部署，但收益有限；高价值的垂直场景，因组织与技术障碍长期停留在试点阶段。

翻译成人话就是——简单的用不上，有用的推不开。

坑三：数据基础薄弱——AI吃不饱，怎么干活？

AI的本质是"数据+算法"。算法可以买、可以借，但数据只能自己攒。

然而，大多数企业的数据基础是这样的：

• 数据分散在不同部门和系统中，割裂

• 大量宝贵知识没有被沉淀为结构化数据，隐性

• 缺乏统一的数据治理机制，混乱

数据好不好，直接决定了AI的天花板。麦肯锡调研中，25%的高绩效企业和更多其他企业都承认——数据基础不足以支撑智能体规模化运行。

坑四：组织惰性——人不想变，AI推不动

这是最难解决、也最容易忽视的问题。

组织对变革的本能抵触，表现为：

• 一线团队：觉得AI会抢饭碗，消极配合

• 中层管理者：担心自己的权力被削弱，暗中抵制

• 预算机制：依旧按年度规划走，跟不上AI的迭代节奏

AI落地最难的不是技术，是人。

坑五：人才错配——懂技术的不懂业务，懂业务的不懂技术

麦肯锡数据显示，近1/3的高绩效企业承认存在AI人才与能力储备缺口。

但这不只是"招不到人"的问题，更是"用不对人"的问题：

• 技术团队不理解业务场景，做出的AI"自嗨"

• 业务负责人不懂AI，没法提出高质量需求

• 两边各说各话，谁也说服不了谁

AI人才不仅仅是会写代码的人，更是能打通技术与业务"最后一公里"的人。

坑六：评估模糊——看不清回报，就没法坚持

很多老板问：我投了这么多钱，AI到底给我赚了多少？

回答不出。

原因很简单——大多数企业没有建立清晰的AI投资回报评估体系。

AI带来的改善往往散落在不同环节：客服响应快了、质检准确率高了、审批流程短了……但这些"改善"能不能转化成财报上的数字？答案通常是模糊的。

如果账算不清楚，老板的支持就只能靠"信念"，而"信念"在连续三个季度亏损面前，不堪一击。

三、答案在哪里？CEO和CIO的"双人舞"

那怎么办？麦肯锡的回答是：CEO和CIO必须并肩作战。

CEO的职责：定方向、推变革、配资源

麦肯锡原文说得一针见血：

"CEO本人对AI的学习，以及对AI在本行业潜力的理解，是形成战略判断与远见的基础，这一责任无法外包。"

老板都不懂AI，就别指望下面的人能把AI用好。

CIO的职责：搭底座、管数据、督运行、通协作

麦肯锡的调研发现了一个有趣的分化：高绩效企业与其他企业之间的差距正在加速拉大。那些把技术当作战略能力来建设的CIO，正在带领企业走向螺旋上升的正循环；而那些把技术当作"可外包的劳务"的企业，正在被越甩越远。

四、三个案例告诉你：付诸行动的企业长什么样

案例一：星展银行（DBS）——产品与平台模式转型

做法：围绕客户与核心能力打造30多个平台，由业务与技术部门联合领导。

成效：

• 交付效率显著提升

• 跨部门协作更加紧密

• 技术架构实现模块化与云原生化

• 企业级数据与AI底座更加稳固

启示：不要试图在旧架构上"贴"AI，而是围绕AI重构组织模式。

案例二：英杰华保险（Aviva）——AI重塑理赔流程

做法：部署80余个AI模型，同步推动运营模式与企业文化转型。

成效：

启示： AI不是"锦上添花"，而是彻底重构核心业务流程。

案例三：中国某制造企业——AI质检从试点到规模化

做法：从一条产线的AI视觉质检试点，逐步推广至全厂，再推广至整个集团。

关键动作：

• 先建数据标准：统一全集团的质检数据格式

• 再建人才体系：培养"AI+质检"双技能人才

• 最后推管理制度：将AI质检结果纳入绩效考核

启示：从试点到规模化，不是技术的复制，而是管理能力的系统升级。

五、给真正想"赚到钱"的企业的四条行动建议

综合麦肯锡的研究和各行业的最佳实践，我总结了四条可落地的建议：

建议一：从"试点思维"转向"工程思维"

不要把AI当作"实验项目"，而是当作工程系统来建设。

建议二：CEO亲自下场，别当甩手掌柜

这不是IT部门的事，是一把手工程。

麦肯锡的调查显示，高绩效企业有近2/3的技术负责人"深度参与"企业战略制定，而其他企业只有52%。

差距看似不大，但放在"深度参与"这个标准下，这意味着在大量企业中，CIO依然被当作"修电脑的"。

建议三：先搞定数据，再谈AI

没有好数据，AI就是空中楼阁。

具体可以做的三件事：

1. 盘点数据家底——你的企业有哪些数据？在谁手里？质量怎么样？

2. 建立治理机制——谁负责数据的收集、清洗、维护？

3. 沉淀隐性知识——把师傅的经验、历史的案例、项目的复盘，变成可被AI学习的结构化数据

建议四：算清楚账，用好财务杠杆

AI投入不是一次性支出，是长期投资。

你需要回答这三个问题：

• 投入期多长？第一年投入多少？第二年呢？

• 回报从哪来？是降低成本、提升收入、还是减少风险？

• 怎么衡量？每个AI项目的ROI指标是什么？多久复盘一次？

算不清楚这三笔账，老板的支持撑不过三个季度。

六、写在最后

回到开头的问题：88%的企业在用AI，但为什么只有不到10%赚到了钱？

答案很清楚：用AI和用好AI，差着十万八千里。

用AI，买一套工具、招几个人、让员工"玩玩"就行。

用好AI，需要的是：

• 战略上对齐—— AI不是项目，是战略

• 组织上变革—— AI不改变流程，就不会产生价值

• 数据上筑基—— 没有好数据，AI就是空转

• 人才上赋能—— 每个人都要成为"AI+人"的复合体

• 财务上算账—— 每一分投入都要可衡量、可追溯

麦肯锡报告里有一句话说得特别好：

"成功不在于投入更多资金，而在于更高效地配置资源。"

那些真正从AI上赚到钱的企业，不是因为它们花了更多的钱，而是因为它们把钱花对了地方、花对了方法、花对了节奏。

2026年，AI不再是"要不要做"的问题，而是"怎么做好"的问题。

窗口期还在，但你只有一次做对的机会。

? 今日互动

你所在的企业，AI应用处于哪个阶段？

评论区聊聊你们公司的AI落地情况~

如果觉得有启发，点个在看，让更多企业主看清AI投资的真相。

��声明：本文基于麦肯锡《2026全球技术议程》调研报告及行业观察撰写，观点仅供参考。数据来源：麦肯锡2025年全球技术议程调研（N=632）。

关注「咨询老兵笔记」，每周不定期更新，把复杂的管理问题翻译成人话。

新来的朋友“设为星标⭐”才能更快收到文章的推送。如果觉得有收获，顺手右下角点个红心❤️，再点个赞?，给老兵一点支持。