95%的企业AI试点项目，回报是零。
这个数字来自MIT刚刚发布的《2025年商业AI现状》报告。听起来有点残酷，但它如实反映了一个现实：企业在GenAI上砸了300到400亿美元，绝大多数却打了水漂。真正能产生可衡量商业价值的AI项目，只有区区5%。
研究者给这种巨大的落差起了个名字——“GenAI鸿沟”。大多数企业还停留在“试点尝鲜”的阶段，而少数成功者，已经靠AI拿回了数百万美元的真金白银。
为什么ChatGPT很好用，但企业AI工具很糟糕？
这里有一个有趣的矛盾：80%的组织都在用ChatGPT这类通用工具，但能真正投入生产环境的定制企业AI工具，只有5%。
问题的根源不在AI模型本身的质量，而在于系统能不能学习和适应。说得直接点：静态工具必死。95%的企业买回来的，或者自己开发的，都是那种“演示看起来很酷，但完全不记上下文”的AI玩具。这些工具根本无法适应真实的工作流。而那5%的成功案例，全部采用了能持续学习、动态集成的系统。举个具体的例子：某保险公司把AI深度嵌入了理赔流程，单案例处理时间从45分钟直接降到了90秒。
员工为什么偏爱ChatGPT？报告里列了三个很直接的原因：
- “我更信任它”
- “界面已经熟悉了”
- “它的答案更好”
但事情的另一面是，当涉及核心业务流程时，90%的用户依然更愿意找人类同事，而不是AI。理由也很简单：ChatGPT不记上下文、不学习、不改进。它不是越用越聪明的。
一位企业律师的话很有代表性：“ChatGPT很适合做头脑风暴和写初稿，但它不会记住客户的偏好，也不会从之前的编辑中学习。对于高风险的工作，我需要的是一个能积累知识、能随时间自我改进的系统。”
影子AI经济：员工自己在跨越鸿沟
报告发现了一个很有意思的现象——“影子AI经济”。90%的员工在工作中使用个人AI工具，但只有40%的公司，给员工买了官方的AI订阅。
员工每天多次用自己的个人AI账号处理工作任务，而他们公司的官方AI项目，还停留在试点阶段。换句话说，个人用户已经自己跨越了“GenAI鸿沟”，但企业组织还远远落在后面。
钱都花在了错误的地方
还有一个值得深思的数据：50%的GenAI预算，流向了销售和营销。原因不难理解——这些领域的效果容易衡量，演示数量、邮件回复时间之类的指标，可以直观地展示给董事会看。
但真正的ROI，其实藏在那些被忽视的后台功能里：
- 减少BPO（业务流程外包）支出：每年能省200万到1000万美元
- 降低外部袋里成本：创意和内容成本减少30%
- 替代昂贵的咨询服务
一位制药公司采购VP的困惑，恐怕能代表很多人：“如果我买一个工具，只是让团队工作得更快，我怎么量化这种影响？又该怎么向CEO证明它的价值？”
成功者在做什么不同的事？
那些已经跨越GenAI鸿沟的组织，有三个共同特征：
- 购买而非自建：外部合作的成功率是内部开发的两倍（67% vs 33%）
- 从业务一线推动，而非中央实验室：最强的企业级部署，往往始于那些已经在个人工作中用过ChatGPT或Claude的“超级用户”
- 选择能学习和适应的工具：成功的系统不只是生成内容，它会在具体环境中学习、进化、改进
成功的AI初创公司，也遵循着类似的逻辑：专注于垂直但高价值的场景，深度整合到用户的工作流程中，靠持续学习取胜，而不是靠堆砌功能。
时间窗口正在关闭
企业正在加速锁定那些能够适应的AI系统。微软的365 Copilot和Dynamics 365，已经开始集成持久内存和反馈循环。OpenAI的ChatGPT内存测试版，也显示了类似的趋势。
一家50亿美元金融服务公司的CIO，说得很明白：“我们正在评估五个不同的GenAI方案。最终谁能赢，取决于它能不能学习和适应我们的具体流程。一旦我们投入时间，把一个系统训练到理解我们的工作方式，再换的转换成本就太高了。”
这个18个月的选择窗口期，正在迅速缩小。
真正的改变才刚开始
这不只是工具的迭代，而是一个更深层趋势的开端——“袋里网络”（Agentic Web）正在浮现。它是由学习系统组成的、持久的互联层，能够跨供应商、跨领域、跨界面协同工作。
今天的企业软件栈，还是一堆孤立的SaaS工具加上静态的工作流。而袋里网络要做的是，用能够协商任务、共享上下文、跨企业协调行动的动态袋里，来替代这套旧架构。
对于那些还困在鸿沟错误一侧的组织来说，前路其实很清楚：停止投资那些需要你不断提示的静态工具，开始寻找能提供定制系统的供应商，把精力放在工作流程的整合上，而不是沉迷于华丽的演示PPT。
GenAI鸿沟不是永久的。但跨越它，要求企业在技术选型、合作伙伴关系和组织设计上，做出一些根本不同的选择。
社群评价
网络上对这份报告的价值，讨论也很热烈。支持者认为：“AI试点要是不能融入日常运营，那就是个摆设。关键不在PPT上。”质疑者则说：“MIT这次可能错过了AI真正的发展脉络，现在发这种报告，有点遗憾。”
一位一线实施者的观察更直白：“企业都说想要AI，但他们对AI的理解全来自媒体炒作。等你真做出来，反响平淡得很。”
有人把这次的情况比作1995年的互联网浪潮：“那时候每家公司都觉得必须建个网站，但绝大多数根本不知道建了网站要拿来干什么。”
小结
这种80-90%的高失败率，其实不是AI独有的问题。过去的大数据项目，差不多也是这个剧本。这反映的，是企业采用新技术时的通病：目标模糊、执行不力、变革管理跟不上。
无论95%这个数字是否完全精确，它都已经成为讨论企业AI投资效果时，绕不开的一个参考点。真正的问题或许不在技术本身，而在于大多数公司在面对新技术时，依然在犯那些老毛病：跟风、目标不明、落地走样。
工具再先进，用错了地方，也是白费功夫。
