传统企业的AI困局

2026年2月，一则清算公告从国内某知名饮料集团内部传了出来。

精密机械公司宣布解散，机器人业务也被彻底叫停。这项业务从2011年就已启动，是国家「十二五」重大科技专项，前后投入了几千万。

十五年，几千万，最终清零。

就在同一个月，另一组数据又刷爆了视野。麦肯锡发布2026年企业AI转型调研报告，全球接近90%的企业已经开启AI转型，但真正做到规模化落地、并收获商业回报的，只有大约10%。高达75%的企业，仍困在投入不少却始终跨不过去的「试点陷阱」里。

一边是传统巨头耗费十几年、投入无数资金，最后无奈收场。一边是90%的企业还在争先恐后往同一个坑里跳。

问题究竟卡在哪里？

谈传统企业做AI，先看一个最具代表性的场景。

2025年，AI家电的渗透率已经超过50%，彩电更是突破70%。几乎所有家电品牌都给产品贴上了AI标签，语音控制、智能推荐、远程操控，功能清单越列越长。

但另一组数据更扎眼。78%的用户认为这些智能功能并不实用，实际使用率只有34%。

你买了一台支持语音控制的烤箱。第一次使用时，你对着它喊一句「预热到200度」，会觉得挺新鲜。到了第三次，你已经懒得开口，直接转旋钮，两秒就能完成。

这并不是个别情况，而是大多数「AI+传统产品」的真实缩影。

国内某家电龙头曾砸下600亿押注AI，布局工业机器人、人形机器人、智能家居，但至今没有推出自研基座大模型，人形机器人也没有进入主流统计机构的视野。反观几家海外家电品牌在做什么？它们在悄悄打磨冰箱门缝。它们把AI放进了看不见的地方，节能、保鲜、降噪，用户感受不到AI的存在，却能明显感受到产品更好用了。

这两种路线，本质上就是「伪智能」和「真智能」的区别。

伪智能的思路是，给产品加上AI标签，加一个语音入口，再配一块屏幕，然后告诉消费者这就是AI产品。归根结底，是营销在驱动，而不是需求在驱动。

真智能的思路是，让AI去解决一个真实、频繁、而且用户自己未必能清楚表达的痛点。高德地图的「AI伴行」就是很好的例子，它不是在地图里硬塞一个聊天框，而是借助摄像头理解街景，用语音完成连续对话，再通过意图预判帮助你做决策。用户不需要先学会「怎么用AI」，因为AI已经自然融入了使用流程。

麦肯锡报告里有个词，特别准确，叫试点陷阱。

什么意思？企业花几百万请咨询公司做了一个AI PoC（概念验证），在某个部门先试点，效果看起来不错，员工效率提升了10%到15%。然后呢？然后就没有然后了。

75%的企业都卡在这一步。试点成了，却没法复制到更大范围。

为什么会这样？原因有三个。

第一，AI解决的根本不是业务真问题。很多企业做AI的起点就不对，会议室里有人说「我们想上一个AI项目」，却没人能回答「你要让AI解决什么业务问题」。不是为了某个具体问题去用AI，而是为了用AI而用AI。这类项目在试点阶段可以靠投入堆出好看的数据，但一旦规模化，成本和收益之间的落差就会立刻暴露出来。

第二，AI只是提高了个人效率，却没有改造组织流程。一个销售用AI写通话记录的时间，从1小时缩短到5分钟，但整个销售流程、考核机制、客户管理方式都没变。个人效率提升10%到15%，可组织整体效率并没有真正上去。这类AI应用，就像给自行车装上法拉利的后视镜，看起来很高级，对速度却没有实质帮助。

第三，数据基础跟不上。AI需要数据喂养，但很多传统企业的数据分散在不同系统里，格式不统一，质量也参差不齐。没有好的数据，AI就像巧妇难为无米之炊。

传统企业的AI焦虑，表面看是对技术的焦虑，实质上是对竞争的焦虑。

2025年企业AI支出同比增长2倍，超过四成资金流向生成式AI。近3000家调研企业里，有一半已经部署AI。这个增速不是自然扩张，更像是恐慌性加码。

看到竞争对手高喊AI就开始慌。不做怕落后，做了又不知道做什么。于是先上一个AI项目再说，至少年报里可以写上「全面拥抱AI」。

这种被焦虑驱动的AI投入，有一个共同特点，那就是重前端、轻后端。愿意花大钱买模型、做产品、开发布会，却不愿意花小钱去整理数据、重构流程、培训团队。

可AI价值真正释放出来的路径恰恰相反。模型只是工具，数据才是燃料，流程重构才是发动机。只有工具，没有燃料和发动机，AI项目注定只能停在试点。

焦虑归焦虑，还是有一些传统企业确实靠AI赚到了钱。

国内某中式快餐连锁品牌在全国380多家门店部署了AI数字菜谱和智能炒菜机器人，后厨人数从8人降到5人，出餐效率提升40%，顾客投诉率下降40%，单店每月节省人力成本1.2万元。这笔账很容易算，380家店一年节省下来超过5000万。

还有一个很有意思的现象。智谱AI把智能交互、场景服务、支付助手全面落地，结果微信和支付宝几乎没怎么发力，反而成了最大赢家。AI公司拼命烧钱打造底层能力，但最终真正拿到价值的，是那些拥有场景和用户关系的传统平台。

这说明了一个很多人忽略的逻辑。在AI时代，最稀缺的并不是技术能力，而是场景理解力。

技术可以买，可以租，也可以外包。但对自身行业痛点的理解，对用户真实需求的把握，对业务流程的深度认知，这些是买不来的。

海外几家头部家电品牌不需要给冰箱加屏幕，因为它们清楚用户真正看重的是保鲜和静音。中式快餐连锁品牌不需要做AI营销，因为它知道后厨降本增效才是最硬的逻辑。高德也不需要在地图里塞一个聊天框，因为它知道用户在路口不知道怎么走，才是真痛点。

说完失败案例和成功案例，再回到一个更现实的问题：如果传统企业做AI的大方向并没错，只是方法需要调整，那么钱会流向哪些产业链环节？

从麦肯锡和工信部点名的高价值场景来看，有三个方向值得重点关注。

第一个是工业AI质检和预测性维护。这是目前ROI最清晰的场景之一。制造业产线质检长期依赖人工，漏检率高、成本高、招工难。AI视觉质检可以把漏检率降到0.1%以下，同时实现24小时不间断。预测性维护则更直接，通过传感器数据加AI模型预测设备故障，把意外停机时间减少30%到50%。工信部在「人工智能+制造」相关政策里，把这两个场景排在前列，也说明政策层面正在引导资金往这里走。

第二个是企业数据治理和流程自动化。前面已经提到，75%的企业卡在试点陷阱，核心原因之一就是数据基础不足。这意味着，帮助企业整理数据、打通数据孤岛、建立数据中台，本身就是一个巨大的市场。全球企业AI支出里，超过四成流向生成式AI，但真正能产生ROI的投入，往往是那些不那么显眼的数据治理和流程重构工作。做B端数据服务的公司，可能比做大模型的公司更早赚钱。

第三个是垂直行业的AI解决方案。不是通用AI平台，而是针对特定行业的深度定制。餐饮行业的智能炒菜和供应链预测，零售行业的智能选品和库存优化，物流行业的路径规划和智能调度。这些方案的特点是，做的人必须同时懂AI和行业，门槛高，但护城河也深。一旦在一个行业里做深做透，客户替换成本会非常高。

这三个方向有一个共同点：它们都不是「给产品加个AI标签」，而是用AI解决了一个具体、可量化的业务问题。质检降低了漏检率，预测性维护减少了停机时间，数据治理打通了信息孤岛，垂直方案提升了运营效率。

这些，才是AI在传统行业里真正能落地的场景，也是资金最可能获得回报的地方。

说了这么多，传统企业做AI到底该怎么判断？

其实标准很简单，就三个问题。

AI解决的是不是真实痛点，而不是想象中的需求？如果去掉AI功能，用户会不会立刻抱怨？如果不会，那这个AI功能大概率就是伪需求。

AI带来的效果能不能量化？省了多少人、提了多少效、降了多少成本、减少了多少投诉？如果只能说出「提升了智能化水平」这种话，那大概率就是伪智能。

AI是融入了业务流程，还是只是挂在业务流程外面？如果员工还要额外打开一个AI工具，额外学习一套操作方式，那它就是负担，不是工具。好的AI应该像电一样，看不见，却无处不在。

某国内饮料巨头2011年布局机器人，投入了几千万，到了2026年却选择关停。问题不是机器人这个方向不行，而是这家企业的核心竞争力在品牌和渠道，不在制造技术。把几千万投到一个和核心竞争力无关的方向上，就算技术再好，也只是锦上添花，不是雪中送炭。

传统企业做AI，最怕的不是做错，而是在不该投入的地方花太多钱，在真正该投入的地方反而没花够。数据整理值得花钱吗？流程重构值得花钱吗？员工培训值得花钱吗？

这些事不够性感，不够写进年报，也不够在发布会上讲。但恰恰就是这些不起眼的工作，决定了AI项目最终会变成10%的成功样本，还是75%的试点陷阱。

AI焦虑不需要解药，需要的是冷静。