88%的企业在用AI，但不到10%真能赚钱

导读：麦肯锡最新调研显示，88%的企业已在至少一个环节中"经常使用AI"，但真正做到规模化带来价值的企业仍不足十分之一。面向“尝试”到“变现”，中间究竟卡住了什么？

去年，我参加了一场企业数字化转型闭门会。

圆桌讨论时，主持人抛出一个问题："在座各位，你们公司在2025年为AI投入的预算，相比2024年增加了多少？"

十几位企业高管依次作答。少的也增长了30%，多的直接翻到三倍。

主持人继续追问："那你们觉得，这笔投入带来的回报是否匹配？有多少人认可？"

现场一片安静。

这就是2026年中国企业的一道尴尬题：AI投入热度持续攀升，但真正能从AI投资中拿到清晰、可观回报的企业仍然寥寥无几。

麦肯锡《2026全球技术议程》调研覆盖全球632位科技与业务负责人，结论令人震动：

数据

结果

至少一个业务中"经常使用AI"的企业

88%

实现规模化应用的企业（任何职能）

< 10%

高绩效企业计划2026年AI预算增长10%以上

28%

其他企业计划预算增长10%以上

仅3%

88%在用AI，但不到10%真正赚到钱。这并非AI本身的问题，而是企业把它落地成效的能力差异。

为什么投入越多、产出却越小？麦肯锡研究总结出了六类常见障碍：

不少企业推动AI的方式，是业务部门"各干各的"：

销售部说"我们做个AI客服"→ 市场部说"我们试试内容生成"→ 生产部说"我们弄个预测维护"

每个想法听起来都很合理，但这些项目彼此缺少连接，难以形成合力。

更关键的是，CEO往往更愿意"鼓励探索"，却没有把AI工作与公司最核心的战略目标形成真正的对应关系。

于是出现了结果：大量零散试点堆在一起，却没有任何一个能够支撑公司整体战略的落地。

这也是最普遍的现象。麦肯锡数据显示：横向应用（如聊天机器人、员工助手）虽然部署面广，但收益往往有限；而高价值的垂直场景，因组织与技术层面的阻力，长期停留在试点阶段。

把话说得更直白一点——好用的用不上，值钱的推不出去。

类型

特点

推广难度

横向应用（聊天机器人、文档生成）

门槛低、价值有限

高

垂直场景（供应链优化、智能质检）

门槛高、价值显著

极高

AI的核心可以概括为"数据+算法"。算法可以买、也能借，但数据只能由企业自己积累。

但很多企业的数据基础却是下面这个样子：

•数据散落在不同部门与系统中，难以打通

•大量关键知识没有沉淀为结构化数据，更多停留在隐性层面

•缺少统一的数据治理机制，导致标准与口径混乱

数据的质量如何，往往就决定了AI能力的上限。麦肯锡调研中，25%的高绩效企业以及更多其他企业都承认——数据基础不足以支撑智能体实现规模化运行。

这也是最难处理、同时也是最容易被忽视的环节。

组织层面对变革的本能抵触，常见表现包括：

•一线团队：担心AI会抢走工作机会，配合度不高甚至消极应对

•中层管理者：担忧权力与流程被重塑，从而暗中抵制

•预算机制：仍按年度规划推进，跟不上AI快速迭代的节奏

AI落地难点往往不在技术，而在人。

麦肯锡数据显示，近1/3的高绩效企业承认自己在AI人才与能力储备上存在缺口。

但问题不止是"招不来人"，更是"用错了人"：

•技术团队不熟悉业务场景，做出来的AI容易变成"自嗨式探索"

•业务负责人不懂AI，导致需求难以提出到位且质量不高

•双方各自为政，谁也说服不了谁

真正的AI人才不仅仅是会写代码的人，更是能把技术与业务贯通，完成"最后一公里"的人。

不少老板会追问：我投了这么多钱，AI到底替我赚了多少？

这类问题通常得不到明确答案。

根源很简单：大多数企业尚未建立清晰、可执行的AI投资回报评估体系。

AI带来的改进往往分散在多个流程：客服响应更快了、质检准确率更高了、审批周期更短了……

但这些"改善"能否最终转化为财务报表上的具体数字？通常答案很模糊。

如果账目算不清楚，老板的支持就只能依赖"信念"；而当连续三个季度出现亏损，这种信念很难持续。

那该怎么做？麦肯锡给出的建议是：CEO与CIO必须并肩推进。

职责

内容

描绘愿景

明确最具影响力的应用场景，把"零散任务优化"升级为"端到端流程重塑"

组织变革

推动招聘与组织架构调整，为AI落地清除制度层面的障碍

带头学习

CEO对AI的学习无法外包，这是形成战略判断的必要前提

与CFO协同

搭建投资回报指标体系，按结果动态调整预算配置

与CHRO协同

重新设计岗位与职责边界，把AI能力真正嵌入每个岗位

麦肯锡原文点得非常清楚：

"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。"

老板不懂AI，就别期待下面的人能把AI用到位。

职责

内容

搭建技术底座

确保IT架构能够支撑智能体运行，尤其要解决与ERP等遗留系统的协同问题

以数据赋能决策

建设系统化的数据治理机制，让数据真正成为企业的"新能源"

监督AI系统运行

保证AI输出的"结果"符合企业政策与既定标准

打通跨部门协作

与COO等业务负责人紧密协作，推动转型从规划落到执行

麦肯锡的调研还观察到一个明显分化：高绩效企业与其他企业之间的差距正在被进一步拉大。那些把技术当作战略能力去打造的CIO，正带领企业进入螺旋上升的良性循环；而把技术当作"可外包劳务"的组织，则会被差距持续甩开。

做法：围绕客户与核心能力搭建30多个平台，由业务与技术部门共同牵头。

成效：

•交付效率明显提升

•跨部门协作更顺畅

•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：别在旧架构上简单"贴"AI，而要围绕AI重构组织运行方式。

做法：部署80余个AI模型，同时推动运营方式与企业文化转型。

成效：

指标

改善幅度

责任认定时间

缩短23天

案件分流准确率

提升30%

客户投诉

减少65%

客户满意度

提升至原来的七倍

启示：AI并不是"锦上添花"，而是对核心业务流程的彻底重构。

做法：先从一条产线开展AI视觉质检试点，再逐步推广到全厂，最终扩展到整个集团。

关键动作：

•先统一数据标准：把全集团质检数据格式对齐

•再完善人才体系：培养"AI+质检"的复合型人才

•最后落地管理制度：将AI质检结果纳入绩效考核

启示：从试点走向规模化，并不是简单复制技术，而是对管理能力的系统升级。

综合麦肯锡研究与各行业的实践经验，我总结了四条更容易落地的建议：

不要把AI当作"实验项目"，而要把它当作工程化系统来建设。

试点思维

工程思维

单点突破，一个部门自己试

全局规划，把数据、流程、组织打通

看"能不能做"

算"值不值得规模化"

成功了再说

在启动前就设计好推广路径

依赖个别"大神"

建立标准化的技术栈与人才体系

这不是IT部门的任务，而是一把手工程。

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

看起来差距不算大，但一旦把"深度参与"作为门槛，意味着在大量企业中，CIO仍常被当作"修电脑的"。

没有高质量数据，AI就只能是空中楼阁。

具体至少可以从三件事入手：

1.盘点数据家底——你们有哪些数据？掌握在谁手里？质量如何？

2.建立治理机制——由谁负责数据的收集、清洗与维护？

3.沉淀隐性知识——把师傅经验、历史案例、项目复盘内容整理成可被AI学习的结构化数据

AI投入不是一次性支出，而是一项长期投资。

你必须回答三个关键问题：

•投入周期多长？第一年投入多少？第二年呢？

•回报从哪里来？靠降成本、增收入，还是降低风险？

•怎么衡量？每个AI项目的ROI指标是什么？多久复盘一次？

这三笔账算不清，老板的支持往往撑不过三个季度。

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？

答案很明确：会用AI与用好AI，差距不是一点半点。

会用AI，可能就是买一套工具、招几个人，让员工"先玩起来"。

用好AI，则需要具备：

•战略对齐——AI不是单个项目，而是战略能力

•组织变革——AI不改变流程，就很难产生真正价值

•数据夯基——没有好数据，AI就会处于低效空转

•人才赋能——每个人都要成为"AI+人"的复合型参与者

•财务算账——每一笔投入都要可衡量、可追溯

麦肯锡报告里有一句话说得很到位：

"成功不在于投入更多资金，而在于更高效地配置资源。"

真正靠AI赚到钱的企业，并不是花得更多，而是把钱用在了正确的方向、采用了合适的方法，并把节奏踩在了点上。

到了2026年，AI不再只是"要不要做"的问题，而变成"怎么做得更好"的问题。

窗口期仍在，但你只有一次把事情做对的机会。

你所在的企业，目前的AI应用处于哪个阶段？

选项

A

还在观望，尚未启动

B

尝试了几个项目，效果一般

C

部分业务已推广，但规模化推进困难

D

已形成系统化应用，并看到了回报

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投资的真实情况。

��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