MIT报告：花了300-400亿美元，95%的企业AI项目都失败了

95%的企业AI试点项目产生零回报。

MIT发布的《2025年商业AI现状》报告显示，尽管企业在GenAI上投入了300-400亿美元，但95%的组织获得的回报为零。只有5%的AI项目真正产生了可衡量的商业价值。

这种巨大的差异被研究者称为"GenAI鸿沟"——大部分企业停留在"试点阶段"，而少数成功者已经从AI中获得了数百万美元的价值。

为什么ChatGPT很好用，但企业AI工具很糟糕？

报告揭示了一个有趣的矛盾：80%的组织都在使用ChatGPT等通用工具，但只有5%的定制企业AI工具能够投入生产使用。

关键问题不在AI模型质量，而在系统能否学习和适应，静态工具必死。95%的企业在购买或开发"演示很酷但记不住上下文"的AI玩具，这些工具无法适应实际工作流。5%的成功案例全部采用能持续学习、动态集成的系统，比如某保险公司将AI深度嵌入理赔流程后，单案例处理时间从45分钟压缩到90秒。

用户偏好ChatGPT的三个原因很简单：

• "更信任它"
• "界面已经熟悉"
• "答案更好"

但当涉及核心业务流程时，90%的用户仍然更愿意选择人类同事，而不是AI。原因很直接：ChatGPT不记住上下文，不学习，不改进。

一位企业律师说得很清楚："它很适合头脑风暴和初稿，但不会保留客户偏好的知识，也不会从之前的编辑中学习。对于高风险工作，我需要一个能积累知识并随时间改进的系统。"

影子AI经济：员工自己在跨越鸿沟

报告发现了一个"影子AI经济"：90%的员工在工作中使用个人AI工具，但只有40%的公司购买了官方AI订阅。

员工每天多次使用个人AI工具处理工作任务，而他们公司的官方AI项目还停留在试点阶段。这说明个人用户已经成功跨越了GenAI鸿沟，但企业组织还没有。

钱都花在了错误的地方

50%的GenAI预算流向了销售和营销，因为这些领域的效果容易衡量——演示数量、邮件回复时间等指标可以直接展示给董事会。

但真正的ROI往往隐藏在被忽视的后台功能中：

• 减少BPO支出：每年节省200万到1000万美元
• 降低外部代理成本：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的困惑很典型："如果我买一个工具让团队工作更快，怎么量化这种影响？如何向CEO证明其价值？"

成功者在做什么不同的事？

跨越GenAI鸿沟的组织有三个共同特征：

1. 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%）
2. 从业务一线而非中央实验室推动：最强的企业部署往往始于已经在个人生产力方面尝试过ChatGPT或Claude的"超级用户"
3. 选择能学习和适应的工具：成功的系统不只是生成内容，而是在环境中学习和改进

成功的AI初创公司专注于垂直但高价值的场景，深度整合到工作流程中，通过持续学习而非广泛功能扩展。

时间窗口正在关闭

企业正在锁定能够适应的AI系统。微软365 Copilot和Dynamics 365正在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趋势。

一位50亿美元金融服务公司的CIO说："我们目前正在评估五个不同的GenAI解决方案，但无论哪个系统最能学习和适应我们的具体流程，都将最终赢得我们的业务。一旦我们投入时间训练系统理解我们的工作流程，转换成本就变得过高了。"

这个18个月的窗口期正在迅速缩小。

真正的改变才刚开始

这不只是工具的转变，而是"代理网络"(Agentic Web)的出现——一个由学习系统组成的持久互联层，能够跨供应商、领域和界面协作。

今天的企业软件栈由孤立的SaaS工具和静态工作流定义，代理网络将用能够协商任务、共享上下文、跨企业协调行动的动态代理来替代这些。

对于目前困在鸿沟错误一边的组织，前进的路径很清楚：停止投资需要持续提示的静态工具，开始与提供定制系统的供应商合作，专注于工作流程整合而不是华丽的演示。

GenAI鸿沟不是永久的，但跨越它需要在技术、合作伙伴关系和组织设计方面做出根本不同的选择。

社群评价

网络上对于这篇报告的价值也有热烈讨论。支持者认为："AI试点只有融入日常运营才成功，不是停留在PPT上。"质疑者则说："MIT错过了AI革命，现在发布这种报告很遗憾。"

一位一线实施者的观察更直接："企业想要AI，但理解全来自媒体炒作。真正做出来后，反响平淡得很。"

有人把这比作1995年："每家公司都觉得必须建网站，但大多数根本不知道要网站干什么。"

小结

这种80-90%的高失败率并非AI独有。过去的大数据项目也是如此，这反映的是企业采用新技术时的通病：目标模糊、执行不力、变革管理薄弱。

无论95%这个数字是否完全准确，它已经成为讨论企业AI投资效果时绕不开的参考点。真正的问题可能不在技术本身，而在于大多数公司在面对新技术时依然犯着老毛病：跟风、缺乏明确目标、实施不到位。

工具再先进，用错了地方也是浪费。

报告地址：​​https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf​​

本文转载自​​​​​​​​​​​AI工程化​​​​​​​​​​​，作者：ully