微软委托IDC开展的调查显示，66%的受访企业领导者称AI已带来显著或变革性成果，但仅48%表示组织能在多个业务单元持续扩展这些价值。调查反映的是管理者自报情况，而非独立审计结果；随着AI预算增长，投资回报衡量、智能体治理和员工技能转型成为规模化应用的关键难题。
企业采用人工智能之后，能否把一个团队的成功复制到整个组织，仍是一道未解的管理难题。微软2026年11月12日公布的一项委托IDC开展的调查显示，66%的受访领导者称AI已经带来显著或变革性成果，但只有48%表示，所在组织能够在多个业务单元持续扩展这些价值。
这两项比例揭示了“取得成果”与“规模化创造价值”的区别。不过，它们来自企业领导者的自我报告，并不是对企业财务表现的独立审计，也不能据此断言另外52%的组织完全没有从AI中受益。
微软发布的研究解读同时指出，只有61%的受访组织高度确信，自己能够衡量AI的商业价值与投资回报。当企业继续增加预算时，如何证明收益、控制智能体行动并让员工适应新的工作方式，正在成为比部署工具本身更复杂的问题。
调查衡量了什么，又没有衡量什么
根据IDC原始信息图及方法说明，这项定量调查于2026年6月至7月开展，覆盖24个国家、28个行业，共有5204名受访者。受访者均至少担任高级总监，IT与业务部门各占一半；所在企业的员工规模从1000人到超过2万人不等。研究还通过为期三天的在线讨论，收集了13名业务部门高级管理者的定性意见。
因此，这是一幅特定企业高层管理者对AI应用状况的判断图景，而不是全球所有企业的普查。它也不适合直接代表小企业、一线员工或尚未进入相同应用阶段的组织。
这项研究由微软赞助，发布解读的作者Alysa Taylor是微软商业云与AI首席营销官。IDC在信息图中注明，其研究的使用或发布不代表对赞助商产品或战略的背书。赞助关系并不自动否定调查结果，但意味着读者应把调查数据、微软的商业主张和已经独立验证的效果分开看待。微软11月12日的公告还明确表示，完整InfoBrief报告将随后发布；本次披露并非完整报告的所有细节。
4倍回报不是企业可以照搬的收益承诺
研究把IDC AI成熟度评分最高的10%组织称为“Frontier Firms”，即前沿企业，把最低的30%称为慢采用者。前沿企业自报的AI平均回报为每投入1美元获得4.0美元，慢采用者为2.7美元；单看智能体AI，两组分别为3.8美元和3.0美元。
这些是不同受访群体报告的投入回报，不能写成经审计的净利润，更不能理解为购买某一产品便能获得同等收益。
一个尤其重要的限定是：IDC的成熟度评分不仅包含投入纪律、应用广度、智能体采用、技能和风险管理信心，也包含业务结果。换言之，分组本身已经部分考虑了结果表现。因此，“高成熟度企业报告更高回报”并不能单独证明，加大投入、增加培训或建立治理流程就会造成相同幅度的收益提升。微软原文也明确指出，研究显示的是关联，而非因果关系。
前沿企业确实报告了不同的实践：87%建立了智能体治理流程，慢采用者为51%；80%拥有组织范围的AI技能战略，慢采用者为3%。这些差异可以为企业提出值得检验的管理问题，却不是一份已经通过因果验证的成功配方。
智能体扩展后，治理不能停留在模型输出
调查显示，65%的受访组织已经建立治理和监督智能体的流程，但只有60%高度确信能够应对AI安全与治理风险。这两项指标不能简单相减，得出“已有流程却缺乏信心”的具体企业比例，因为公开材料没有给出两组回答的交叉分布。
它们共同提示的，是流程存在与风险应对能力并非同一件事。对于不仅回答问题、还可能参与业务行动的智能体，企业需要界定的不只是输出是否准确，还包括它能访问哪些信息、执行哪些操作，以及哪些决定必须经过人工批准。
IDC信息图称，人工监督仍是主流做法，但有30%的受访者对让智能体在无需人工批准的情况下作出所有决定表示接受。这个比例衡量的是态度，并不意味着这些组织已经如此部署，更不意味着无人审批的运行方式已经被证明安全。
微软在解读中主张，把模型、智能体、治理和衡量纳入同一套问责体系。这是研究发布方提出的管理建议，而不是调查已经验证的实施效果。对实际部署而言，治理是否有效，仍要看权限边界、异常处置和责任机制能否在真实工作流中发挥作用。
从节省时间到财务收益，中间还有组织调整
研究显示，受访组织平均已在6.5个业务领域使用AI，主要领域包括IT基础设施、网络安全和客户服务。应用范围广，并不自动等于价值能够跨部门持续复制。
衡量上的缺口尤其明显：全体受访组织中，61%高度确信能衡量AI商业价值和投资回报，前沿企业中这一比例为93%。微软同时披露，只有20%的受访组织拥有全面、覆盖整个组织的技能战略。这说明，推广工具、证明业务效果和支持员工转型，是需要分别解决的问题。
另一项更早的调查也讨论了类似障碍。BearingPoint于2026年9月发布的研究基于同年8月对1050名高管和高级管理者的在线访谈：在已经实施AI的组织中，74%报告出现可衡量的收入或成本影响，但只有13%称其AI计划完全按照最初的商业论证实现了规模化。
AIFlux此前在关于这项BearingPoint调查的报道中，梳理了试点走向规模化时面临的旧系统整合、数据治理与组织调整问题。它与本次IDC研究是不同调查，样本、问题和“规模化”的定义并不相同，13%与48%不能直接比较，更不能据此推算企业AI落地速度的变化。
两项研究共同提出了一个值得企业继续验证的问题：如果AI只是释放时间，而岗位、流程和资源配置没有相应改变，效率改善能否最终转化为可持续的财务收益？
预算上升，让“如何证明价值”更加迫切
IDC调查中，71%的受访组织预计未来12个月AI支出将增加至少10%，其中22%预计增幅超过25%。这是受访者在调查时对未来的预期，不是已经发生的支出，也不应把预测起点移到11月公告发布之日。
预算扩张使衡量能力更加重要。微软建议，把投资和性能数据连接到业务结果，比较引入AI前后的流程表现，并据此调整支出方向。但要把这一建议变成可信的决策依据，企业仍需明确比较对象、成本范围和结果指标，区分员工节省的时间、实际削减的成本与新增收入。
本次研究最有价值的提醒，不是某个回报倍数，而是几个不能混为一谈的状态：采用了AI，不代表已经跨部门规模化；建立了治理流程，不代表风险已经得到有效控制；报告了收益，也不代表组织能够可靠测量收益。对于准备扩大AI投入的企业，下一步需要证明的，是局部成果能否在明确的成本、权限和责任边界内持续复制。