路透报道引用BearingPoint全球调查显示，企业AI投资已开始产生可衡量的财务回报，但仅13%项目实现规模化落地，多数仍停留在试点或有限实施阶段。主要障碍包括监管合规、旧有IT系统整合与数据治理，成本端改进比收入增长更易观察，企业需回答目标指标、数据与权限可行性及释放资源再配置三大问题。
路透社10月1日报道，咨询公司BearingPoint的一项全球调查显示，企业对人工智能的投资已经开始产生可衡量的财务结果，但大多数项目仍停留在试点或有限实施阶段。调查中，只有13%的企业表示，其AI计划按照最初的商业论证完整实现了规模化；与此同时，约四分之三已实施AI的企业称看到了营收或利润层面的影响。
这组数据勾勒出企业AI当前的主要矛盾：证明AI能够创造价值，似乎已经不再是唯一难题；真正困难的是把局部成功复制到整个组织，并让技术收益持续反映在成本、收入和运营结果上。
从“有效”到“可复制”，企业仍有一道鸿沟
BearingPoint在2026年9月发布的《Scaling AI for measurable impact》研究基于对13个国家1050名企业高管和高级管理人员的调查，受访者来自公共和私营部门，调查于2026年8月通过在线访谈进行。
研究显示，在已经实施AI的组织中，74%报告称AI带来了可衡量的收入或成本影响；约四成同时看到了营收增长和成本下降。不过，BearingPoint也指出，接近一半的组织所报告的影响仍然有限，成本影响低于4%，收入影响低于2%。换言之，AI项目可以产生结果，但结果的规模尚未普遍达到企业最初设定的目标。
按BearingPoint的分类，54%的受访组织已经实施了一些有限的AI项目，20%仍处于持续推进但尚未完成实施的阶段，15%还在探索；只有11%表示AI已深度融入大部分业务运营，并且具备量化影响和清晰的转型路线图。这一比例较2025年的7%有所提高，但仍意味着绝大多数企业距离把AI变成组织能力还有相当距离。
路透社引述BearingPoint专家弗雷德里克·吉冈特的话说：“AI已经跨过了一个重要门槛。”但他同时强调，证明价值与实现规模化是两件不同的事。
监管和旧系统成为主要瓶颈
调查中，约40%的受访企业把法律和监管要求列为扩大AI应用的主要障碍，34%则认为，将AI工具接入现有IT系统存在困难。对于大型组织而言，问题往往不只是选择一个模型，而是要把模型放进已有的身份管理、数据权限、审计、业务流程和责任体系中。
这也是为什么企业AI的规模化越来越像一个组织管理问题，而不只是技术部署问题。模型能力可以通过采购或接口获得，但高质量、可信且相互连接的数据仍需要企业自己整理；AI输出能否被审查、追责和撤销，也取决于治理结构和流程设计。
BearingPoint的研究称，54%的高管认为高质量、可信数据是AI扩展的关键条件，其后是跨系统连接的数据、清晰的治理与所有权，以及数据的可访问性。随着基础模型和AI能力逐渐商品化，企业之间的差异可能更多体现在数据基础、流程整合和执行纪律上，而不只是模型选择上。
AI带来的组织变化也在加剧这一矛盾。近三分之二的受访企业估计，部分职能已经出现至少10%的人员产能过剩。BearingPoint的完整研究则称，62%的组织目前报告了至少10%的AI诱发的人员闲置产能，95%预计到2030年会达到这一水平。企业因此需要重新设计岗位、培训和内部流动，而不是简单地把生产率提升等同于裁减人员。
成本节省比收入增长更容易被观察到
从财务结果看，AI目前更容易体现为成本端的改善。约24%的企业表示，AI带来的成本节省至少达到10%；相比之下，只有约4%的企业称收入增长达到同等幅度。
这可能反映了企业AI应用的实际顺序：自动化文档处理、客户服务、软件开发、知识检索和内部分析，通常可以先减少重复劳动或缩短处理时间；但要让AI直接创造新的大规模收入，则需要改变产品、渠道、定价和客户关系，周期更长，验证难度也更高。
因此，企业报告中的“正面财务结果”并不等同于AI已经形成普遍而稳定的商业化收益。它可能来自局部成本节省、员工产能释放或流程效率提升，是否能够转化为利润率改善、收入增长或新的业务规模，还取决于管理层如何重新配置被释放出来的资源。
AIFlux此前报道的Databricks收购Row Zero、把电子表格接入受治理的企业AI工作流正体现了这一趋势：企业需要的可能不只是一个能回答问题的模型，而是能够连接实时数据、保留人工检查、执行权限控制并留下审计记录的完整工作链。
中国和美国的全面实施比例更高
从地区看，中国和美国报告“全面实施AI”的企业比例分别为20%和18%，德国为8%。这并不意味着中国或美国所有企业都已完成AI转型，也不能直接用来比较各国整体经济的AI水平。该数据反映的是此次BearingPoint调查样本中，受访企业对自身实施状态的报告。
BearingPoint同时指出，AI深度融入企业运营的比例已从2025年的7%升至2026年的11%。这一增长显示，企业确实在从试点走向更深的业务整合，但速度仍不足以支撑“AI已经普遍完成规模化落地”的判断。
另一项值得注意的变化是，企业对智能体架构的兴趣增长快于组织准备程度。BearingPoint称，超过四分之三的组织仍处于了解企业级智能体架构、将其列为优先事项或探索试点的阶段；只有13%已经拥有明确战略和积极推进的相关项目，10%正在组织范围内扩展智能体架构。
这与企业软件市场近期的产品方向相互呼应。比如，Meta启动企业AI平台时，将模型、智能体、基础设施和企业服务组合成新的平台业务，但企业客户真正关心的仍是权限、审计、现有系统集成、定价和出错后的责任边界，而不只是平台是否拥有更强模型。
企业下一步要回答三个问题
BearingPoint把表现最好的企业称为“AI Leaders”。研究显示，这些企业中有47%按照计划完成了AI规模化，而其他已实施AI的企业这一比例只有6%；AI Leaders中有70%把超过一半的AI项目与可量化的财务指标相连接，其他实施者的比例为34%。
这意味着，企业要跨越试点阶段，至少需要回答三个问题：第一，项目究竟要改善哪一项可衡量的业务结果；第二，现有数据、系统和权限是否足以支撑长期运行；第三，AI释放出的时间和人力将被如何重新投入。
谷歌扩大 Gemini Connected Apps、让第三方服务进入跨应用任务入口的案例也说明，AI从问答走向跨应用执行后，部署难度会进一步增加：连接服务不等于所有用户都能使用，找到信息也不等于完成交易，实际操作仍受到地区、设备、账户权限和人工确认机制的限制。
BearingPoint的调查并不能代表所有行业或地区企业的普查结果，报告中的“正面财务结果”“全面实施”和“按计划推进”也都是受访者对自身状态的判断。它更适合被理解为企业AI发展阶段的一张横截面：AI已经开始产生真实回报，但从局部试点走向可治理、可复制、可持续的规模化能力，仍是下一阶段最主要的挑战。
来源：