2026 年，AI 预算已不再是试验性的。德勤在 2026 年 1 月 21 日于 Davos 发布的《State of AI in the Enterprise 2026》调查中测量到：在前沿组织中，员工接触 AI 的比例在 2025 年提升了 50%，调查覆盖 24 个国家的 3 235 名领导者。与此同时，麦肯锡的《State of AI trust in 2026》调查确认：成熟度正在提升，但在战略、治理和风险管理上仍有缺口。
这就是本年度的悖论。采用率达到历史高点。失败率也是。MIT 的 NANDA 计划在《The GenAI Divide: State of AI in Business 2025》（基于 150 次高管访谈、350 名员工问卷和 300 个公开部署案例）中观察到：大约 95 % 的生成式 AI 试点对盈利仅有微乎其微或几乎没有可衡量的影响。BCG 于 2026 年 6 月 3 日发布的《AI Transformation Is a Workforce Transformation》报告更尖锐地指出：仅约 5 % 的组织从 AI 项目中获得可观的财务收益，而约 70 % 的价值来自人与组织层面，而非算法本身。
5 % 与 95 % 之间的差异，几乎总是源于商业论证的搭建方式。下面是计算悄悄撒谎的六种方式，以及在批准预算前你可以问的一个问题。
1. 「节省的时间等于节省的钱」的陷阱
常见做法。 一名员工每天节省两小时。乘以每小时 50 美元的平均完全成本，按一年估算，电子表格说公司每人为本可回收 25 000 美元。再乘以整个团队。打印幻灯片。
为什么失败。 理论上的生产力提升很少直接转化为利润底线，除非满足两个条件：要么真的裁减了人员，要么把回收的小时明确转化为客户付费的可计费产出。两个条件都不满足时，时间会重新以行政开销、更长的会议、更慢的聊天窗口出现。微软的《2025 Work Trend Index》调查了 31 个国家的 31 000 名员工，发现只有约 20 % 的组织在部署 AI 之后减少了人员。其余 80 % 吸收了这些时间。
真实代价。 Klarna 在 2024 年宣布一位 AI 助手取代了 700 名客服的工作，然后在 2025 年承认服务质量下降，并开始重建「人 + AI」的混合运营。最初的 ROI 估算错不在百分比上，而错在类别上。重建客户信任的成本从未出现在电子表格上。
关键问题。 如果我们既没有减少人员，也没有把回收的小时向付费客户开账单，那么时间到底去了哪里，代价几何？
2. 忽略总拥有成本
常见做法。 商业论证只对供应商合同中的那一行收费，或者按当前使用量估算的月度 API 费用。
为什么失败。 AI 项目的成本结构更像制造业，而不像软件许可。一旦模型进入生产，账单会同时向三个方向攀升：
- 消费成本。 推理的令牌使用和模型调用随采用量上升，往往呈非线性增长。
- 数据成本。 清洗、标注、扩充以及工程化模型所需的数据。
- 人机协同成本。 复核输出、纠错、对边界案例再训练，以及维护提示词。
Gartner 在 2025 年 2 月 26 日的通稿（高级分析师 Roxane Edjlali）警告：未依托「就绪于 AI」的数据的 AI 项目中，60 % 将在 2026 年底前被放弃或失败。造成这些放弃的成本超支极少出现在最初商业论证中。
关键问题。 在稳态下，按流程计算的我们每年完全加载成本是多少（包含数据、算力、再训练与人工复核），在哪个采用量水平上单位经济会失效？
3. 测量虚荣指标而非业务结果
常见做法。 仪表盘显示活跃用户、查询量、已部署的模型版本，以及持续上扬的采用曲线。AI 委员会宣告部署成功。
为什么失败。 高使用不等于高价值。一个团队可以处理数百万次模型调用，却没有带来可衡量的收入、留存或单案成本的提升。采用率是投入指标，不是产出指标。
BCG 在 2026 年 6 月的报告直白指出：仅约 5 % 的组织获得可观的财务收益。同一份报告指出：其余 95 % 普遍呈现「高采用、低影响」的悖论；只有当你停止测量投入指标、开始测量结果指标时，这个悖论才能解开。
关键问题。 如果我们把采用率数字去掉，只看收入、利润率、错误率和周期时间，曲线是否仍然向上？
4. 把整体增长归功于 AI 工具
常见做法。 AI 上线后的下一个季度，销售额上升 14 %。在向管委会的演示中，AI 工具获得了全部功劳。
为什么失败。 缺乏对照实验时，你无法把 AI 的贡献从季节性需求、平行的市场活动、一波招聘、价格调整或对手的失误中分离出来。麦肯锡《AI at work but not at scale》图表指出：少数顶尖表现者会用队列分析或 A/B 测试来隔离 AI 的影响。其余人都在猜测。
Gartner 的《2026 Hype Cycle for Agentic AI》更不客气：代理型 AI 的快速进展被炒作与混乱所超越。越来越多的所谓「AI 胜绩」就停留在那一片炒作带里。
关键问题。 在没有这个 AI 工具的情况下，在可比的队列或可比的季度里，这个指标本来会怎样？我们能否把这一差额落纸为证？
5. 把 AI 当成一次性的资本投资
常见做法。 项目被批准为资本支出，按三年折旧，到第四个月就被遗忘。
为什么失败。 当世界持续变化，AI 模型会逐步退化。客户行为在演变，监管在变化，源数据在漂移，一月份还奏效的提示词到七月就失效了。MIT NANDA 报告把这一点落到操作层面：生成式 AI 模型在生产中的有用寿命，往往短于当初为之拨款的预算周期。
Gartner 在 2025 年 6 月 25 日的通稿预测：超过 40 % 的代理型 AI 项目将在 2027 年底前被取消，主要原因之一是持续的治理、再训练和维护从未被列入预算。原本的折旧时间表到第九个月就成了虚构。
关键问题。 我们用于监控、再训练、提示词更新和治理复盘的季度维护预算是多少？当模型漂移越过有效收益的阈值，是什么信号在告诉我们？
6. 忽略风险、安全与合规的或有负债
常见做法。 ROI 只按运营速度计算。风险被放到另一条工作线上，常常由另一个团队处理，常常发生在预算获批之后。
为什么失败。 一次 AI 事故就足以抹掉多年的效率收益。IBM《2025 年数据泄露成本报告》把全球数据泄露的平均成本定为 488 万美元，同比上升 10 %。AI 和「影子 AI」相关的暴露被列为正在增长的向量。
监管暴露已经具象化。依据欧盟《人工智能法案》（Regulation (EU) 2024/1689），对最严重违规的罚款最高可达 3 500 万欧元或全球年营业额的 7 %，取较高者。2026 年通过的「Digital Omnibus」将大部分高风险义务推迟至 2027 年 12 月 2 日，但第 50 条透明度义务以及完整的处罚机制已于 2026 年 8 月 2 日生效。风险调整后的 ROI 不再是理论上的精修，而是法律。
关键问题。 如果这个 AI 工具在未来十二个月内产出一项重大错误决策、一宗数据泄露或一次合规违规，预期财务损失是多少？它是否出现在与预期收益同一张幻灯片上？
六种错误的共同之处
上面的每一种错误，都是同一种错误的变装：在商业论证尚未被证据拷问之前，组织就已经投入了资源。
真正捕获价值的 5 % 通常做了另外 95 % 跳过的三件事：他们在投入预算之前，用显式标准给每个候选流程打分；他们用一条能在 CFO 面前立得住的基线来隔离 AI 的贡献；他们设定一个硬性的盈利阈值，任何通不过的项目就被砍掉。
一张在「决策复杂度、输入可变性、交易量、错误成本、延迟容忍度」五个维度上强制作答的可行性评分卡，能在第一张发票签字之前就抓住本文中的每一项错误。
真正奏效的做法：先把运营重新设计一遍
面对一长串 ROI 失算的清单，最自然的反应是把同一套动作重做一遍，把电子表格做得更紧。但 2026 年的证据指向相反的方向。
同一份 BCG 报告把赢家锁定在 5 % 的组织身上，也更精确地说明了价值的真正来源。AI 价值中大约 10 % 来自算法本身。再有 20 % 来自部署算法所需的技术。剩下的 70 % 来自对「人」与「流程」这两个维度的重新设计。换句话说，把模型放进一条没有变化的业务流程里的组织，最多只能拿到那 30 % 的技术栈价值；而围绕模型真正擅长的环节去重塑流程的组织，则能把剩下 70 % 也收入囊中。
Klarna 在 2025 年的转身是最直观的例子。2024 年的初版公告把 AI 框定为对人类客服的直接替代。到 2025 年，公司承认服务质量下滑，开始重建一种「人 + AI」的混合运营。教训不是「AI 失败了」，而是「用模型替代一条流程，不等于为了使用模型而重新设计一条流程」。后来形成的混合方案里，AI 仍然处理高量低复杂度的查询，而纠纷、复杂退款、经济困难等情境则回流到人工。这次再设计的成本是真实的。而不做这次再设计、在客户信任与重新获客上的代价则更高。
微软的《2025 Work Trend Index》从员工一侧得出了同样的观察。在那些真正从 AI 中拿到价值的组织里，被释放出来的时间被重新投入到了更需要判断力的工作：客户对话、边界案例的解决、辅导与质量控制。而在没有拿到价值的那些组织里，同样的小时只是把平均会议拉得更长。两种情境下的 AI 是一样的，环绕在它周围的运营设计却不是。
这一规律也贯穿本文的六项错误。每一条都会因为「在引入模型的同时把流程重做一遍」而缩小。
- 「节省时间」的陷阱会失去力道，如果运营把节省下来的时间显式地导向一种可被衡量、且是新增的产出。
- 总拥有成本的意外会被压缩，如果数据、监控、再训练等成本从第一天起就被纳入重做后的流程。
- 虚荣指标会失去合法性，如果评分卡追踪的是重做后流程下的结果，而不是老流程下的采用率。
- 把整体增长错算给 AI 的错误会变得可见，如果重做过程中保留了一组继续运行旧流程的对照样本。
- 「一次性资本投入」的误判会消退，如果会计核算的单位本身是「重做后的流程」，并内建季度检查点。
- 忽视风险的错误会缩小，如果重做后的流程在每一个高成本决策点上设有人工覆写步骤。
由此得到的启示非常直接：在测量一个 AI 工具的 ROI 之前，先测量你愿意同步投入的运营重做本身的 ROI。如果那个数字是零，AI 的 ROI 几乎不可能越过 BCG 所指出的那 30 % 的天花板。
关于来源与局限的说明
本文依据 2024 年至 2026 年发布的一手资料撰写。凡引用英文报告的语句，已按译意自由翻译为法语版本。当某一数字无法对应到可核验的一手来源时，已予剔除。
本文引用的最强来源包括：
- 德勤《State of AI in the Enterprise 2026》（2026 年 1 月 21 日，Davos）：采用速度。
- 麦肯锡《State of AI trust in 2026》（2026 年 4 月）：成熟度判断。
- BCG《AI Transformation Is a Workforce Transformation》（2026 年 6 月 3 日）：5 % 与 70 % 数据。
- MIT NANDA《The GenAI Divide: State of AI in Business 2025》（2025 年 8 月）：95 % 试点数据与方法论。
- Gartner 2025 年 2 月 26 日与 6 月 25 日的两份通稿（60 % 与 40 % 预测），以及《2026 Hype Cycle for Agentic AI》对「炒作超过进展」的概括。
- IBM《Cost of a Data Breach Report 2025》：488 万美元全球平均成本。
- 欧盟《人工智能法案》（Regulation (EU) 2024/1689）：监管上限，已如实说明 Digital Omnibus 的推迟。
一个重要局限：并不存在单一研究能测量「企业平均高估 AI ROI 的幅度」。上文的错误是由多重证据（Klarna、95 % 试点、5 % 赢家）汇合推断出的。任何声称给出一个精确百分比的人，按我们的经验，都是在编造。
想在预算被这些错误击中之前先抓住它们？
一张在投入资源之前打分的小型流程可行性评分卡，会把上文的每一种情形都标出来。五个维度，一道盈利闸门，没有证据支撑就不建代理。
如果你的团队本季度正在评估一项 AI 计划，Agentic Process Value（APV）框架正是我们用来做这次审计的方法论。它已以五种语言发布在 agenticprocessvalue.ai。
来源
- 德勤，《State of AI in the Enterprise 2026》，2026 年 1 月 21 日，Davos 发布。（官方调查，24 国 3 235 名领导者。）
- 麦肯锡，《State of AI trust in 2026: Shifting to the agentic era》，AI Trust Maturity Survey，2026 年 4 月。（官方调查；标题、副标题与作者已通过 archive.org 2026 年 4 月 22 日的快照核验。撰写本文时报告正文无法访问。）
- BCG，《AI Transformation Is a Workforce Transformation》，第四次年度调查，2026 年 6 月 3 日发布。（官方报告。）
- MIT NANDA，《The GenAI Divide: State of AI in Business 2025》，方法论：150 次高管访谈、350 名员工问卷、300 个公开部署。（学术研究报告；2025 年 8 月 18 日由《Fortune》报道。）
- Gartner，通稿《Lack of AI-Ready Data Puts AI Projects at Risk》，2025 年 2 月 26 日（Roxane Edjlali）。（官方通稿。）
- Gartner，通稿《Gartner Predicts Over 40 Percent of Agentic AI Projects Will Be Canceled by End of 2027》，2025 年 6 月 25 日。（官方通稿。）
- Gartner，《2026 Hype Cycle for Agentic AI》，2026 年夏。（官方研究周期。）
- 微软，《2025 Work Trend Index》，31 国 31 000 名员工。（官方调查。）
- IBM，《Cost of a Data Breach Report 2025》，2025 年 7 月发布。（官方年度行业报告。）
- Klarna，2024 至 2026 年关于 AI 客服战略的公开声明，由《Forbes》（2025 年 5 月）、Reuters 与 Bloomberg 报道。（公司官方沟通与新闻报道。）
- 欧盟，《人工智能法案》（Regulation (EU) 2024/1689）第 99 条关于处罚的规定；2026 年通过的 Digital Omnibus 推迟条款。（官方法规。）