生成式AI鸿沟的表象与挑战

麻省理工学院（MIT）NANDA项目（MIT NANDA Project: 麻省理工学院一项专注于人工智能商业应用研究的计划）发布了一份《2025年商业AI现状报告》，该报告由MIT四位研究者共同撰写，调研周期覆盖2025年1月至6月，背后是300多个公开AI项目的系统分析、52家组织代表的结构化访谈以及153位高管的问卷反馈。报告得出了一个震撼性结论：尽管企业在生成式AI上投入了300-400亿美元，但95%的组织并未获得任何回报，只有5%的AI试点真正创造了数百万美元的价值。这种“有人吃肉、有人连汤都喝不到”的巨大差距，被研究者定义为生成式AI鸿沟（The GenAI Divide: 指企业在生成式AI投资与实际价值产出之间存在的巨大差距）。本报告旨在深入解读这份报告，希望能搞清楚生成式AI鸿沟到底长什么样，为什么绝大多数企业都陷在“高采用、低转型”的泥潭里，以及那些跨过鸿沟的企业到底做对了什么。

首先，生成式AI鸿沟并非“有没有AI”，而是“用没用出价值”。许多人可能认为“AI鸿沟”一般指的是大企业与小企业之间的差距，例如大厂有预算购买模型而小公司用不起。然而，这份报告推翻了这个认知，指出生成式AI鸿沟的核心是“高采用、低转型”，这意味着无论是像企业这种买家，还是生成式AI的构建者，都可能掉进去。

报告通过AI市场颠覆指数（AI Market Disruption Index: 衡量AI对各行业结构性影响的指标，涵盖头部企业市场份额波动、AI原生公司营收增长、新AI商业模式出现、用户行为变化以及AI引发的管理层变动五个维度）对9个主要行业进行了0-5分的评分。结果显示，只有科技行业以及媒体与电信行业得分超过1.5，而剩下7个行业，例如专业服务（1.5分）、医疗健康（0.5分）、金融服务（0.5分）、能源与材料（0.5分），都几乎没有出现真正的结构性变化。举例来说，科技行业里已经有新玩家（如代码工具Cursor）挑战老巨头（如微软Copilot），工作流也明显变了；媒体行业里，AI生成的内容越来越多，广告投放的逻辑也在调整，就算是老媒体公司，也在跟着变。但是反过来，能源与材料行业呢？报告里说“近零采用，极少实验”，不是说他们没听说过AI，而是就算试了，也没对供应链、生产流程产生任何实质的影响。一位中型制造企业的首席运营官（COO）在访谈里说得很实在，LinkedIn上全是说AI改变一切的帖子，但是实际运营里，除了合同处理快了点，没什么根本变化。

报告还揭示了从试点到生产的“死亡谷”现象。报告里有组数据十分扎心，对于通用大语言模型来说，80%的企业会尝试或者试点，近40%会进行部署；但是对于定制化的企业级AI工具来说，不管是自己建的还是供应商卖的，60%的企业会评估，却只有20%能进入试点，最终只有5%能落地生产。造成这种现象的原因是这些定制工具都太僵硬了，工作流衔接不顺畅，没法根据具体场景的学习，跟公司日常的运营完全脱节。

更有意思的是影子AI经济（Shadow AI Economy: 员工私下使用个人AI工具处理工作，而非企业官方采购的AI工具）。报告发现，虽然只有40%的企业会官方采购大语言模型的订阅服务，但是90%的员工会用个人AI工具来干活，比如自己买ChatGPT会员、Claude订阅，每天用这些工具处理工作，却不告诉IT部门。为什么会有这种反差呢？因为个人工具灵活、上手快，比如写邮件、做总结，打开ChatGPT就能用；但是公司推的企业级AI工具，要么步骤繁琐，要么经常犯重复性的错误，员工根本不想用。这其实也暴露了生成式AI鸿沟的本质，那就是不是企业没有AI，而是这些AI没有解决真的问题，员工只能自己去找替代方案了。

此外，投资误区也加剧了鸿沟。研究者让高管假设分配100美元的生成式AI预算，结果70%左右都流向了销售和营销，比如用AI生成营销邮件以及为智能线索打分。为什么？因为这些领域的成果好量化，比如邮件的回复率提升了多少，演示的数量增加了多少等等，能够直接跟董事会的关键绩效指标（KPI）对标。但是真正高投资回报率（ROI）的后台部门，比如法务、采购、财务却没人管。有位财富1000强制药公司的采购副总裁就吐槽，买个工具帮团队提速，怎么量化价值呢？难不成跟首席执行官（CEO）说我们帮科学家用工具更快了？这跟营收、成本没直接关系，根本说不通。结果就是，企业只愿意把钱花在能看见的地方，却错过了真正能省钱的机会，鸿沟自然也越来越大。

鸿沟产生的核心原因：学习差距

生成式AI鸿沟产生的核心原因是试点停滞并非因为缺钱缺人，而是因为“学习上的差距”。许多人觉得AI搞不起来是因为基础设施不行、法规的限制多或者缺少AI人才。但是这份报告的结论完全相反，阻碍AI规模化的核心是学习差距，也就是绝大多数的AI工具不会学习，它们记不住用户的反馈，适应不了具体的场景，也没法随着时间改进。

在用户反馈数据方面，研究者让52家组织的高管和一线员工给AI试点失败的原因打1到10分。结果“用户不愿采用新工具”排第一，但是排第二的“模型输出质量担忧”更值得关注。人们可能会疑惑，现在大家都用ChatGPT，为什么还担心质量呢？这里的关键是“场景差异”，员工用ChatGPT写个初稿、查个资料，就算出错了也没关系；但是用企业AI工具处理合同、客户数据，一旦出错就是大问题。而且，很多企业AI工具号称用了跟ChatGPT一样的底层技术，实际用起来却很笨拙。比如有位中型律所的公司法务说，公司花5万美元买了个合同分析工具，但是她还是宁愿用ChatGPT，因为买的工具只能输出固定格式的总结，改都改不了，而ChatGPT能跟她对话，她提要求它能调整，输出的质量明显更好。

应该说，这种笨拙的根源就是工具没有学习能力。报告里总结了用户对企业AI工具最不满意的四个点：一是在特殊场景下会崩溃，还不会调整；二是没法定制成自己的工作流；三是每次用都要重新输入上下文；四是不会从反馈里学习。还是那位律师，她提到处理敏感合同的时候，绝对不会用企业AI工具，理由是它记不住客户的偏好，上次改的错误下次还犯，每次都要重新说一遍背景，而高风险工作需要的是能积累经验的系统，而不是每次都从零开始的工具。这也解释了为什么说AI能不能取代人类工作的分界线，不是AI工具的智能程度，而是记忆和适应能力。

报告里有组对比数据，对于像写邮件、做基础分析这类简单任务，70%的用户愿意用AI；但是对于更复杂的任务，比如几周时间的项目管理、客户维护等工作，90%的用户宁愿找同事帮忙，也不用AI。为什么？因为复杂的任务需要“上下文连贯”，比如项目管理要记得之前的进度、客户的需求变化，而现在的AI工具还做不到这种记忆，只能处理碎片化的工作。

研究者认为，解决之道在于发展智能体AI（Agentic AI: 具有持续记忆、迭代学习和自主协调能力的AI系统）的方向。这类系统天生自带持续记忆和迭代学习的能力，不用每次输入上下文，还能自主协调复杂的工作流。比如有的企业已经在试点客服智能体，能从头到尾处理完一个客户咨询，不用转接人工；以及财务智能体，能够监控常规的交易，自动审批符合规则的单据等等。这些工具之所以能更成功，就是因为解决了“记不住、学不会”的核心痛点。

为了让大家更清楚不同AI工具的差异，报告里还做了个分类，横向是定制化程度，纵向是记忆或学习能力，将如今的AI工具分成了四类：

1. 低定制+低学习：比如Copilot、各种生成式预训练变换（GPT）包装工具，它们的特点是能用但是不灵活。
2. 低定制+高学习：比如带记忆功能的ChatGPT，能够记住上下文但是没法修改工作流。
3. 高定制+低学习：比如企业自己建的AI工具，看似贴合需求但实际很脆弱，一换场景就崩溃。
4. 高定制+高学习：比如智能体工作流、垂直领域的软件即服务（SaaS）工具，这才是能跨过鸿沟的方向。

跨越鸿沟的玩家们：构建者与买家

聊完了现状和问题，咱们看看那些站在鸿沟另一侧的玩家们。

AI构建者（初创公司）的成功策略：

首先是AI的构建者们，比如初创公司。他们的共同点不是技术多牛，而是不追求大而全，只做小而精，聚焦垂直但是高价值的场景，深度扎进客户的工作流，靠持续学习实现规模化。报告里提到，现在生成式AI初创公司已经分成了两派：一派还在用老套的SaaS思路做通用工具，结果卡在试点阶段；另一派则靠着深度定制和解决真痛点，快速拿到大企业的订单，有的初创公司甚至几天就能签下来试点合同，半年内就能做到百万美元级的年化营收。

那么他们具体是怎么做的呢？这里有两个关键的策略：

1. 从工作流的边缘切入，再往核心扩张：比如不做全流程的销售AI，而是先做销售通话的总结与路由。虽然这个场景小，但是能直接帮助销售节省时间。等客户用顺了，再加入客户跟进提醒、线索优先级排序等功能，慢慢渗透到销售的全流程。而且，这些工具都有个特点，那就是配置成本低，见效快。比如有个做合同自动化的初创公司，客户不用改自己的合同系统，直接对接应用程序编程接口（API）就能用，试点第一天就能看到合同审核时间缩短40%。这种立竿见影的效果，显然比未来能省多少钱更有说服力。反过来，那些失败的初创公司要么做的是通用大模型接口，说能够解决所有的问题，结果客户不知道怎么用；要么做的是需要深度定制的复杂系统，比如全流程的采购AI，客户需要修改自己的审批流程、数据格式，于是在试点阶段就卡壳，根本推不下去。
2. 依靠信任和推荐破局：大企业采购AI工具，其实不怎么看技术参数，而更看重的是信不信任。报告里发现，60%以上的高管在选择供应商的时候，最看重是否信任这个供应商，他懂不懂我们的工作流。有位全球快消公司的采购负责人就说，每天都有AI初创公司发邮件联系，演示（demo）做得再炫，我也不敢用，因为我们现有的业务流程外包（BPO）合作伙伴已经很懂我们的政策了，与其冒险试新的公司，还不如等他们加上AI功能。所以成功的初创公司，都会先找足够的信任背书，比如跟系统集成商合作，通过系统集成商的渠道去接触客户；或者靠董事会成员、顾问的推荐，进入大企业的视野；还有的直接入驻微软、亚马逊云计算服务（AWS）这些企业熟悉的云市场，靠平台的信任度来降低客户的顾虑。比如有个做代码生成的初创公司，通过AWS Marketplace触达客户，客户因为信任AWS的安全标准，不用做太多的合规审查就敢试点，大大加快了落地速度。

报告还指出，企业高管在选择AI工具的时候，最看重的三个能力是：能从反馈里改进（66%）、能记住上下文（63%）以及能够定制成自己的工作流。这正好对应了之前说的“学习差距”，初创公司只要解决这三点，就能比同行快一步跨过鸿沟。

成功跨越鸿沟的企业（买家）做法：

除了构建者，那些成功跨过鸿沟的企业们，做法也跟大多数人不一样。他们没有把自己当成是买软件的，而是当成合作伙伴，要求深度定制，让前线主导，用业务指标来考核供应商，而不是只看软件有多炫。

1. 优先选择购买而非自建：报告里有组关键数据，外部合作的AI项目成功落地率大约是67%；而自己建的项目，落地率只有33%，整整差了一倍。为什么？因为企业自己建AI往往会陷入到技术陷阱中，比如花半年时间调模型参数，却发现跟自己的工作流不匹配；或者建完后没人维护，工具越用越笨。而找外部的合作伙伴，既能利用对方的技术积累，又能让对方根据自己的需求调整。比如有个50亿美元营收的金融服务公司，一开始想自己来建客户风险评估AI，花了3个月没进展；后来找了个专注金融领域的AI供应商，对方已经有成熟的风险模型了，只需要对接客户数据，2个月就试点成功，现在每年能够节省100万美元的外包风控成本。当然了买不代表着随便买，成功的买家会把供应商当团队的一员，比如他们不会只看演示（demo）就签单，而是会让供应商参与自己的工作坊，一起梳理流程；试点阶段如果出问题，不是直接终止合作，而是会一起找原因。比如有个零售企业，跟AI供应商合作客服自动化的场景，一开始工具经常答不上客户的问题。企业没有解约，而是把客服团队的反馈整理给供应商，供应商每周迭代一次模型，3个月后工具的准确率从60%提到了90%，最终落地后每年节省了200万美元的客服外包费用。
2. 让业务前线说了算：其次是让业务前线说了算，而不是由中央实验室主导。很多企业搞AI都是IT部门或者AI实验室牵头，选的工具很先进，但是前线的员工不用，因为实验室不懂具体的工作流。而成功的企业，会让一线经理和“超级用户”来主导AI的选型。比如有个制造企业，采购部门的经理发现团队每天要花2小时整理供应商合同，于是就自己找了个合同自动化AI工具试点，效果好再上报总部；还有的企业会先找那些已经在用个人AI工具的“超级用户”，比如那些经常用ChatGPT写报告的员工们，让他们来测试新的工具，因为这些员工知道什么AI好用、怎么用能提效，所以能帮助企业避开很多坑。这种自下而上的模式，还有个好处就是落地快。报告里提到，中型企业从试点到全量部署平均只要90天；而大企业如果靠中央实验室主导，往往要9个月以上，差了3倍。因为前线经理更清楚什么问题最紧急，也能够更快推动团队用起来；而中央部门往往要走很多的审批流程。
3. 关注后台投资回报率（ROI）：最后是盯着后台的投资回报率（ROI），不要只看前线热闹。虽然大多数企业把预算都投给了销售和营销，但是成功的买家会重点关注后台部门的自动化，比如法务、采购、财务等等。报告里举了几个例子，有的企业用AI替代客服外包，每年能节省200-1000万美元；有的企业减少了30%的外部创意代理费用，因为AI能够生成基础的营销素材；还有的金融企业，用AI来做风险检查，每年节省了100万美元的外包费用。值得注意的是，这些回报都不是靠裁员裁出来的。报告里发现，跨过鸿沟的企业几乎没有大规模的裁员，而是靠着减少外部支出，比如不续签客服外包的合同、少找外部咨询、砍代理预算等等。员工的工作也变了，比如客服从接电话回答简单的问题，变成了处理AI解决不了的复杂咨询；采购专员从整理合同，变成了跟供应商谈判、优化流程等等。这样一来，AI就解放了重复劳动，让员工能做更有价值的事情。

窗口期与智能体网络：AI的未来图景

报告最后，研究者提了一个很关键的判断，那就是跨过生成式AI鸿沟的窗口期正在关闭。未来18个月，企业会锁定能够学习的AI工具，错过的企业可能会被拉开代际差距。为什么是18个月？因为研究者访谈了17位采购和IT负责人，发现企业从发需求建议书（RFP）到AI工具落地平均要2-18个月；而且一旦企业把数据、流程对接给某个AI工具，切换成本就会越来越高。比如你用某个AI工具处理了1年的合同，工具已经记住了你的合同模板、审批规则，再换个新工具就要重新教它，成本很高。现在微软、OpenAI这些巨头已经在给工具加上持续记忆的功能了，企业如果现在再不布局，等巨头的生态成熟，再想切入就很难了。

从更长远来看，AI的下一个阶段是智能体网络（Agentic Web: 由多个AI智能体自主协作、跨平台跨组织工作的网络），也就是说不是单个AI工具，而是一群AI智能体能够自主协作，跨平台、跨组织干活。比如未来的采购智能体，能自己找新的供应商、对比价格、谈判条款；客户服务智能体，能跨电话、邮件、社交媒体跟客户沟通，还能对接企业的客户关系管理（CRM）系统调用数据。这些智能体之间能够互相交流，不用人类再在中间协调。而支撑这种智能体网络的，是几个关键协议，比如MCP（Multi-Agent Communication Protocol: 多智能体通信协议，使不同智能体之间能互相理解和交换信息）和A2A（Agent-to-Agent Protocol: 智能体间协议，规范智能体之间交互行为和数据格式）。这些协议就像AI的互联网协议一样，能让不同公司的AI工具互相配合，而不是现在这样各干各的。这种“互联互通”会彻底改变现在的商业流程。

核心结论与未来展望

最后，咱们来总结一下这份报告的核心结论。企业要跨过生成式AI鸿沟，不用搞复杂的技术，关键是三个选择：

1. 优先购买而非自建：除非你有顶级的AI团队和足够的时间，否则找外部合作伙伴更划算，成功率能翻倍；而且要找那些能根据你的工作流定制、能够持续学习的供应商，而不是买个通用工具就完事。
2. 让业务前线而非中央实验室主导：一线经理和“超级用户”更懂什么AI能用，让他们牵头选型、试点，落地速度能快3倍；别让IT部门闭门造车，选个没人用的、所谓的先进工具。
3. 紧盯学习能力而非技术参数：选AI工具，要先看它能不能记住上下文、能不能从反馈里改进、能不能贴合你的工作流；那些只会生成内容但是不会学习的工具，就算再便宜也别买，最终只会浪费钱。

报告里有句话非常认同，它说：“生成式AI鸿沟不是永久的，但是跨过它需要不一样的选择。”这并非选择更贵的模型，而是选择更懂你的工具；并非依靠技术团队，而是依靠前线团队；并非追逐风口，而是解决真实问题。对于那些还陷在“高采用、低转型”泥潭里的企业，现在调整也还来得及，毕竟窗口期还有18个月；而对于那些已经跨过鸿沟的企业，下一步要关注的就是智能体网络，这也许将会是下一个竞争壁垒。