全球AI支出已累计超过1万亿美元。这轮投资热潮中，几乎每一家大型企业都设立了AI预算、组建了AI团队、上线了AI试点项目。但如果追问一个最简单的商业问题——"赚回来了吗？"——答案远比PPT演示中的要尴尬。

贝恩公司2026年对全球951家年收入超1亿美元企业的调查，用一组数据揭开了这个问题的真实面貌。而MIT、Gartner、IBM的同期研究，从不同角度得出了同样的结论：技术跑通了，价值没有到来。

第一层落差：节约目标与实际的数字鸿沟

贝恩调查中最核心的一组数据是这样的：在能够量化AI成本节约的企业中，37%设定了11%到20%的降本目标。但真正测量过结果的企业里，近40%实现的成本降幅仅在0%到10%之间。

目标没有完成。不是差一点。是几乎砍半。

更值得警惕的是后续行为——90%的这些企业正在增加下一轮AI预算。他们没有停下来问为什么上一轮没达成，只是直接批了更大的数字。

MIT在2025年发布的研究进一步放大了这个信号：95%的企业AI试点项目以失败告终。失败原因并非模型能力不足，而是"工具无法学习、集成效果差，或与实际工作流程不匹配"。

第二层落差：完全自主的美梦与人工审批的现实

几乎所有AI投资的商业计划书，都建立在一个关键假设上：智能体将实现全自动化运行，大幅替代人力成本。

贝恩的数据显示，现实中只有7%的企业在生产环境中运行完全自主的AI智能体。38%的企业依赖"人工审批"模式，32%设置了护栏和异常干预机制。

这意味着：大多数AI投资的成本收益模型假设"机器替代人"，但实际运行中是人盯着机器。投资回报逻辑从"减少人力"变成了"人力换岗"——从操作岗变成了监督岗。

Gartner同期预测给出了更冷峻的时间线：超过40%的智能体AI项目将在2027年底前被叫停。Gartner高级分析师Anushree Verma的判断是："大多数智能体AI项目仍处于早期实验或概念验证阶段，主要由市场炒作驱动。这让企业对大规模部署的真实成本与复杂性视而不见。"

第三层落差：循环赌注的财务风险

贝恩报告中最令人不安的发现，是企业AI投资逻辑中的一个结构性缺陷。

44%的大型企业正在以上一轮AI投资的"预期节约"来为下一轮AI投资提供资金来源。那些节约实际上并未兑现——至少没有达到商业计划书里的数字。但新的投资预算已经基于这个未兑现的数字做出来了。

贝恩的定性是："这是一个存在结构性漏洞的循环赌注。"

IBM CEO研究印证了这一判断：只有约25%的AI计划能带来预期投资回报率，仅16%的计划已扩展到企业范围。IBM Think Circle的结论是："问题不在技术，而在组织现实——文化、治理、工作流设计和数据策略是实现投资回报率的主要制约因素。AI的雄心往往在遇到技术限制之前很久就与内部现实发生冲突。"

数据问题是最大瓶颈，但不是拖延的理由

贝恩调查揭示了AI项目表现不佳的首要原因：企业无法可靠地获取自身数据。

尽管全球在数据现代化方面的投入已历经十年、累计达数千亿美元，"AI项目表现不佳的首要原因，仍然是企业无法稳定地访问自己的数据。"

一个反直觉的发现是：那些已经达成节约目标的企业，在数据结构与可及性方面遭遇障碍的比例，甚至高于未达标企业。区别在于前者在预算不足、优先级冲突等组织层面的挑战上报告得更少——换句话说，数据困境是普遍问题，真正的分水岭在于组织执行力。

谁在跨越鸿沟：少数跑通者的共同特征

贝恩的数据同时显示，一批企业正在打破这个循环。他们实现了设定的节约目标，以真正的信心部署智能体，并用实际兑现的回报来支撑下一轮投资。

这批企业没有找到更好的技术或更大的预算。他们在三件事上做了不同选择：

• 治理归位：将数据访问、治理和流程再造视为CEO级问题，而非IT部门的内部项目。AI落地的最大阻力不在技术层，在组织层——跨部门数据打通、预算优先级冲突、既有流程的路径依赖，每一项都需要最高层的持续推动。
• 先跑数据，再补数据：不等到所有数据整理完毕再启动AI项目，而是从现有可用数据入手，让AI跑出初步价值，再用AI协助梳理其余数据的结构化路径。贝恩的表述是："数据问题是真实的。把数据问题作为等待的理由不是。"
• 用实际回报而非预期回报验证：每一轮AI投资决策，必须以上一轮的实际回报（而非预期回报）为校准依据。贝恩的定性一刀见血："那些不用自动化实际回报来验证再投资逻辑的企业，是在叠加风险，而非管理风险。"
• 关注链式ROI而非点式ROI：不把AI价值局限在某个单一环节的成本节省——比如客服自动化省了多少人力——而是计算AI在整个业务链条上的连带效应：客服自动化后，用户留存率提升了多少？减少了多少二次投诉？降低了多少工程师排查时间？从点式ROI到链式ROI的思维切换，是少数跑通者与多数受困者的关键差异。

SAP委托牛津经济研究院的调研从另一个维度验证了差距：受调研的中国企业在AI领域的平均投入规模（3590万美元）显著高于全球均值（2800万美元），预期投资回报也更高。但63%的受访企业对当前AI投资回报率表示满意，88%看好智能体AI——这两组数字之间的落差本身，就说明预期的权重远大于实际。

正在逼近的估值拷问

贝恩报告的最终结论直指资本市场，也直指当前AI产业最核心的结构性风险："那些不用自动化实际回报——而非预期回报——来验证再投资逻辑的企业，是在叠加风险，而非管理风险。"

这句话如果翻译成二级市场的语言，就是：当前AI相关企业的高估值，在很大程度上建立在对未来收益的乐观预测之上，而非经过验证的实际业绩。这种定价模式之所以能持续，是因为市场在一个关键问题上缺乏数据——到底有多少企业真的从AI中赚到了钱？贝恩的调查给出了答案：很少。

当Token成本从"趋近于零"开始反弹、当企业从智能体的"巨大承诺"中逐渐清醒，市场重新计算真实ROI的时刻，可能比大多数人预期的更近。届时，那些建立在"预期节约"而非"实际回报"上的估值，将面临最直接的拷问。