目前大模型生成式AI95%的试点都失败

寂静回声

MIT的AI产业应用报告：95%的试点都失败
这个报告让美股AI有压力了，就是中国这边一直说的应用问题。

《The GenAI Divide: State of AI in Business 2025》（生成式AI鸿沟：2025年商业AI现状）由MIT Media Lab发布。
95%的企业生成式AI试点项目，没能产生可衡量的业务影响，对利润表（P&L，profit & loss）几乎无贡献。仅约5%的项目实现了收入增长。
这些企业投资了约300-400亿美元，但大多数项目停留在“试点炼狱”阶段，无法赚钱。
为什么会这样？两个深层原因。一个是“学习缺口”，AI系统无法记忆、学习和适应企业工作流程，导致“能做Demo，却进不了生产与财务报表”。这就是开发demo能引发兴趣，但是实际整合没有灵活性。
第二个缺点是“工具与流程脱节”，通用型AI工具（如ChatGPT）在个人使用中有效，但在企业环境中因无法深度集成而失效。也就是我们个人学习查询很有用，但是对企业没有用，没办法自动化，还得人来学习知识。企业没办法相信GPT的输出，例如客服应答，能用，但还是不如人灵活、靠谱（人不会也不瞎编而是找专家）。
企业应用中，超过50%的AI预算被用于销售与营销工具，但最大的投资回报（ROI）实际来自后台自动化（如削减业务流程外包成本）。这就是说，想让AI自动销售卖货没那么容易，但是处理一些流程固定的报表还可以。


NANDA 的报告提到，一小部分公司已经发现生成式 AI 的用处，并且该技术正在对九个工业领域中的两个——科技以及媒体与电信——产生实质性影响。
而对于其余领域——专业服务、医疗保健与制药、消费与零售、金融服务、先进工业以及能源与材料——生成式 AI 则一直无关紧要。
报告援引了一位中端市场制造企业匿名首席运营官的话：“LinkedIn 上的宣传天花乱坠，说一切都改变了，但在我们的实际运营中，没有任何根本性的变化。我们处理一些合同的速度是变快了，但仅此而已。”
有一件事确实在改变，那就是就业格局，至少在受影响的行业是如此。报告指出，在科技和媒体领域，“超过 80% 的高管预计在 24 个月内会缩减招聘规模。”
据作者称，由生成式 AI 驱动的裁员主要发生在那些经常被外包的非核心业务活动中，例如客户支持、行政处理和标准化的开发任务。
“这些职位在 AI 实施之前，就因其外包状态和流程标准化而显示出脆弱性，”报告称，并指出在受影响的行业中，有 5% 到 20% 的支持和行政处理岗位受到了冲击。
据《The Register》获悉，甲骨文（Oracle）最近的裁员反映了其平衡 AI 资本支出的努力，而这笔开支已成为美国科技巨头脖子上的沉重负担。而在 IBM，员工们则认为 AI 已被用作将工作岗位转移到海外的借口。

无论裁员的公开理由和真实动机是什么，生成式 AI 确实正在对科技以及媒体与电信行业产生影响，这些也是它被最广泛采用的领域。
尽管大约 50% 的 AI 预算被分配给了市场营销和销售，但报告作者建议，企业投资应该流向那些能产生有意义业务成果的活动。这包括前端的潜在客户资格鉴定和客户维系，以及后端的削减业务流程外包、广告代理支出和金融服务风险核查。
报告通过分析生成式 AI 在某些公司取得成功的方式指出，像 OpenAI 的 ChatGPT 这样的通用工具，表现要优于定制的企业级工具，即便这些企业工具底层使用的是相同的 AI 模型。
报告阐述的理由是，员工往往对 ChatGPT 的界面更熟悉，因此使用得更多——这是员工自发的“影子 IT”所导致的结果。报告引用了一位公司律师的访谈，她描述了自己所在的中型律所对一款花费了 5 万美元的专业合同分析工具的不满。
“我们购买的 AI 工具提供的摘要非常刻板，定制选项也很有限，”这位律师告诉研究人员。“而使用 ChatGPT，我可以引导对话，反复迭代，直到获得我确切需要的东西。根本性的质量差异是显而易见的，ChatGPT 始终能产出更好的结果，尽管我们的供应商声称他们用的是同样的基础技术。”

作者们认为，那些成功跨越“生成式 AI 鸿沟”的公司，在采购 AI 时，更像是在采购业务流程外包服务，而不是软件即服务（SaaS）的客户。
“他们要求深度定制，从一线推动应用，并要求供应商对业务指标负责，”报告总结道。“最成功的买家明白，跨越这条鸿沟需要的是建立合作关系，而不仅仅是购买产品。”
企业内部缺乏AI人才与项目落地经验，过度依赖外部顾问或通用解决方案，未能建立内部能力。自建AI系统的成功率仅约33%，而外采并建立合作关系的成功率约为67%。许多企业在未明确定义AI应用场景的情况下盲目投入，导致资源浪费。这是说，大模型AI应用还是难，需要高级人才，很专业，自己随便找人搞不好。
企业数据基础设施未准备好，导致AI模型输出结果不准确或无法满足业务需求。AI训练过程可能泄露企业机密，导致企业不敢使用公有云服务。这是说，企业的数据整理，不像学界那么标准整理得不错。

成功的初创公司通常专注于特定业务痛点，并与合作伙伴紧密协作。先在小规模试验中验证技术可行性，再逐步扩大应用范围。技术团队与业务部门紧密合作，确保AI解决方案真正解决实际业务问题。这是5%的成功，有的业务痛点能用AI帮组，这是可能的。如中国全球卖货，AI作用很大，直接解决了语言问题。但是这种应用不多。
报告总结建议，AI项目失败并非技术本身，而是企业整合与落地能力不足。企业需要进行全面内部评估，确保数据基础设施与员工技能支持AI应用。战术上，应该优先采用外采与合作模式，而非自建系统。将AI预算向后端自动化倾斜，以获得更高ROI，也就是不要指望AI让客户满意，但是可以取代死板走流程的内部员工。

点评
既然需要死板的走流程，为什么不使用工作流，非要使用AI。



国内大模型更是如此了，能力比Gemini GPT-5 Grok差多了。

deepseek公开表示，社保就是个大骗局

当然有的国产大模型干脆拒绝这个话题

这就是国产大模型根本没有未来的原因了，这不能谈那不能讲，AI靠什么进步呢。