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。
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。
这报告让美国巨大的数据中心投资，看不到最终赚钱的前景。
