背景：问题从「有没有回报」换成了「回报怎么算」
2024 到 2025 年，企业 AI 讨论的核心问题是有没有人在用、用了有没有效。到 2026 年，这两个问题基本有了答案：用是普遍在用的，效也大多有一点。真正悬而未决的是第三个问题——为什么多数组织拿到了一点回报，却拿不到足以改变业务结构的那部分回报。
十月的这两份调研，恰好各自回答了这个问题的半个侧面。Wharton-GBK 从组织与衡量方式切入，发现「怎么算账」本身与能否拿到强回报高度相关；Teradata 从数据底座切入，发现「有没有可供智能体理解的数据」决定了智能体能否走出单点试点。两者都不谈模型能力，这在 2026 年的语境里本身就是一种信号。
Wharton-GBK《The Adaptive Advantage: Who's Winning with AI and How》：宾夕法尼亚大学沃顿商学院 Human-AI Research 与 GBK Collective 合作的第四年度研究，2026 年 10 月 13 日发布，样本为 1,416 名美国大型企业领导者（经理、总监、副总裁与 C 级高管）与初级、中级员工——后者首次被纳入调查。Teradata 智能体 AI 成熟度报告：2026 年 10 月 11 日发布，样本为 1,000 名资深技术与数据负责人。两份样本国别构成与岗位结构不同，不可直接合并计算，下文并列呈现而非加总。
两份样本的基本信息与可比性
在引用这两组数字之前，有必要先把它们的边界说清楚。一份是面向美国大型企业、混合了管理层与基层员工的组织行为调研；另一份是面向资深技术与数据负责人的数据就绪度调研。前者偏「组织怎么运转」，后者偏「数据能不能用」，两者互补但不构成同一总体的两次抽样。
| 维度 | Wharton-GBK 第四年度研究 | Teradata 智能体 AI 成熟度报告 |
|---|---|---|
| 样本量 | 1,416 名受访者 | 1,000 名受访者 |
| 样本构成 | 美国大型企业领导者（经理及以上）与初级、中级员工 | 资深技术与数据负责人 |
| 发布时间 | 2026 年 10 月 13 日 | 2026 年 10 月 11 日 |
| 核心问题 | 什么样的组织拿到了强回报 | 数据就绪度如何限制智能体规模 |
| 成熟度结论 | 仅 7% 的组织在三个成功标志上全部达标 | 仅 7% 的企业进入 Operationalizing 阶段 |
| 利益关联 | 学术机构与咨询机构合作，自报式问卷 | 数据平台厂商自有调研，结论指向其产品范畴 |
80% 与 28%：回报普遍，强回报稀缺
Wharton-GBK 给出的是一组典型的「多数满意、少数非常满意」分布：80% 的企业领导者报告 AI 投资带来正回报，但其中只有 28% 把这个回报描述为「强劲」。Teradata 那侧的对应读数是 90% 的受访者预计未来 12 个月继续加大智能体投入，而只有 37% 表示迄今已获得强正回报。
两个 28% 与 37% 之间隔着样本与口径差异，不适合直接比较大小，但方向一致：投入意愿远高于已兑现的强回报比例。这个剪刀差是 2026 年企业智能体最值得警惕的一个结构——它既可以解释为「回报有滞后」，也可能意味着相当一部分投入无法收回。
Wharton-GBK 对强回报的来源给出了更进一步的拆解：同时满足「工作流程显著改变、AI 嵌入核心流程、使用了 AI 智能体」三项条件的部门，有 67% 报告强正回报，而领导者整体的强回报比例只有 28%。但满足这三项条件的组织，只有五分之一。
35% 对 13%：衡量口径本身会改变结果
这份研究最有实操价值的一条发现，是关于「怎么算账」的。跟踪至少一项增长指标（新净收入、销售转化、产出量、客户满意度）的部门，35% 报告强正回报；只用效率指标（运营成本、节省工时、周转时间、错误率）衡量的部门，这个比例降到 13%。前者约为后者的 2.7 倍。
需要强调的是相关而非因果。研究者自己也说明，调研不能证明换个看板就导致回报变好，它只显示更宽的衡量方式与更强的自报结果之间存在关联。更合理的解释是：愿意并能够把 AI 项目挂到业务增长指标上的团队，通常也更清楚这个项目的目标是什么、例外由谁处理、结果由谁负责。
但当前的主流做法恰恰相反。最常被引用的 AI 回报指标是「节省的工时」，占 40%；而「新净收入」只有 27%。与此同时，52% 的领导者认为未来 12 到 24 个月 AI 的主要任务是提升生产力或降低成本，只有 22% 指向通过新收入、新产品或更好的客户体验来增长业务。
| 关键指标 | Wharton-GBK（N=1,416） | Teradata（N=1,000） |
|---|---|---|
| 正面回报比例 | 80% 领导者称有正回报 | 90% 计划加大智能体投入 |
| 强回报比例 | 28% 称强正回报 | 37% 已获强正回报 |
| 智能体使用 | 67% 的部门用智能体完成任务或跑工作流 | 未在同口径下披露 |
| 深度嵌入 | 28% 称 AI 已完全嵌入核心流程 | 7% 进入可规模化阶段 |
| 自主程度 | 仅 17% 允许智能体在无需逐步批准下行动 | 未在同口径下披露 |
| 数据就绪 | 未在同口径下披露 | 77% 称可供智能体使用的数据不超过两成 |
67% 用了智能体，只有 17% 敢放手
67% 的部门已经在用智能体完成任务或运行工作流，这个比例说明智能体早已不是试验品。但把自主程度拆开看，画面就变了：只有 17% 的组织允许智能体在无需人工逐步批准的情况下完成任务，只有 28% 称 AI 已完全嵌入核心业务流程。
研究者把这个中间状态称为「受监督的中间地带」——为自主能力付了钱，却仍在逐个动作地审查。报告指出，这恰恰是回报最薄的地方：既承担了自动化的成本，又没有拿到自动化省下的人力。研究者给出的建议相当具体：要拿到智能体的收益，组织需要决定哪些工作可以由智能体拥有，为它装上自动化监控，然后停止逐步签字。
这当然不等于所有环节都该放手。报告同时把安全、监管与信任列为制约自主度的主要因素，因此「哪些流程适合自主」本身就是一个需要逐个判断的问题，而不是一个全有或全无的开关。
77% 的组织：可供智能体使用的数据不到两成
Teradata 那侧把闸门定位在数据层。核心读数是：77% 的高管表示，其企业数据中「被充分描述与上下文化、可供智能体使用」的部分不超过 20%；78% 表示难以跨业务职能统一数据与知识，让智能体能在整个企业范围内推理。
在具体障碍上，负责人把「数据缺少必要的元数据、上下文与关系」（43%）与「数据本身分散在各系统中」（42%）排在了几乎同等的位置。这个排序值得注意：它说明连通性不是够的，即使数据打通了，如果没有可供推理的语义层，智能体依然无法据此行动。
报告用一套成熟度指数把组织分成四档：Experimenting 28%（仍在做局部试点，即使成功通常也只有个人生产力收益）、Developing 40%（部分模型与自动化已见效，但受限于跨团队数据连通）、Building 25%（有了基本的结构化治理与工作流，但知识碎片问题未解）、Operationalizing 7%（具备动态治理与安全规则加上数据底座，可跨企业规模化自主决策）。
Teradata CIO 在报告中给出的建议相当务实：把整个数据资产上下文化当成目标很可能是错的靶子，追逐它本身就是组织停滞的原因之一；正确做法是识别价值最高的那部分数据（结构化的或非结构化的），把这一部分彻底描述、治理并做到对智能体可用。如果大部分数据暂时不可用，答案不是一次性修好全部，而是对从哪 20% 到 50% 开始做出严格取舍。
组织侧：CAIO 与平台标准化的分野
Wharton-GBK 在组织设计上给出了两组差异明显的对照。其一是责任归属：新设首席 AI 官（CAIO）的组织中，经理及以上有 58% 报告强正回报；把 AI 监督职责加给现有高管的组织为 24%；既无此职位也无计划的只有 8%。其二是平台策略：标准化在单一获批 AI 平台上的组织有 50% 报告强回报，而仍在试验、没有明确方法的组织只有 9%。
研究者明确标注了这些是观察性对比：专职领导与平台一致性可能同时伴随其它优势，包括资源与组织成熟度。换句话说，设 CAIO 与拿到强回报之间未必是因果关系，可能二者都由第三个因素驱动。
报告还给出一个更宏观的收敛数字：在「证明价值、转型工作流、围绕 AI 对齐组织」这三个成功标志上全部达标的组织，只有 7%。这个 7% 与 Teradata 成熟度指数顶端的 7% 来自完全不同的样本与问卷，却落在同一个数字上。两份报告互相独立地指向同一个量级的成熟组织比例，这本身就是 2026 年企业智能体最值得记住的一个坐标。
认知落差：领导者的 73% 与员工的 58%
本届研究首次把基层与中级员工纳入同一份问卷，暴露出一组系统性的认知落差。
| 判断项 | 领导者认同比例 | 初级与中级员工认同比例 | 落差 |
|---|---|---|---|
| 工作流程因 AI 发生显著变化 | 73% | 58% | 15 个百分点 |
| 部门管理结构被 AI 改变 | 52% | 36% | 16 个百分点 |
| 员工有信心在日常工作中使用 AI | 79% | 62% | 17 个百分点 |
| 领导层已阐明清晰的长期 AI 愿景 | 79% | 64% | 15 个百分点 |
| 员工接受了充分的 AI 培训 | 78% | 56% | 22 个百分点 |
培训项的 22 个百分点落差是全部对照中最大的一项，而且它直接关系到智能体的落地质量——智能体进入的是具体岗位的具体流程，如果执行层不清楚它的边界、不知道例外该找谁，那么流程改造就只发生在汇报材料里。
不过这组落差不应被读作员工抵触。73% 的初级与中级员工表示 AI 对自己的岗位产生了积极影响，使用 AI 的员工中 84% 表示它为自己节省了时间。落差更多落在「改变是否已经发生」的判断上，而不是「改变好不好」的态度上。
报告另有一组值得记录的副作用数据：24% 的领导者预计未来 2 到 5 年入门级岗位招聘会减少，而高管岗这一比例为 14%；同时 82% 的领导者称 AI 帮助资历较浅的员工更快做出贡献。技能退化担忧则在两端同时偏高：副总裁及以上 48%，初级与中级员工 46%，而经理与总监只有 32%。
两道闸门，四条推进顺序
把两份报告放在一起，可以得到一条相对清晰的推进顺序。它不解决模型选型问题，但决定了模型能力能否转化为业务结果。
- 步骤一：先把口径从「省了多少小时」扩到至少一项增长指标。Wharton-GBK 的 35% 对 13% 说明，衡量方式本身与强回报高度相关。最常见的做法是工时（40%），最少用的是新净收入（27%），这个分布值得被主动调整。
- 步骤二：圈定 20% 到 50% 的高价值数据做上下文化，而不是全面推进。Teradata 的 77% 说明全面改造不现实，其 CIO 的建议是刻意选择起点。这一步的交付物应包含一致的口径定义、血缘与语义，而不是又一个数据集市。
- 步骤三：把治理嵌进数据架构层，而不是应用软件层。这是 Teradata 给出的三步法中关键的一条。上下文与护栏落在基础层，模型与工具才能被替换而不破坏治理——这也直接对冲了 30% 受访者担心的供应商绑定问题。
- 步骤四：为选定的流程明确「智能体可以拥有什么」，然后停止逐步签字。Wharton-GBK 指出受监督的中间地带是回报最薄的地方。这一步需要同时配齐自动化监控与例外责任人，否则放手的代价不可控。
口径警示与冷静判断
- 自报式问卷，主观性不可避免：两份调研的核心读数（回报强度、数据就绪度）均来自受访者自评，未经财务审计或技术核验。「强正回报」没有统一的量化门槛。
- 两份样本不可合并计算：国别构成、岗位结构与问题设置都不同，28% 与 37% 不能相减或取平均，7% 与 7% 的巧合也不构成统计意义上的相互验证，只能作为方向性佐证。
- 相关不等于因果：研究者明确说明，衡量增长与强回报之间是关联而非因果；CAIO 与平台标准化的对照同样是观察性的，可能与资源和组织成熟度共同变动。
- Teradata 存在厂商利益关联：报告由数据平台厂商发布，其结论（数据底座是瓶颈、治理应嵌在数据架构层）与其产品范畴高度重合。第三方转述的思科相关报告提出 37% 技术预算投向智能体 AI、43% 生产者已获实质回报，属另一口径的旁证，本文未取得一手报告原文，按转述处理。
- Wharton-GBK 未披露问卷实地执行周期：公开材料只给出发布日期与样本量，未说明发放与回收的时间窗，因此对时效性的判断需保留余地。
- 「7%」不应被当作精确刻度：两个 7% 来自不同问卷的不同定义（一个是三项成功标志全达标，一个是成熟度指数的顶端档位），把它们当作量级提示比当作精确比例更稳妥。
- 地域偏差明显：Wharton-GBK 样本为美国大型企业，Teradata 未披露国别构成。将其结论直接外推到其它市场，尤其是产业结构与数字化基础不同的市场，需要谨慎。
综合来看，这两份报告给出的不是「智能体没有价值」的判决，而是一张更精确的账单：价值集中在少数完成了流程改造、并把衡量口径与数据底座一并补齐的组织里，而这个群体的规模仍然停留在个位数百分比。对多数企业而言，下一步最该做的可能不是换一个更强的模型，而是先回答两个更朴素的问题——这笔收益准备挂在哪个业务指标上，以及智能体要读的那部分数据，有没有被描述清楚。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。