两份材料：样本、委托方与利益关联
读企业调研，先要看清是谁问的、问了谁。两份材料的委托方本身都是解决方案供应商，这不是缺点，但决定了读法。
| 项目 | Creatio《企业 AI 采用现状报告》 | Redwood 联合 Leger 的编排基准调研 |
|---|---|---|
| 发布时间 | 2026 年 10 月 20 日 | 2026 年 10 月（页面标注为 2026 年度） |
| 届次 | 第二届年度研究 | 年度基准研究 |
| 样本量 | 600 余位全球 IT 与业务决策者 | 300 位资深企业技术、风险与 AI 负责人 |
| 地域 | 全球（未披露国别构成） | 美国、加拿大、英国 |
| 行业 | 未细分披露 | 十余个行业，含软件、零售、制造、金融 |
| 受访者层级 | 决策者 | 近半数持有 C 级别头衔 |
| 规模构成 | 未披露 | 69.7% 来自年营收 10 亿美元以上组织，30.4% 在 50 亿美元以上 |
| 执行方 | Creatio 自主研究 | Redwood Software 与 Leger Opinion 合作，数据收集全部使用 Leger 样本库 |
| 利益关联 | Creatio 为 AI CRM 与工作流平台厂商 | Redwood 为编排与自动化厂商；报告含一条客户对比读数 |
需要点出的一条：Redwood 报告里有一句「Redwood 客户报告强大连接能力的可能性是不使用 Redwood 的组织的 1.2 倍」。这个读数对 Redwood 自身并不十分有利（差距仅 1.2 倍），但它出现在一份厂商报告中，说明样本构成可能偏向既有客户圈层，本文对该条只作旁证，不作主证据。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。
成熟度落差：把 70% 与 54% 放到同一把尺上
Creatio 的头条数字是 70% 的组织已越过试验期，即在部分职能部署、开始全组织扩展或已企业级嵌入三者之一。Redwood 的头条之一则是 54% 认为自身智能体采用已到规模化或成熟阶段。这两个百分数看起来矛盾，其实不是一个口径。
Redwood 在报告内部给了同口径的对照，这是本文认为最值得引用的一组数字：77.6% 的受访者称其整体 AI 采用已到规模化或成熟，而称智能体 AI 采用达到同样阶段的只有 54%。两者相差 23.6 个百分点。
| 口径 | 读数 | 来源 |
|---|---|---|
| 整体 AI 已规模化或成熟 | 77.6% | Redwood 与 Leger |
| 智能体 AI 已规模化或成熟 | 54.0% | Redwood 与 Leger |
| 同口径落差 | 23.6 个百分点 | 本文相减 |
| 整体 AI 已越过试验期 | 70% | Creatio |
| 智能体部署在过去 12 个月增长 | 89.4% 的组织 | Redwood 与 Leger |
| 够格称为 AI 采用领先者 | 17% | Creatio |
把两份调研对齐后会看到一个稳定的结构：约四分之三到五分之四的组织在「AI」这项上已经过了试验期，但其中大约四分之一在「智能体」这项上还没有。Redwood 的同口径落差为 23.6 个百分点，Creatio 的 70% 与 Redwood 智能体侧的 54% 相差 16 个百分点，两个差值都落在 16 到 24 个百分点这个区间。本文据此判断：2026 年企业侧的主要矛盾，已经不是「用不用 AI」，而是「已经用上的 AI 里，有多少真正以智能体形态在跑」。这也解释了为什么同一批企业既报告高采用率又报告 ROI 难测——两者测的很可能不是同一批系统。上述差值为本文基于两份公开读数的算术相减，两份调研的样本与地域不同，不能视为严格统计合并。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。
没有人拥有它：组织侧的真空
Redwood 报告里有一节的标题相当直白：企业里没有人完整拥有智能体 AI。报告给出的数据显示，没有任何单一职能拿下了完整的所有权，构建方式也同样分裂——多数组织同时运行外购与自建的智能体，但没有一个职能对它们如何协同负责。
这一条与 Creatio 侧的第 4 条趋势互相印证：只有 17% 够格称为 AI 采用领先者，而这些领先者的做法恰恰是自动化更多工作流、把智能体跨部门铺开、把 AI 深嵌进业务运营、建立更强的治理，并用更广的一组业务结果来衡量成效。换句话说，领先者的差异不在买了什么，在于有人对端到端负责。
治理剪刀差：信心、执行与后果三张皮
治理是两份报告交叠最密的部分，也是最能说明问题的部分。
| 环节 | 读数 | 来源 |
|---|---|---|
| 有正式 AI 治理政策且一致执行 | 58.3% | Redwood 与 Leger |
| 有政策但执行不一致 | 31.7% | Redwood 与 Leger |
| 未因未受治理的 AI 承受任何后果 | 仅 18.7% | Redwood 与 Leger |
| 有治理者对规模化「非常有信心」的可能性 | 是无治理者的 4 倍以上 | Creatio |
| 提升自主部署意愿的两项改进 | 可观测性 49.3%、更强护栏 48.3% | Redwood 与 Leger |
| 提升扩展信心的两项能力 | 可观测性 62%、与遗留系统集成 58% | Redwood 与 Leger |
把三行数字摆在一起会出现一道反直觉的剪刀差：58.3% 的组织称政策一致执行，但只有 18.7% 说自己没有承受过任何后果——反过来说，约 81.3% 至少出现过一次后果，其中就包括政策执行一致的那一批。单看这一组，治理像是没用。但 Creatio 侧的读数补上了另一半：有治理的组织对规模化「非常有信心」的可能性是无治理者的 4 倍以上。两组合起来的解释是，治理的作用不在于把事故率压到零（现有数据说明压不到），而在于让组织在出过事之后仍然敢继续扩。这与可观测性在两份报告里同时排在改进项前列是一致的：能看见，才谈得上继续放权。上述推断为本文基于两组公开读数的交叉解释，两份调研样本不同，不能直接做统计合并。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。
结构迁移：从 20.4% 到 30% 需要什么
Redwood 给出了自动化结构的一组读数，从「传统自动化为主」到「几乎全智能体」是一条连续的迁移带。
| 状态 | 当前占比 | 两年后预期 |
|---|---|---|
| 以传统自动化为主、含少量智能体 | 45.0% | 未单列 |
| 几乎全部为智能体 | 4.7% | 未单列 |
| 以智能体为主或全部为智能体（合计） | 20.4% | 30.0% |
这里有一个容易看漏的点：20.4% 与 45.0%、4.7% 不是同一个切分维度。45% 是「传统为主含少量智能体」，4.7% 是「几乎全智能体」，而 20.4% 是「以智能体为主或全部为智能体」的合计口径，中间还夹着一段未单列的部分。读的时候不要把它们加成 100%。
从 20.4% 提升到 30.0%，绝对增量是 9.6 个百分点，但相对增幅约为 47.06%。也就是说，未来两年里「以智能体为主或全部为智能体」的组织数量需要比现在多出接近一半。考虑到当前只有 4.7% 属于「几乎全部为智能体」，且 45% 仍以传统自动化为主，这个目标的压力主要落在中间那段尚未单列的人群上。本文据此判断：未来两年企业智能体的增量，大部分不会来自新建项目，而会来自把已有的传统自动化改造为智能体形态——这也意味着集成与迁移能力会比模型选型更值钱。上述百分比为本文基于公开读数的算术换算。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。
ROI 度量：从省工时到营收，差的不只是指标
Creatio 的第 3 条趋势给了一个清晰的分层：用 AI 自动化了半数以上工作流的组织，报告营收增长为 AI 正面影响的可能性，是自动化不足 10% 的组织的 2 倍以上。第 7 条趋势则说，AI 度量从运营收益起步，随采用成熟扩展到营收影响、客户与员工满意度以及创新产出。
Redwood 侧的对应读数是：对 AI 的 ROI 度量信心几乎对半分裂；至于为什么有人觉得超支，他们指的不是价格也不是厂商选择，而是「AI 使用规模扩张快过成本控制手段」，其次是「成本可见性有限」。这两条放在一起看，问题不在钱花多了，在看不见钱花在哪。
本栏目 R-INDUSTRY-38 解读过的 Wharton 与 GBK 研究给过一个更尖锐的对照：同时追踪增长类指标（如净新增营收、销售转化）的部门中 35% 报告强正回报，而只衡量效率的部门中这一比例只有 13%。两份 10 月调研与这条结论方向一致——度量的口径本身会改变结论。
岗位账：89% 扩岗对 9% 减员
Creatio 关于岗位的数据值得单独列出，因为它是本月几份材料里口径最清楚的一组。
| 预期 | 占比 | 说明 |
|---|---|---|
| 智能体将扩充产能、增强团队或创造新岗位 | 89% | 头条读数 |
| 会出现显著裁员 | 9% | 与「创造新岗位」形成对照 |
| 预期创造新岗位（子集） | 17% | 约为预期显著裁员者的两倍 |
| 2025 年基线：C 级领导者预期智能体在两到三年内变得重要或关键 | 86% | 用于说明一年内从战略意图转向执行 |
需要提醒的是，这组是「预期」而非「已发生」。Creatio 自己也把它表述为对未来的判断。但 2025 年的 86% 预期与 2026 年的 70% 已越过试验期放在一起，确实能看出意图到执行之间的转化正在发生。
中国侧对照：政策、标准与产业底数
把视角转回国内，10 月中下旬的公开信息给出的图景与企业侧调研形成了有意思的对照：一边是政策与标准在补基础设施，一边是企业端报告集成与治理欠账。
| 项目 | 读数 | 时间与来源 |
|---|---|---|
| 人工智能企业数量 | 截至 2026 年 6 月底超过 6600 家 | 10 月 19 日国新办发布会，工信部科技司 |
| AI 核心产业规模 | 2025 年超过 1.2 万亿元 | 同上 |
| 智能终端出货量 | 2026 年上半年各类智能终端超过 1 亿台 | 同上 |
| 卓越级智能工厂公示 | 253 个工厂拟入选，公示期 10 月 20 日至 26 日 | 10 月 19 日工信部通知，新华社报道 |
| 钢铁行业 AI 标准 | 三项国家标准化指导性技术文件，覆盖场景分类、数据集技术要求、服务能力成熟度评估 | 10 月 19 日，界面新闻报道 |
| 国常会部署 | 深化拓展「人工智能+」行动，夯实发展底座、促进算电协同与高质量数据供给，推进中试验证、加大场景培育 | 10 月 16 日国务院常务会议 |
钢铁行业这三项标准构成的闭环是「场景分类、数据集规范、成熟度评估」。把它与 Redwood 报告里的障碍排序对照，会发现三处一一对应：场景分类对应「不知道从哪下手」，数据集规范对应「数据基础与合规」，成熟度评估对应「成效难衡量」。Redwood 侧排名靠前的障碍包括把 AI 接到既有系统上、治理与信任、集成成本；Creatio 侧则指出随采用推进，技能与组织准备度的重要性下降，安全、技术能力、治理与商业考量上升。两边的结论是同一个：卡点从模型与人才，移到了数据与可评估性。标准化动作的价值正在于把这三件事变成可以对照的公共刻度。这一判断为本文基于公开信息的对照分析，两套材料来源与地域不同，不能做统计合并。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。
本文推算：三笔原文没有直说的账
除了上文已经给出的三处推算，还有三笔账值得单独列出。
| 推算项 | 算法 | 结果 | 限定 |
|---|---|---|---|
| 成熟度落差区间 | Redwood 同口径 77.6% 减 54.0%；Creatio 70% 减 54% | 23.6 与 16.0 个百分点 | 两份样本与地域不同，仅作区间参考 |
| 结构迁移相对增幅 | （30.0 减 20.4）除以 20.4 | 约 47.06% | 「两年后」为企业自述预期而非预测 |
| 治理后果发生率 | 1 减 18.7% | 约 81.3% 至少出现一次后果 | 「后果」为自报口径，未分级 |
六步落地清单
把两份调研与中国侧信息合起来，可以抽出一份不依赖特定厂商的清单。
| 步骤 | 动作 | 对应哪一项读数 |
|---|---|---|
| 步骤一 | 为智能体指定端到端责任人，而不是按职能切分 | Redwood：无单一职能完整拥有 |
| 步骤二 | 先上可观测性，再谈放权 | Redwood：可观测性 49.3% 与 62% 双列前列 |
| 步骤三 | 把 ROI 口径从省工时扩到至少一项增长类指标 | Creatio：自动化过半者报营收增长的概率高 2 倍 |
| 步骤四 | 盘点外购与自建智能体的总数与归属 | Redwood：多数组织混用且无人对协同负责 |
| 步骤五 | 按场景分类、数据集、成熟度评估三段建立内部刻度 | 钢铁行业三项国标给出的闭环 |
| 步骤六 | 把改造存量传统自动化纳入预算，而不只算新建项目 | 本文推算：两年需约 47% 相对增幅 |
冷静判断：这些数字能信到什么程度
先说能信的部分。两份调研的样本定义都写得比较清楚：Redwood 披露了国别、行业数、层级构成与营收分布，并说明数据收集全部使用第三方 Leger 的样本库；Creatio 披露了样本量与届次，并给出了 2025 年基线用于纵向对照。两份都给出了明确的执行方与发布方，方法论透明度在厂商调研里属于中上。
再说不能信的部分。其一，两份都是厂商委托研究，问题设计与结论呈现天然偏向各自的产品叙事：Creatio 强调治理是规模化的推动力，Redwood 强调编排与集成。其二，多数关键读数是自报预期而非审计结果，尤其是「两年后 30%」「89% 扩岗」这类前瞻判断。其三，样本地域不同，Creatio 为全球样本、Redwood 为美加英三国，两者不能做统计合并，本文所有跨报告差值都只作区间参考。其四，Redwood 的样本明显偏向大企业（69.7% 在 10 亿美元以上），中小企业的处境在两份材料里都覆盖不足。其五，中国侧数据来自新闻发布会与政策文件的公开转述，与两份调研的口径体系不同，本文只作方向性对照。
把这些限定读完，两份调研剩下的共同结论其实相当结实：企业智能体已经过了「要不要做」的阶段，当前的瓶颈集中在谁负责、能不能看见、以及拿什么尺子量。这三件事都不靠换模型解决。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。