92% 试点、8% 赚钱：三份十月末报告的转化漏斗

背景：一周之内，三份报告落在同一处

2026 年 10 月的最后一周，三份面向企业决策者的调研密集发布。它们的发起方不同、样本不同、问法也不同，但读完之后留在纸面上的形状是相似的：用 AI 的组织已经很多，真正把它变成财务结果的组织仍然很少，而能够验证智能体决策的组织更少。

这类数据容易被两个方向误用。一个方向是拿 92% 这样的数字证明「已经晚了」；另一个方向是拿 8% 这样的数字证明「AI 没用」。两者都跳过了中间那一步——普及率与转化率之间的落差究竟由什么构成。本文的处理方式是把三份报告放在同一张表里，先各自核对其内部一致性，再做交叉换算，最后标注不能直接比较的地方。

德勤的漏斗：三个数字之间的算术关系

德勤中国的白皮书给出三个被广泛引用的数字：92% 的企业已开展 AI 应用试点；8% 的企业认为 AI 投入实现了财务和战略收益；4% 的企业认为真正实现了 AI 组织级转型。这三个数字不是孤立的，它们与另一组分布可以互相验算。

报告同时给出已开展试点企业的四档分布：28% 仍停留在实验探索（概念验证）阶段，56% 处于渐进落地阶段，进入规模化推广的与进入变革重塑（产生损益表财务影响）的各为 4%。四档相加正好是 92%，与试点率一致，说明这四档是对「已开展试点」这一集合的完整划分。

由此得到一个值得注意的对应关系：8% 恰好等于规模化推广的 4% 加上变革重塑的 4%。如果这两档在问卷中是互斥划分，那么「认为投入实现了财务与战略收益」的比例，就与「进入规模化推广及以上阶段」的比例完全重合。换言之，在这份样本里，财务收益的感知门槛大致落在规模化推广这一档，而不是更早。这个重合可以用作一次内部一致性检验：三组数字互不矛盾，来自同一份问卷而非拼凑。

换算到全样本：五档究竟各有多少

由于四档分布的分母是「已开展试点的企业」而非全部受访企业，直接引用 28% 与 56% 会低估它们在全样本中的位置。按 92% 折算到全样本后，分布如下：

阶段	试点内占比	折算到全样本	每 100 家企业约
实验探索（概念验证）	28%	约 25.8%	约 26 家
渐进落地	56%	约 51.5%	约 52 家
规模化推广	4%	约 3.7%	约 4 家
变革重塑（产生损益表财务影响）	4%	约 3.7%	约 4 家
未开展试点	—	8%	8 家

这张表改变了一个直觉。按试点内口径看，概念验证只占 28%，容易被读成「多数企业已经过了 PoC 阶段」；折算到全样本后，处于渐进落地的企业约占一半，是绝对主体，而渐进落地恰恰是报告所描述的那种状态——有应用、有局部提效、但没有进入损益表。也就是说，样本的主体不是「卡在 PoC」，而是「卡在渐进落地」。

德勤中国管理咨询信息工程、人工智能与数据分析事业群全国主管合伙人唐捷给出的观察与这个分布吻合：不少大企业在内部做了几千个智能体，最传统的企业也开始投钱，但多数投入没有对业务本质产生太大改善。

断层在哪：个人提效不等于组织提效

报告把核心症结归结为个人提效与组织提效之间的断层。白领已经用 AI 画演示文稿、写会议纪要、做翻译，但这些点状使用没有本质提升部门效率，也没有反映到组织收入与利润的改善上。企业在投入 AI 时需要购买平台、算力、部署大模型，背后包含高昂的人员、技术与 Token 费用；如果创新都是点状的、没有改善一段完整流程，那么简单的效率提升与 IT、基础设施投入相比并不划算。

报告引用的一处账本数据让这条判断有了具体量级：以近日递交招股书的 Anthropic 为例，2026 年上半年其按 Token 调用计费的收入达 131 亿美元、占总收入 80%，而同期算力与基础设施费用达 89.45 亿美元、占营收 55%。收入结构与成本结构同时摆在纸面上，说明 Token 经济的毛利并不像「卖软件」那样天然高企。香港中文大学（深圳）经管学院副院长艾春荣在受访时也提到，美国约 45% 的 AI 公司在使用中国的开源模型，中国大模型在蒸馏技术与成本控制上具备优势，未来围绕 Token 的算力定价权会成为新的竞争焦点。

值得注意的是报告对投资重心迁移的判断：过去两年企业 AI 应用主要集中在客户服务、营销与 IT 编码，如今研发正跃升为新的战略前沿。企业不再满足于让 AI 在行政、采购等外围环节做得更快，而是开始投向生产研发与核心供应链，用「大模型加小模型」攻克生产环节的复杂难点，例如制造业构建数字孪生闭环的自演化工厂、医药行业打造 AI 提出假设与机器人执行实验的实验室闭环、以及金融服务业的秒级风险定价。这一迁移方向与「卡在渐进落地」的分布互为解释：外围环节好做也容易见顶，核心环节难做但才有损益表意义。

十大原因：前五名里三个不是技术问题

德勤与港大的联合调研列出导致企业 AI 用例表现不及预期的十大原因，前五名如下：

原因	占比	性质
筒仓式组织形式阻碍创新	33%	组织
平台架构薄弱	32%	技术
数据可用性不足	31%	技术
组织文化障碍	28%	组织
缺乏 AI 人才体系与组织机制	22%	组织

前五名占比合计 146%，说明这是多选题，各比例不能当作份额读取，只能用于排序。排序本身已经足够说明问题：排在第一位的不是技术，而是筒仓式组织；前五名里有三项属于组织与文化范畴，两项属于平台与数据范畴。

唐捷对第一名的解释是：大模型未来不仅要调用通用知识，还要调用组织内不同部门和个人的知识；如果一个部门推动而另一个部门不配合，创新必然难以落地。艾春荣的表述更直接——AI 变革归根结底是公司内部文化的革命，最大的障碍是人。这两句话与 IDC 在同一周给出的治理类预测形成呼应：问题不在能不能做出来，而在做出来之后谁对结果负责。

人才结构：金字塔到钻石，一半岗位要重新定义

报告提出的组织结构变化是这组数据里最容易被简化传播的部分。传统企业「执行为主的金字塔型」结构中，约 60% 的人力被消耗在日常事务、数据处理、报表与合规检查等重复性执行工作上，战术协同占 30%，战略与创新仅占 10%。未来的「钻石型」组织中，日常事务与运营执行占比压缩至 10%，战术协同与人机编排升至 40%，处理高复杂度问题、跨领域判断及从零到一创造新价值的核心能力层从 10% 跃升至 50%。

这是一组结构占比，不是人数预测。但可以在一个明确假设下把它换算成岗位量：若组织总人数不变，以 100 人为基数，则日常执行类岗位由 60 人减至 10 人、战术协同由 30 人增至 40 人、核心能力层由 10 人增至 50 人。净变化是执行类减少 50 人，另外两类分别增加 10 人与 40 人。也就是说，在总人数不变的假设下，约有一半的岗位需要被重新定义，而不是被简单裁撤。

这个换算的意义在于把「AI 会不会导致大规模失业」这个问题换成了一个可讨论的量。报告本身对此持谨慎态度：艾春荣认为目前还没有看到由 AI 直接导致的大规模人员失业，但如果不转型就会被淘汰；每一个岗位都可以被拆成许多具体任务，完全重复、不需要人类判断力的任务一定会被替代，需要人类价值判断力的部分则无法被取代。唐捷的表述是：真正的 AI 转型不是让 AI 替代人，而是让 AI 承担动作、让人承担方向；完成一项工作的人员总数未必会减少，但技能要求会发生剧变。

IDC 的《未来工作调研》给出了一组可以对照的预期数据：在 1000 至 4999 人的中型市场企业中，49% 预计未来 18 个月初级岗位员工数量将增加，17% 预计将减少。这与「初级岗位必然消失」的直觉方向相反，也提示结构重塑的具体形态在不同规模的企业中并不相同。

IDC 的另一半：部署已经很广，验证能力没跟上

IDC 在 10 月 28 日发布的这组预测与调研，提供了与德勤互补的另一半图景。德勤测的是价值转化，IDC 测的是部署广度与治理成熟度，两者合起来才看得见那条错位。

指标	读数	时点
已将智能体部署到生产工作流的企业比例	95.4%，平均 11 条工作流	截至 2026 年 7 月
每月推理预算	接近 11.8 万美元	截至 2026 年 7 月
具备持续验证智能体决策能力的企业比例	目前 14%，预计 2028 年 70%	预测
中型市场多部门部署代理式 AI	46%（1000 至 4999 人）	2026 年调研
大型企业多部门部署代理式 AI	40%（5000 人及以上）	2026 年调研
已建立全面运营 AI 卓越中心	中型 31%，大型 43%	2026 年调研

这里有一处明显的倒挂值得单独指出：中型市场企业在跨部门部署上更积极（46% 对 40%），但建立全面运营治理机构（AI Center of Excellence）的比例更低（31% 对 43%）。也就是说，跑得快的是中型企业，治理体系更稳的是大型企业。IDC 对此的解释是中型企业组织结构更灵活、决策更快，而大型企业在系统化治理机制与风险管控上具有相对优势。对中型企业而言，这组数字提示的是一个具体风险：部署速度与治理能力之间的缺口，在自身这一侧更大。

IDC 还给出一组把治理缺失转成可计价成本的预测：到 2028 年，那些未能在生产环境中为 AI 智能体配置紧急停止开关的全球 2000 强企业，责任保险保费将高出 25%，重大审计发现问题的数量将增加至两倍。这一条与德勤的「钱没赚回来」构成一对：一边是投入没有转化为收益，另一边是缺失控制会产生可计价的罚单。其他几条预测也指向同一方向——到 2028 年，75% 的全球 2000 强与供应商的合同将纳入针对智能体自主行为的责任条款；企业实际承担的智能体相关费用出现上涨（而供应商并未公开调价）的比例，将从目前的 20% 升至 2027 年底的 55%。

本文推算：单条工作流的推理账，与那条 25% 的保费

把 IDC 的两个数字放在一起，可以算出一张公开材料没有直接给出的账。95.4% 的企业已把智能体部署到平均 11 条生产工作流，每月推理预算接近 11.8 万美元。以 11.8 万除以 11 条，得到单条工作流每月约 10,727 美元的推理支出；年化后单条工作流约 12.9 万美元，11 条合计约 141.6 万美元。

这张账有三个必须标注的边界。其一，11.8 万美元是平均值，分布极可能高度不均，头部企业与长尾企业的差距远大于均值所能表达。其二，推理预算不等于智能体的总拥有成本，人员、集成、监控系统与返工成本都不在其中。其三，这 11 条工作流的价值密度未知——同样一条工作流，用在合同审核与用在内部问答，产出的价值可能相差一个数量级。因此这张账只适合用来回答「一条生产工作流的推理开销是什么量级」，不适合用来算 ROI。

第二个推算与紧急停止开关有关。IDC 给出的是两条相对量：保费高出 25%、重大审计发现数量翻倍。若把这两条与「未配置」这一条件绑定，可以得到一个采购侧的检验口径：在评估智能体平台时，把「是否具备可即时中断异常智能体的控制机制」从安全特性提升为合同条目，其价值可以用保险与审计两个可计价项来折算。到 2028 年 75% 的全球 2000 强将把智能体自主行为的责任条款写进供应商合同——这条预测意味着，缺少该条款的合同在未来会被视为风险信号。

第三个推算与模型来源有关。IDC 预计到 2028 年，企业将把 60% 的 AI 工作负载从专有大型语言模型转向开源模型，并借助模型路由策略降低成本、对冲供应商锁定风险。把这条与德勤引用的「美国约 45% 的 AI 公司在使用中国的开源模型」并置，可以看出成本压力正在同时推动两件事：工作负载向开源迁移，以及模型层面的路由与多源策略。这与近期多条编码智能体评测给出的成本效率重排结论方向一致——同一类任务上，便宜模型搭配合适的驾驭层可以在特定负载上接近高成本模型。

阿里云的第三个视角：数字员工与 Agent 的规模化门槛

阿里云研究院于 10 月 27 日在第五届全球数字贸易博览会发布《人工智能应用发展趋势报告（2026）》，基于 2000 多位不同领域受访者的问卷调研，并结合企业深度调研与访谈。它提供了第三个视角——不是问「投入有没有回报」，而是问「部署到什么形态」。

报告显示：20% 的受访者所在组织已经规模化部署数字员工，42% 已在部分部门或岗位开展试点；基于 2000 份企业用户问卷，13.6% 的受访者表示其组织已在多个业务场景规模化落地 Agent，38% 已形成单点应用。关于组织影响，64% 的受访者认为 AI 已进入日常工作场景、改变了个人与团队完成任务的方式但多数尚未触及结构层面，18% 选择「明显感受，组织架构或工作流程有调整」，仅 3% 表示未感受到任何变化。

把这组数字与德勤的对照，会出现一个需要谨慎处理的差异：阿里云口径下多场景规模化落地 Agent 的比例是 13.6%，德勤口径下规模化推广为 4%（折算全样本约 3.7%）。两者相差约三到四倍。这个差异主要来自三处：分母不同（前者为企业用户问卷，后者为企业整体）、定义不同（「多个业务场景规模化落地 Agent」比「AI 应用规模化推广」更窄也更具体）、以及地域与行业构成不同。因此不应把这两条数字当作矛盾，而应把它们当作同一现象在不同刻度上的两次读数——方向一致，绝对值不可互换。

报告对演进路径的概括是「嵌入增强、混合协同、有限自主」，并提出企业应用 AI 的判断标准正在从技术可用转向价值可衡量。这一表述与德勤的断层判断、IDC 的验证能力缺口，是同一件事的三种说法。

四处不能直接比较的地方

第一，92% 与 95.4% 不是同一件事。德勤的 92% 是「已开展 AI 应用试点」，IDC 的 95.4% 是「已将智能体部署到生产工作流」。试点与生产部署之间隔着整条工程链路，因此不能据此得出中国落后于全球的结论。

第二，8% 与 13.6% 也不是同一件事。前者是主观判断（认为投入实现了财务与战略收益），后者是客观形态（多场景规模化落地 Agent）。主观收益感知可能滞后于实际部署，也可能超前。

第三，IDC 的多数预测以全球 2000 强为对象。其样本集中在超大型企业，与德勤、阿里云以中国企业为主的样本在规模结构上差异明显，预测类数字不能外推到中型企业。

第四，三份报告的问卷均为多选题或分档题，比例不可当份额读取。德勤十大原因前五名合计 146%，阿里云的组织影响比例合计 85%，都不能直接相加或换算成互斥分类。

给决策者的四步

第一步，先确定自己落在哪一档，而不是看行业平均。用德勤的四档自查：概念验证、渐进落地、规模化推广、变革重塑。多数组织会落在第二档，而第二档的典型症状是有大量应用、缺少进入损益表的那一条。

第二步，把筒仓问题当成第一优先级处理。十大原因里排第一的是组织形式而非技术，意味着跨部门的知识调用机制比再买一个平台更关键。具体做法是先确定一个跨越部门边界的端到端流程作为试点，而不是在每个部门各做一个智能体。

第三步，把中断能力写进采购清单。参考 IDC 对紧急停止开关的两条计价预测，在评估平台时要求提供可即时中断异常智能体的控制机制，并要求在合同中明确自主行为的责任边界。

第四步，为规模化阶段准备验证能力。目前仅 14% 的企业具备持续验证智能体决策的能力，而这是从渐进落地跨到规模化推广的必要条件。离线评测集、留出任务与可回放的晋升记录，属于这一阶段的基础设施。

冷静判断：这组数据说明了什么，没说明什么

它说明了落差的形状。普及率高、转化率低这件事本身不新鲜，但三份报告共同给出了落差的三个位置：卡在渐进落地而非概念验证、卡在组织而非技术、卡在验证能力而非部署速度。这三个位置是可以行动的。

它说明了成本压力已经是结构性而非周期性的。Anthropic 的收入与成本结构、IDC 的单条工作流推理账、以及企业实际承担费用上涨比例的预测，三者指向同一处：Token 与算力的账单不会因为规模扩大而自然摊薄，因此「先铺开再说」的策略在成本侧并不成立。

它没有说明 AI 不值得投。报告同时记录了企业高管的判断：不投 AI 的风险已经高于短期看不到回报的风险。投资重心向研发与核心供应链迁移，也说明领先者正在从外围环节转向有损益表意义的环节。

它也没有给出转化率提升的具体方法。三份报告都擅长描述落差，对如何跨越落差给出的多是方向性建议。真正可操作的部分来自工程侧：可回放的晋升记录、留出任务集、可即时中断的控制机制、以及跨部门的流程选择。这些都不是调研报告会写的内容，却是决定一个组织能否从第二档走到第三档的变量。