64% 在扩展、37% 编排、7% 优化：300 位 CIO 调研的三级分母

64% / 37% / 7%：同源调研里的三个不同动作

埃森哲 2026 年 11 月的 CIO Pulse 调研覆盖 16 个国家的 300 位技术领导者，被媒体转述时最常出现的是三个百分比：64% 的 CIO 正在扩展 AI 部署，70% 主要把 AI 用于提升员工个人生产力，37% 用 AI 智能体做端到端工作流编排，另有 7% 已在企业规模上完成优化（来源：InfotechLead 2026-11-10 报道，引 Accenture CIO Pulse Survey）。

读数	问的是	分母	能否与相邻读数相减
64% 正在扩展 AI 部署	是否处于规模扩展动作中	300 位 CIO	可与 7% 作百分点差，但不构成转化率
70% 主要用于个人生产力	主要用途归类	300 位 CIO	用途可多选，与 37% 不是互斥分流
37% 用于端到端工作流编排	是否把智能体接进完整流程	300 位 CIO	与 70% 差 33 个百分点，但两者不互斥
7% 已在企业规模完成优化	是否达到优化状态	300 位 CIO	状态而非动作，与 64% 不是漏斗的前后两步

64% 减 37% 等于 27 个百分点，37% 减 7% 等于 30 个百分点，64% 减 7% 等于 57 个百分点（原创换算）。这三个差值在算术上成立，因为四个数字同源于同一批 300 位受访者；但把它们写成「扩展 → 编排 → 优化」的三级转化漏斗并不成立：调研问的是四件不同的事，受访者可以同时属于「正在扩展」与「主要用于个人生产力」，而「已优化」描述的是状态、不是从「扩展」走过来的下一站。30 个百分点也不能读成「编排阶段流失了三成」（原创口径辨析）。

更值得记的是 70% 与 37% 的并置。个人生产力提升与端到端流程编排是两类不同的部署形态：前者把 AI 放在每个员工手边，后者要改流程、接系统、定验收。两者差 33 个百分点，说明多数组织还停在前一种形态；但这是用途分布的差值，不是「有 33% 的组织卡在中间」——原文没有给出交叉表，无法判断这两组受访者是否重叠（原创交叉表缺口）。

本站 R-INDUSTRY-51 讨论过「92% 试点、8% 赚钱」的转化漏斗读法，R-INDUSTRY-59 讨论过 73% 试点与 18% 进主流程的授权闸门，两者都强调分母分层；本篇新增的一层是同一份问卷内部，问法不同就不能做阶段推导（内部对照说明）。

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。尚未公开的是 300 位受访者的行业与规模分布、问卷原文、各题是否多选、以及四项读数之间的交叉表。

97% 的组织、47% 的增幅与 13% 的价值

同一份 CIO Pulse 调研给出一组计量侧读数：97% 的受访组织 token 消费上升，平均增幅 47%。把这三份材料并排，会形成一条看起来很顺、其实跨了三套分母的叙事。

读数	来源与时间	样本与量纲	与相邻读数的关系
97% 组织 token 消费上升、平均 +47%	Accenture CIO Pulse，2026.11，300 位 CIO / 16 国	组织占比 + 增幅均值	两个数字不可相乘
1768 亿美元企业 AI 支出	Menlo Ventures《State of Enterprise AI 2026》，截至 2026.09	金额，统计边界为美国企业 AI 支出	与百分比不同量纲，不可相除
13% 报出显著或转型性价值	Gartner 2026 年 10 月 CIO 调研（10-19 新闻稿）	另一份调研、另一样本的比例	不可与 7% 相减
30% 报出广泛或强劲回报	Dun & Bradstreet 2026.11 AI Momentum Survey（印度企业）	又一份调研、地域样本不同	不可与 13% 相减

97% 与 47% 常被顺手乘成「总体增长约 45.6%」，这是错的：97% 是「有多少组织增长」的组织占比，47% 是「这些组织平均增长多少」的增幅均值，两者是分布的两个不同矩，且剩下 3% 组织的增幅与权重未给。要算总体增幅，需要按各组织 token 基数加权的逐组织增幅，而不是把占比与均值相乘（原创统计辨析）。

13% 与 7% 也不能作差。前者来自 Gartner 十月 CIO 调研，问的是「是否实现显著或转型性价值」；后者来自埃森哲十一月调研，问的是「是否在企业规模完成优化」。样本、时点、问法都不同，6 个百分点的差没有可解释的含义。同理，30% 的「广泛或强劲回报」针对的是印度企业样本，与 13% 不属同一统计边界（原创边界说明）。

把 1768 亿美元与 13% 并列是允许的，但只能作方向性对照：支出规模在扩张，报出显著价值的比例却偏低。任何「1768 亿 × 13% ≈ 230 亿美元有效支出」之类的算式都缺少依据，因为金额的分母（企业 AI 支出）与比例的分母（受访 CIO）不是同一集合（原创反例）。

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。尚未公开的是 token 增幅的分布与方差、增长来源拆分，以及三份调研之间是否共享企业样本。

按人折算：750 万 prompts 与 25 万 FTE 天

厂商公布的采用侧读数往往把时间窗混在一起。微软 2026 年 6 月的公告称 Infosys、TCS 与 Wipro 各自把 Microsoft 365 Copilot 部署给超过 10 万名员工；其中 Wipro 报出月活跃使用超过 95%、每月约 750 万次 prompts、每季度节省超过 25 万个全职当量天（FTE 天），员工还自建约 2.9 万个 AI 智能体（来源：InfotechLead 汇总，引微软公告）。

读数	时间窗	按 10 万员工折算	依赖的假设
月活跃使用超过 95%	月	约 9.5 万人活跃	「超过 10 万」按下限 10 万计
每月约 750 万次 prompts	月	约 75 次每人每月；按 22 个工作日约 3.4 次每人每工作日	prompts 全部来自这 10 万人
每季度超过 25 万 FTE 天	季	约 2.5 天每人每季；按一季 90 天约 2778 个全职当量	「季」与「月」需先对齐
约 2.9 万个自建智能体	累计	约 0.29 个每人	累计存量，非月增量

把季度读数换算成月均：25 万 FTE 天除以 3 约 8.33 万天每月，按每个 FTE 天 8 小时约 66.7 万小时每月；再除以 750 万次 prompts，约 0.089 小时，即每次 prompt 对应约 5.3 分钟的节省时间（原创跨窗折算）。这个数不是结论，而是暴露口径缺口的探针：它把两个不同时间窗、不同统计对象、且都可能含「超过」「约」等修饰的读数硬放在同一分母上，而原文没有说明 25 万 FTE 天是否仅由这 750 万次 prompts 产生、是否含流程改造与自动化的其他收益。

另一条可核对的是 Black & Veatch 的约 9 小时每周每 Copilot 用户生产力提升，以及 Bristol Myers Squibb 项目管理智能体的最多 20% 时间节省（来源同上）。若按 40 小时工作周，9 小时约 22.5%，与 20% 数值接近；但两家企业的岗位构成、任务类型与测量方式都不同，接近不构成互证，更不能合并成「约 20% 时间节省」的行业常数（原创口径辨析）。

按人折算的作用不是给厂商读数挑错，而是把「大数」还原成可对照的量级：75 次每人每月、2.5 天每人每季、0.29 个智能体每人，这三个数放在一起，才看得出月度使用频次、季度折算收益与累计存量分属三条不同的测量链路（原创记账框架）。

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。尚未公开的是 FTE 天的核算方法、基线与测量窗、prompts 的去重口径，以及 2.9 万个智能体的活跃率与复用率。

2.9 万与 2.5 万个智能体：个数不是产能

同一批材料里还有另一组「个数」：Bristol Myers Squibb 报出 96% 采用率、覆盖 3 万名员工与 2.5 万个智能体；Wipro 报出约 2.9 万个自建智能体、覆盖超过 10 万名员工。SAP 则在 2026 年三季度投资者材料里报出 Joule Work Desktop 超过 11 万用户、中央职能生产力提升超过 20%（来源：InfotechLead 汇总）。

企业	员工或用户规模	智能体个数	按人折算	读数性质
Wipro	超过 10 万员工	约 2.9 万个自建智能体	约 0.29 个每人	累计自建存量
Bristol Myers Squibb	3 万员工、96% 采用	2.5 万个智能体	约 0.83 个每人	累计存量，采用率为另一指标
SAP	Joule Work Desktop 超过 11 万用户	未给	不适用	用户数，非智能体数

两个「个每人」相差约 2.9 倍（0.83 对 0.29，原创换算）。这个差距不能读成「一家用得更深」：两家企业对「智能体」的计数边界可能完全不同——一次配置、一个模板、一个被复用的流程助手，是否都算一个，公告没有给定义；而且 Wipro 明确说是员工自建，BMS 未说明自建与预置的比例。在计数单位未统一前，智能体个数只能当作规模量级，不能当作产能或成熟度指标（原创口径辨析）。

96% 采用率与 2.5 万个智能体也不能相乘。前者是人的比例，后者是物的累计存量，两者的时间窗与统计对象都不同。把「96% × 2.5 万 = 2.4 万个在用智能体」写出来，等于凭空假定每个被采用的员工正好对应一个智能体且全部活跃（原创反例）。

更值得对照的是同期另一类读数：Google Cloud 的 Gemini at Work 2026 客户材料里，Tata Steel 部署超过 300 个 AI 智能体、把客户投诉周转时间缩短 50%；NTT DOCOMO 把洞察时间从约两周压到近乎即时、估算年省 45 万员工小时；Hitachi 在 200 多个现场技术员用例上报出最多 30% 生产力提升（来源同上）。这些读数分别以「个数」「时长」「比例」计量，与本节的两万个量级不构成可比关系（原创量纲分层）。

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。尚未公开的是两家企业的智能体定义、活跃率、平均复用次数与退役规则，以及采用率的观测窗。

成本侧三道账：94%、72% 与 71%

支出与价值之间的缺口，在运维侧还有一组更具体的读数。DataRobot 的 2026 年 Unmet AI Needs 调研称，94% 的受访 AI 从业者在部署智能体后遇到运营挑战，72% 超出预期运营预算，71% 报告运营智能体的成本高于开发智能体的成本（来源：InfotechLead 汇总，引 DataRobot 调研）。

读数	问的是	与 token 账的关系
94% 遇到运营挑战	是否发生，属发生率	token 增幅是其中一种可能来源，未给归因占比
72% 超出预期运营预算	是否超预算，属偏差发生率	预算偏差可能来自推理、集成、许可与运维多项，未拆分
71% 运营成本高于开发成本	两段成本的大小比较	与「平均增幅 47%」不能直接对应

三个百分比虽出自同一份调研，问的却是发生率、偏差发生率与两段成本比较，不能相加，也不能推出「94% 里有 72% 因此超支」这样的条件比例——原文没有给交叉表（原创口径辨析）。它们与 CIO Pulse 的「97% 组织 token 增长、平均 47%」构成方向一致但链路未闭合的旁证：一边是用量普遍上升，一边是运维成本普遍承压，中间缺少「token 增量分别落在哪些任务上」的明细。

InfotechLead 的汇总还给了一条更贴近财务的读数：DoorDash 用 AWS 与 Anthropic Claude 改造客服，转人工下降 49%、首次解决率提升 12%，并报出同比 300 万美元运营成本节省；同一篇也提醒企业需另行核算推理费用、集成成本与应用维护（来源同上）。这条提醒与前文的 71% 是同一件事的两种表述——公开案例里的「节省」往往是某一环节的经营指标，不等于扣完全部成本后的净额（原创解读）。

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。尚未公开的是三道运维读数的样本量与行业分布、超预算幅度分布，以及运营成本与开发成本的具体科目划分。

3% 数据就绪与 69% 增投意愿

Dun & Bradstreet 2026 年 11 月的 AI Momentum 调研给出一组反差读数：仅 3% 的受访印度企业拥有完全 AI 就绪的数据，69% 预计未来 12 个月增加 AI 投资，30% 报出广泛或强劲回报（来源：InfotechLead 汇总）。同期埃森哲调研里「70% 主要用于个人生产力」与「37% 做端到端编排」的落差，可以在这组读数里找到一个不完整的解释方向。

读数	指向	能否解释编排比例偏低
3% 数据完全 AI 就绪	数据侧前置条件	可作方向性解释，但样本为印度企业，不能外推到 16 国 CIO 样本
69% 计划增投	预算意愿	意愿不等于能力，也与 97% token 增长不属同一问法
30% 广泛或强劲回报	自评回报	与 Gartner 的 13% 显著或转型性价值不同口径，不可相减

端到端编排要求智能体读取多个系统、在流程里执行动作、并对结果负责；数据未就绪时，组织自然更容易停留在「每个员工各自用助手」的形态。但本文只把这列为待验证的解释：3% 来自印度企业样本，37% 来自 16 国 CIO 样本，两者没有共同样本框；且「数据就绪」的定义、题库与阈值都未公开，任何因果表述都缺少支撑（原创边界说明）。

69% 增投意愿与 97% 组织 token 增长也不是同一件事：一个是未来 12 个月的计划，一个是已发生的用量变化；一个问预算，一个问计量。把它们并列成「投入与用量同步上升」可以，写成相关系数则不行（原创口径辨析）。

把本节与上一节的运维三读数合起来看，一条较稳的描述是：预算意愿与使用量都在上行，数据就绪与显著价值两项偏低，运维成本压力偏高。这四句话各自有来源、各自有分母，彼此之间不作推导（原创分层叙述）。

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。尚未公开的是 AI 就绪的评估标准、增投幅度分布，以及回报自评的观测期长度。

六组原创折算与四列记账模板

以下六组算式全部标注分母与假设，凡跨样本、跨时间窗或跨量纲的一律并列不合成。

序号	算式与结果	分母 / 时间窗	限制
一	64% − 37% = 27pp；37% − 7% = 30pp；64% − 7% = 57pp；70% − 37% = 33pp	同一批 300 位 CIO	百分点差成立，但不能排成转化漏斗
二	750 万 ÷ 10 万 = 75 次每人每月；按 22 工作日约 3.4 次每人每工作日	Wipro 月度 prompts / 员工数下限	「超过 10 万」为下限，结果为上界
三	25 万 FTE 天 ÷ 3 ÷ 10 万 ≈ 0.83 天每人每月；按 8 小时折算每次 prompt 约 5.3 分钟	季度读数换算为月均后与月度 prompts 相除	跨时间窗硬折算，仅作口径探针，不作收益结论
四	2.9 万 ÷ 10 万 ≈ 0.29 个每人；2.5 万 ÷ 3 万 ≈ 0.83 个每人；两者约 2.9 倍	累计存量 / 员工数	计数单位未统一，不能读作成熟度差
五	9 小时 ÷ 40 小时 ≈ 22.5%，与「最多 20% 时间节省」数值接近	不同企业的岗位与测量口径	接近不构成互证，不合成行业常数
六	97% × 47% ≈ 45.6% 这一常见写法不成立；1768 亿 × 13% ≈ 230 亿美元同样不成立	组织占比与增幅均值 / 金额与另一样本比例	两组均为量纲误用，本文列为反例

把四列记账模板套到本轮主要读数上，落表如下。这张表的作用是把「哪些能进合计列」提前判掉，而不是替读者算出一个 ROI。

读数	性质	分母 / 时间窗	证据等级
64% / 37% / 7%	动作、用途、状态三类自评	300 位 CIO / 2026.11	调研转述，问卷原文未公开
97% 组织 token 增长、平均 +47%	计量侧自评	受访组织 / 未给观测窗	调研转述，无分布与方差
1768 亿美元	市场规模估算	美国企业 AI 支出 / 截至 2026.09	机构估算，统计边界与问卷不同
750 万 prompts、25 万 FTE 天	使用量、折算量	月 / 季，未对齐	厂商公告，经媒体汇总
300 万美元节省、转人工 −49%	经营指标	同比 / 客服链路	厂商案例，未扣推理与集成成本
94% / 72% / 71%	发生率、偏差率、成本比较	AI 从业者 / 未给样本量	调研转述，无交叉表

表内没有一行的四列完全齐备到可以进合计列：要么时间窗未对齐，要么分母未给，要么证据等级为自评或厂商案例。这不是材料质量判断，而是口径分层的直接结果（原创记账结论）。

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。尚未公开的是各调研的原始问卷、样本构成与交叉表，因此本文所有跨来源组合都停留在并列层面。

引用前五问与可证伪边界

把本轮的核对动作收成五问。它们针对的是行业报告里最容易被合并使用的几类数字，不依赖取得原始问卷。

问题	要核对什么	本轮命中的例子
一问样本	百分比来自哪份调研、多少受访者、哪些国家	300 位 CIO / 16 国，与印度企业样本不能混用
二问问法	是动作、用途、状态、发生率还是比较	64% 扩展与 7% 已优化不是漏斗两步
三问时间窗	月度、季度、同比还是累计存量	750 万月度 prompts 与 25 万季度 FTE 天
四问量纲	金额、比例、时长、个数能否相除	1768 亿美元与 13% 不可相乘
五问归因	效果读数是否已扣成本、是否来自同一环节	300 万美元节省未扣推理与集成成本

可证伪边界要写清。本文对 64%/37%/7% 的判断是「同源但问法不同，不可作阶段推导」；若后续公开问卷原文显示三题本就按互斥阶段设计，则这一判断应撤回，改为真正的漏斗读数。对 750 万 prompts 与 25 万 FTE 天的处理是「时间窗未对齐、归因未说明」；若厂商补充同一观测窗的逐月明细与 FTE 天核算方法，本轮的跨窗折算即可被同源核对替代（原创可证伪设计）。

来源限制同样需要标注：本轮主要读数经一篇 2026 年 11 月 10 日的行业媒体汇总转述，未逐份取得埃森哲、Gartner、Menlo Ventures、Dun & Bradstreet 与 DataRobot 的原始报告全文；微软、Google Cloud、AWS、SAP 的案例数字为厂商公告或客户案例，均带发布方立场。这些限制不改变读数本身，但决定了本文只做分母核对，不对任何一家厂商的效果作独立验证（原创边界说明）。

本站 R-INDUSTRY-58 讨论过支出涨 5.4 倍与付费面只增 10 个百分点的账单读法，R-INDUSTRY-59 讨论过试点与进主流程的授权闸门，R-INDUSTRY-42 讨论过工时的组织账；本篇新增的是同一份问卷内部的问法分层与按人折算，四篇的记账框架可叠加，所引数字互不通用（内部对照说明）。

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。尚未公开的是五份调研的原始问卷与样本构成、厂商案例的成本明细，以及任何一份可与公开读数对照的第三方审计材料。