推荐语
GenAI企业应用落地为何仅5%成功？MIT最新报告揭示技术瓶颈与资源错配的双重困境。核心内容： 1. GenAI企业应用现状：95%失败率与行业分化现象 2. 失败三大主因：技术成熟度、预算错配与高管决策偏好 3. 破局方向：记忆型Agent与深度流程嵌入将成为新增长点
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
背景：MIT媒体实验室 NANDA 项目于近期（2025/7）发布《The GenAI Divide: State of AI in Business 2025》报告，基于 150+高管访谈、350+员工调研及300个AI案例，系统评估生成式AI在商业中的真实表现。海外媒体（以Fortune为例)在本周集中转发该报告，被视为引发美股科技股（8/19）大跌的重要情绪推手NANDA（Networked Agents and Decentralized AI）是 MIT 媒体实验室主导、由 Ramesh Raskar 教授领导的研究项目，旨在打造一个去中心化、可接入的“AI 代理互联网”体系，目前正研发协议、注册机制与开发者工具等核心基础设施，是 MIT 正式的科研计划而非“印度团队的创业”）
GenAI企业应用现状，失败率95%：投资项目数超 300个，金额 300–400亿美元，仅 5%项目产生百万美元级价值
GenAI企业应用行业，分化显著：仅 科技、媒体、电信出现结构性变革，其余行业停留在试点与探索阶段
GenAI个人应用普及，但企业采购有限：90%以上员工自发使用影子AI，但仅 40%企业采购订阅
GenAI应用开发方式，外采效果远胜自建：外部合作项目落地率约为自研的 两倍，ROI更高
GenAI厂商企业侧机会，记忆、流程契合是关键：持久记忆、迭代学习、流程深度嵌入的Agent是下一波增长点
GenAI企业采购心智：企业需要“服务+信任”，而非一次性软件；通过持续共创与以及推荐的生态建立采纳意愿
一、5%的成功率，是技术不成熟还是资源错配？
现状：高投入，低产出
对于企业级系统（无论是定制的还是供应商销售的），尽管60%的组织进行了评估，但只有20%进入了试点阶段（投入已超 300–400亿美元），最终仅有5%成功投入生产，产生百万美元级别价值
失败归因：
结论：95%的失败既有技术不成熟的客观因素，也有资源错配与高管偏好的主观原因
生成式AI的影响在经济各领域分布极不均衡。报告引入了一个综合性的“AI市场颠覆指数”，该指数根据市场份额波动、AI原生公司的崛起以及用户行为变化等信号，对各行业进行0到5分的评分 影响高度集中在科技、媒体与电信行业。行业的共同点在于，它们的主要产出是数字化的和符号化的——代码、文本、图像和数据。这使得它们的业务核心活动能够被擅长处理和创造此类资产的生成式AI直接访问和操控。技术能力与行业产品的内在契合，解释了颠覆为何如此深刻和迅速
|
|
|
新挑战者出现（例如，Cursor vs Copilot）；工作流变化 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
结论：TMT仍是主战场，企业AI利用率或与数字化程度相关，看好零售、金融等
核心发现：从企业采购角度看，AI应用推进有限，只有少数公司部署了官方解决方案；但从员工使用角度看，AI已深度渗透日常工作，企业事实上已被AI赋能。换言之，AI赋能不是由管理层推动，而是由员工自下而上地实现
现状与差距：
采购有限：仅约40%的受访公司购买了大语言模型（LLM）订阅
员工普及：高达90%的员工通过个人账号使用ChatGPT、Claude等工具处理与工作相关的任务
事实赋能：尽管官方部署不足，几乎每位员工在工作环节中都接触或使用LLM，企业整体效率已被实质提升
意义与启示：
双重现实：在管理层视角下，AI应用推进缓慢；在员工实践层面，AI已成为日常工作的一部分
影子AI = 隐性赋能：这一现象不仅仅是合规挑战，更是对企业真实赋能效果的最大规模“实测”
潜在价值：员工主动寻求工具来解决问题，说明企业已经在无形中获得了效率红利
结论：企业AI应用的现实是一体两面：采购端看似不足，但赋能效果已通过员工使用广泛实现。影子AI的普及不仅证明了AI的价值，更为企业提供了快速切入的机会
四、通用AI的局限与企业级AI的机会
核心发现：ChatGPT等通用AI已经赢得了简单工作的战争，但在复杂项目与持续迭代方面仍存在明显短板。90%以上的用户在面对复杂工作（如激励管理、客户关系管理）时，依然更倾向于由人类主导而非AI。这一现象凸显了企业级AI的真正机会：记忆与自我迭代学习，而不仅仅是流程适配
现状：已赢得简单工作的战争，在总结、翻译、文本生成等基础任务上，通用AI已成为高效工具，大幅提升个人生产力
不足：复杂任务、记忆、自我改进
复杂任务受限：在跨部门、跨情境的复杂任务中，AI的连贯性与可靠性不足，90%的用户仍选择人工控制，凸显AI在长流程场景中的局限
缺乏记忆与学习：当前通用AI无法系统性地“记住”用户偏好或上下文，导致任务连续性差
迭代改进不足：缺少“Done–Learn–From–Our–Feedback”的自我学习闭环，无法像人类一样从经验中优化表现。
企业级AI的机会：
记忆能力强化：让AI能够跨会话、跨任务保留和调用历史信息，为复杂项目提供持续支持
自我迭代学习：通过反馈驱动的改进机制，使AI能不断学习企业的业务逻辑与用户习惯，实现持续优化
复杂场景突破：聚焦于长流程和高价值任务（如客户关系管理、项目协作），提供人机协同的最佳组合
可信与可控：通过透明、合规、安全的设计，赢得企业信任，推动规模化应用
结论：通用AI的优势在于广度和基础任务效率，但其缺乏记忆与自我迭代能力，使其在复杂项目中难以替代人类。企业级AI的突破口正是围绕记忆、反馈学习与复杂场景优化，提供通用AI无法覆盖的深度价值
五、如何成功？作为应用构建者
核心发现：应用构建者的成功关键不在于单一技术突破，而在于如何结合渠道、定制化与信任机制，构建出真正契合企业需求的解决方案
渠道价值重大：
初创企业成功要素：
为特定工作流程定制：通用AI难以满足行业场景的复杂性，初创企业的机会在于针对特定流程（如财务对账、法律合同审查）开发定制化AI解决方案，提供可衡量的ROI
利用推荐机制克服信任障碍：通过透明度与可解释性设计，让AI的输出“可被验证”，增强企业采用意愿。推荐与反馈闭环机制能帮助用户逐步建立对AI的信任（开源即其中一种方式）。成功的初创公司通常会利用系统集成商的渠道合作伙伴关系、董事会成员或顾问的采购推荐，以及通过熟悉的企业市场进行分销
结论：应用构建者要想在企业级AI市场脱颖而出，必须善用渠道优势，深耕特定流程场景，并通过推荐与透明机制建立信任。在开源与专有能力的平衡中找到突破口，才可能真正实现规模化与可持续增长
六、如何成功？作为应用采购者
核心发现：企业在AI转型中能否成功，关键不在于自研技术深度，而在于战略选择与资源配置。合作模式、服务化路径和ROI导向，决定了企业能否真正释放AI的价值
结论：企业成功的关键在于选择合作而非自研，要求服务而非软件，并将AI聚焦在真正能创造ROI的业务场景中。只有这样，才能将AI从试验品变为生产力，真正驱动组织的竞争优势
粤ICP备14082021号
免费POC，
零成本试错
