点击上图▲立即测试
在过去一年里，吴老师常说这样一句话：“未来我们的两只眼睛，一只眼睛要盯着出海，另一只则要狠狠盯着人工智能。”
过去一年，他的企业走访和调研有一条贯穿始终的主线：从具体场景出发，探究每一家企业与AI产生了怎样的连接，AI技术又在如何重塑它们的生产、经营与组织逻辑。这样的观察，也是频道过去一年内容的核心脉络之一。在持续走访中，我们看见了惊艳，也捕捉到困惑；见证了突破，也发现了问题。
站在2026年回看，2025年无疑是AI变革极具标志性的一年。但途中不能一味向前，也需要停下对阶段性的实践进行一次反刍与沉淀。
因此我们发起了一项调查，邀请各位企业家或企业AI化负责人，对过去一年自家企业的AI应用情况进行一次系统梳理。在回答中思考，在思考中校准，以此寻找企业在AI转型中的价值与路径。
文 / 巴九灵（微信公众号：吴晓波频道）
喧嚣之下，那些被掩盖的真问题
2025年是中国企业AI化转型的加速之年。
根据IDC调研数据，我国工业企业应用大模型及智能体的比例，从2024年的9.6%提升到2025年的47.5%。其中，在研发、制造、供应链等多个环节同时应用的企业比例也从1.7%跃升至35%。
两会期间工信部透露的数据同样显示，2025年我国人工智能核心产业规模已超1.2万亿元，企业超过6200家，规上制造业企业AI技术应用普及率超30%。
然而，在亮眼的数据和宏大的叙事之外，过去一年我们在和众多企业接触时，也看见了很多问题。梳理下来，有三点最可感知。
▶▷第一：业务到底需不需要？
去年秋天，在一场制造业数字化转型沙龙上，一位做精密零部件的老板向小巴分享了他的经历：“有一次去参加AI峰会，台上一个同行分享，说用了AI质检，人力成本降了30%，良率提升了5个点。我当时热血沸腾，回来就跟同事说，两个月，必须拿出方案。”
他顿了顿，苦笑了一下：“结果团队调研了两周，给我汇报说，老板，咱们产线上的问题，根本不是AI能解决的。咱们的痛点是有时候订单不稳定、设备开机率低，这些问题AI管不了。硬上AI质检，反而要改造整个产线，成本至少要几百万。你说我这AI，是上还是不上？”
这位老板的经历并非个例。过去一年，我们观察到一种普遍现象：很多企业上AI，是因为“别人都在上”。至于这个方案和自家业务是否契合、能否解决真问题，往往在“赶风口”的冲动中被略过。AI沦为一种技术装饰，而非业务解药。
▶▷第二：资金到底能不能支撑？
AI不是一次性采购，而是一场持续的“资金长跑”。
算力要钱，数据治理要钱，算法工程师要钱，模型迭代还要钱。账本摊开，许多企业才意识到：AI的隐形成本远比想象中庞大。
一般而言，企业的AI建设包括纯自研、自建团队+第三方模型微调模式、或者购买第三方的AI产品和服务等多种模式，不同模式其背后对应的成本支出不尽相同。但在业内人士指出，无论哪种模式，支出都不菲。
2025年《中国经济周刊》中一篇文章的采访指出，综合来看，传统企业接入AI，单一工位（指生产过程的最小基本单元）的质检优化，其成本量级通常在10万元左右；产线或部门级的整体改造，则需投入百万到千万元；而实现工厂级别全面智能化转型，投资额度则可能达到千万元及以上。
高成本也带来了回报的不确定性。麦肯锡调研显示，全球88%的企业已布局AI应用，但仅有39%实现实质性财务回报，成本高昂是导致这一差距的核心原因。
▶▷第三：长远收益到底怎么算？
这是最核心的困境。买台设备，投下去就能算回报——产能提升多少、良率提高几个点，一年省下多少人工，都能折算成钱。AI呢？它可能让供应链响应快两天，可能让库存周转缩短5%——但这些“可能”，很难变成财务预测表上的确定数字。
波士顿咨询公司在今年1月发布的全球AI发展格局年度调研报告中指出了这一困境的普遍性。报告强调：企业的AI支出是“前置的”，而收益是“后置的”。大量资金正被投入基础设施、数据治理和员工技能培训——这些都是规模化AI应用的先决条件，但很少能立即产生收入增长。
这意味着大量试错正在发生，并非所有投入都能见到回头钱。于是，很多企业陷入一种尴尬：上了怕踩坑，不上怕掉队。在“要不要、能不能、值不值”之间反复摇摆，进退两难。
而更深层的问题在于：AI对业务的重构深度，参差不齐。
德勤《2026年人工智能现状报告》将企业AI应用分为三个层次：
◎37%的企业在较表面层面使用AI，对现有流程几乎没有改变；
◎30%围绕AI重新设计关键流程，但保持商业模式不变；
◎仅34%的企业开始用AI深度转型业务——创造新产品、重塑核心流程，甚至改变商业模式。
换句话说，三分之二的企业仍在“用AI优化旧事”，而非“做AI才能做的新事”。
2026，AI从“工具”
走向“经济”的关键之年
尽管问题突出，但大势难逆。2026年，企业的AI应用、转型只会更加激烈。
从政策大方向来看，今年全国两会，一个词首次写入政府工作报告：“智能经济”。
所谓智能经济，指的是人工智能驱动的经济形态，传统工业经济将融入智能内核，成为经济转型的核心方向。从2024年到2026年，政府工作报告连续三年部署“人工智能+”，但“智能经济”的提法是第一次。
在很多专家看来，这一表述的微妙变化，标志着政策逻辑的跃迁：从强调技术落地，到构建全新经济形态。这意味着，未来的企业竞争，不只是“谁有AI”的竞争，更是“谁能用AI重构商业模式”的竞争。
而从技术扩张的内在逻辑来看，这一转型正形成前所未有的加速度。
经济学中有一个经典的“杰文斯悖论”，其核心逻辑是当技术进步提高了特定资源的利用效率时，它会降低使用成本，并进而激发需求的爆发式增长。
在关于AI技术的普及中，这一观点也常常被引用。在兴业证券此前发布的一篇文章中指出，由于模型优化和芯片迭代，使得主流模型的推理单位Token输出成本在过去3年下降超过99%，这种成本的极度收敛反而刺激了更广泛的使用场景和更高的收入产出，形成技术迭代推动应用普及的正向循环。
这对企业而言，意味着AI的普及窗口已经打开，不再是“够不够好”的问题，而是“用得够不够快”的问题。
波士顿咨询公司最新发布的《2026AI雷达》揭示了一个看似反常但极具标志性的现象：94%的企业明确表示，即便短期内看不到具体成效，也不会因此缩减或中止AI投资。
换而言之，AI已从“可选项”升维为“必选项”，从技术工具升格为战略共识。在这场变革中，观望的成本，往往比试错的成本更高。AI正在成为企业必须持有的“入场券”，而非可以等待的“加分项”。
在狂奔中，听见沉默的声音
一边是逃不开的实际困境，一边是躲不掉的大势所趋。企业该如何自处？
上世纪60 年代，美国社会学家罗杰斯在对农村新事物的采纳与普及过程进行深入调查后，提出了创新扩散理论：一种新事物在社会系统中的推广与扩散，与人际传播、大众传播密不可分，扩散的过程本质上也是传播的过程。
根据对新技术接受时间的早晚，罗杰斯将社会群体划分为五类：创新者、早期采用者、早期大多数、晚期大多数和滞后者，由此勾勒出新技术从小众走向大众的普及路径。
此后，硅谷战略与创新专家杰弗里・摩尔在《跨越鸿沟》中，将这一理论延伸至高科技与颠覆性创新的扩散规律，并揭示了一个残酷的真相：从早期采用者到早期大众之间，横亘着一道难以逾越的鸿沟。前者为先进性买单，后者只为实用性付费；前者愿意承担试错成本，后者极度排斥风险。
当下中国企业的AI 应用，恰恰站在了这道鸿沟的边缘：技术已足够惊艳，却尚未转化为稳定可预期的回报；企业不愿掉队，却又担心盲目投入、不慎踩坑。
而跨越这道鸿沟，既不能靠盲目试错，也不能靠原地观望。它需要一种清醒的定位能力—— 先看清自己身处何处，才能规划出真正可行的跨越路径。
这正是我们发起这次调研的初衷。过去几年，行业已经积累了足够多的实践样本，有成功的经验，更有值得警惕的教训。现在是时候停下来，用数据认真审视：我们到底做得怎么样？哪些坑可以提前避开？哪些路值得坚定走下去？
这份问卷将围绕八项核心维度来评估企业在AI战略、组织、数据、技术、应用及生态等方面的综合能力。
我们或许无法仅凭一次问卷，就完整看清今天中国企业AI转型的全貌，但希望能让这次调研成为一个锚点，帮助那些在喧嚣中困惑的企业，找到一个相对确定的坐标。
在AI狂飙突进的浪潮里，我们希望多去倾听一些沉默而真实的声音。
若您已准备好不再旁观，而是亲自下场破局，诚邀您加入“AI+ 制造”实战研修营，用60天时间完成从认知升级到方案落地的闭环，让 AI 真正成为企业增长的引擎。
热门跟贴