全球AI工具采用率已接近九成，但只有不到三分之一的组织从中获得了可衡量的商业价值。这不是模型能力的问题，而是另一种更隐蔽的障碍正在拖慢企业。同一个时间点上，乐观的CIO们相信生成式AI将彻底重构业务流程，而另一群负责落地的总监们正在为数据孤岛和治理缺失焦头烂额。两种叙事之间的巨大温差，恰恰揭示了今天企业AI停滞的深层根源。
正方观点很清晰：工具已经足够好。自2022年末生成式AI工具大规模涌现以来，人工智能迅速成为多数组织的核心议题。无论是生成内容、编写代码还是摘要信息，像Microsoft 365 Co-pilot、Otter.ai、Jasper、GitHub Co-pilot以及其他数千种现成工具早已被大规模采用。这种活跃程度很容易让人产生一种进步感，仿佛只要铺开工具，转型就会自然发生。从消费者的体验来看，AI也确实被设计得足够直观和即时，给组织造成了一个错觉——企业AI的部署同样可以快速、低成本地完成。
但反方拿出的数据并不支持这种乐观。行业数据显示，尽管采用率极高，许多组织并未从AI项目中获得可衡量或持续的价值。尤其是直接部署现成生成式AI工具的企业，往往只能观测到最微弱的实际影响。原因在于，企业级AI——那种需要用到公司自身数据的能力——依赖一套完全不同的基础：它们需要可靠且治理良好的数据、与现有系统的集成、同业务流程的对齐、技术技能以及对信任和问责的监督机制。这恰恰是大多数组织所欠缺的部分。于是，当人们期待AI能像在手机上切一个App那样丝滑融入ERP和供应链时，集体进入了一种“技术休克”——明明已经在行动，却总是没有真正前进。
我自己的判断是，当前企业AI停滞的本质，是一种披着技术外衣的组织病。当AI项目推进不下去时，表象之下的根因很少是技术性的。模型本身的能力越来越强，工具生态也在高速演进。真正的问题断点几乎全部出现在组织层面。数据被锁在各处的孤岛里，团队对其完整性并不信任；平台没有完全打通，以至于AI的输出无法流回决策流；而更重要的一点是，AI举措的所有权归属极不清晰——它到底是IT部门的责任，还是业务单元的责任，或者是一个漂浮在战略层却无人接盘的愿景？这些问题不回答，哪怕模型再先进，组织也只能在初级阶段反复打转。
这种断层在采用模式上相当明显。大多数组织停留在使用现成生成式AI工具的阶段，只有少部分能力成熟的团队进阶到了更复杂的实现。通常情况下，复杂性越高，采用率就越低。可吊诡的是，恰恰在组织能力成长缓慢的同时，由领导层所塑造的对AI的期望值持续升高。换句话说，现在的许多AI活动，看起来像进展，其实只是运动。因为组织在数据、技能、治理和运营方法上并没有建立能够跨越早期阶段的基础。能否识别这种差异，对领导者而言已成为一道分水岭。
行业里有一些先行者已经用实践给出了一种解法：不把AI仅仅看作一种工具，而是去搭建一套能力集合。这些组织在部署策略上往往更为成熟，也更倾向于去度量实际效果。这条路径的反面，则是把AI当成现成产品买进来就静止不动，而从不向内审视组织肌体是否准备好对其负责任地使用。事实上，真正能把AI落下去的企业，大多在哪一块短板最致命这件事上达成了一个共识——不是模型精度，不是算力瓶颈，而是当初被轻视的那些“地基活”。
热门跟贴