44%的企业已实现AI全企业部署，你的组织在哪一档？|企业部署|运营|高绩效|麦肯锡

来源：市场资讯

（来源：麦肯锡）

2026麦肯锡全球AI应用现状调研：AI规模化应用与中国企业的行动路径

作者：张勤亚

划重点：

全企业规模化部署AI的企业比例从38%升至44%，但企业规模仍是最大影响因素。

仅6%的企业是“AI高绩效企业”（至少5%的EBIT增长归因于AI）。

仅37%的受访者表示AI对企业EBIT有正面贡献，与去年基本持平。

39%的受访者预计未来一年AI将导致所在企业裁员，高于去年预期，但预期兑现率有待观察。

麦肯锡对全球企业应用人工智能（AI）的跟踪调研已近十年，有一个趋势愈发明确：AI正从边缘性的试点探索，进入企业运营的核心环节。

麦肯锡发布的2026年度报告《麦肯锡全球AI应用现状调研》（McKinsey Global Survey on the State of AI）覆盖97个市场，汇集了超过1700位高管的反馈。结果显示，AI的应用范围正在持续扩大，尤其是AI智能体（Agentic AI）的规模化部署较一年前明显提速，而少数 “高绩效企业”已初步展现出规模化部署AI的实际成效。

对于中国科技、制造与金融行业的商业领袖而言，这些调研结果更像一份行动清单，而非警报。中国有庞大的制造业规模、成熟的数字基础设施，以及快速适应全球技术周期的深厚积累。这些优势使中国企业有能力将调研所揭示的方向付诸实践，前提是企业领导者具备与高绩效企业同等的战略纪律。不过本次调研未单独披露中国市场的分项数据，此处关于中国企业的判断基于全球趋势与中国产业结构特征的推断。

01 规模化部署：从零散试点到全面推行

过去几年，企业对AI的应用大多停留在零散试点和概念验证阶段，通常局限于单一职能，鲜少向更大范围扩展。

这一阶段已接近尾声：此次调研中，近九成受访者表示所在企业至少在一项业务职能中常态化使用AI；已经跨越单点部署、迈向全企业规模化应用的企业比例，也从一年前的38%上升至44%。与此同时，AI正在进入更多职能领域：有56%的受访者表示，公司已在至少三项业务职能中使用AI，高于此前的51%。

然而，规模化部署的浪潮推进得并不均衡。企业规模仍然是AI采用进程中最显著的分水岭。年营收超过10亿美元的企业中，有54%的受访者表示已实现全企业范围内的AI部署；而规模较小的企业中这一比例仅为约1/3。这一差距在AI智能体（Agentic AI，即能在极低程度人工监督下，自主规划并执行多步骤任务的系统）的应用方面尤为突出。过去一年，大型企业在至少一项业务职能中规模化部署 AI 智能体的比例从 27% 跃升至 40%；而在小规模企业中，该比例几乎停滞在 22%(见图1)。上述比例变化基于连续两年的调研对比，短期变化能否代表长期趋势仍有待观察。

总体而言，聊天机器人仍是当前规模化部署最广泛的AI工具： 47% 的受访者表示，其所在企业已实现全面的AI部署。相比之下，AI 智能体与软件开发智能体的全面部署比例，均仅为两成左右。

02 从外购到自建：软件采购策略的转变与全新的成本管控逻辑

今年的一项发现意义深远：企业在软件采购与自行开发之间的选择逻辑正在改变。近1/3（具体为32%）的受访者表示，其所在企业曾放弃采购某项软件产品或功能，转而借助AI驱动的编程工具自行开发。这一趋势在科技与医疗保健行业尤为明显，其次是专业服务以及能源与材料行业。这些行业此前普遍认为，高级软件开发更适合交给外部供应商完成(见图2)。

对中国的科技企业而言，这无疑是一个重要机遇。中国凭借庞大的制造规模、深厚的工程人才储备和高效的系统集成能力，可以把内部自建的模式复制到软件工具的开发上，从而将过去依赖外部采购的软件能力转化为持久的竞争优势。

不过，随着自行开发比例的上升，成本问题开始受到前所未有的关注。随着企业从基础性的AI应用走向更复杂的智能体系统，“Token经济学”（Tokenomics，也即运行这些模型所产生的运营成本）已逐渐从隐性成本变为现实瓶颈。约20%的受访者表示，其所在公司曾因运营成本过高而被迫限制AI的使用，且这一现象在各规模、各行业的企业中普遍存在。其中，约有10%的受访者指出，成本压力已开始制约企业对聊天机器人、通用智能体以及编程智能体的部署。

即便如此，多数企业并未因此放缓投入。28%的受访者表示，其所在公司在AI方面的支出已超过整体IT预算的10%；而60%的受访者预计未来一年将加大AI投资，尤其以制药与医疗产品、保险、银行与其他金融机构等行业最为明显。AI使用的成本之所以受到广泛关注，原因在于：尽管 Token单价持续下滑，但智能体开发与复杂推理任务的消耗量一直在大幅上升。模型越强大，就越需要严密追踪运行成本。相比之下，聊天机器人等较为通用的横向工具，已被视作类似办公软件的常规运营支出。领先企业的经验表明：运营成本应当前置为项目启动阶段的设计约束，而不是事后才处理的问题。这既是一项财务纪律，也是实现规模化的前提。

03 个人生产力显著提升，企业整体回报仍待验证

本次调查中有一个最值得关注的差距： AI显著提升了员工的工作效率，但对企业最终利润的提升仍然有待验证。

高达八成的受访者表示， AI提升了个人的生产力；约半数受访者认为 AI帮助他们培养了新技能，或者做出了更好的决策。这些积极影响在不同职级间普遍存在，但员工的实际体验并非全然正面：中层管理者和基层员工因 AI而感到工作压力的比例分别为47%和 31%，远高于高管群体。

与此同时，企业层面的财务回报尚未同步显现。仅37%的受访者表示，AI对组织的息税前利润（EBIT）带来了正面贡献。尽管同期AI应用规模持续扩大，但这一比例仍与去年基本持平。即使在已观察到财务成效的组织中，AI的贡献也主要集中在特定部门，而非全公司范围：成本改善集中体现在供应链管理、服务运营和制造环节（见图3）；营收增长则主要来自营销与销售，其次为产品与服务开发（见图4）。

成本端聚焦供应链与制造、创收端聚焦营销与产品开发的组合模式，与中国参与全球竞争的优势领域高度契合，覆盖代工制造、物流、消费电子以及电商品牌建设等多个环节。这意味着，对众多本土企业而言，见效最快、最容易量化的回报，更可能通过关键职能的精准部署来实现，而不是等待企业一步到位实现全面转型。

04 他山之石：高绩效企业的领先实践

本次调查中，仅占全部受访企业6%的“AI高绩效企业”（指那些将至少5%的EBIT增长归因于AI，并从中获得可观价值的企业），为行业提供了可借鉴的范本，展示了个人生产力的提升如何转化为企业的整体效益。

领先者的优势，并不来自于资金投入的规模。高绩效企业预计在三年内 “利用AI彻底重塑业务”的比例是其他企业的3.3倍；近3/4的领先者已围绕AI重新设计工作流程（比例显著高于去年的55%），而其他企业仅为1/4。此外，高绩效企业在 “高管对AI项目有明确承诺”与 “建立成效衡量标准”两项上的落实比例，均为其他企业的两倍左右。（这些为相关关系，本次调研的横向数据设计尚无法验证因果。）

与此同时，高绩效企业的 AI 部署范围也更广：它们在多数业务职能中规模化部署 AI 智能体的比例是其他组织的三倍以上；在应对相关新兴风险（如未授权/非预期行动、技术性漏洞等）的态度上，他们也比同行更加主动 (见图5)。

值得关注的是，近半数高绩效企业表示曾放弃采购软件、转而选择自主开发，而其他受访者的这一比例仅为31%。这一数据再次表明，自建与外购战略的转变绝非一项孤立决策，而是与整个企业的AI转型深度相关。此外，高绩效企业因编程智能体而遭遇成本制约的比例，约为其他企业的三倍。这提醒我们：即便是技术最先进的企业，面对规模化带来的成本压力，同样需要主动管理，而非回避。

05 AI对人员编制的实际影响远远落后于预期

调查也指出，企业所预期的AI对员工规模的影响与实际情况之间的差距不断扩大。去年有32%的受访者预估未来一年将缩减人员编制；但实际仅有14%的企业表示，AI确实在过去一年内引发了裁员。高达2/3的受访者指出，截至当前，AI对企业的员工规模几乎没有影响。然而，市场对未来影响的预期不断攀升：如今有39%的受访者预计AI将在未来一年内导致所在企业裁员，其中 “服务运营”与 “供应链管理”被视为最有可能受到影响的职能。值得注意的是，尽管存在上述预期，仅有13%的受访者表示，AI使他们对自身职业前景产生忧虑。

此一趋势表明，企业对哪些任务与职能真正适合自动化的判断正变得越来越准确，而劳动力结构的实际调整速度仍然远远落后于预期。在中国的劳动力市场中，AI的采用与先进制造和工程职能息息相关。这意味着企业必须把AI投资与人才技能重塑结合起来，不应想当然地认为，颠覆性变革会完全按预期节奏发生。

06 战略启示：中国企业领导者应如何行动

综上可见，当前全球AI应用的发展呈现出一个清晰特征：企业对AI的预期，明显高于其实际兑现的财务回报。那些真正弥合了这一差距的企业，靠的是高度的战略一致性和执行纪律，而非简单的投资扩张。此次调查显示，高绩效企业已在一些领域展现出先发优势，包括内部软件的自主开发，以及供应链、制造与进入市场（GTM，Go-to-market）等职能的降本增效。这些领域恰好与中国既有的核心优势（制造规模、工程人才，以及追求极致效率的供应链）高度契合。

真正的机遇不在于引入更多AI工具，而在于借鉴高绩效企业的领先实践：彻底重构工作流程，而非将AI生硬套用于旧流程；高管层做出明确承诺，为推动AI规模化部署提供坚实后盾；深耕内部评估能力，审慎划定 “自建与外购”的界线；并从项目启动之初就将运营成本作为核心设计约束。

而中国企业在这些方面具备得天独厚的优势，它们能够将上述战略有效融入自身运营体系，凭借长期形成的运营纪律，更快速地将早期AI探索转化为可衡量的业务价值。