企业AI落地为什么卡在“盈利”这一步

内容会尽量保持中立，但判断会基于实际案例。

制造行业的情况则复杂得多。预测维护和质量控制理论上能大幅降低非计划停机、提升OEE，但现实中90%以上的项目停留在试点。遗留系统碎片化、物理设备与数字孪生割裂，让AI难以真正嵌入现有流程。McKinsey等报告指出，成功案例虽能带来可见的利润边际改善，但大规模推广往往因流程未重构而卡壳。

最近在伦敦一场反AI游行中，一张传单借用《南方公园》“内裤侏儒”梗迅速传播开来：Step 1是打造数字超级头脑，Step 3是承诺巨额盈利，中间的Step 2却是一个大大的问号。这张传单直指当前AI热潮的尴尬现实——技术演示已足够惊艳，未来画饼也足够诱人，但从技术到实际价值的执行路径却始终模糊不清。MIT Technology Review的相关报道进一步放大这一讨论，指出大量企业正卡在这一中间环节。

深层问题在于“试点→规模化→P&L挂钩”的三层桥梁出现断裂。AI擅长执行模式化任务，却在需要战略判断和流程集成的场景中暴露短板。没有明确定义基线指标、重新设计工作流以及跨部门责任对齐，单纯的技术叠加就容易沦为烧钱实验。就像内裤精灵只知道囤积资源，却从未想过如何转化为可衡量的商业产出，这一缺失让大量投资停留在热闹的实验阶段。

真实数据进一步印证了这一判断。MIT相关研究显示，约95%的生成式AI试点几乎没有可测量的P&L影响。AI擅长执行特定模式的任务，但在需要战略洞察和流程集成的场景中，简单工具替换往往收效甚微。如果不重新设计工作流，AI带来的成本增加可能比效率提升更明显。

执行差距的核心在于AI难以直接取代或优化现有工作流。Anthropic的研究虽指出管理者、建筑师等职业将面临较大变革，但这些更多基于任务类型推断，而非真实职场表现。Mercor今年发布的APEX-Agents基准则更直观：他们用顶级模型驱动的AI代理，测试了480个银行分析师、咨询顾问和律师的典型职场任务，结果每个代理都无法完成大部分长时程、多工具协作的工作。

缺失的Phase 2远非简单上线模型，而是需要系统性的流程重构、人类与AI的协作分工、真实场景下的持续评估与迭代。内裤侏儒的笑话之所以流传，正因为它精准捕捉了“只管堆积不管如何转化”的荒诞。只采购工具却缺乏清晰执行路径，AI再强也只是昂贵的摆设。早期不少AI投资项目最终令人失望，往往源于数据质量不足或系统集成困难，而非模型本身能力问题。

企业若想跨越这一差距，需从边界清晰的小场景切入，例如客服响应或文档处理，先建立闭环验证机制，再逐步扩展。单纯叠加AI到现有流程往往收效有限，关键在于重新设计人与AI的协作界面，把重复执行交给代理，战略判断留给人类，并配套证据-based的评估指标。那些少数成功的案例，通常就是在这些执行细节上做得更为扎实。行业仍在观察，究竟哪些组织能真正补上这一步，值得持续跟踪。

为什么执行会成为那个“the missing step”？简单类比，技术就像拿到一把锋利的好刀，Step 1已完成，Step 3是想象中用它高效切菜盈利。但真实厨房里，刀必须与现有案板、食材、厨师习惯以及油烟、时间压力等细节配合。直接上手乱砍，可能打乱原有节奏甚至适得其反。AI落地同样如此：它不是孤立插件，而是需要重构人类工作流的系统工程。LLM在战略决策和跨领域协调上仍显薄弱，不进行针对性流程调整，就很难转化为可量化的经济价值。

对决策者而言，现在审视自家AI项目是否有完整执行路径至关重要。从小场景试点入手，明确人类与AI的分工边界并建立反馈循环，或许是避开“内裤侏儒”陷阱的现实起点。补齐这一步的方向是对的，但具体路径仍需各企业根据自身业务特性去探索。

最近，MIT Technology Review的一篇文章用South Park“underpants gnomes”梗精准捕捉了当前AI发展的尴尬处境：Step 1是构建数字超级智能，Step 3是经济转型与利润增长，而中间的Step 2却是一片空白。企业高层高调宣布AI转型战略，投入数十亿美元，却发现绝大多数项目难以产生可衡量的业务回报。这件事远比技术迭代本身复杂，根源往往在于高层领导力未能有效填补从炒作到落地的断层。

不少观察者认为，进攻压制的兴起将重塑内容分发逻辑。