尽管企业纷纷押注生成式AI，但大多数试点项目未能实现快速收入增长。MIT的研究显示，仅5%的AI项目成功加速收入，其余95%因工具和组织的学习差距而停滞。年轻初创公司通过精准执行和智能合作取得显著成效，而大公司则面临实施难题，核心问题在于学习而非模型质量。

企业AI应用的现状与挑战

尽管企业对生成式人工智能（AI）寄予厚望，但大多数试点项目并未取得预期效果。根据麻省理工学院（MIT）NANDA项目发布的最新报告《GenAI Divide: State of AI in Business 2025》，尽管生成式AI在企业中展现出潜力，但大多数旨在推动收入快速增长的项目却未能成功。

报告显示，尽管企业急于整合强大的新模型，但仅有约5%的AI试点项目实现了收入的快速增长，而绝大多数项目停滞不前，对企业的利润表几乎没有产生可衡量的影响。该研究基于对150位企业领导者的访谈、350名员工的调查以及对300个公开AI部署的分析，揭示了成功项目与停滞项目之间的明显差距。

报告的主要作者、MIT NANDA项目研究员Aditya Challapally指出，一些大型企业的试点项目和年轻初创公司在生成式AI方面表现突出。例如，由19或20岁年轻人领导的初创公司“在一年内实现了从零到2000万美元的收入增长”。Challapally解释说，这些成功案例的关键在于它们专注于解决一个痛点，执行得当，并与使用其工具的公司建立了明智的合作关系。

然而，对于95%的企业来说，生成式AI的实施效果不尽如人意。核心问题并非AI模型的质量，而是工具和组织之间的“学习差距”。尽管高管们常常将问题归咎于监管或模型性能，但MIT的研究指出，企业整合过程中的缺陷是主要原因。像ChatGPT这样的通用工具因其灵活性在个人使用中表现出色，但在企业应用中却停滞不前，因为它们无法从工作流程中学习或适应。

此外，资源分配也存在错位。超过一半的生成式AI预算被用于销售和营销工具，但MIT发现，后台自动化带来的投资回报率最高，包括消除业务流程外包、削减外部机构成本以及简化运营。

成功的AI部署关键在于企业如何采用AI。从专业供应商购买AI工具并建立合作伙伴关系的成功率约为67%，而内部构建的成功率仅为三分之一。这一发现在金融服务等高度监管的行业中尤为重要，许多公司计划在2025年构建自己的专有生成式AI系统，但MIT的研究表明，独立开发的公司失败率更高。

其他成功的关键因素包括授权一线经理（而不仅仅是中央AI实验室）推动采用，并选择能够深度集成并随时间适应的工具。

劳动力市场的变化已经开始显现，尤其是在客户支持和行政岗位。企业越来越多地选择不填补空缺职位，而不是大规模裁员。大多数变化集中在之前因被认为价值较低而被外包的工作上。

报告还强调了“影子AI”（未经授权的工具如ChatGPT）的广泛使用，以及衡量AI对生产力和利润影响的持续挑战。

展望未来，最先进的组织已经开始试验能够学习、记忆并在设定范围内独立行动的代理AI系统，这为下一阶段企业AI的发展提供了线索。

评论内容主要围绕AI技术的应用、成功率和未来前景展开，观点多样且存在争议。以下是总结：

1. AI成功率低，但仍有潜力

   • 评论5指出，仅有5%的AI试点项目能快速提升收入，大多数项目未能产生显著影响。
   • 评论11则认为5%的成功率已经不错，随着技术改进和成本下降，未来成功率有望提升。
   • 引用：
     • "5% of AI pilot programs achieve rapid revenue acceleration; the vast majority stall, delivering little to no measurable impact on P&L."（评论5）
     • "5% is pretty damn good, when AI clearly has a lot of room to get better."（评论11）

2. AI应用的局限性与适用场景

   • 评论7认为，LLM（大语言模型）适用于容忍错误（如假阳性和假阴性）的场景，否则其不准确性难以接受。
   • 评论9批评许多公司只是将LLM简单嵌入应用，缺乏真正的创新，用户需求未被满足。
   • 引用：
     • "Deployments of LLMs is most suitable in areas where the cost of false positives and, crucially, false negatives are low."（评论7）
     • "A ton of companies are just gluing LLM text boxes into apps and then scratching their heads when people don’t use them."（评论9）

3. 资源分配与AI的实际价值

   • 评论8指出，生成式AI的预算大多用于销售和营销工具，但MIT研究发现，后台自动化带来的投资回报率更高。
   • 评论13提到，AI在某些领域（如生成图像和视频）确实带来了价值，但也存在滥用（如降低客户服务质量）。
   • 引用：
     • "More than half of generative AI budgets are devoted to sales and marketing tools, yet MIT found the biggest ROI in back-office automation."（评论8）
     • "I see value being added for coders, but it’s mostly companies cutting corners making customer service even shittier."（评论13）

4. 对AI未来的乐观与质疑

   • 评论17认为，LLM的成功率与一般创业失败率（约90%）相比，已经显示出其可行性。
   • 评论20质疑AI是否真的解决了问题，还是只是随机成功。
   • 引用：
     • "The baseline rate for business failure over 5 years is around 90%, so they say. With how much hype surrounds LLM wrapper startups this is still an astounding amount of novel business model creation."（评论17）
     • "Isn’t it more likely that existing problems were solved and that 'AI' wasn’t the key insight?"（评论20）

总结：评论者对AI的成功率、适用场景和未来前景存在分歧。尽管当前AI项目的成功率较低，但许多人认为随着技术进步，其潜力巨大。同时，AI的应用需要更精准地满足用户需求，避免资源浪费。