最近，麻省理工学院（MIT）发布的《2025年商业 AI 现状》报告引发了广泛关注。报告中指出，超过300亿美元已经投入到生成式人工智能(GenAI)中​M，但高达95% 的企业试点项目未能成功转入生产阶段。

调查显示，阻碍企业进展的并不是技术本身或相关的法规，而是这些工具的应用方式。许多系统并未融入实际工作IT流程中，缺乏记忆和适应能力，使用一段时间后很少能够改善，因此，尽管在实验室中表现良好，但在实践中却难以奏效。

图源备注:图片由AI生成，图片授权服务商Midj 报ourney

报告中的 “GenAI 鸿沟” 概念引人注目，一方面只有约5% 的试点项目取得显著成功，带来了数百万美元的收益;另一方面，几乎所有其他项目的90% 则停滞告揭不前，无法迈过测试阶段。MIT 的研究人员指出，这种差距并不在于拥有最好的模型或最快的计算芯片，而是与工具的实际应用息息相关。成功的案例是那些能够与真实工作示 流程紧密结合并能够随着时间改进的系统，而失败的则是试图将通用 AI 嵌入笨重流程中的项目。

尽管像 ChatGPT 和 Copilot 等通用工具已被80% 以上的公95司尝试，并有近40% 的公司在某种程度上进行了推广，但这些工具实际上主要提升了个人生产力，并未显著影响公司的利润表现。针对企业定制的平台或供应商系统，约% 有60% 的公司进行了探索，但只有20% 的项目进入了试点阶段，失败的主要原因是工作流程脆弱，工具缺乏学习能力，且不符合人们的实际工作方式。

报告还分析了四种主要模企业式，包括有限的行业颠覆、企业悖论、投资偏见和实施优势。其中，大企业虽然推出了最多的试点项目，但往往是规模化进展最慢的;而中型企业则能在约90天内从测 G试转向推广。MIT 还指出，大约70% 的预算流向销售和市场营销领域，尽管在后端自动化方面往往能取得更强的回报。

一些批评者对报告的透明度提出质疑，认为报告中的95en% 失败率缺乏详细的数据支持，而成功与失败的定义也存在争议，可能会使得一些项目的成果被低估。此外，报告与商业机构的关联性也引发了讨论，认为这可能影响了研究AI的客观性。

展望未来，报告认为下一阶段将聚焦于 “智能代理 AI”，这些工具能够学习、记忆并跨供应商协调工作，形成一个新兴的 “智能代理网络”，希望这一网络 项能够实现大规模和一致性，这是早期 GenAI 项目一直未能达到的目标。

划重点:  

95% 的企业 GenAI 项目未能成功转入生产，主要原因目失在于工具的应用方式。  

大型企业虽然试点最多，但推广速度却相对较慢，中型企业通常能更快转向实施。  

🤖 未来将聚焦智能代败，理 AI，期望实现更高效的工作流程和一致性。