贝恩报告：企业AI成本节约效益大幅低于预期
chuong wang
贝恩调查951家大型企业发现，40%已量化节约的企业实际省下不超过10%，远低于预期——而近半数企业仍在用尚未兑现的节约为新一轮AI支出买单。
企业花了这么多钱做AI，到底省了多少？
贝恩今年4月完成调查，覆盖9个行业、951家年收入超1亿美元的企业高管。
在已量化AI成本节约的企业中，占比最大的一组（40%）实际节约不超过10%。
这意味着→ 多数企业当初批预算时预期的"大幅降本"，到了落地阶段大打折扣。
钱没省到，为什么还在继续投？
44%的大型企业正在用"上一轮AI投资省下的钱"来支付这一轮新投入。
问题在于：这些节约本身尚未兑现——贝恩称预算规模是基于预测而非实际数据制定的。
用大白话说＝ 企业在用一笔还没到手的钱，来押注下一笔更大的开支——贝恩将其定性为"带有结构性漏洞的循环押注"。
AI项目跑不好，卡在哪一步？
贝恩将AI项目表现不佳的首要原因归结为数据可及性——企业无法可靠地获取自身数据。
这反映出一个悖论：全球企业在数据现代化上已累计投入数千亿美元，但数据问题依然是头号瓶颈。
贝恩建议：不必等全部数据结构化完成，先用现有数据驱动AI模型，再借AI反过来整理剩余数据。
不只贝恩这么说——Gartner的数据指向同一结论？
Gartner报告指出，超过40%的智能体AI项目将在2027年底前被取消。
原因包括成本攀升、商业价值不明确、风险管控不足——Gartner分析师Anushree Verma称多数项目"主要由炒作驱动，且往往被错误应用"。
用大白话说＝ 两份独立报告得出同一判断：企业AI投入的问题不在技术本身，而在于落地路径和预期管理出了系统性偏差。
成功的企业和失败的企业，差别在哪？
贝恩发现一个反直觉的现象：已达成节约目标的企业，在数据结构与可及性方面遭遇的障碍反而更多。
但这些企业在预算不足、优先级冲突等组织层面的问题上反映较少。
这意味着→ 区分成败的关键不是"数据有没有问题"——所有企业都有；关键是组织层面是否把AI当作真正的优先级来推。
Content is for reference only, not financial advice.