麻省理工学院NANDA研究所
/ 生成式人工智能鸿沟
The GenAI Divide /
2025 商业人工智能现状
STATE OF AI IN BUSINESS 2025
/目录
CONTENTS
01
执行摘要
Executive Summary
02
生成式人工智能鸿沟的另一面
The Wrong Side of the GenAI Divide
03
试点项目为何停滞：鸿沟背后的认知断层
The Learning Gap Behind the Divide
04
跨越生成式AI鸿沟：顶尖实践者的成功之道
How the Best Builders Succeed
05
跨越生成式AI鸿沟：顶尖采购者的成功之道
How the Best Buyers Succeed
06
结论：弥合生成式人工智能鸿沟
Conclusion: Bridging the GenAI Divide
01
执行摘要
Executive Summary
本报告揭示了一个惊人结果：
/
尽管企业对通用人工智能的投资高达 300亿 至 400亿 美元，
95% 的企业却未能获得任何回报。
生成式AI鸿沟
无论是买家（大型企业、中型市场、中小企业）还是建设者（初创公司、供应商、咨询公司），其成果都呈现出如此鲜明的两级分化，我们称之为
“生成式AI鸿沟”（GenAI Divide）
。
95%
不能创造可衡量损益的AI试点项目数量
5%
能产生数百万美元价值的AI试点项目数量
仅有5%的集成式AI试点项目创造了数百万美元价值，而绝大多数项目仍陷于无法产生可衡量损益影响的困境。
这种分化似乎并非由模型质量或监管因素驱动，而是取决于实施策略。
60%
评估过AI工具的企业数
20%
进入试点阶段数
5%
实际投入生产数
ChatGPT和Copilot等工具已被广泛采用。超过80%的企业曾探索或试用这些工具，近40%报告已完成部署。但这些工具主要提升个人生产力，而非利润表现。
与此同时，企业级系统（无论定制或供应商销售）正悄然被淘汰。
60%的企业曾评估此类工具，但仅20%进入试点阶段，实际投入生产者不足5%.
多数失败案例源于流程脆弱性、缺乏情境学习能力以及与日常运营脱节。
通过对 300 个公开实施案例的
访谈、调研与分析
我们发现⬇️
四个定义生成式人工智能鸿沟的模式
有限颠覆
八大核心领域中仅有两个出现实质性结构变革
企业悖论
大型企业试点数量领先,但规模化应用滞后
投资偏向
预算倾向于可见的、影响收入的职能部门，而非高投资回报率的后台支持
实施优势
外部合作项目的成功率是内部开发的两倍
无法规模化应用的核心障碍是什么呢？
规模化应用的核心障碍
并非基础设施、法规或人才，而是
学习能力
。
多数生成式AI系统无法保留反馈、适应上下文或实现持续优化。
/
一小部分供应商和买家正通过直接解决这些限制取得更快进展。成功的买家要求针对流程进行定制化开发，并依据业务成果而非软件基准来评估工具。他们期待系统能与现有流程无缝集成并持续优化。满足这些需求的供应商往往能在数月内斩获数百万美元的部署订单。
尽管多数实施案例并未直接导致人员精简，但跨越"通用人工智能鸿沟"的企业已开始在客户支持、软件工程及行政职能领域看到有选择性的人力资源影响。此外，表现最优异的组织报告称，通过减少业务流程外包支出和外部机构使用（尤其在后台运营领域）实现了可量化的成本节约。其他企业则指出，通过自动化外联和智能跟进系统，客户留存率和销售转化率均有所提升。
这些早期成果表明：当具备学习能力的系统针对特定流程部署时，即使不进行重大组织架构调整，也能创造真实价值。
02
生成式AI鸿沟的另一侧：高普及率,低转型率
THE WRONG SIDE OF THE GENAI DIVIDE: HIGH ADOPTION, LOW TRANSFORMATION
鸿沟背后的颠覆真相
THE DISRUPTION REALITY BEHIND THE DIVIDE
从试点到量产的鸿沟
THE PILOT-TO-PRODUCTION CHASM
影子人工智能经济：
跨越鸿沟的桥梁
THE SHADOW AI ECONOMY: A BRIDGE ACROSS THE DIVIDE
投资模式映射鸿沟
INVESTMENT PATTERNS REFLECT THE DIVIDE
核心要点
多数企业处于生成式人工智能鸿沟的错误一侧 ——
应用率高，但颠覆性低。
九大行业中有七个领域几乎未见结构性变革。企业虽在试用生成式AI工具，但极少投入实际部署。通用工具如ChatGPT被广泛采用，而定制化解决方案因集成复杂性及与现有工作流不匹配而受阻。
当审视行业层面的转型模式时，生成式AI鸿沟尤为明显。尽管投资声势浩大且试点活动遍地开花，但仅有极少数企业能突破实验阶段, 实现实质性业务转型。
2.1
鸿沟背后的颠覆真相
/
核心洞见
尽管生成式AI备受瞩目，但
“生成式AI鸿沟”在行业层面呈现鲜明差异——仅科技与媒体两大行业显现结构性颠覆迹象
，其余 七大行业仍滞留在转型错误轨道上。
科技——结构性颠覆
媒体——结构性颠覆
其他七大行业——滞留
尽管投资规模庞大，但行业层面的转型仍显有限。通用人工智能已嵌入支持系统、内容创作和数据分析等应用场景，但
鲜有行业出现类似过去通用技术带来的深层结构性变革
——例如新市场领导者的崛起、商业模式的颠覆，或客户行为的可量化转变。
五项指标测量行业颠覆程度
为更精准量化颠覆程度，我们开发了
综合性AI市场颠覆指数
。通过五项可观测指标对各行业进行0至5分评分，该评分基于公开指标与访谈评估三重验证，经标准化处理后呈现五大维度平均值。经多套权重方案验证,行业排名具有高度一致性：
五项可观测指标
2022至2025年间头部企业市场份额波动性
2020年后成立的人工智能原生企业营收增长率
新兴人工智能驱动商业模式的涌现
生成式AI引发的用户行为转变
因AI工具引发的高管团队更迭频率
结果如下
⬇️
生成式人工智能对各行业的颠覆程度
生成式人工智能颠覆性行业描述
行业
关键信号
科技
(Technology)
新挑战者涌现（如 Cursor vs Copilot）；工作流程转变
媒体与电信
(Media & Telecom)
AI原生内容崛起；广告动态变化；现有巨头仍在增长
专业服务
(Professional Services)
效率提升；客户交付模式基本未变
医疗与制药
(Healthcare & Pharma)
文档/转录试点；临床模型未变
消费与零售
(Consumer & Retail)
支持自动化；对客户忠诚度或行业领导者影响有限
金融服务
(Financial Services)
后台自动化；客户关系保持稳定
先进工业
(Advanced Industries)
维护试点；供应链未发生重大转变
能源与材料
(Energy & Materials)
近乎零采用；极少量试点
*敏感性分析：
我们测试了五项颠覆指标的替代权重方案。在所有合理权重体系中，科技与媒体电信行业始终位居前列，而医疗健康与能源行业持续排名靠后。专业服务行业对权重调整最为敏感，其评分范围在1.2至2.1之间波动，具体取决于对效率提升与结构变革的侧重程度。
九大行业中有七个呈现显著试点活动但几乎未发生结构性变革。
⬇️
这种投资与颠覆之间的差距直接揭示了大规模的通用人工智能鸿沟——
广泛的实验活动未能推动实质性转型。
某中型制造业首席运营官概括了普遍情绪:
"领英上的炒作声称一切都变了，但我们的运营根本没变。只是处理合同速度快了点，仅此而已。"
2.2
从试点到量产的鸿沟
/
核心结论
5%
生成式人工智能的鸿沟在部署率方面最为显著，
仅有5%的定制企业级AI工具能投入实际生产。
聊天机器人之所以成功，在于其易于尝试且灵活多变，但在关键工作流程中却因缺乏记忆功能和定制化能力而失败。这种根本性差距解释了为何多数组织仍处于鸿沟的错误一侧。
研究发现
从通用AI工具调研到试点项目，再到实际部署，存在显著断层，且
通用解决方案与定制化方案的差异尤为明显。
研究局限性
这些数据基于个别访谈而非官方企业报告，方向性准确。各类别样本量存在差异，且不同组织对成功的定义可能不同。
任务型GenAI工具投产断崖：揭示生成式AI的鸿沟
*研究注释：针对特定任务的生成式AI工具，我们将其成功实施定义为用户或高管明确指出该工具带来显著且持续的生产力提升和/或损益影响
企业AI解决方案95%的失败率，正是生成式AI鸿沟最鲜明的体现。
滞留错误一侧的组织持续投资于无法适应工作流的静态工具，而跨越鸿沟者则聚焦于具备学习能力的系统。
95%
企业AI解决方案的失败率
通用大型语言模型聊天机器人看似拥有较高的试点到实施转化率（约83%）。然而这掩盖了价值认知上的深层分歧，揭示了多数企业仍陷于鸿沟错误一侧的根本原因。
对定制化人工智能工具的怀疑态度
在访谈中，
企业用户对ChatGPT和Copilot等消费级工具的体验普遍持积极评价。
这些系统因其灵活性、易用性和即时实用性而备受赞誉。然而，
同一批用户对定制化或供应商推销的人工智能工具却普遍持怀疑态度
，认为这些工具脆弱不堪、过度设计，或与实际工作流程脱节。
正如某位首席信息官所言：“今年我们看过数十场演示，真正有用的可能只有一两款，其余要么是包装产品，要么是科研项目。” 尽管热情和预算通常足以启动试点项目——
将这些AI项目转化为具有持久价值的工作流集成系统仍属罕见。
这种模式恰恰定义了那些身处生成式人工智能鸿沟错误一侧的企业所面临的困境。
中型企业较顶尖企业行动更为迅速
年收入超1亿美元的企业虽在试点数量上领先，并投入更多人力开展AI项目，但这种投入强度并未转化为成功。这些企业的试点项目转化为规模化应用的比例最低。
相比之下，中型企业行动更迅速果断。
顶尖企业从试点到全面实施的平均周期仅为90天,而大型企业则耗时九个月甚至更久。
90天
中型企业的平均开展AI项目周期
9个月
大型企业的平均开展AI项目周期
关于企业生成式人工智能的五大误区
人工智能将在未来几年取代多数工作岗位
研究发现生成式AI引发的裁员有限，且仅出现在已受AI显著影响的行业。高管们对未来3-5年的招聘规模尚无共识。
生成式AI正在重塑商业格局
虽然采用率较高，但真正实现转型者寥寥。仅5%的企业将AI工具大规模集 成到工作流程中，9个行业中有7个尚未出现实质性结构变革。
企业新技术采用迟缓
企业对AI应用热情高涨，90%的企业已认真考虑购买AI解决方案。
阻碍人工智能发展的最大因素是模型质量、法律合规、数据质量和风险管理
真正制约因素在于多数AI工具缺乏学习能力，且难以融入工作流程。
顶尖企业正在自主开发工具
内部开发失败率高出两倍。
2.3
影子人工智能经济：跨越鸿沟的桥梁
/
核心洞见
当企业官方计划仍困于生成式AI鸿沟的错误一侧时，
员工正通过个人AI工具跨越鸿沟
。这种“影子AI”往往比正式计划带来更高投资回报率，并揭示了真正有效的鸿沟跨越之道。
企业部署数据令人失望的背后，隐藏着一个惊人现实：
人工智能正在改变工作方式，只是并非通过官方渠道。
影子人工智能经济
我们的研究揭示了一个蓬勃发展的
“影子人工智能经济”
——
员工利用个人ChatGPT账户、Claude订阅及其他消费级工具自动化处理大量工作，往往无需IT知识或审批。规模之大令人瞩目。
尽管仅有
40%的企业
表示购买了官方大型语言模型订阅服务，但我们调查中
超过90%的企业员工
报告称，他们经常使用个人AI工具处理工作任务。
事实上，几乎每位员工都以某种形式在工作中使用了大型语言模型。
现象：
隐形AI经济
员工使用LLM比例远超官方采用率
在许多情况下，影子AI用户报告称，他们通过个人工具每天多次使用大型语言模型处理每周工作量，而其公司官方的AI计划却仍停留在试点阶段。 这种影子经济现象表明，
当
个人获得灵活响应的工具时，便能成功跨越生成式人工智能鸿沟。
洞察此趋势并加以利用的企业，正引领着企业级人工智能应用的未来。
具有前瞻性的组织正通过学习影子使用模式，分析哪些个人工具能创造价值，从而在采购企业级替代方案前弥合这一鸿沟。
2.4
投资模式映射鸿沟
/
核心要点
50%
投资分配揭示了生成式人工智能的实际应用分化——50%的预算流向销售与营销领域
，但后台自动化往往能带来更高的投资回报率。
这种偏向源于更易衡量的指标归因，而非实际价值，导致企业持续聚焦于错误的优先事项。
70%
从职能聚焦角度看，生成式AI工具的投资呈现高度集中态势。
由于各组织尚未正式量化生成式AI支出，我们要求高管将100美元的假设预算分配至不同职能领域。在本次调查中，销售与营销职能占据了各组织AI预算分配的约70%。
按职能划分的
生成式AI投资分布
*调研笔记：
尽管高管访谈中生成式AI投资的总体功能分配（例如约50%投向销售与营销）相对一致，但子类别和用例的细分最多只能作为方向性参考。子类别反映综合笔记与经验模式，而非精确统计。
企业类型导致显著差异：制造商与医疗服务商通常将极少投资投向销售与营销，而过度配置于运营；科技与媒体企业常优先考虑营销、内容及开发者生产力；专业服务机构则倾向文档自动化与法律/合规工具。
投资偏好加剧鸿沟
销售和营销之所以占据主导地位，不仅因为其可见性强，更因其成果易于衡量。
资源被导向那些显而易见却往往缺乏变革性的应用场景，而后台职能中回报率最高的机遇却长期资金不足。
诸如演示量或邮件响应时间等指标，能直接对接董事会层级的关键绩效指标。
相比之下，法务、采购和财务职能带来的效率提升更为隐性。
这些包括减少合规违规、优化工作流程或加速月末流程等，虽至关重要却难以在高管会议或投资者简报中凸显。
“
某财富1000强制药企业采购副总裁直言不讳地指出这一困境:
"若采购工具提升团队效率，如何量化其价值?当它既不直接增加收入也不降低可量化成本时，我该如何向CEO证明其必要性?虽然能说它能让科研人员更快获取工具，但这与最终业绩影响相差甚远。"
”
信任加剧鸿沟
除衡量难题外，信任与社会证明仍是采购决策的关键因素。
“
某大型消费品公司采购主管道出了众多采购者的困境:
"我每天收到大量宣称提供最佳生成式AI解决方案的邮件。有些演示效果惊人，但建立信任才是真正的挑战。面对邮箱里铺天盖地的选择，我们高度依赖同行推荐和人脉引荐。"
”
这揭示了更普遍的规律：
仅凭产品品质往往难以取胜。
相较于功能特性，推荐信、既有合作关系及风投引荐仍是企业采用决策更强有力的预测指标。
03
试点项目为何停滞：鸿沟背后的认知断层
WHY PILOTS STALL: THE LEARNING GAP BEHIND THE DIVIDE
困住企业的三大壁垒
THE BARRIERS KEEPING ORGANIZATIONS TRAPPED
通用工具胜负之因
WHY GENERIC TOOLS WIN, AND LOSE
划分鸿沟的学习差距
THE LEARNING GAP THAT DEFINES THE DIVIDE
阻碍组织跨越生成式人工智能鸿沟的主要因素在于学习能力缺失——
工具缺乏学习能力、集成性差或无法匹配工作流程。
用户倾向于使用ChatGPT处理简单任务，却因其缺乏记忆功能而在关键任务中弃用。
缺失的关键在于具备适应性、记忆力和进化能力的系统，正是这些能力划定了鸿沟两侧的本质差异。
3.1
困住企业的三大壁垒
/
核心洞见
首要障碍揭示了定义生成式AI鸿沟的根本性学习断层：用户抵制无法自适应的工具，模型质量在脱离上下文时崩溃，系统记忆缺失导致用户体验崩溃。
即便是狂热的ChatGPT用户，也对不符合预期的内部生成式AI工具心存疑虑。
GenAI试点难以突破的原因
为探究为何多数GenAI试点难以突破实验阶段，我们
对52家机构的高管赞助者与一线用户展开调研。
参与者需按1-10频率等级评估常见的规模化障碍，其中10代表最频繁遇到的阻碍。
企业AI试点失败原因：
AI规模化部署的三大障碍
* 用户需按1-10分制对各问题进行评分
结果揭示了一个可预见的阻碍因素：对采用新工具的抵触情绪。
研究说明
这些评分反映的是报告频率而非客观衡量障碍影响，且可能因行业和组织规模存在显著差异。
模型质量问题的突出性最初看似违背直觉。尽管ChatGPT等工具的消费者采用率激增（逾40%的知识工作者个人使用AI工具），
但将这些工具融入个人工作流的用户却认为其在企业系统中不可靠。这种矛盾揭示了用户层面的生成式AI鸿沟。
偏好揭示
根本性矛盾
日常使用ChatGPT处理个人事务的专业人士，却要求企业级工作具备学习与记忆能力。
大量员工已在私下使用AI工具并报告效率提升，而企业正式的AI计划却停滞不前。
隐性使用形成
反馈循环
员工亲身体验过优质AI的感受，因而对僵化的企业工具愈发难以容忍。
3.2
通用工具胜负之因
/
核心洞见
生成式AI鸿沟体现在用户偏好中——ChatGPT胜过企业工具
，因其更优、更快、更熟悉，即便双方采用相似模型。
但正是这种偏好揭示了组织为何始终困于鸿沟的错误一侧。
后续访谈揭示了一个
显著矛盾：那些对企业级AI工具持怀疑态度的专业人士，往往是消费级大型语言模型界面的重度用户。
当被要求比较使用体验时，三个核心主题反复出现。
用户偏好驱动因素：
通用LLM界面 vs. 集成工具
案例引述
一家中型企业的公司法务生动诠释了这一现象。她的公司斥资 5万美元 采购了专业合同分析工具，但她
始终习惯性选择ChatGPT起草文件：
“
“我们采购的AI工具只能生成僵化模板，定制选项极其有限。而用ChatGPT，我可以引导对话、反复调整，直到获得精准结果。质量差异显而易见——即便供应商声称使用相同底层技术，ChatGPT的输出始终更优。”
”
这一现象揭示：
每月20美元的通用工具，在即时可用性与用户满意度方面，往往胜过成本高出数个量级的企业定制系统。
这种悖论正是大多数组织深陷 “GenAI鸿沟错误一方” 的典型写照。
3.3
划分鸿沟的学习差距
/
核心洞见
ChatGPT的局限性恰恰揭示了生成式AI鸿沟的本质：它遗忘上下文、无法学习、无法进化。
在关键任务场景中，
90%
用户仍倾向人类介入。这种鸿沟具有结构性——生成式AI缺乏记忆与适应能力。
鉴于用户偏好消费级大型语言模型界面，我们
探究了阻碍其在关键任务中广泛应用的根源。
这些障碍有别于常规可用性问题，直接揭示了定义生成式人工智能鸿沟的学习鸿沟。
核心工作流整合的障碍
案例引述
那位支持使用ChatGPT起草初稿的律师，在涉及敏感合同时
划出了明确界限：
“
它非常适合头脑风暴和初稿创作，但无法记住客户偏好，也无法从先前编辑中学习。它会重复同样的错误，每次使用都需要大量上下文输入。
对于高风险工作，我需要一个能积累知识并持续改进的系统。
”
该反馈揭示了阻碍企业跨越生成式AI鸿沟的核心认知鸿沟 ——
用户虽欣赏消费级大型语言模型界面的灵活性与响应速度，却更需要当前工具无法提供的持久记忆与上下文感知能力。
企业用户为高风险工作场景评分
当我们要求企业用户为高风险工作场景评分时，偏好层次变得清晰：
高风险工作适用性评估
"您会将这项任务分配给AI还是初级同事?"
简单工作领域，人工智能占据优势
70%
使用AI起草邮件
65%
使用AI基础分析
复杂/长期任务，人类以
9:1
的压倒性优势领先
差异的原因
这种差异并非源于智能水平，而是记忆力、适应性和学习能力 —— 这些恰恰是划分“通用AI鸿沟”两端的决定性特征。
具有持久记忆和迭代学习能力的智能体人工智能系统，直接解决了定义生成式人工智能鸿沟的学习差距问题。
与当前每次都需要完整上下文的系统不同，智能体系统能够保持持久记忆、从交互中学习，并自主协调复杂工作流程。
早期企业实验表明：能够端到端处理完整咨询的客服代理、监控并审批常规交易的金融处理代理、跨渠道追踪客户互动的销售管道代理，这些应用充分展现了自主性与记忆能力如何填补企业识别出的核心能力缺口。
基于定制化与学习能力定位生成式AI工具
04
跨越生成式AI鸿沟：顶尖建设者如何成功
CROSSING THE GENAI DIVIDE: HOW THE BEST BUILDERS SUCCEED
企业真正渴求的：
跨越鸿沟的桥梁
WHAT ENTERPRISES ACTUALLY WANT: THE BRIDGE ACROSS THE DIVIDE
跨越代际鸿沟的制胜策略
THE WINNING PLAYBOOK FOR CROSSING THE DIVIDE
跨越鸿沟的窗口期正在缩小
THE NARROWING WINDOW TO CROSS THE DIVIDE Takeaway: The window for crossing the GenAI Divide is rapid
生成式AI初创企业的两极分化
位于生成式人工智能鸿沟右侧的企业都采取了共同策略：构建能够从反馈中学习的自适应嵌入式系统。
成功跨越鸿沟的顶尖初创企业专注于窄而高价值的应用场景，深度集成于工作流程，并通过持续学习而非堆砌功能实现规模化。领域专业能力和工作流程整合的重要性远超炫目的用户体验。
通过访谈我们发现，
生成式AI初创企业正呈现两极分化趋势：
深度定制化服务精准解决企业痛点
成功赢得市场关注
固守过时的SaaS模式
深陷技术鸿沟的劣势阵营
市场对生成式AI工具的需求依然旺盛。
多家初创企业表示在数日内就签署了试点协议，并很快实现了七位数的收入运行率
表现突出的是那些能嵌入工作流程、适应上下文环境，并从窄而高价值的立足点实现规模化发展的企业，
并非那些打造通用工具的企业。
成功企业的特性
数据揭示出清晰规律：
成功的企业与供应商都在积极攻克学习能力、记忆功能和工作流适应性三大难题，而失败者要么在打造通用工具，要么试图内部开发能力。
成功的初创企业
构建的系统
具备三大特性
从反馈中学习
66%高管对此有需求
保留上下文
63%高管对此有要求
深度定制特定工作流程
从工作流程边缘切入，随后逐步扩展至核心流程
4.1
企业真正渴求的：跨越鸿沟的桥梁
最成功的供应商深谙跨越生成式人工智能鸿沟的关键在于构建高管反复强调的系统：
这类人工智能系统不仅能生成内容，更能通过环境学习实现自我优化。
高管选择通用AI时的考虑
在评估AI工具时，采购方始终强调特定优先事项。我们通过访谈归纳出这些核心主题，并量化其在采购决策中的出现频率：
高管如何选择通用AI供应商
* 基于访谈归类整理
高管选择
通用人工智能供应商的
直接引语
* 基于访谈归类整理
对劳动力影响的担忧远低于预期。
大多数用户欢迎自动化，特别是针对繁琐的手动任务。前提是：
数据安全得到保障
成果可衡量
尽管普遍认为企业会抵制训练人工智能系统，但我们访谈中的多数团队表示，只要效益明确且设置了防护措施，他们愿意参与其中。
尽管对人工智能兴趣浓厚，但
企业对新兴供应商仍持明显怀疑态度
，尤其在高信任度或受监管的工作流程中。许多采购负责人向我们透露，无论创新程度如何，
他们都会忽略大多数初创企业的推介。
“
某全球消费品公司采购主管：
"我们每天收到数十份关于人工智能采购工具的推介。但现有业务流程外包合作伙伴早已熟悉我们的政策和流程。相比转向未知供应商,我们更倾向于等待他们推出人工智能增强版。"
”
4.2
跨越代际鸿沟的制胜策略
核心洞见
相比复杂的企业级系统
，
配置负担轻、价值实现快的工具更具竞争力。渠道推荐和同行信任是跨越鸿沟的关键增长杠杆。
最成功的初创企业通过实施两项策略，同时满足了对学习系统的需求和对新工具的质疑:
4.2.1 针对特定工作流程定制
成功跨越生成式AI鸿沟的初创企业，成功的重点在于工作流程：
深度定制嵌入非核心或相邻流程
展现明确价值
扩展至核心工作流
除此之外，成功工具具备两大特征：（1）配置负担轻；（2）价值立竿见影。
反之，需要大量企业定制的工具往往停留在试点阶段。
成功案例涵盖以下类别：
语音AI实现通话摘要与路由
合同与表单文档自动化
重复性工程任务的代码生成
表现欠佳的类别通常涉及复杂内部逻辑、不透明的决策支持或基于专有启发式算法的优化。
此类工具常因企业场景高度定制化而遭遇推广阻力。 部分初创企业通过主导小型但关键的工作流程（尤其在销售和营销领域）脱颖而出，随后实现业务扩张。
顶尖的生成式人工智能初创企业，在成立6至12个月内即可达到120万美元的年化收入。
4.2.2 利用推荐网络
为突破信任壁垒，成功初创企业常采用以下策略：
与系统集成商建立渠道合作、通过董事会成员或顾问获取采购引荐、借助熟悉的企业级市场平台进行分销。
领导者如何发现生成式AI解决方案
4.3
跨越鸿沟的窗口期正在缩小
核心洞见
跨越生成式人工智能鸿沟的窗口正在迅速关闭。企业正加速锁定具备学习能力的工具。
具有代理性的人工智能与记忆框架如（NANDA和MCP）将决定哪些供应商能助力组织跨越鸿沟，哪些则会使其困守错误的一方。
企业对系统持续进化的需求日益迫切。微软365 Copilot与Dynamics 365正整合持久化记忆与反馈循环机制，OpenAI ChatGPT记忆功能测试版则昭示通用工具领域同样存在此类需求。
初创企业若能迅速构建从反馈、使用及结果中学习的自适应智能体，便可通过数据深度与集成深度构筑持久的产品护城河。
实现这一目标的窗口期正迅速缩短，众多垂直领域已启动试点项目。
支撑这一转型的基础设施正通过模型上下文协议(MCP)、智能体间通信(A2A)和NANDA等框架逐步成型，这些协议实现了智能体间的互操作性与协同能力。
通过让专业化智能体协同工作而非依赖单体系统
，
这些协议催生了市场竞争并提升了成本效率。
这些框架构成了新兴智能网的基础——由互操作智能体与协议组成的网状结构，正以动态协调层取代单体应用程序。
未来几个季度内，多家企业将锁定供应商关系，此类合作关系几乎无法逆转。
这一18个月的时间框架源自我们对十七位采购与IT采购负责人访谈形成的共识，并得到公开采购披露数据的佐证——
企业从需求提案到实施的周期介于2至18个月之间。
那些投资于能从自身数据、工作流及反馈中学习的人工智能系统的组织，正每月累积着日益增高的转换成本。
从需求提案到实施的周期
2-18个月
需求提案
方案实施
“
某50亿美元金融服务公司首席信息官：
“
我们目前正在评估五种不同的生成式人工智能解决方案，但最终能赢得我们业务的，将是那个最能学习并适应我们特定流程的系统。一旦投入时间训练系统理解我们的工作流程，切换成本就会变得难以承受。”
”
05
跨越生成式AI鸿沟：顶尖采购者的成功之道
CROSSING THE GENAI DIVIDE: HOW THE BEST BUYERS SUCCEED
跨越鸿沟的组织设计
ORGANIZATIONAL DESIGN FOR CROSSING THE DIVIDE
跨越鸿沟的采购实践
BUYER PRACTICES THAT CROSS THE DIVIDE
真实投资回报所在:
跨越鸿沟
WHERE THE REAL ROI LIVES: BEYOND THE DIVIDE
就业影响的现实:
跨越鸿沟的真正含义
THE JOB IMPACT REALITY: WHAT CROSSING THE DIVIDE ACTUALLY MEANS
超越智能体:
智能体网络
BEYOND AGENTS: THE AGENTIC WEB
成功跨越生成式AI鸿沟的企业采取截然不同的采购策略：
他们像业务流程外包客户而非SaaS用户那样运作，要求深度定制化服务，推动一线员工采用，并要求供应商对业务指标负责。
最成功的采购者深谙：跨越鸿沟需要建立伙伴关系，而非单纯采购。
访谈中一个核心洞见清晰可见：
高效的人工智能采购组织
不再等待完美用例或集中审批，而是
通过以下方式推动落地：
分布式实验
供应商合作
明确的责任归属
在我们的样本中，与具备学习能力且可定制的外部工具建立合作关系后，
部署成功率达到约67%，而内部开发工具的部署成功率仅为约 33%
。
尽管这些数据反映的是自我报告的结果，且可能未涵盖所有干扰变量，但受访者间差异幅度始终一致。
67%
与外部工具合作后部署成功率
33%
内部开发工具的部署成功率
这种差距解释了为何ChatGPT在临时任务中占据主导地位却无法胜任关键工作流程，也说明了通用企业工具为何会同时败给消费级大型语言模型和深度定制化替代方案。
5.1
跨越鸿沟的组织设计
核心洞见
恰当的组织架构是跨越生成式AI鸿沟的关键。战略合作比内部开发成功率高出两倍。
成功取决于资源配置，更取决于权限下 放与责任明确。
跨越生成式AI鸿沟的核心障碍并非集成或预算，而是组织设计。
数据表明：当企业分散实施权限但保留责任归属时，才能实现成功转型。
我们观察到
三种主要的人工智能团队结构
，其实施效果存在显著差异，反映出组织所处的立场差异。
部署占比
战略合作
（采购型）
66%
采购外部工具，与供应商共同开发
内部开发
（自建）
33%
完全自主开发并维护通用人工智能工具
混合模式
（自建—采购）
数据不足以量化
内部团队与外部供应商协同开发
研究局限
这些百分比反映了我们对52家组织的访谈样本，可能无法代表更广泛的市场模式。各组织对成功的定义存在差异，且观察期可能无法捕捉长期实施趋势。
重要限制
成功率差异可能反映组织能力差异而非单纯实施方式。
选择外部合作的企业在风险承受度、采购成熟度或内部技术能力方面可能与自主开发企业存在差异。
外部合作与成功之间的相关性并不必然构成因果关系。
战略合作伙伴关系在成功部署中的占比显著高于内部开发项目。尽管在我们的样本中，内部开发(BUILD)项目远多于外部采购(BUY)项目，且更多组织倾向于探索内部开发，但成功率却更倾向于外部合作。
尽管缺乏关于计划总量的精确数据，但这种模式表明，
尽管内部开发尝试更为普遍，其成功率却明显较低。
数量：
内部开发(BUILD)项目 > 外部采购(BUY)项目
成功率：
内部开发
(BUILD)
项目 < 外部采购
(BUY)
项目
尽管企业常采用混合模式，但通过战略合作构建的试点项目实现全面部署的概率是内部开发的两倍。
更显著的是，外部开发工具的员工使用率几乎达到内部开发的两倍。
此类合作通常能更快实现价值、降低总体成本，并更好地契合运营流程。企业既避免了从零开发的冗余成本，又能获得定制化解决方案。
理解这一规律的组织，更能有效跨越生成式人工智能鸿沟。
5.2
跨越鸿沟的采购实践
在对成功跨越生成式人工智能鸿沟的企业进行的访谈中，一个共同模式浮现：
顶级采购方不再将人工智能初创企业视为软件供应商，而是更倾向于将其视为商业服务提供商，采用接近咨询公司或业务流程外包商的评估标准。
这些企业：
要求深度定制以契合内部流程和数据
以运营成果而非模型基准评估工具
在早期失败中保持合作，将部署视为共同进化过程
从一线管理者而非中央实验室获取AI项目需求
在最后一种模式中，个体贡献者和团队管理者往往发挥关键作用。
许多最成功的企业部署都始于核心用户——这些员工早已通过 ChatGPT或Claude等工具提升个人效率。
这些“生产型消费者”直观地理解了通用人工智能的能力与局限，并成为内部认可解决方案的早期拥护者。
成功企业并未依赖集中式人工智能部门来识别应用场景，而是允许预算负责人和领域经理提出问题、筛选工具并主导部署。
这种自下而上的资源调配模式，配合高管问责机制，在确保业务适配性的同时加速了技术落地。
5.3
真实投资回报所在：跨越鸿沟
核心洞见
跨越通用AI鸿沟的企业发现，运营与财务等被忽视职能往往能创造最高投资回报。真正收益源于替代业务流程外包商和外部 机构，而非裁减内部员工。
前台工具虽受瞩目，后台工具才真正实现成本节约。
尽管 50%的人工智能预算流向销售和营销领域（根据高管理论估算），但我们记录到的最显著成本节约却来自后台自动化。
前台收益虽显而易见且受董事会青睐，但后台部署往往能实现更快的投资回报周期和更清晰的成本削减。
两大领域的可量化价值
顶尖企业正实现两大领域的可量化价值：
前台优势
40%
潜在客户筛选速度提升40%
10%
客户留存率：
通过AI驱动的跟进与信息推送提升10%
后台优势
200-1000万
BPO消除：
每年节省200-1000万美元的客服及文档处理成本
30%
代理支出削减：
外部创意与内容成本降低30%
100万
金融服务风险核查：
外包风险管理每年节省100万美元
值得注意的是，这些收益并未伴随大规模裁员。工具加速了工作流程，但未改变团队架构或预算。
投资回报主要来源
削减外部支出
取消BPO合同
降低代理费
用人工智能驱动的内部能力替代高价顾问
该模式表明：
尽管销售与营销占据多数关注和投资，但后端自动化或许能为勇于突破常规应用场景、真正跨越通用人工智能鸿沟的企业带来更显著且可持续的回报。
5.4
就业影响的现实：跨越鸿沟的真正含义
核心洞见
生成式人工智能已开始对劳动力产生影响，其表现为选择性替代先前外包职能及限制性招聘模式，而非大规模裁员。
跨越生成式人工智能鸿沟的企业在实现可量化的外部成本削减的同时，内部员工数量略有减少。
6.4.1 替代模式与组织战略
分析显示，由生成式AI驱动的劳动力削减主要集中于传统非核心业务职能：
客户支持运营
行政处理
标准化开发任务
这些岗位因外包属性与流程标准化，在AI实施前就已显露脆弱性。尽管高管们对AI引发的裁员规模讳莫如深，但实际
涉及客户支持运营与行政处理岗位的裁员比例在5%-20%之间。
行业特定的招聘预期
与生成式AI影响模式
存在明显关联
冲击较少领域
在医疗、能源、先进工业等受AI结构性冲击较小的领域，多数高管表示当前及未来五年内不会缩减招聘规模。
少数高管提及可能出现招聘减少，但承认目前缺乏准确预测时间与区域的系统。例如医疗行业高管明确表示不会削减医师或临床人员招聘。
冲击较大领域
相反，在人工智能已产生可量化影响的技术与媒体领域，超过80%的高管预计未来24个月内
招聘
规模将缩减。
关键发现：
这种动态仍集中于先进的人工智能采用者群体，且仅存在于当前正经历生成式人工智能重大颠覆的行业（科技、媒体）。
6.4.2 招聘标准与技能要求的演变
生成式AI的应用促使各组织采取差异化招聘策略。
尽管高管们对初级岗位或整体招聘规模尚未达成共识，但他们
一致强调AI素养已成为基础能力要求。
这反映出组织普遍认识到：AI专业能力是优化工作流程的核心竞争力。
“
某中型制造企业运营副总裁
"我们的招聘策略优先考虑具备AI工具操作能力的候选人。应届毕业生在这方面的能力往往超越资深从业者。"
”
6.4.3 未来劳动力影响预测
麻省理工学院"冰山计划"分析为潜在自动化风险提供了量化依据:：
2.27
%
当前自动化潜力：占美国劳动力价值的2.27%
2.3
万亿
3900
万
潜在自动化风险：2.3万亿美元劳动价值面临威胁，影响3900万个岗位
随着人工智能系统发展出持久记忆、持续学习及自主工具集成能力时，便会转化为可操作风险，这些能力标志着跨越生成式人工智能鸿沟的关键节点。
劳动力转型将渐进展开，而非通过离散的替代事件实现。
在人工智能系统达成情境适应与自主运作前，组织影响将主要体现在外部成本优化而非内部重组。
5.5
超越智能体：智能体网络
核心洞见
个体AI智能体进化的下一阶段将是智能体网络，其中自主系统能在整个互联网基础设施中实现自主发现、协商与协同，这将从根本上改变商业流程的运作方式。
支撑这场变革的基础设施根基正通过模型上下文协议（MCP）、代理间通信（A2A）和NANDA等协议逐步显现，这些协议不仅实现了代理间的互操作性，更赋予了自主网络导航能力。
在智能代理网络中，系统将自主发现最优供应商并评估解决方案（无需人工调研），实时建立动态API集成（无需预置连接器），通过区块链智能合约执行无信任交易，并开发跨平台、跨组织边界自我优化的涌现式工作流。
早期实验表明：采购代理能独立识别新供应商并协商条款，客服系统可跨平台无缝协同，内容创作工作流能覆盖多供应商并实现自动化质量保证。
这标志着从当前人类中介的业务流程向自主系统的根本性转变——
这些系统将贯穿整个互联网生态，突破现有生成式AI鸿沟，重塑组织在网络化经济中的发现、整合与交易模式。
06
结论：跨越生成式AI鸿沟
CONCLUSION: BRIDGING THE GENAI DIVIDE
成功跨越生成式AI鸿沟的组织具备【三大差异化特征】：
选择采购而非自建
赋能一线管理者而非中央实验室
选用深度集成且持续进化的工具
最具前瞻性的企业已开始试验智能代理系统——这些系统能在预设参数内自主学习、记忆并执行任务。
当前企业架构仍由孤岛式SaaS工具和静态工作流主导，而智能网络将以动态智能体取而代之，这些
智能体能跨企业协商任务、共享上下文并协调行动。
正如原始网络实现了出版与商业的去中心化，智能代理网络正推动行动的去中心化，从指令驱动转向自主协议驱动的协同。NANDA、MCP和A2A等系统构成了该网络的早期基础设施，
使组织能够基于智能代理的能力与交互而非代码来构建工作流。
随着企业在2026年前逐步锁定供应商关系与反馈循环，跨越通用人工智能鸿沟的窗口期正迅速缩小。
下一波应用浪潮的胜出者，并非最炫目的模型，而是具备学习记忆能力的系统，以及为特定流程量身定制的系统。
从自主开发转向采购的趋势，叠加专业消费者采用率的攀升与智能代理能力的涌现，为能提供具备学习能力、深度集成的人工智能系统的供应商创造了前所未有的机遇。那些洞察并把握这些趋势的组织与供应商，将在后试点阶段的人工智能经济中占据主导地位，站上生成式人工智能鸿沟的正确一侧。
对于目前陷于劣势的组织，出路清晰可见：
停止投资需要持续提示的静态工具，开始与提供定制系统的供应商合作，并将重心从炫目的演示转向工作流整合。
生成式AI鸿沟并非永久存在，但跨越它需要在技术选择、合作伙伴关系和组织设计上做出根本性转变。
麻省理工学院NANDA研究所
/ 生成式人工智能鸿沟
The GenAI Divide /
2025 商业人工智能现状
STATE OF AI IN BUSINESS 2025