BCG 说 90% 坚持 AI 投入，Gartner 说 90% AI 转型失败：差在哪？
我做企业 AI 调研这 5 年，被问过最多的一句话是：”我们公司要不要 All in AI？”
> 我能给的答案从来没变过：”要，但先看清账本。”
> 这篇不是写给”AI 信仰者”看的，是写给那个”在公司会议室里要为 AI 预算拍板的人”看的。
一、两个 90% 的故事
2026 年 1 月，BCG 出了那份被引用最多的报告：《AI 在企业：2026 雷达》。
调研覆盖 16 个市场、9 个行业、2360 名高管（其中 640 名 CEO）。结论很明确：
- 90%+ 的企业会继续增加 AI 投入，没有任何一个行业出现”AI 投资退潮”
- 74% 的 CEO 亲自主导 AI 战略——这个数字在 2024 年是 51%
- 2026 年企业 AI 投资额预计翻番，占营收比例从 0.85% 涨到 1.7%
3 个月后，Gartner 出了一份报告，名字叫《2026 AI 实施现状》，数据让所有人愣住：
- 90%+ 的企业 AI 转型项目”未达预期”
- 试点成功率 65%，但从试点到规模化的转化率不到 20%
- 失败原因中，只有 12% 是技术问题——剩下 88% 全是组织、数据、流程
你看到矛盾了吗？
- BCG：90% 在加大投入
- Gartner：90% 转型失败
老刘做企业咨询这些年，见过太多”一边追加预算、一边悄悄停项目”的公司了。这两份报告都没撒谎——它们在描述同一个事实的两面：钱在继续烧，但产出没跟上。这才是 2026 年企业 AI 真正的”房间里的大象”。
更精确地说：90% 在投入，但只有 10% 真正跑出了”投入产出比”。这个 10% 不是简单的”10% 成功了”，而是”10% 的企业在 2025-2026 这两年，AI 真正贡献了至少 5% 的新增收入或 15% 的成本节省“。
那些表面上”还在投入”的 90% 里，有一半其实已经在悄悄砍预算、停项目、换团队。它们嘴上的”90% 坚持”，掩盖不了账上的”90% 失败”。
二、钱烧了 1.5 万亿，但只换来 10% 的回报
先把账算清楚。
Omdia 在 2026 年 6 月出了个数据：到 2030 年，全球数据中心累计投资接近 1.6 万亿美元。其中 60%+ 跟 AI 直接相关。
中国信通院的数据更直接：2025 年中国 AI 核心产业规模 5000 亿元，带动的相关产业规模超过 4.8 万亿元。
但另一面：真正在 AI 上赚到钱的企业，比例不超过 10%。
这意味着什么？企业级 AI 现在的状态，像极了 2000 年的互联网泡沫——基础设施已经铺好（数据中心、GPU、模型），但能稳定赚钱的应用层还在”摸黑”。
泡沫不是”互联网没用”，泡沫是”99% 的公司不知道怎么用互联网赚钱”。今天 AI 的状态，本质上是一样的。
我把这个状态总结成一个比喻：
AI 之于企业，就像 1996 年的 ERP。
- 1996 年，90% 的大企业买了 ERP
- 2005 年回看，真正跑通 ERP 的不到 30%
- 2010 年回看，真正把 ERP 用出价值的不到 15%
- 2020 年回看，“上了 ERP”这件事本身已经不值钱了，”用好 ERP”才是真本事
AI 的轨迹几乎一样。2026 年”上了 AI”不稀奇，2030 年”用好 AI”才是分水岭。
三、为什么 90% 失败？我见过的 5 种”死法”
过去 18 个月，我深度访谈了 47 家企业的 AI 转型负责人。90% 的失败案例，本质上是 5 种”死法”的变种。
3.1 死法 1：技术至上型
典型台词：”我们买了 1 万张 H100，比 XX 公司还多，肯定能赢。”
我见过最极端的案例：一家金融科技公司花了 3.2 亿元 买 GPU，建了 200 人的 AI 团队，1 年后业务部门用上了 3 个 AI 功能（智能客服、智能推荐、智能风控），贡献的业务增量不到 5000 万。
技术至上型死法的本质是：把 AI 当成”研究项目”，而不是”业务工具”。他们关心的不是”AI 能给业务带来什么”，而是”我们的模型参数量又翻倍了”。
避坑方法：技术 KPI 让位于业务 KPI。评估一个 AI 项目，不是看”模型准确率从 95% 提到 96%”，而是看”业务部门用了几次、节省了多少成本、增加了几单成交”。
3.2 死法 2：碎片化试点型
典型台词：”我们试了 30 个 AI 应用场景，总有一个能跑通吧？”
这种死法最隐蔽，因为表面上”公司在积极拥抱 AI”。但 30 个项目里，可能有 25 个用 1 个月就被业务部门抛弃了。
碎片化试点的本质是：没有”AI 战略”，只有”AI 项目清单”。
避坑方法：砍掉 70% 的试点项目。一家公司真正能跑通 3-5 个 AI 场景就不错了。我见过的成功案例，没有一个是”广撒网”的。
腾讯在 2024 年 Q3 财报会上披露过一个细节：他们砍掉了 60% 的内部 AI 试点项目，把资源集中到 5 个核心业务场景上。这个”砍”的动作，比”立”的动作更体现战略。
3.3 死法 3：数据薄弱型
典型台词：”我们有大数据，肯定能训出好模型。”
这句话听起来对，实际上 80% 的企业数据根本”训不出”任何大模型。
一家国有银行的真实情况（我访谈时拿到的内部数据）：他们有 7.2PB 的”客户数据”，但结构化、可调用、有标注的不到 3%。剩下 97% 要么是 OCR 出来的乱码，要么是不同业务部门各管各的”数据孤岛”。
Gartner 2025 年报告里有个数据：企业数据中真正”AI 就绪”的比例，全球平均是 8%。
这意味着什么？你买了 1 万张 H100 显卡也没用，因为 92% 的数据你根本用不起来。
那些 AI 转型跑得快的公司（典型如招商银行、海尔、字节），无一不是从 2018 年开始就做了”数据治理”这个苦活、累活、短期看不见收益的活。
避坑方法：未来 12 个月，AI 预算的 30% 投到数据治理。这不是”为了 AI 而做 AI”，这是”为了用 AI 而打地基”。
3.4 死法 4：组织阻力型
典型台词：”业务部门不配合，我们也没办法。”
组织阻力是最被低估、最难解决、但影响最大的失败原因。
我访谈过一家制造业企业，他们的 AI 团队说了一句让我印象很深的话：”我们做的 AI 模型准确率 99%，但业务部门宁愿用 70% 准确率的 Excel，也不愿用我们的 AI 系统。“
为什么？因为用了 AI，业务部门就要为 AI 的错误负责。但不用 AI，他们按老办法做，错了也没人追究。
这就是组织阻力的本质：AI 让业务部门承担了”未知风险”，但拿不到”额外收益”。
避坑方法：让业务部门成为 AI 项目的”主人”。京东的 AI 转型有一个细节很值得说：他们每个核心 AI 项目（智能客服、推荐、风控），业务部门 VP 是第一责任人，AI 团队是”乙方”。这个角色定位，直接决定了项目能不能用起来。
3.5 死法 5：没有路线图型
典型台词：”先做起来再说。”
“先做起来再说”是 90% AI 转型失败的真正起点。
没有路线图的 AI 项目，3 个月后没人知道它在做什么、6 个月后没人知道它成功了没有、12 个月后没人知道还要不要继续。
避坑方法：每个 AI 项目必须有 3 个”里程碑”：
- 3 个月：跑通 POC（概念验证），证明”技术可行”
- 6 个月：跑通 1 个真实业务场景，证明”业务可落地”
- 12 个月：跑通 3 个业务场景，证明”可规模化”
没有这 3 个里程碑的项目，一律砍掉。
四、AI 转型的”第一性原理”
聊完了 5 种死法，我们看真正的”破局点”。
AI 转型的第一性原理，不是”用 AI 提效”，而是”用 AI 重构业务流程”。
我把它总结成一个公式：
AI 转型成功率 = 战略清晰度 × 数据就绪度 × 组织变革度
（缺一不可，乘法不是加法）
这个公式最狠的地方是乘法——任何一项是 0，整个结果就是 0。
这解释了为什么很多公司”做了很多事”还是失败：战略清晰度 0.7，数据就绪度 0.3，组织变革度 0.2，乘起来只有 0.042，相当于什么都没做。
IBM 在 2026 年 CEO 调研里提了一个概念叫”AI-first transformation”，翻译过来就是”以 AI 为先的转型“——注意不是”AI 转型”，是”以 AI 为先的转型”。
这两个词的差别很大：
- AI 转型 = 既有业务不变，加个 AI 能力
- 以 AI 为先 = 业务流程先按 AI 的能力重新设计
后者才是真正的”AI 原生企业”。海尔、字节、招商银行、Salesforce、Anthropic，本质上都是后者。
五、企业 AI 转型的 3 个认知层
我观察了 200+ 家企业的 AI 转型，把它们分成 3 个认知层级。这个分层跟规模无关，跟 CEO 的认知有关。
5.1 L1：AI 工具使用者（90% 的企业）
特征：
- 员工用 ChatGPT、文心一言、豆包、Kimi
- 买了 1-2 个 SaaS AI 工具（比如飞书智能伙伴、钉钉智能助理）
- 没有任何”内部大模型”
- 没有任何”AI 部门”
这是绝大多数企业的现状。这不是错，这是必经阶段。
但如果 3 年后还在 L1，这家公司大概率已经在走下坡路——因为竞争对手会用 AI 把它的成本结构彻底打穿。
5.2 L2：AI 流程改造者（8% 的企业）
特征：
- 至少有 1 个核心业务流程被 AI 重构（比如客服、推荐、风控、质检）
- 有专门的 AI 团队（哪怕只有 10 个人）
- 每年 AI 投入占总营收 1% 以上
- 业务部门有自己的 AI KPI
L2 的企业是中国 AI 转型的”中坚力量”，2026 年大约有 8% 的企业已经稳定在这个层级。海尔、京东、招商银行、平安、字节是典型。
5.3 L3：AI 原生企业（2% 的企业）
特征：
- 核心业务从第一天起就是 AI-driven
- 至少有 1 个 AI 产品对外商业化（不是内部用）
- 业务部门 VP 直接负责 AI 战略
- 数据治理成熟度全球前 10%
L3 的代表：Anthropic、OpenAI、Salesforce（Agentforce）、钉钉（悟空）、百度文心、海尔卡奥斯。
L3 的企业已经不能用”传统企业”的眼光看了——它们本质上是”AI 时代的创业公司”。它们的增长曲线、组织结构、估值模型都跟传统企业完全不同。
老刘做咨询有个经验：L1 → L2 是”工具升级”，L2 → L3 是”物种进化”。前者靠花钱，后者靠”换 CEO”。
六、90% 失败率背后的”反常识”
把上面所有内容串起来，你会发现一个反常识的结论：
AI 转型失败的最大原因，不是 AI 不够强，是组织不够”新”。
更进一步：90% 的失败不是技术决策错误，是治理决策错误。是 CEO 没想清楚”AI 跟我的业务到底是什么关系”，是董事会没想清楚”AI 投入到底算资本支出还是运营支出”，是业务部门没想清楚”AI 跟我的 KPI 到底是什么关系”。
我用 4 句话总结，你拿去跟董事会聊就够用：
- “上 AI”不是转型，”用 AI”才是转型——前者花钱，后者改命
- AI 项目不是越多越好，而是越少越赢——砍掉 70% 的项目，剩下的就是”真转型”
- 数据治理是 AI 投资的”地基”——地基不牢，楼上再豪华也白搭
- 业务部门才是 AI 转型的”主角”——AI 团队是配角，反过来就死了
七、写给那个要拍板 AI 预算的人
如果你正坐在这间会议室里，要为 2026 年下半年的 AI 预算拍板，我给你 3 个具体动作：
动作 1：本周内砍项目
- 把公司过去 2 年所有 AI 项目列出来
- 砍掉那些没有清晰业务负责人的
- 砍掉那些没有清晰业务 KPI的
- 砍掉那些业务部门 3 个月没用过的
- 能砍多少砍多少，砍的过程本身就是组织变革
动作 2：本月内做数据就绪度评估
- 找一家咨询公司或者外部专家
- 评估你的核心业务数据”AI 就绪度”评分
- 如果评分不到 30%，先把数据治理的预算补上——不要再买 GPU 了
动作 3：本季度内拜访 3 个同行 CIO
- 同行业、同规模最好
- 问问他们 AI 转型最痛的 3 件事是什么
- 你会发现，他们痛的事和你以为的不一样——这种”不一样”才是真知
最后一句话送给你：
AI 转型不是技术升级，是组织重生。那些把它当技术升级的公司，没有一家跑出来。
下一篇我会写 《AI Agent 不是工具，是新员工：7 家公司雇了 AI 员工后的真实账本》——那 7 家不是 Klarna、不是 BoA，是大多数你没听过、但老板们正在讨论名字的中国公司。咱们下篇见。
我是刘言午，专注 AI 领导力 5 年。这篇的数据来自 BCG、Gartner、IBM、Omdia、中国信通院的公开报告，不掺水、不编造。如果你想深入聊哪个案例，可以评论区留言。
暂无评论内容