最近读了德勤最新的《企业AI现状》年度报告，3200多个企业高管的调研，覆盖24个国家。我一行一行读下来，越读越觉得有意思——不是那种“哇AI好厉害”的惊叹，而是那种“果然如此”的共鸣，藏着企业AI落地过程中最真实的困境与迷茫。
现在几乎所有企业都在搞AI，没有例外。但真正搞明白自己在干什么、能把AI真正落地的企业，比例比我想象的低得多。德勤的调研里有一个触目惊心的数据：目前只有25%的企业，能把40%以上的AI试点项目推进到生产环境。
听起来似乎还行？但德勤同时指出，54%的企业预计在未来三到六个月内达到这个数字。也就是说，所有人都在加速推进AI落地，但“加速”不代表“顺畅”，很多企业只是在追赶趋势，却没解决核心问题——为什么AI试点推进到生产的速度，会这么慢？
一个做医疗AI的负责人跟我说过一段话，让我印象深刻。我问他，若AI试点成功了，怎么实现规模化落地？他说，见过很多人闷头做试点，可被问到怎么扩大规模时，根本说不清楚，没有明确的路线图。“一百个试点，只是糟糕的结果和失败的价值创造。”
这句话我反复看了一遍，越品越有道理。一个试点项目，小团队花几个月就能跑通，数据是干净的，环境是隔离的，不用考虑复杂的系统兼容、合规审查，相当于“温室里的实验”。但生产环境完全是另一回事：需要大额的基础设施投资，需要和企业现有系统深度集成，需要通过严格的安全审查、合规检查，还需要搭建完善的监控系统、建立持续维护的机制——每一样，都比试点难十倍。
很多企业的痛点，从来不是“做不出AI试点”，而是做完了一百个试点，却不知道怎么把它们串联起来、落地到实际业务中，这就是所谓的“试点疲劳”。看似忙忙碌碌，却没有真正产生价值，AI始终停留在“实验室阶段”，无法为企业带来实质性改变。
那么，大部分企业的AI落地，到底拿到了什么结果？不可否认，AI已经在提高效率和生产力上发挥作用，这是最广泛的收益，几乎所有布局AI的企业都能感受到。但更深层次的变革，却寥寥无几。
德勤的数据显示，只有34%的企业开始用AI深度改造自己的业务——创造新产品、重构核心流程，甚至改变商业模式；另有三分之一的企业，在重新设计围绕AI的关键流程，但保持商业模式不变；剩下的37%，只是在表面上用AI，对既有流程几乎没做任何改变。
这三类企业，都在拿“效率和生产力”说话，但只有第一类，真正在重塑业务，而不是简单优化已有的东西。我有时候觉得，大部分企业其实并不知道AI能干什么——他们知道AI能降本、能提高生产力、能做客服，但很少有人真正想清楚，AI能怎么改变公司的根本运作方式。
这里有一个很有意思的细节，关于收益预期与实际结果的差距：74%的企业希望AI能带来收入增长，但只有20%的企业已经做到了，差距高达3.7倍。也就是说，大部分人都在期待AI改变收入结构，却还没看到实质性的结果。
不过也有积极的信号：德勤提到，25%的领导者现在报告AI对他们的公司产生了变革性影响，这个比例比去年翻了一倍，从12%涨到了25%。虽然增长很快，但基数太低，说明AI的深度落地，依然任重道远。与此同时，信任和投资也在飙升，84%的企业增加了AI投入，78%的领导者对AI技术更有信心——钱在进来，信心在涨，但真正的变革，还在路上。
说到这里，可能有人会问：说了这么多困境，到底怎么才算把AI落地做对了？德勤的报告里，有一个发现让我很有启发，关于人才与岗位的适配。
82%的企业预计，三年后至少10%的工作岗位会被AI完全自动化；36%的企业甚至预计一年内就会实现。但矛盾的是，84%的企业还没有围绕AI重新设计过工作岗位。
你可以想象一下：如果大部分人的工作会被AI替代，但公司还没有重新设计岗位，那会发生什么？很多被自动化的岗位，其实是入门级岗位——数据录入、对账、初级客服，这些岗位往往是员工长期职业道路的起点。如果把起点砍掉了，员工怎么成长？
一个做物流的AI与创新总监说过一段话，我觉得很有道理。他说，他们正在从业务层面为员工重塑技能，投入大量资源，确保员工能采用新的AI工具，交付更大、更好、更智能的成果。但他的目标，不是让今天的定价分析师继续做定价分析师，而是让他们变成定价策略师——这不是简单的培训，而是重新定义一个岗位。
但现实很骨感：只有53%的企业在通过教育员工来提升AI素养，33%在评估人才获取水平和招聘策略，只有30%在重新设计职业路径。比例逐层递减，很明显，大部分企业只是在教员工用AI工具，却没有人认真想过，工具改变之后，岗位应该怎么变、员工应该怎么成长——这是AI落地过程中，一个被严重低估的盲区。
再聊聊治理，这是AI落地的另一个“重灾区”。74%的企业计划在未来两年内部署自主代理AI（agentic AI），但只有21%的企业拥有成熟的自主代理治理模型。也就是说，近四分之三的企业打算让AI Agent去执行具体任务——买东西、发邮件、改系统，但只有五分之一的企业想清楚了怎么管理这些AI Agent。
企业对AI治理的担忧，主要集中在几个方面：数据隐私和安全（73%）、法律、知识产权和监管合规（50%）、治理能力和监管（46%）、模型质量、一致性和可解释性（46%）。这些都是实实在在的风险，但更让我在意的是一个细节：有些企业的高管发现，他们的AI模型已经部署在生产环境中了，却没有正式审批，没有监控系统——因为开发是在没有系统跟踪、没有集中可见性的情况下进行的。
换句话说，有些公司正在用的AI，连公司自己都不知道它在跑什么、在做什么。这种“失控”的AI落地，比不落地更可怕，潜藏着巨大的合规和安全风险。
说到治理，就不能不提报告中反复出现的一个词：主权AI（Sovereign AI）。德勤对它的定义是：一个国家以及在其内运营的公司，用自己的法律、在自己控制的基础设施上、使用受本地治理的数据，来设计、训练和部署AI。其核心目标很直接：减少对外国供应商的依赖。
具体到企业层面，数据同样值得关注：77%的企业现在会将AI解决方案的原产国纳入供应商选择决策，58%的企业现在主要使用本地供应商来构建自己的AI技术栈。这个选择，很多时候不是基于技术优劣，而是基于地缘政治风险。
一家电信公司的前可观测性VP说过一句话，很有代表性：他最近在和很多国际公司合作，这些公司坚决要求使用境内的基础设施。“当你在用一个来自境外的东西时，你会感到怀疑。”这话听着有点绝对，但细想之下很有道理——如果你的数据跑在美国的云上，模型在欧洲训练，而你的客户在亚洲，一旦出现数据泄露、合规违规等问题，到底该找谁负责？这不是技术问题，而是主权问题、信任问题。
最后，聊聊物理AI（Physical AI）——也就是能感知现实世界、做决策，并通过机器或控制系统执行物理动作的AI系统，简单说就是机器人、自动驾驶、无人机这些“能动手”的东西。
目前，58%的企业已经在某种程度上使用物理AI了，其中18%的使用程度达到了中等或以上；预计到两年内，这个数字会涨到80%。亚太地区是早期采用的领先者，71%的亚太受访者报告至少有限地使用物理AI，而美洲和EMEA（欧洲、中东和非洲）分别是56%。
但物理AI的增长曲线，明显比软件类的自主代理AI要慢。原因很简单：物理部署有其固有的挑战——更高的成本和资本要求、更长的开发周期、更严格的安全法规，还需要专门的硬件和持续维护。目前，控制环境是物理AI最早落地的场景，比如工厂、仓库这种封闭空间，而开放环境的挑战和风险，要大得多。
有一个被采访的企业，在用AI自动化包裹分拣，让仓库机器人自主决定存储位置，以最大化空间利用率；另一个企业，在用AI Agent帮助客户完成最常见的交易——改签航班、改道行李，释放人工客服去处理更复杂的问题。这些场景很有启发：物理AI不是简单的替代人力，而是让机器做它擅长的（精准、高效、重复作业），让人做人类擅长的（复杂决策、情感沟通），实现人机协同的价值最大化。
最后，说一个让我印象最深的发现。德勤调查了企业在采用AI方面的准备情况，分五个维度：技术基础设施、战略、数据管理、风险治理、人才。结果很有意思：领导者在战略维度上感觉准备最充分，42%认为高度准备；但在技术基础设施上只有43%，数据管理只有40%，人才只有20%。
也就是说，很多领导者觉得自己的AI战略方向是对的，但基础设施跟不上、数据管理跟不上、人才更跟不上。一家欧洲银行的首席AI策略官说过一段话，恰好能总结这种困境：“很多企业为了AI未来而做好准备，构建了传统AI模型的基础设施和治理。但随着大语言模型（LLM）的到来，这些工作被颠覆了。突然之间出现了一种不同于以往AI的新能力。现在，近80%到90%的新用例都是生成式AI。是的，公司准备好了，但是为了一个不同的未来。生成式AI需要一套全新的能力。”
这段话值得反复品读。很多人以为，AI落地的准备是一个一次性的项目——建好基础设施、招好人、写清楚治理规则，然后就可以高枕无忧了。但实际上，AI的准备是一个持续迭代的过程，因为你永远不知道下一个技术突破是什么、下一种AI能力是什么。上一个阶段准备好了，下一个阶段的新需求、新挑战又会到来。
总结一下我的感受：AI在企业中，正在经历一个从“好奇试探”到“落地实践”的关键阶段。所有公司都在往前走，但真正能通过AI改变业务模式、实现深度变革的，还只是一小部分。
试点到生产的鸿沟，是当前最大的问题；人才培养与岗位的重新设计，被严重低估；治理能力跟不上技术发展的速度；主权AI的需求，从理论走向了现实；物理AI正在从实验室走出，走进真实场景。
而最重要的一个趋势是：AI不再只是一个辅助工具，它正在成为业务的一部分，融入企业的核心流程、商业模式和组织架构中。能意识到这一点，并主动适配、持续迭代的企业，才能在AI浪潮中站稳脚跟，跑在前面；而那些只停留在试点、忽视落地细节、跟不上时代变化的企业，终究会死在从试点到生产的路上。