編者按：在生成式人工智能加速迭代、企业争相“上马大模型”的当下，如何看清AI产业真实落地水平与商业价值，成为政策制定者和企业界共同关注的焦点。麦肯锡《2025人工智能发展现状》报告基于近2000家机构问卷，对AI应用范围、价值兑现与风险认知作出系统画像，为观察全球AI产业泡沫与潜力提供了一个重要窗口。
本文在梳理麦肯锡报告数据和结论的基础上，提出几个颇具启发性的判断：一方面，尽管绝大多数机构已用上AI试水AI Agent，但整体仍停留在试点阶段，真正通过流程重构、战略转型获得显著EBIT增量的是少数高绩效企业；另一方面，AI不准确、不合规以及知识产权侵权等隐性风险日益凸显，对企业治理、法律制度和就业结构都提出了新挑战。文章同时嵌入我国“人工智能+”行动部署，指出技术落地、能力储备与顶层战略需要一体设计、协同推进。
在AI时代“风口”与“陷阱”并存的背景下，中国企业究竟是将AI当作短期效率工具，还是把它纳入长期战略转型的核心引擎？监管部门如何在鼓励创新与防范风险之间找准尺度，既避免“一管就死”，又防止“失管泛滥”？这些问题，值得我们持续追问。
引言
在AI技术快速渗透商业领域的当下，麦肯锡以全球视角对AI发展现状进行分析，通过全球组织调研，精准勾勒出当前AI应用的真实意图。这项在线调查于2025年6月25日至7月29日进行，共收到来自105个国家/地区的1993份有效问卷，涵盖了各个地区、行业、公司规模、职能专长和工作年限。38%的受访者表示，他们所在的公司年收入超过10亿美元。为了消除回复率差异的影响，数据根据每个受访者所在国家/地区对全球GDP的贡献进行了加权处理。报告调研显示，几乎所有受访者都表示其所在机构正在使用AI，许多机构已经开始使用AI Agent。但大多数机构仍处于AI规模化应用和实现企业级价值的早期阶段。
通过调查分析，报告主要提出以下几点内容：
1. 应用阶段
从应用阶段来看，全球多数组织仍停留在AI探索的初期：近三分之二的受访者表示，其所在组织尚未在全企业范围内推广AI，试验或试点仍是主流模式。但与此同时，市场对新兴AI工具的兴趣已快速攀升，62%的受访者透露，组织至少已开始尝试使用AI Agent，展现出对技术潜力的积极关注。
2. 价值兑现
在价值兑现层面，AI的影响呈现“分层化”特征。值得注意的是，在应用案例层面，AI已显现出积极价值：有64%的受访者表示AI正助力组织创新；但从企业整体经营视角看，成效仍需突破——尽管39%的受访者认为AI对企业层面的息税前利润（EBIT）产生了影响，而其中大多数受访者表示，其所在企业EBIT中，由AI应用带来的贡献不足5%。
进一步来看，高绩效企业的AI应用策略为行业提供了重要借鉴。调研显示，80%的受访者所在企业将“效率提升”列为AI计划的核心目标，但那些从AI中获取最大价值的高绩效企业，往往会在效率之外，额外将“增长驱动”或“创新突破”纳入目标体系，形成更全面的价值导向。而实现这一目标的关键路径在于业务流程的深度重构：一半的AI高绩效企业明确计划利用AI改造业务模式，且多数高绩效企业已着手重新设计工作流程，以此为AI价值释放铺路。
3. 就业影响
最后，关于AI对就业的影响，行业认知仍存在显著差异。受访者对未来一年AI给所在机构整体员工规模带来的变化预期不一：32%的人预计员工规模会减少，43%的人认为不会发生改变，另有13%的人预期员工规模将增加，这种多元看法也反映出AI对组织人力结构影响的复杂性。
本篇评论将摘取麦肯锡报告当中的几个关键结论，结合其他案例以及我国AI应用发展情况和瓶颈展开讨论。
结论一：AI应用范围扩大，仍以试点为主
此前，国际数据公司（IDC）发布了2025年V2版IDC《全球AI和生成式AI支出指南》（IDC Worldwide AI and Generative AI Spending Guide) 。IDC数据显示，AI总投资规模和市场规模不断增加。2024年全球AIIT总投资规模为3,159亿美元，并有望在2029年增至12,619亿美元，五年复合增长率（CAGR）为31.9%。聚焦生成式AI（Generative AI），IDC预测，全球生成式AI市场五年复合增长率或达56.3%，到2029年全球生成式AI市场规模将达6,071亿美元，占AI市场投资总规模的48.1%。
然而，麦肯锡的报告指出，大多数机构尚未扩大AI技术应用的规模，AI仍停留在试点阶段。自去年调查以来，表示其所在机构至少在一个业务职能中使用AI的受访者比例有所上升：88%的受访者表示其所在机构至少在一个业务职能中定期使用AI，而一年前这一比例为78%。但在企业层面，大多数企业仍处于试验或试点阶段（见图表1），只有约三分之一的受访者表示其所在公司已开始扩大AI项目的规模。
图表1：数据表明，在企业层面，大多数企业仍处于试验或试点阶段
对于部分组织而言，他们正在更多的业务职能当中使用AI。超过三分之二的受访者表示，他们的组织正在多个职能中使用AI，一半的受访者表示，他们的组织正在三个及以上的职能中使用AI。然而，许多公司——尤其是规模较小的公司——尚未将AI深度融入到工作流程中。虽然只有三分之一的受访者表示他们正在组织内部推广AI项目，但规模较大的公司——无论从收入还是员工人数来看——更有可能已经进入规模化阶段。收入超过50亿美元的公司中，近一半的受访者表示已经进入规模化阶段，而收入低于1亿美元的公司中，这一比例仅为29%（见图表2）。
图表2：不同规模组织在职能中使用AI的情况
结合其他相关资料，AI应用的情况及其在不同企业的差异可能源于AI技术特性、行业需求等多重因素。具体而言，AI技术的成熟度与可靠性仍待验证，其在复杂场景中的实际效能存在显著不确定性。在企业内部应用下，小样本与长尾场景（关键环节数据稀缺、发生频率低）是AI模型训练的一大困境。例如医院的AI系统，因单病种病例不足，即便微调训练模型，其效果也达不到临床应用要求。 因此，在环境复杂且动态变化的现实世界中，AI系统需具备适应和处理这种不确定性的能力。
此外，不同行业对AI的接受度和需求差异显著。金融业因监管严格、数据成熟，AI试点成功率较高；而农业、建筑业等传统行业，因数据采集困难、环境复杂，试点周期往往更长。这种行业定制化要求，使得AI应用必须通过试点深度理解业务逻辑，避免“一刀切”带来的适配问题。
结论二：许多组织已经在试验AI Agent，但整体呈现尚未普及趋势
麦肯锡报告指出，各组织正在开始探索AI代理（AI Agent）带来的机遇，但是目前仍然只占少数比例。23%的受访者表示，他们的组织正在企业内部的某个部门扩展部署AI Agent系统，另有39%的受访者表示，他们已经开始尝试使用AI Agent。但AI Agent的使用尚未普及：大多数正在扩展部署AI Agent的组织表示，他们只在一两个职能部门这样做。在任何特定的业务职能部门中，只有不超过10%的受访者表示他们的组织正在扩展部署AI Agent（见图表3）。
图表3：各组织使用AI代理的相关数据
在AI革命浪潮下，AI Agent凭借其自主决策、流程自动化与场景适配能力，正成为企业寻求效率突破与竞争优势的重要工具。然而，技术赋能的背后，企业在引入AI Agent时不得不直面隐性的机会成本与显性的运营风险——这些风险不仅可能侵蚀短期收益，更可能动摇长期商业模式根基，甚至引发法律纠纷。
此前，金融时报指出，AI Agent动摇OTA核心佣金模式，加剧平台与酒店的博弈风险。Booking.com、Expedia与Airbnb纷纷引入大模型，以应对新的竞争格局。然而，这项技术或将动摇OTA赖以生存的佣金模式，赋予酒店更大的议价空间。在这个规模逾万亿美元的市场中，平台与酒店之间的博弈才刚刚拉开帷幕。此外，亚马逊诉Perplexity案，暴露AI Agent的法律合规与信任风险。这家在线零售商提起诉讼，要求Perplexity停止允许其AI浏览器代理Comet为用户执行在线购物操作。根据提交至美国旧金山联邦法院的起诉状，亚马逊指控Perplexity涉嫌计算机欺诈——Comet代真人购物时未按要求披露身份，此举违反了亚马逊的服务条款。
这些案例对企业的警示意义尤为深刻：在引入AI Agent前，企业不仅要评估技术可行性与成本，更需全面排查法律合规风险——尤其是涉及“自动化操作第三方平台”“处理用户敏感数据”“替代人工决策”的场景，需提前明确AI Agent的身份披露规则、操作边界与责任归属。否则，一旦触碰法律红线，企业将面临诉讼赔偿、品牌声誉受损等严重后果。
相比之下，AI Agent带来的“效率提升”“成本降低”等收益，往往是企业层面的长期价值，短期内难以直接转化为职能部门的绩效。这种“风险由部门承担，收益由企业共享”的不对称性，使得许多职能部门对AI Agent的应用持“保守甚至抵触”态度——它们更倾向于选择成熟、低风险的现有模式，而非冒险引入可能引发动荡的AI Agent。
结论三：AI有效提升企业竞争力
麦肯锡调查结果显示，对于大多数企业而言，AI的应用尚未对企业整体息税前利润（EBIT）产生显著影响。39%的受访者认为AI对EBIT产生了一定程度的影响，而其中大多数受访者表示，其所在企业EBIT中，由AI应用带来的贡献不足5%。然而，受访者也看到了其他一些公司层面的定性成果：大多数受访者表示，其所在企业应用AI后，创新能力有所提升；近半数受访者表示，客户满意度和竞争优势均有所提高（见图表4）。
图表4：受访者认为应用AI后对企业各项指标的的影响情况
尽管AI的应用对企业整体盈利产生显著影响的情况仍然很少见，但麦肯锡的调查结果表明，大胆设想可能会带来回报。报告认为，AI的应用能为企业带来5%或以上的EBIT影响，并且其所在组织已从AI应用中获得“显著”价值——这些受访者被定义为AI高绩效企业，约占受访者的6%——他们表示正在积极推动通过AI实现变革性创新，重新设计工作流程，加快规模化发展，实施转型最佳实践，并加大投资。
麦肯锡关于AI对企业盈利影响的调查结论，精准揭示了当前AI在商业落地中的“分化格局”与“未来潜力”——既客观指出了AI盈利价值尚未大规模兑现的现实，也明确了“高绩效企业”通过战略级应用突破瓶颈的路径。
除了企业直接的报表影响之外，AI对创新的影响是多维度、深层次的，它不仅改变了创新的“速度”和“效率”，更重塑了创新的“范式”和“边界”——从传统依赖人类经验的线性创新，转向“人类+AI”协同的非线性、爆发式创新。这种影响渗透到技术研发、产品设计、商业模式、组织管理等所有创新环节，既催生了全新的创新成果，也为传统领域的创新突破提供了关键工具。
例如，AI帮助优化新材料设计。此前，谷歌旗下深度思维公司宣布，借深度学习技术发现220万种新型晶体材料。今年初，微软宣称其AI模型MatterGen能从零生成无机材料，有望颠覆无机材料设计范式。同时，AI降低门槛，赋能非设计人员。例如腾讯云AI代码助手，是一款定位代码智能补全和生成的数字化工具，可以为开发者、开发团队及企业客户提供安全合规、高粘度体验的编码场景AIGC服务，具备代码补全、技术对话、代码诊断、单元测试等功能。
麦肯锡报告进一步指出，从AI中获益最大的组织往往追求的不仅仅是降低成本。虽然大多数受访者表示提高效率是其组织使用人工智能的目标之一，但绩效卓越的组织更有可能表示，其组织还将增长和/或创新作为人工智能发展的目标（图表5）。
图表5：受访组织对人工智能发展目标的看法
企业布局AI时，隐性成本的存在往往会削弱短期盈利表现；即便长期来看，AI能驱动企业实现创新模式升级并兑现价值增量，可多数企业仍不具备支撑这一过程的长期耐受度。隐性成本主要包含以下三个板块：一是技术成本，除了购买AI模型、算力的直接支出，企业还需投入资源做“数据治理”和后期维护等；二是组织成本，AI推动的流程重组会引发内部阻力。企业需要重新进行员工培训、组织架构调整；三是试错成本，AI模型的效果依赖“场景匹配度”，部分企业盲目跟风部署AI，因场景与技术不匹配导致项目失败，反而增加了成本。企业能否借AI实现EBIT提升，核心不在于“是否应用AI”，而在于“以何种战略逻辑应用AI”。企业需彻底跳出“将AI视为浅层效率工具”的认知局限，真正将其定位为驱动业务重构与价值升级的“战略转型核心引擎”——通过AI深度挖掘用户未被满足的隐性需求，创造颠覆式的产品形态或服务模式，从而直接打开全新的盈利增长空间。
对于已迈入“AI探索阶段”的企业而言，若当前仅停留在单个场景的AI应用，却未看到对整体盈利的显著拉动，关键突破口在于从“单点效率优化”转向“全流程协同赋能”：推动AI从单一部门的工具，渗透到研发、生产、营销、服务等核心环节，通过打通“数据流转—流程适配—盈利转化”的完整链路，让局部效率提升汇聚成整体盈利增长的合力，最终突破盈利瓶颈。
结论四：AI的价值提升离不开多维度的共同发展
此外，报告中指出：“AI领域的高绩效者也更有可能采用一系列实践方法来实现AI的价值”。例如，高绩效者比其他组织更有可能表示，他们的组织已经制定了明确的流程，以确定模型输出何时以及如何需要人工验证以确保准确性（图表6）。这套完整的管理实践与麦肯锡更广泛的“重塑”（Rewired）研究相一致，该研究基于200多个大规模AI转型案例。这些实践涵盖了从AI中获取价值的六个关键维度：战略、人才、运营模式、技术、数据以及应用和规模化。麦肯锡测试的所有管理实践都与AI带来的价值呈正相关。这些实践使组织能够创新并大规模地从AI中获取价值。
图表6：AI领域的高绩效者与其他受访者采用实践方法以实现AI价值的对比情况
拥有敏捷的产品交付组织，或者拥有完善交付流程的企业级敏捷组织，与实现价值密切相关。同样，建立健全的人才战略并实施技术和数据基础设施，对AI的成功也具有显著贡献；而将AI嵌入业务流程并跟踪AI能解决方案的关键绩效指标等实践，则有助于实现显著价值。
目前，AI技术已成为企业突破增长瓶颈、提升核心竞争力的关键抓手，但不少企业在实践中常陷入“重落地、轻根基”的误区——仅聚焦单一场景的AI工具应用，却忽视了技术储备的支撑力与战略规划的引领性，最终导致AI应用效率偏低、价值难以释放。因此，企业需以“落地+储备+战略”三位一体的思路推进AI建设。
我国《国务院关于深入实施“人工智能+”行动的意见》中指出，应当强化复合型人才储备，驱动技术研发模式创新和效能提升。推动AI驱动的技术研发、工程实现、产品落地一体化协同发展，加速“从1到N”技术落地和迭代突破，促进创新成果高效转化。此类发展目标的底层逻辑在于夯实AI技术相关储备，筑牢应用根基。只有当技术储备与战略规划相结合的时候，才能提升AI应用的效率。
结论五：AI的不准确性及不合规性或造成负面后果
麦肯锡调查指出，组织正在经历并努力缓解的风险在很大程度上是相互关联的：受访者更有可能表示，他们的组织正在缓解他们已经遭受后果的每一种风险。总体而言，51%使用AI的组织受访者表示，他们的组织至少经历过一次负面后果，其中近三分之一的受访者表示，后果源于AI的不准确性。不准确性是大多数受访者表示其组织正在努力缓解的两大风险之一（图表7）。然而，第二大最常被提及的风险：可解释性，却并非最常被缓解的风险之一。
图表7：AI不准确性会导致负面后果，过去一年中的负面后果和风险缓解情况
来自AI领域表现优异的机构的受访者表示，他们所在机构部署的AI应用案例数量是其他机构的两倍，因此他们更有可能报告负面后果，尤其是在知识产权侵权和监管合规方面。这些表现优异的机构也试图防范更多种类的风险。
目前，国际上有诸多关于AI侵权的案例。例如2023年，多名开发者起诉微软，指控GitHub Copilot生成的代码片段包含受版权保护的开源代码。微软虽推出“代码匹配过滤器”，但原告认为其仅检测完全匹配内容，对修改后的代码无效。法院保留了版权侵权、违反开源协议等核心指控；2025年9月，迪士尼、环球影业和华纳对中国AI发起版权诉讼，称其“故意且公然”侵犯版权。2025年12月，迪士尼指控谷歌AI模型生成《冰雪奇缘》《星球大战》等经典角色形象，并通过YouTube等平台商业化传播。迪士尼要求谷歌立即停止侵权并增设技术限制，否则将提起诉讼。此类知识产权和监管合规的案例对企业均会造成负面影响。
结合上述案例说明，AI技术的价值释放与风险防控存在强绑定关系。企业若仅追求AI应用的效率与创新，却忽视合规性与知识产权风险，极易触碰法律红线，导致技术优势转化为经营危机。因此，企业在运用AI的同时，必须将合规与知识产权保护贯穿AI应用全生命周期，通过主动防控而非被动遵守，才能让AI真正成为企业的竞争增量，反之则可能陷入诉讼纠纷、经济损失与品牌信誉受损的多重困境。
结论六：AI对就业的影响存在显著的行业认知差异
随着各组织机构扩大AI的应用，受访者对AI在未来一年可能如何影响其员工规模持有不同的看法。在考察各组织机构应用AI的职能部门时，大多数受访者表示，过去一年中，由于组织机构使用AI，员工人数几乎没有变化。在大多数职能部门中，只有不到20%的受访者表示员工人数减少了3%或更多，而表示组织机构使用AI导致其在特定职能部门增加员工人数的受访者比例则更低。
然而，更多受访者预计未来一年这些职能部门的员工人数会发生变化。在所有业务职能部门中，17%的受访者表示，由于AI的应用，过去一年中各职能部门的员工人数有所减少，但30%的受访者预计明年员工人数还会减少（图表8）。
图表8：受访者对未来一年不同职能部门员工人数会发生的变化进行预测
此前，全球三大顶级高级翻译学院之一的蒙特雷明德国际研究学院（MIIS）宣布停止招生。翻译和口译作为MIIS的王牌专业，近年来受到AI技术突破带来的影响。麦肯锡研究显示，翻译和口译人员位列“AI高暴露职业”榜首。此外，麦肯锡其他报告表明，到2030年，AI和自动化或取代高达30%的工时——这一变革既对传统职业构成直接冲击，也在倒逼就业市场、劳动者与政策体系做出适应性调整。
同时结合麦肯锡本篇报告当中的数据，未来AI对就业的影响是一场深刻的结构性变革，既带来传统岗位的迭代调整，也催生全新的职业形态。其核心逻辑并非简单的“机器取代人类”，而是通过技术赋能重塑劳动力市场的价值分配体系。企业应当培养更多的AI协作型专业人才，重构企业工作流程，助力提升效率；政府也应当培养跨学科思维，打破专业壁垒，适应跨界需求，助力培养更多复合型人才，成为AI协作的核心枢纽。
结语
总体而言，AI的价值释放并非单纯依赖技术本身，而是深度绑定企业的战略设计与阶段认知。当前AI技术虽呈现“使用范围扩张”与“应用阶段初级”的矛盾，且职业替代影响因职能差异而分化，但核心逻辑始终一致：企业唯有以系统化规划为纲，理性应对试验阶段的不确定性，差异化设计职能布局，并将合规风险防控贯穿全程，才能让AI从“试验性工具”转化为“确定性效益”，反之则可能陷入技术滥用、资源浪费或合规危机。
*本文图片引自 McKinsey & Company。本文所评麦肯锡报告标题为《The state of AI: How organizations are rewiring to capture value》
GBA Review 新传媒
