95% 的企业 AI 项目失败——这不是模型问题，是组织问题

2026 年 7 月，AI Invasion 年度报告发布了一个令人警醒的数字：MIT Project NANDA 基于 300+ 公开披露的 AI 部署、52 个结构化访谈和 153 个领导层调查发现——95% 的企业生成式 AI PoC 未能产生可衡量的 P&L 影响。只有 5% 的项目转化为快速的收入增长或成本降低。而研究人员的结论更加尖锐：这不是模型质量问题。

三个数字，一个结论

当我们将多个独立研究机构的数据放在一起看，模式变得清晰：

• MIT NANDA：95% 的 GenAI PoC 未产生可衡量的 P&L 影响
• McKinsey：88% 的组织在至少一个业务功能中使用 AI，但只有 39% 报告任何可归因于 AI 的 EBIT 影响——只有约 6% 是"AI 高绩效者"
• Gartner：超过 40% 的 Agentic AI 项目将在 2027 年底前被取消——原因是成本上升、商业价值不明确或风险控制不足
• S&P Global：42% 的公司在 2025 年放弃了大部分 AI 计划，较 2024 年的 17% 大幅上升

这三个数字指向同一个结论：AI 的采用率在上升，但投资回报率没有跟上。企业正在购买更多的 AI，但大部分价值没有被捕获。

为什么 95% 的项目失败？

MIT NANDA 的研究人员明确表示，差距不是由模型质量或监管驱动的——而是由组织方法驱动的。换句话说，不是 AI 不够好——是企业的部署方式有问题。

问题的核心在于三个层面：

• 数据准备度不足：企业将 AI 部署在混乱、未治理的数据上。正如 Thomson Reuters 所指出的，AI 输出的可信度只取决于它所依赖的数据的质量。
• 工作流设计缺失：大多数企业将 AI 叠加在现有流程上，而不是重新设计工作流。McKinsey 和 Deloitte 的报告一致表明，成功的 AI 部署需要从根本上重新思考工作的组织方式。
• 治理赤字：Deloitte 调查了 3,235 家企业后发现，79% 的企业没有成熟的 AI Agent 治理模型。当 AI Agent 开始自主决策时，没有治理就等于没有控制。

BCG 的 10/20/70 规则在这里给出了最简洁的解释框架：10% 的预算用于算法，20% 用于技术和数据，70% 用于人和流程。大多数企业恰恰把比例搞反了——它们在模型上投入最多，在流程和组织变革上投入最少。

$2.59 万亿的 AI 支出，28% 看到 ROI

全球 AI 支出预计在 2026 年达到 $2.59 万亿（Gartner），四大超算企业的资本支出合计 $6950-7250 亿。但只有 28% 的企业报告看到了 AI 的 ROI。这种支出与回报之间的巨大差距，是企业 AI 面临的根本矛盾。

值得注意的是，McKinsey 所说的"AI 高绩效者"——那些将超过 5% 的 EBIT 归因于 AI 的企业——有一个共同模式：它们将数据质量、工作流重新设计和治理视为先决条件，而不是事后想法。这不是关于拥有最好的模型——这是关于在模型之外的基础设施。

40% 的 Agent 项目将被取消——这意味着什么？

Gartner 预测超过 40% 的 Agentic AI 项目将在 2027 年底前被取消。原因不是 Agent 技术本身有问题——而是企业没有准备好部署它们。Agent 需要比传统 AI 更严格的治理：它们自主决策、执行操作、访问系统。当治理层缺失时，Agent 项目要么失控，要么停滞。

对于企业来说，这意味着：不要在没有先建立治理基础设施的情况下启动 Agent 项目。Agent 项目的成功与否，取决于在部署之前是否已经定义了权限边界、行为规则和审计要求。