采用狂奔，EBIT 原地不动：企业 AI 的规模-回报断层

企业 AI 的 2026 年数据讲了一个反直觉的故事：部署在加速，回报在静止。McKinsey 8 月发布的年度调查里，营收超 10 亿美元的企业一年内把「至少在一个业务职能规模化 AI agent」的比例从 27% 推到 40%；同一份数据里，报告任何 EBIT 影响的企业比例两年都卡在 37%，真正称得上高绩效的（AI 贡献不低于 5% EBIT）只有 6%。采用与回报的断层在扩大。我们的判断：这不是技术问题，是转换问题——个人生产力不会自动进入资产负债表。

数字：部署在狂奔，利润原地不动

McKinsey《The State of AI in 2026: On the road to ROI》（2026-08-25，1,719 家受访）给出的核心数字（来源：https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ；解读：https://bigaiagent.tech/ai-agent-scaling-gap-2026-mckinsey-survey/ ）：

规模化从 27% 涨到 40%——但只发生在大企业；中小企业一年没动，卡在 22%。报告 EBIT 影响的比例 37%，两年不变。高绩效者 6%，也没变。约五分之一企业说运营成本（token 支出是显性一项）已经开始限制 AI 用量。80% 的受访者报告个人生产力提升、一半说决策质量改善——但个人层面的收益没有变成企业层面的数字。32% 的企业跳过购买某个软件产品，因为 agentic coding 工具让它们可以自建；高绩效者里这个比例接近 47%。预期 AI 导致裁员的比例从 32% 升到 39%，实际报告的裁员只有 14%——信心跑在证据前面，成本节省和人力节省都是。

高绩效者做对了什么：流程重建，不是模型选择

McKinsey 数据里最锋利的分水岭几乎与模型、平台无关：近四分之三的高绩效者报告「围绕 AI 从根本上重建了工作流」，其他企业只有约四分之一。高绩效者跨多数职能规模化的可能性是其他企业的 3 倍以上，IT 预算 15% 以上投 AI 的可能性是 2 倍以上（来源：https://bigaiagent.tech/ai-agent-scaling-gap-2026-mckinsey-survey/ ）。

Salesforce 对 2,025 位决策者的调查（2026-05-14 至 05-28 双盲问卷，20 国）给出同一结论的另一种切法：最预测成功的三项是「干净可访问的数据」（36%）、「窄范围用例」（36%）、「上线前定义好的人机升级路径」（35%）——全部排在模型质量、平台选择、统一编排层（约 30%）之前。已部署者平均约 8 个月达到正 ROI，员工采纳率 53%，客户满意度提升 29%。专业与商业服务是部署最慢的行业之一，却是最快到 ROI 的（6.5 个月）；科技行业部署最多，到 ROI 反而最慢（10.1 个月）——先发不保证先回报（来源：https://www.salesforce.com/news/stories/agentic-ai-leaders-survey-on-roi/ ）。

我们的判断：这组数字共同指向一件事——回报不来自「更强的模型」或「更多的 agent」，而来自「哪个流程被重建了」。把 agent 插进旧流程（bolt-on）会封顶回报。科技行业是反例的注脚：它最会部署，也最习惯「插入式采用」。

断层是「转换层」缺失

80% 的个人生产力提升，37% 的企业 EBIT 影响——中间的转换机制不存在。我们把这段缺失的机制叫「转换层」（conversion layer），它由三件事组成：

第一，流程重建。工作流按 agent 的真实能力重画，而不是把旧流程的每个步骤交给 agent 重跑一遍。第二，数据就绪按用例切。Salesforce 数据：只有 31% 的部署者先完全统一数据（7.3 个月到 ROI），69% 用迭代整合的方式也到 ROI（8.8 个月）——为单个高价值用例凑齐数据就上线，不等全企业统一。「等数据完美」是错误卡点。第三，运营成本进预算。Forrester 受 Microsoft 委托的 TEI 研究给出一个值得抄进预算模型的成本结构：约 25% 的人力节省要用于「支付」数字员工——订阅与消费是显式负债，不是事后费用；该复合组织三年收益 4,450 万美元、成本 2,020 万美元、NPV 2,420 万美元、ROI 120%、15 个月回本（来源：https://tei.forrester.com/go/microsoft/agenticaisolutions/docs/Forrester_TEI_The_Total_Economic_Impact%E2%84%A2_Of_Microsoft%E2%80%99s_Agentic_AI_Solutions.pdf ；委托研究口径，数字是厂商自报的复合模型）。

我们的判断：转换层缺失就是断层本身。个人生产力是输入，不是产出；没有转换机制的「效率提升」报告，会一直停在「80% 的员工觉得 AI 有用」和「37% 的企业看到回报」这两列数字之间，永不汇合。

速度与风险的权衡是真实的

Salesforce 调查里有一组容易被忽视的数字：部署者在部署前平均搭了 2 个治理结构，部署后加到 3 个；治理更轻的组织到正 ROI 只要 7.2 个月，治理更重的要 9.3 个月——但轻治理组有 32% 在「出了后果性错误之后」才发现 agent 越界，重治理组只有 18%（来源：https://www.salesforce.com/news/stories/agentic-ai-leaders-survey-on-roi/ ）。

行业反例给了同一教训的注脚：Tata Steel 九个月部署 300+ 专用 agent（Google Cloud 对外稿），但没有结果指标——agent 数量不证明价值，部署速度也不证明风险可控（来源：https://www.agenticism.co/post/luxury-retailer-scales-agentic-ai-across-workforce-with-high-volume-interactions-and-measurable-effi ）。

我们的判断：ROI 速度与风险可见度不可兼得，这是设计权衡，不是执行缺陷。董事会要的「更快回报」和「更稳」是同一张表上的两列，不是先后顺序。预算评审时先写清楚：你要多快的回报，就配多轻的治理；轻治理的代价是约三分之一的事故在发生后才知道。

我们的判断

第一，用「流程重建数」替代「agent 部署数」作为回报指标。部署计数是虚荣指标——Tata Steel 300+ agent 没有结果数字，EY 五万 agent 的价值在自建工具让业务单元自助造 agent，不在数量本身。第二，转换层缺失是断层根因：个人生产力不自动上资产负债表，中间需要流程重建、按用例的数据就绪、显式的运营成本预算。第三，数据不必先完美：7.3 个月 vs 8.8 个月的差距，比「再等一年数据统一」的机会成本小得多。第四，治理强度与风险容忍必须同表：7.2 个月 vs 9.3 个月的 ROI 差，对应 32% vs 18% 的事故后才发现——选哪个都是对的，假装两个都要才是错的。第五，token 成本是 2026 年的隐性封顶器：五分之一企业已经被运营成本限制用量，没有运维成本预算的 agent 计划会在规模化时撞墙。

给买方的行动清单

第一步，把过去六个月上线或规模化的 agent 列成表，逐个回答「它所在流程被重建了吗？」——超过一半答「没有」，就是转换层缺口信号。第二步，把个人生产力指标（80% 那类）与财务指标分开汇报。别让「使用量」冒充「回报」；董事会看的是第二列。第三步，数据就绪按用例切。挑一个高价值用例，凑齐它需要的数据就上线，不等全企业统一——69% 的部署者证明了这条路可行。第四步，预算模型显式写 token 与运维成本。参考 Forrester 的 25% 规则：约四分之一的人力节省要用来「支付」数字员工；再给每个 agent 设成本上限。第五步，治理强度与 ROI 速度写进同一张决策表。高自动化的放权场景配审计日志与越界检测，低风险场景可以轻治理快迭代——但每格都写清楚代价。

留给 C-suite 的决策问题：你上个月的 agent 计划里，哪一条是「重建流程」，哪一条只是「插入流程」？

参考来源: McKinsey《The State of AI in 2026: On the road to ROI》(2026-08-25) — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ；BigAIAgent 解读《AI Agent Scaling Gap 2026》(2026-09-05) — https://bigaiagent.tech/ai-agent-scaling-gap-2026-mckinsey-survey/ ；Salesforce《Agentic AI Study: Preparation Beats Speed for ROI》(2026-06) — https://www.salesforce.com/news/stories/agentic-ai-leaders-survey-on-roi/ ；Forrester《The Total Economic Impact of Microsoft’s Agentic AI Solutions》(Microsoft 委托) — https://tei.forrester.com/go/microsoft/agenticaisolutions/docs/Forrester_TEI_The_Total_Economic_Impact%E2%84%A2_Of_Microsoft%E2%80%99s_Agentic_AI_Solutions.pdf ；Enterprise Agenticism《Luxury retailer scales agentic AI across workforce》(2026-09-07) — https://www.agenticism.co/post/luxury-retailer-scales-agentic-ai-across-workforce-with-high-volume-interactions-and-measurable-effi