McKinsey 一年一度的《State of AI》调研在 8 月 25 日发布，结果与过去两年一致地令人不安：企业 AI 支出创纪录，个人效率满意度攀升，但能指出 AI 对盈利有实际影响的企业比例几乎没有移动。今年的数据还多了一个新的张力——大型企业的 Agent 规模化在加速，可归因的财务影响却停在原地。
规模化与财务影响之间的脱节，在职能层面更直观：约 90% 的具体职能级 AI 用例仍停留在试点，没有规模化到生产。受访者报告的成本下降集中在供应链管理、服务运营与制造——这些是 AI 做一件有界、可测量的事的场景；收入增长集中在市场销售与产品开发。其余大部分企业级聊天机器人部署，仍在生产『个人满意度』，而不是『组织影响』。
个人效率 ≠ 企业盈利
调研中 80% 在工作中使用 AI 的人说它改善了自己的个人生产力，但这没有汇聚成 CFO 和投资者跟踪的 EBIT 增长。McKinsey 的解释是结构性的：水平工具——聊天机器人、Copilot、写作助手——容易规模化，确实帮助个人，但它们省下的时间留在员工桌面，而不是流向损益表。企业级的盈利影响要求围绕 AI 重新设计工作流和业务流程，而不是在现有流程上加一层 AI。绝大多数组织做的是后者。
McKinsey 自己的部署成了另一种佐证：CEO Bob Sternfels 披露公司现有约 25,000 个 AI Agent 与 40,000 名咨询顾问并行，目标是在年底接近 1 比 1；后台职能部门缩编 25%，面向客户的岗位增长 25%，而后台总产出反而上升 10%。这是一次『再造优先』的活体示范——个人效率没有简单地加总成组织成果，除非流程本身被重做。
Token 成本乘数：新的运营约束
规模化还带来一个新的财务约束：成本结构正在从软件许可转向推理 token 消耗。近三分之一的受访者选择用编码 Agent 自建而非购买软件产品，资本从 SaaS 许可费流向推理费——一种更不可预测、波动更大的成本。五分之一的受访者说 AI 运营成本（含 token）已经限制了他们对技术的使用。
根因是架构性的。Gartner 2026 年 3 月对 Agentic AI 成本动态的分析估算：一个会推理、调用外部工具、校验输出并自我纠错的 Agentic 工作流，单任务产生的推理 token 是回答同一用户问题的普通聊天的 5 到 30 倍。在企业规模上，这个乘数会把可控的 AI 预算变成显著的成本项。CIO 开始按『完成一个工作流的完整成本』来衡量，并追问：什么样的任务值得为前沿模型付费。
高绩效者的分水岭：工作流再造
调研数据指向一个压倒性的区分实践：近四分之三的高绩效者围绕 AI 重新设计了工作流，而其他受访者只有约四分之一。识别一个具体业务流程——客户升级流程、理赔审查流水线、供应链异常处理——让 AI 端到端拥有多个步骤，而不是在个别步骤辅助人类。再配上部署前建立的可测量基线、高管对项目的可见承诺，以及重新分配编制而非在现有运营上加量的意愿。
TechTimes：Record AI Spending Can't Move Earnings Needle for 94% of Enterprises, McKinsey Finds（2026-08-26）— https://www.techtimes.com/articles/325590/20260826/record-ai-spending-cant-move-earnings-needle-94-enterprises-mckinsey-finds.htm
Quasa：AI-Agent Scaling Rises as Reported EBIT Impact Stays Flat（2026-08-29）— https://quasa.io/insights/ai-agents-scale-at-40-of-large-firms-but-profit-impact-is-flat
