The GenAI Divide: State of AI in Business 2025

访问地址验证

• 用户提供的 MIT Technology Review 地址 https://www.technologyreview.com/2025/08/19/1123722/the-generative-ai-chasm-2025/ 返回 404。
• 未找到题为“生成式AI的鸿沟：2025年商业AI的现状”的 MIT Technology Review 原文。
• 可验证的核心资料是 MIT Project NANDA / MLQ PDF: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• PDF 可下载，文件标题为 The GenAI Divide: State of AI in Business 2025，共 26 页。

剪藏价值判断

高价值，但需带方法论警惕保留。

理由:

• 直接解释企业 AI 从 pilot 到生产/ROI 的断裂，命中本库“组织与部署”主线。
• 与 Stanford 成功部署报告形成一正一反的组合: MIT/NANDA 解释为什么大多数项目卡住，Stanford 解释成功样本做对了什么。
• 报告提供 adoption、pilot、production、P&L impact、外部合作 vs 内部自建等可量化判断，适合后续编译为 comparison。
• 需要谨慎的是: 报告是 preliminary findings，公司数据匿名，部分结论依赖访谈和公开案例归纳，不应把“95% 失败”机械理解为所有企业 AI 使用失败。

关键事实摘录

报告说明其研究期为 2025 年 1 月至 6 月，方法包括:

• 系统性回顾 300+ 个公开 AI initiatives。
• 访谈 52 个组织代表。
• 在四个主要行业会议中收集 153 位 senior leaders 的问卷回复。
• 公司具体数据和引用被匿名处理。

报告核心结论:

• 企业在 GenAI 上投入约 USD30-40 billion，但报告称 95% 的组织没有取得可衡量回报。
• 只有 5% 的 integrated AI pilots 提取出数百万美元级价值，大多数没有可衡量的 P&L impact。
• ChatGPT 和 Copilot 等通用工具采用率高: 超过 80% 的组织探索或试点，近 40% 报告已部署。
• 这些通用工具主要提升个人生产率，而不是直接改善 P&L。
• enterprise-grade custom/vendor systems 的漏斗很陡: 60% 的组织评估过这类工具，20% 到达 pilot，只有 5% 到达 production。
• 核心障碍不是基础设施、监管或人才，而是 learning gap: 系统不能保留反馈、不能适应上下文、不能随时间改进。
• 外部合作部署的成功率约为内部自建的两倍。
• 预算偏向销售/营销等显性 top-line 场景，但报告认为 back-office、BPO 替代和外部 agency spend 减少更容易产生清晰 ROI。
• 报告也提出 shadow AI 现象: 正式项目卡住时，员工仍大量使用个人 AI 工具完成工作。

为什么适合本知识库

这篇资料不是“AI 没用”的证据，而是“企业 AI 价值不自动从模型能力流向 P&L”的证据。它特别适合支撑以下判断:

• 标准 AI 工具可以快速扩散到个人生产率层，但核心工作流改造需要学习、记忆、流程嵌入和业务指标闭环。
• 企业 AI 采购不再只是 SaaS license 问题，更接近流程外包和系统集成问题。
• 内部自建、vendor 定制、标准 SaaS、FDE/咨询之间的边界需要用部署成功率、集成深度和组织学习能力来区分。

后续编译时建议与 raw/20260601-stanford-enterprise-ai-playbook.md 合并分析，形成“成功部署样本 vs 失败漏斗样本”的 comparison。