The GenAI Divide: State of AI in Business 2025

编译摘要

1. 浓缩

• 核心结论1: 企业 GenAI 呈现“高采用、低转化”的断裂。
  • 关键证据: 报告称企业投入约 USD30-40 billion，但 95% 的组织没有取得可衡量回报；超过 80% 的组织探索或试点 ChatGPT/Copilot 等工具，近 40% 报告部署，但主要提升个人生产率而非 P&L。
• 核心结论2: 企业级自定义或 vendor 系统的漏斗很陡，关键卡点在生产化。
  • 关键证据: 60% 的组织评估过 enterprise-grade custom/vendor systems，20% 到达 pilot，只有 5% 到达 production。
• 核心结论3: 核心障碍不是基础设施、监管或人才，而是 learning gap。
  • 关键证据: 报告认为多数 GenAI 系统不能保留反馈、不能适应上下文、不能随时间改进；成功买方要求 process-specific customization、流程集成和基于业务结果的评估。

2. 质疑

• 关于“95%”的质疑: 该数字容易被误读为“AI 对企业无效”。更准确的读法是：多数正式企业项目还没有进入可度量 P&L impact，而不是员工个人使用没有价值。
• 关于方法的质疑: 报告是 preliminary findings，样本来自 300+ 公开 initiative、52 个组织访谈和 153 位 senior leader 调研，且公司数据匿名，结论应作为方向性证据而非全市场定量事实。
• 关于外部合作的质疑: 报告称外部合作成功率约为内部自建两倍，但外部合作可能承接了更清晰、更高优先级或已有预算的项目，不能简单推出“外部一定优于内部”。
• 关于标准工具的质疑: ChatGPT/Copilot 的高采用率说明标准产品能快速扩散，但报告也说明核心工作流改造不等于工具普及。

3. 对标

• 与 AI-Deployment-Valley-of-Death 对标: 报告把 adoption、pilot、production、P&L impact 之间的断裂量化出来，是部署到 ROI 断层的失败侧证据。
• 与 Enterprise-AI-Learning-Gap 对标: learning gap 是报告最可复用的概念：企业系统必须能记忆反馈、适应上下文并随流程学习，否则容易卡在试点。
• 与 AI-Ready-Organization 对标: 如果组织无法表达流程、指标和反馈，AI 系统也无法学习；组织可读性是系统学习的前提。
• 与 Successful-AI-Deployment-vs-GenAI-Divide 对标: MIT/NANDA 提供失败漏斗，Stanford 提供成功样本，两者共同把“企业 AI 落地”从 adoption 讨论推进到组织学习与流程改写讨论。

关联概念

• The-GenAI-Divide
• Enterprise-AI-Learning-Gap
• AI-Deployment-Valley-of-Death
• AI-Ready-Organization
• Successful-AI-Deployment-vs-GenAI-Divide