企业使用AI已接近全面普及，但“规模化影响”仍极为有限。
10月27日，德勤中国发布的最新白皮书调研数据显示，目前高达92%的企业已开展AI应用试点，但仅有8%的企业认为AI投入实现了财务和战略收益，仅4%的企业认为真正实现了AI组织级转型。
买算力、付Token（词元）的账单居高不下，员工个人的零散提效难以转化为公司的利润增长。企业如何转化投入AI的资金，正成为当下产业界亟待跨过的一道坎。
买Token的花销比裁员省的钱还多
过去两年，不论是行业巨头还是中小型企业，都在将大笔预算砸向AI创新。
“有些大企业在公司内部做了几千个Agent（智能体），甚至最传统、最守旧的企业也已经开始投钱。”德勤中国管理咨询信息工程、人工智能（885728）与数据分析事业群全国主管合伙人唐捷表示，虽然企业高管普遍高喊“All in AI”，但理想很丰满，现实却很骨感——大多数企业投在AI里的钱，并没有对业务本质产生太大改善。
调研数据显示，在已开展AI试点的企业中，28%仍停留在“实验探索（概念验证）”阶段，56%处于“渐进落地”阶段，真正进入“规模化推广”和“变革重塑（产生损益表财务影响）”的企业占比均仅为4%。
为何企业AI普及率高，投资回报率（ROI）却普遍低于预期？唐捷认为，核心症结在于“个人提效”与“组织提效”之间的断层。
“很多白领在工作中已经开始用AI工具画PPT、写会议纪要、做翻译，但对一个组织来说，这些点状工具的使用并没有本质提升部门效率，也没有反映到组织收入和利润的改善上。”唐捷指出，企业在投入AI时需要购买平台、算力、部署大模型，背后包含高昂的人员、技术及Token费用，“如果你的创新都是点状的，并没有改善一段完整流程，那些简单的效率提升与IT、基础设施投入相比，根本赚不回来这个钱。海外一些大厂已经发现，在整个Token经济上花的钱，和人员优化省下的钱相比，并不是一笔算得过来的账”。
算力与Token成本的压力，在头部大模型公司的账本上同样直观。以近日递交招股书的美国大模型公司Anthropic为例，2026年上半年其按模型处理文本量计费（Token调用）的收入达131亿美元，占总收入的80%；而同期其算力与基础设施费用高达89.45亿美元，占同期营收的55%。
“Token可以理解为支付算力的电子货币，我们现在买Token也觉得特别贵。”香港中文大学（深圳）经管学院副院长、深圳高等金融研究院副院长艾春荣在受访时表示，目前美国约45%的AI公司在使用中国的开源模型，中国大模型在蒸馏技术与成本控制上具备明显优势。随着Token逐渐演变为AI应用中的交易媒介，未来围绕Token的算力定价权将成为新的竞争焦点。
面对高昂的算力基建与能耗账单，如何在底层基础设施端“降本增效”，也成为上游技术服务商发力的重点。以能源（850101）科技巨头施耐德电气为例，针对生成式AI算力暴增带来的建设周期（883436）长、机柜密度高和能耗攀升等痛点，该公司将在今年进博会上展出面向万卡集群的AI数据中心全栈解决方案。其中，采用工厂预制模式的IMDC POD 2026模块化数据中心，能够像“搭积木”一样建设AI数据中心，将现场施工周期（883436）缩短约50%，并通过风液混合散热方案将PUE（电能利用效率）降至1.09，从底层硬件与能耗端帮助企业压缩AI算力的落地成本。
尽管短期财务账难以算平，但调研显示企业高管依然保持长期乐观，原因在于“不投AI的风险已经高于短期看不到回报的风险”。为了把钱花在刀刃上，企业的AI投资重心正在发生迁移。
报告显示，过去两年企业AI应用主要集中在客户服务、营销和IT编码（Coding）领域，如今研发正跃升为新的战略前沿。企业不再满足于让AI在行政、采购等外围环节“做得更快”，而是开始将资金投向生产研发与核心供应链，利用“大模型+小模型”攻克生产环节的复杂难点——例如制造业构建数字孪生（885820）闭环的“自演化工（850102）厂”、医药行业打造AI提出假设与机器人执行实验的“实验室闭环”，以及金融服务业实现“秒级风险定价”。
这一从“外围办公”走向“工业现场”的趋势，在实体制造业的落地实践中尤为明显。施耐德电气执行副总裁、中国及东亚区总裁尹正在接受采访时指出，以AI为代表的数智化技术和绿色能源（850101）转型，正为千行百业提供动力引擎。
德勤中国首席执行官刘明华指出，随着“人工智能（885728）+”行动深入推进，对企业而言，关键不仅是采用新技术，更是如何将技术转化为业务成果，提升竞争力并实现持续增长。
企业近六成日常执行任务未来或将被AI替代
当企业不再执着于炫耀“内部开发了多少个智能体”，而是将AI深度嵌入核心业务流程并绑定KPI时，公司内部的用人逻辑与组织架构也随之迎来重构。
近期，从部分传统制造与快消企业传出“引入AI后大举裁员”的市场传闻，到海外科技巨头启动数千人规模的“提前退休”计划，AI是否会引发大规模失业潮备受外界关注。
“目前还没有看到由AI直接导致的大规模人员失业，但如果不转型就会被淘汰。”艾春荣分析称，从经济学与管理学研究来看，企业的每一个岗位都可以被拆分成许多具体的任务，“完全重复性、不需要人类判断力的任务，一定会被AI替代；需要人类价值判断力的部分则无法被取代。未来企业大规模向AI转型时，会把每个岗位拆碎——如果一个人的工作拆开后，所有任务都能被AI取代，那就会面临失业”。
报告指出，传统企业“执行为主的金字塔型”人才结构，正加速向“创新主导的钻石型”结构转变。在当前的金字塔结构中，高达60%的人力被消耗在日常事务、数据处理、报表与合规检查等重复性执行工作上，战术协同占30%，战略与创新仅占10%；而在未来的“钻石型”组织中，日常事务与运营执行占比将被大幅压缩至10%，几乎完全交由AI智能体（886099）（Agent）与机器人执行，人类仅做必要监督；战术协同与人机编排占比升至40%；而处理高复杂度问题、跨领域判断及“从0到1创造新价值”的核心能力层占比将从10%跃升至50%。
“真正的AI转型，不是让AI替代人，而是让AI承担动作，让人承担方向。”唐捷表示，在这波技术变革中，完成一项工作的人员总数未必会减少，但技能要求会发生剧变，人的角色将从执行者转向问题定义者、价值判断者和创新驱动者。
然而，要把几十上百人的工作重新衔接、跑通端到端的人机协同流程，并非易事。德勤与港大的联合调研显示，在导致企业AI用例表现不及预期的十大原因中，排名第一的并非技术问题，而是“筒仓式组织形式阻碍创新”（占比33%），其次是平台架构薄弱（32%）、数据可用性不足（31%）以及组织文化障碍（28%），此外还有22%受制于缺乏AI人才体系与组织机制。
“大模型未来不仅要调用通用知识，还要调用组织内不同部门和个人的知识。如果只是一个部门推动，另一个部门不配合，创新必然难以落地。”唐捷说。艾春荣亦直言，AI变革归根结底是公司内部文化的革命，“最大的障碍是人，因为人最不愿意改变自己”。
