370亿砸进AI，76%企业却把自己逼进了死胡同

去年企业往生成式AI里砸了115亿美元，今年这个数字要翻三倍——370亿美元。但钱越多，麻烦越大。

Menlo Ventures的最新报告揭示了一个反常识现象：企业正用创纪录的速度，把自己绑进"黑箱"。2024年还有47%的AI方案是内部自建，如今76%全靠外购。换句话说，四分之三的企业正在花钱购买自己看不懂的东西。

外包狂欢背后：买了工具，丢了能力

Gorilla Logic CEO Drew Naukam把这种现象形容为"盲飞"——企业部署第三方AI，却对其内部机制一无所知。

「他们可能在验证AI是否运转正常，但完全不清楚内部流程如何运作。」Naukam的原话很直接。这导致两个后果：模型优化无从谈起，AI在工作流中的实际价值成了黑箱。

更麻烦的是组织能力的空心化。Naukam警告，全盘外包的企业"完全受制于供应商"，既抓不住AI数字化转型的红利，也养不出自己的技术判断力。钱花出去了，决策权却交出去了。

MIT去年中期的研究数据更扎心：95%的AI部署零回报。失败主因不是模型不够强，而是"脆弱的工作流"——AI被硬塞进为人类设计的线性流程，结果两头不讨好。

软件开发的旧地图，找不到AI的新大陆

传统DevOps是条直线：编码、测试、发布。但AI是非确定性的——同一个输入，输出可能不同。Naukam指出，这要求彻底重构工作流的设计尺度：从"人类能执行"转向"AI能执行"。

具体差异体现在三个维度：实时处理多源数据集、快速迭代测试、统计验证预期结果。人类工程师习惯一步步来，AI却适合"尝试-失败-迭代-改进"的循环模式。

「你有问题，让AI介入，尝试、失败、迭代、改进，重复这个过程直到获得预期结果——并用统计方法验证结果确实符合预期。」Naukam描述的这套流程，和传统软件工程的方法论几乎背道而驰。

Stanford的专家预测把2026年定为"AI评估之年"，但MIT的研究表明，评估之前还有更基础的功课：先理解自己的工作流，再谈部署AI。

从"用AI"到"懂AI"：组织能力怎么补

Naukam的建议很产品经理思维：企业需要培养能"按AI尺度重构工作流"的人。这不是让全员学Python，而是建立对AI能力边界的体感——知道什么该外包，什么必须攥在手里。

当前的外包比例（76%）本身不是问题，问题在于"全部外包"的极端选择。保留核心环节的内部能力，才能在外部供应商迭代时保持议价权和迁移自由。

一个值得观察的信号是：当370亿美元砸下去，有多少企业会在2025年底发现，自己买的不是AI能力，而是一张越来越贵的"黑箱订阅服务"？