国金证券：企业视角下 AI渗透面临哪些现实制约？

智通财经APP获悉，国金证券发布研报称，AI渗透速度仍是泡沫风险和就业风险的共同变量。渗透快，说明AI进入核心工作流、成本节约和收入兑现更清晰，AI投资回报率的担忧将会进一步下降，代价是就业和收入分配压力积聚;渗透慢，劳动力市场有更多缓冲时间，但资本开支回报周期拉长，泡沫担忧容易卷土重来。

短期看，AI产业链将保持“微观乐观、宏观谨慎”的状态：技术革命的关键拐点，往往不是“技术更强”的时刻，而是社会和企业找到与新技术相匹配的新组织形态。

国金证券主要观点如下：

作为AI洪流系列的第三篇报告，关注企业视角下，AI渗透面临的现实制约。

尽管大语言模型已经具备越来越强的通用能力，但这并不能直接和“企业利润、组织效率与生产率”的提升划等号。决定性因素已不在于模型能力本身，而是企业能否跨过非标化数据、旧系统流程和过时激励机制构成的鸿沟。

事实上，历次通用技术革命几乎都会经历“技术可用”-“组织可用”-“经济可用”的进程。AI当前仍是把新技术接入旧流程——用AI生成文档、话术、代码和其他素材。单点效率提升很快，但真正的生产率跃升，需要围绕AI技术本身重新设计数据流、审批流、以及岗位权责边界。

因此，AI渗透速度仍是泡沫风险和就业风险的共同变量。

渗透快，说明AI进入核心工作流、成本节约和收入兑现更清晰，AI投资回报率的担忧将会进一步下降，代价是就业和收入分配压力积聚;渗透慢，劳动力市场有更多缓冲时间，但资本开支回报周期拉长，泡沫担忧容易卷土重来。

短期看，AI产业链将保持“微观乐观、宏观谨慎”的状态：技术革命的关键拐点，往往不是“技术更强”的时刻，而是社会和企业找到与新技术相匹配的新组织形态。

一、生产力提升的关键：不是人力替代，而是企业重构

生产力提升的关键不是AI能否替代人，而是企业是否被AI重构;发明也不等于生产率，只有当AI改变企业的工作流、数据流和决策流，模型能力才可能沉淀为企业ROI可持续的提升。

这意味着，AI对经济的影响不能只关注模型跑分结果、日活数、订阅收入或员工使用率。真正应该观察的是：AI是否进入核心工作流，是否改变组织流程，是否形成可度量的收入或利润贡献，以及是否最终推升宏观生产率。

在这个框架下，企业面临的就业冲击反而成为AI渗透路径的约束条件。AI越快进入生产体系，越能缓解资本市场对泡沫的担忧，却也会强化就业结构冲击;AI越慢进入生产体系，越能缓和短期失业压力，却容易重新引发回报率质疑。

尤其是受影响的人群以年轻的高技能者为主时，企业和政府都会在效率、稳定和分配之间权衡——如果“新卢德运动”愈演愈烈，AI的扩散可能会面临更大的反噬。

从历史来看，历次技术革命几乎都会经历一段“技术可用”-“组织可用”-“经济可用”路径前进的鸿沟期。

电力革命提供了一个更贴近“技术鸿沟”的参照。

传统的蒸汽工厂依赖中央主轴、皮带和齿轮，机器布局必须围绕动力源展开。20世纪初电机刚进入工厂时，很多企业只是把它当成更清洁、更稳定的蒸汽机，原来的工厂结构、任务分工和流程顺序并没有改变——降低了部分成本，但没有创造新的生产秩序。直到分布式电机的出现，允许机器重新布局、流水线重构、管理层级和作业流程再造，电气化的效率红利才集中显现。

互联网早期也更多表现为邮件、网页和信息检索工具，直到企业把供应链、渠道、支付、广告和组织协同迁移到线上，才真正创造了新的商业模式。

当下让AI生成PPT、Word、邮件和代码片段，本质上是在旧组织中完成旧任务，只是单点效率更高。如果未来工作流由Agent之间协作完成，则并不需要这些“中间文件”，判断与执行将在系统间直联。

而真正的效率释放，正来自围绕AI重新设计任务分解、汇报方式、审批权限和责任归属。技术革命的关键拐点，往往不是“技术更强”的时刻，而是社会和企业终于找到与新技术相匹配的新组织形态，而AI时代的重构尚未开始。

二、企业组织架构和工作流程被AI重构的三道AI鸿沟

企业应用AI的第一个阻力是大量的非标准化数据在AI视角下“并不效率”。

大量的行业数据、流程数据和专有数据难以标准化、难以调用、难以合规共享。公开的互联网文本可以被集中抓取和训练，但企业真正有价值的数据分散在ERP、CRM、供应链、风控管理、客服交互、合同文本、设备日志与人工经验中。

这些数据往往有三个特征。第一，非标准化：不同企业、部门甚至同一企业不同系统的口径和流程和历史记录并不一致。第二，强上下文：数据本身离开业务规则、审批逻辑、客户关系和风控规则后，模型很难正确释意。第三，高合规成本：金融、医疗、政务等行业牵涉隐私、商业秘密、监管要求和竞争关系，无法像互联网文本一样大规模共享。

因此，AI从通用能力走向垂直行业能力，难点除了模型能力外，还包括了企业能否把非标准、带有制度约束的数据，改造成可被AI稳定理解和调用的生产资料。数据治理、权限体系、接口改造和责任边界，才是AI进入核心流程的前置工程。

具身智能是个典型的案例：物理AI需要真实世界交互数据、传感器数据和高质量仿真数据。根据VOXEL51的2026年视觉AI年度调查：训练数据有72%来自专有数据，50%来自公开数据集，40%使用合成数据。

简而言之， 行业越垂直、流程越复杂，数据则越难成为可直接训练和部署的资产，自然也会面临更高的AI使用成本。

企业应用AI面临的第二个阻力是技术债(技术惰性)。

现实企业和政府系统并不是一张白纸，而是过去几十年信息化建设的叠加结果。为了业务连续性，系统不断增加补丁、接口、临时字段和局部流程，最后形成冗余代码、碎片化数据库、不兼容接口和难以解释的业务规则。很多系统不是不能运行，而是太重要、太复杂、太难替换，因此只能继续运行。

美国社会保障署是典型案例：其长期依赖COBOL等遗留代码。在2016年的国会证词中，官员表示其系统中仍有超过6000万行COBOL代码;其核心系统和架构自80年代以来并未发生实质性更新。美国社保署的IT现代化计划也承认，许多核心系统已超过30年，维护成本上升、系统更加脆弱，熟悉老系统的人才也在退休。

马斯克领导的DOGE曾推动在几个月内改造美国社保署的历史代码，但引发了可能带来数据丢失、安全漏洞和福利发放中断风险的广泛担忧。

这说明，AI能力强不等于能快速进入现实世界。旧代码、旧接口、旧数据库、旧流程和旧组织，本身就是AI渗透的硬约束。

企业面临的第三个阻力是如何改进决策流程和激励机制，并真实评判AI效用。

从Agent出圈至今，大量的美国科技企业经历了“先鼓励多用、后重新计量”的变化：其中最频繁调用的场景仍是用AI写材料、做检索、生成代码、整理会议纪要或客服处理。以Uber为例，公司内部一度大规模鼓励使用AI大模型后，随后Token支出快速膨胀，甚至提前耗尽年度预算，随后不得不给员工设置每月支出上限。

个人任务效率可能提高了，但这无法与企业整体效率提升划等号。如果流程仍然层层审批，关键决策仍然依赖人工拍板，那么组织整体并没有被AI改造。甚至有可能出现某些程度的“Token虚假繁荣”：看起来AI使用热度很高，但其中包括重复生成、低成本试错、格式包装或把工作从人力成本转移为算力和订阅成本。

根据对标普500企业过去14个季度财报的统计，在提到AI相关影响(claimed outcomes)的样本中，仅有6%明确表示带来了收入的提升——节流而非开源仍是企业的主要反馈(也有可能是无法定量AI影响)。

站在技术革命的视角看，AI原生企业和传统企业之间的差异，正在于组织是否围绕AI重新设计。

AI原生企业可以从一开始就把数据结构、工具调用、权限边界和Agent协作嵌入流程;传统企业则必须在既有岗位、预算、考核、合规和责任体系中改造。后者的难度不是“员工会不会用AI”，而是“组织愿不愿意让AI改变权力、流程和岗位”。

因此，AI真正的效率空间往往不在前台展示，而在中后台流程。智能客服、搜索问答和内容生成最容易被客户、投资者和媒体看到，但财务对账、合同审查、风险合规、供应链预测、采购管理、库存调度、法务审核，才更直接影响成本、风险和周转效率。如果AI的“经济账”依然模糊，企业拥抱AI的决策可能也会变得更加犹豫。

三、微观乐观，宏观谨慎

微观层面，部分企业确实通过AI降本增效，资本市场也愿意给予这些企业更高估值。尤其是模型、云、芯片、数据中心和垂直软件公司，已经形成了清晰的AI资本开支链条——大模型的“性价比”也在增加。

宏观层面，AI的规模依然微小，AI全球实际收入(除开中国)占美国GDP的比重仅在0.42%(2025Q1为0.13%，2024Q1为0.04%)，占美国企业总利润仅有3%。但这并不意味着AI没有价值。很多AI价值可能像搜索、地图、百科一样，以消费者剩余形式存在，不完全进入GDP。

然而资本市场最终仍需要可货币化的收入、利润率和现金流支撑估值;而对于后者来说，理想上限对应的社会代价(失业)是沉重的，这反过来也限制了AI技术的渗透速率。

因此，观察AI不能只看产品发布、用户增长、企业订阅、ARR或个别公司的利润弹性;更应该观察以下四个维度：

第一，AI是否进入企业核心生产阶段，而不只是办公辅助?

第二，AI是否改变组织流程，而不只是提高个人效率?

第三，AI是否形成可持续ROI，而不只是降低局部任务成本?

第四，AI是否带来宏观层面的生产率改善，而不只是重估部分资产价格?

模型能力是快变量，组织结构是慢变量;资本诉求是快变量，全要素生产率是慢变量。AI的扩散不由模型能力单独决定，而还取决于企业的吸纳速度。技术革命的关键拐点，往往不是“技术更强”的时刻，而是社会和企业终于找到与新技术相匹配的新组织形态。

风险提示

AI技术暴露度更新不够及时全面，存在数据统计偏差;AI Agent能力发展弱于预期，导致对应的劳动力规模产生明显变化;全球央行快速转向，带来全球二轮通胀风险，压制全球需求，劳动力裁员胜过AI影响，降本增效属性被淡化，引发更大规模AI投资回报率担忧。