AI窗口期只剩3-4年，98%的企业却高估了自身的技术成熟度

作者 | 青和

几乎所有企业都在用AI。但能让它跑进生产系统、并持续产生价值的，不到二十分之一。

麻省理工学院近期发布的研究报告《生成式AI的鸿沟》（The GenAI Divide: State of AI in Business 2025）给出了一个令业界错愕的数字：企业级AI试点中，最终进入生产环节并产生可量化回报的仅约5%，其余95%的投资未见收益。

任务型GenAI工具渗透率随项目进度层层递减，从60%进入评估 → 20%进入试点 → 5%成功实施

而另一端，是企业AI渗透率接近饱和的繁荣表象——员工在用、工具买了、试点在跑。一边是接近100%的普及率，一边是不足5%的生产级落地率，这中间的巨大落差，正在成为当前AI产业最真实的"深水区"。

更值得警惕的是，多数企业并未意识到自己正身处深水区。IDC 中国副总裁兼首席分析师武连峰透露：在全球与中国市场，超过 60% 的企业自认为 AI 应用已经较为成熟；但经过严谨的成熟度模型测算，处于第二阶段（早期探索）的企业占比高达 49.6%（全球）和 54%（中国），真正迈入第四、第五高阶成熟度的企业，合计不足 3%。

正如武连峰所言：“危险的往往不是认识不到 AI 的价值，而是高估了自己的成熟度”。

云时代的旧架构困境

为什么落地如此艰难？本质在于大模型技术的指数级爆发面前，与企业组织线性演进速度存在巨大的“时间差”。

独立AI评测机构METR的一项长期追踪提供了一个直观参照：过去6年，前沿AI Agent在50%成功率下能够自主完成的任务时长，大约每7个月翻一番。换言之，AI正在从稳定完成分钟级任务，快速向小时乃至更长周期的复杂任务推进。

横轴是模型发布时间，纵轴是模型以50%成功率能够自主完成的“人类任务时长”，趋势线显示过去6年约每7个月翻一番

基于诸多一线大厂的实测反馈也反映，前沿模型在复杂推理任务上的性能几乎以半年为刻度实现跨代跃升，单次推理成本则呈断崖式下跌。

然而，企业的 AI 转型绝非采购几套软件这样简单。数据架构、业务流程、权限制度、人员分工乃至责任体系，都只能以远慢于模型的速度改变。武连峰指出，AI 超级周期带来的系统性变革，需要重塑业务流程、组织架构与商业模式，这是一个长达十年以上的漫长过程。

这正是今天企业AI落地最深层的矛盾：技术狂奔，组织慢跑。

对此，深信服科技创始人兼CEO何朝曦将这种落差归结为五大核心困境，其本质是云时代旧有基础设施与 AI 时代全新工作负载之间的严重错配：

• 建不动与用不好：模型能力再强，一旦脱离高质量数据也是无源之水。企业底层数据极度割裂，AI 代理（Agent）在运行中需要跨越文件、对象、块等不同存储介质频繁搬运数据，不仅延迟极高，还极易产生不一致副本。这就导致知识库解析错误连篇，业务部门根本不敢将其接入核心生产线。

• 用不起与算不清：虽然单次 Token 调用单价在下降，但随着上下文长度激增与调用频次爆发，企业的算力账单呈指数级失控，逐步演变为长期的大额资本开支。由于缺乏统一的计量核算机制，算力消耗与业务收益完全脱节，企业根本算不清一次客服对话或一张工单到底节省了多少成本。

• 不敢用：传统网络安全防线面对机器速度的 AI 攻击已全面失效。更致命的是，当智能体作为“数字员工”被赋予系统调用与执行权限后，其越权操作、误删生产数据的风险，远超传统的网络数据泄露。

汽车出现后，社会需要的是铺设柏油路和制定交通规则，而不是去寻找一匹更快的马。强行将 AI 塞入缺乏门禁与工程规范的旧流程，必然面临“建不动、用不好、用不起、算不清、不敢用”的死局。

从“刷参数”转向“工程算账”

要让那 95% 沉睡的 AI 投资转化为真正的生产力，企业必须放弃对“模型参数有多大”的技术崇拜，转向极度理性的工程重构与安全治理。

至此，企业AI化竞争的标准其实已经发生变化。Gartner将当前阶段概括为从模型实验进入“部署与运营化”：大多数大型企业已经能够获得前沿模型，真正稀缺的能力开始变成如何将模型嵌入真实工作流、完成治理，并持续获得可量化回报。模型只是技术供给，生产级AI则是一整套系统工程。

针对上述困境，业界正在形成一套清晰的系统重构路径：

1. 算力精细化调度与成本压降企业必须打破各部门分散采购算力的乱象，建立统一的 AI 算力网关。通过建立统一入口和计量核算视图，结合智能模型路由、推理侧优化和缓存技术，企业可以实现对异构算力的合理调度，大量实践证明这种精细化运营能带来 2 至 5 倍的成本压降。

2. 建设支持跨协议的统一数据底座抛弃传统“一个应用一套数据”的孤岛模式，引入支持多协议访问的统一存储架构。让 AI 代理在读取文档、日志、数据库时无需反复复制搬运数据，并通过自动冷热分层技术优化读写速度。结合高质量的切片与检索工程优化，将 RAG（检索增强生成）系统的准确率稳步拉升至 95% 以上，跨越业务可用性的红线。

3. 构建“以机器速度对抗机器”的主动安全体系随着全球 AI 安全投入占 IT 总投入的比例不断攀升（有 16.7% 的企业计划大幅增加 AI 安全治理支出，而中国目前安全投入仅占 1.5% 左右），安全防线的升级迫在眉睫。企业必须利用 AI 赋能的 XDR 平台等主动安全架构，在事前发现隐患、事中实时拦截越权行为、事后复盘推演，用 AI 的速度去对抗 AI 驱动的威胁。

4. 实施严格的智能体（Agent）拟人化治理智能体不仅是工具，更是具备执行能力的数字资产。必须为其建立媲美人类员工的管理规则：赋予唯一身份与归属人，坚持“最小授权原则”，限制其跨越系统边界调用无关数据；同时建立详尽的运行审计日志与紧急回收机制。只有管控住失控的风险，企业才敢于将核心业务交托给 AI。

围绕这套系统重构路径，行业里已经提出了具体的解决方案，从算力治理、数据存储、业务承载、安全运营和智能体治理等多个方面，为人工智能进入生产系统提供基础支撑。比如深信服依托AI 算力网关直接对齐企业的 FinOps 诉求，把黑盒算力变成“明细账本”；为消除无效的数据搬运损耗，推出统一存储架构；针对机器级攻击与智能体失控，提供AI 原生安全运营平台 与 保护 AI 平台等。

窗口期只剩3-4年

系统重构的方向清晰了，但留给企业的冷静期并不宽裕。

IDC预测，2026年全球AI软硬件投入约9400亿美元，到2029年将攀升至2.1万亿美元，届时基础设施与应用的投入占比将首次达到五五开。这意味着，未来三到四年正是资金大规模涌向基建、价值尚未充分兑现的“洗牌期”——谁先完成从“买算力”到“算得清、用得好”的转换，谁就能在投入结构反转之前建立先发优势。

行动上抓住窗口期，关键是三件事：选对场景（优先高频、高价值、高风险、高协同四类任务）、补齐短板、分步实施。 何朝曦建议，先建统一的模型入口和基本的智能体治理能力，达到“可见”、守住底线；再建数据平台、开发平台等可复用底座；最后才改造核心业务流程。“不必一次性建完，但必须先有一张建设蓝图。”

这套从“买模型”转向“运营AI”的逻辑，并非停留在基础设施厂商的设想里。

Uber最近披露的一组内部数据很有代表性。今年2月至8月，其员工使用的Agent产品周活跃用户增长7倍，Agent请求量增长9.4倍，但AI总支出从4月开始基本趋于稳定。固定模型口径计算，每千次请求成本较峰值下降约34%，单次Agent会话成本更下降了52%。

2026 年 2 月至 8 月中旬的周活跃用户、智能体请求量及成本

更值得关注的是，Uber已经有超过70%的代码PR由本地或云端Agent参与生成，内部累计沉淀3600多个Agent Skill，日执行量超过3万次。它解决成本问题的办法，并不是简单寻找更便宜的模型，而是把一次Agent工作拆解成用户、会话、轮次、Token等多个可计量环节，再通过模型路由、缓存、真实任务评测和推理优化逐层降本。

智能体会话运行的四个层级

从这里也可以看到，AI真正进入生产之后，企业竞争的重点会迅速从“有没有Agent”，转向“能不能看清每一次调用、控制每一笔成本，并持续优化整个系统”。

结 语

对于组织AI成熟度的高估并不可怕，可怕的是用高估指导预算、用活动量替代成熟度、用试点数量替代生产结果。

AI转型的下半场，核心不再是比谁率先宣布“用了AI”，而是谁先诚实地看清自己所出的位置——然后把每一笔投入、每一次调用、每一个智能体的行为，都变成可计量、可追溯、可改进的对象。

爬到半山腰不可耻。停留在半山腰的幻觉里，才是真正的风险。

声明：本文为 AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

会议推荐

QCon 全球软件开发大会·2026（上海站）现已正式启动。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。

今日荐文

你也「在看」吗？