企業難以從 AI 中獲得回報，但情況並非無解 / Companies Are Struggling to Drive a Return on AI. It Doesn't Have to Be That Way. (WSJ)
企業難以從 AI 中獲得回報，但情況並非無解 / Companies Are Struggling to Drive a Return on AI. It Doesn't Have to Be That Way. (WSJ)
日期: 2025-04-26
引言 (Introduction)
- 背景概述：根據 2025 年 3 月 McKinsey 發布的 AI 狀態調查和 2025 年 4 月 Stanford 人工智能研究所發布的 AI 指數報告，全球企業對 AI 的採用率達到驚人的高度，但大多數企業在將技術轉化為實際財務回報方面面臨挑戰。
- 核心事件：儘管 78% 的企業在至少一個職能部門使用 AI（較 2023 年的 55% 大幅增長），但多數企業僅實現不到 10% 的成本節約和不到 5% 的收入增長，形成了所謂的「生產力悖論」。
- 重要性與目的：此新聞揭示了 AI 技術與實際業務價值之間的鴻溝，本摘要旨在深入剖析企業 AI 投資回報率低的根本原因、成功企業的關鍵策略，以及克服「生產力悖論」的可行路徑。這對於評估 AI 投資的真實價值、制定有效的 AI 策略以及預測未來 AI 對生產力的影響至關重要。
- 關鍵摘要：
1. 企業 AI 投資回報率低的主要原因在於大多數公司仍處於試點階段（43%），僅 1% 實現了真正的規模化部署。
2. 成功的 AI 實施需要任務導向分析、與 KPI 掛鉤的明確成果、跨組織協同和強大的數據基礎設施。
主要內容分析 (Main Content Analysis)
AI 採用與生產力悖論的現狀
- 關鍵事實與論點 (條列式)：
- 根據 McKinsey 2025 年 3 月發布的 AI 狀態調查，78% 的企業在至少一個職能部門使用 AI，較 2023 年的 55% 大幅增長。
- 企業報告從 AI 投資中通常獲得不到 10% 的成本節約和不到 5% 的收入增長。
- 根據 Stanford 人工智能研究所 2025 年 4 月發布的 AI 指數報告，2024 年全球生成式 AI 私人投資達到 339 億美元，較 2023 年增長 18.7%。
- Stanford 大學經濟學家 Erik Brynjolfsson 將這種現象稱為「生產力悖論」：AI 能力的巨大提升未能帶來國家層面生產力的相應增長。
- 圖表資訊處理：
- 文章未直接提供圖表，但數據顯示了 AI 採用率與實際回報之間的顯著差距，這直觀地體現了「生產力悖論」的存在。
- 深入分析：
企業對 AI 的大規模採用與有限的財務回報之間的差距，揭示了技術採用與價值實現之間的複雜關係。這種「生產力悖論」的形成有多重原因：首先，許多企業對 AI 的投資仍處於實驗階段，尚未整合進核心業務流程；其次，企業可能缺乏清晰的 AI 應用策略和衡量標準；第三，AI 作為通用技術，其價值實現需要配套的組織變革和流程重塑，這需要時間和學習成本。
從更廣泛的經濟角度看，這種悖論也反映了新技術採用與生產力提升之間的滯後效應。歷史上，從蒸汽機到電力再到計算機，重大技術變革的生產力紅利往往需要數年甚至數十年才能充分顯現。企業需要時間來適應、學習和重組，以充分利用新技術的潛力。
值得注意的是，儘管整體回報有限，部分特定項目已取得「巨大的生產力」成果，表明 AI 的潛力是真實存在的，關鍵在於如何有效釋放。
- 數據/引文支持：
- 「78% 的企業在至少一個職能部門使用 AI，較 2023 年的 55% 大幅增長」（McKinsey AI 狀態調查，2025 年 3 月）
- 「企業通常獲得不到 10% 的成本節約和不到 5% 的收入增長」
- 「2024 年全球生成式 AI 私人投資達到 339 億美元，較 2023 年增長 18.7%」（Stanford AI 指數報告，2025 年 4 月）
- Erik Brynjolfsson：「許多公司對其 AI 項目感到失望。」
解決生產力悖論的任務導向方法
- 關鍵事實與論點 ：
- Erik Brynjolfsson 提倡基於任務的分析方法，將公司分解為細粒度的任務或「工作原子單元」，評估 AI 輔助潛力，並將結果與關鍵績效指標（KPI）掛鉤。
- Brynjolfsson 共同創辦了 Workhelix 公司，應用上述原則幫助企業提升 AI 效益。
- HP 首席數據和分析官 Scott Hallworth 強調，企業應首先確定目標成果，然後尋找有助於實現該目標的模型。
- 1-800Accountant 首席技術官 Ryan Teeples 認為，將工作分解為 AI 賦能的任務並與 KPI 對齊，不僅可以驅動可衡量的投資回報，還能通過更快地提供關鍵信息來創造更好的客戶體驗。
- 圖表資訊處理：
- 文章未直接提供圖表。
- 深入分析：
任務導向的 AI 應用方法提供了一條克服「生產力悖論」的可行路徑。這種方法的核心在於將抽象的 AI 技術與具體的業務價值建立直接聯繫，從而使 AI 投資的回報變得可衡量和可追蹤。
將企業工作分解為「原子單元」的做法有幾個關鍵優勢：首先，它使企業能夠精確識別 AI 可以產生最大價值的環節，避免盲目投資；其次，通過與 KPI 掛鉤，它建立了明確的成功標準，使 AI 項目的價值可以被客觀評估；第三，這種細粒度的方法使企業能夠循序漸進地實施 AI，降低風險並加速學習。
1-800Accountant 的案例生動地說明了這種方法的有效性。該公司將客戶服務分解為具體任務，評估 AI 是否能提供與人類顧問相當或更好的答案。結果顯示，AI 能夠處理 65% 的客戶查詢，顯著節省了人力成本，同時提升了客戶體驗。這種以明確業務成果為導向的方法，使 AI 的投資回報變得「非常明顯」。
HP 的 Scott Hallworth 的觀點進一步強調了「目標先行，技術後隨」的重要性。許多企業的錯誤在於先選擇 AI 技術，然後尋找應用場景，而非從業務需求出發選擇合適的 AI 解決方案。
- 數據/引文支持：
- Ryan Teeples：「將工作分解為 AI 賦能的任務並與 KPI 對齊，不僅可以驅動可衡量的投資回報，還能通過更快地提供關鍵信息來創造更好的客戶體驗。」
- 1-800Accountant 使用 AI 代理處理 65% 的客戶查詢，30% 安排與人類通話（剩餘 5% 因各種原因退出查詢流程）。
- Ryan Teeples：「在這種情況下，投資回報率非常明顯。」
AI 規模化：關鍵挑戰與成功要素
- 關鍵事實與論點 ：
- McKinsey 全球研究所高級合夥人兼總監 Lareina Yee 指出，僅 1% 的美國 AI 投資公司報告已實現投資規模化，而 43% 報告仍處於試點階段。
- Yee 強調：「在試點層面甚至公司單位層面，都無法期望顯著的生產力提升。顯著的生產力改善需要達到規模。」
- Ryan Teeples 認為，企業應超越個人化 AI 使用（如員工使用 GenAI 聊天機器人或 AI 輔助生產力工具），「真正的企業採用涉及跨組織的協同和規模化。很少有組織真正達到這一水平，即使那些達到的組織也僅僅是觸及表面。」
- Salesforce 數據雲高級副總裁 Gabrielle Tao 強調，跨企業協同 AI 需要正確的基礎設施，特別是在數據方面，重要的是協調數據，例如，為「訂單」和「交易」等業務概念創建一致的引用方式。
- SAP 全球人工智能負責人 Walter Sun 建議，AI 部署應針對既頻繁又可推廣的任務，這將實現更一致的投資回報。
- 圖表資訊處理：
- 文章未直接提供圖表，但 McKinsey 的數據（1% 規模化，43% 試點）清晰地說明了 AI 規模化的現狀和挑戰。
- 深入分析：
規模化不足是企業 AI 投資回報率低的核心原因。McKinsey 的數據揭示了一個驚人的現實：儘管大多數企業已開始 AI 之旅，但僅有 1% 實現了真正的規模化部署。這解釋了為何整體生產力提升有限——試點項目可能在局部取得成功，但無法對整個企業產生變革性影響。
實現 AI 規模化面臨多重挑戰：首先是組織協同問題，需要打破部門壁壘，建立跨功能協作；其次是數據基礎設施挑戰，需要統一數據標準和定義，確保 AI 系統能夠無縫訪問和理解企業數據；第三是從個人化 AI 工具（如聊天機器人）向企業級 AI 系統的轉變，這需要更系統化的規劃和更強大的技術架構。
1-800Accountant 的成功案例提供了有價值的啟示。該公司不僅使用 Salesforce 的 Agentforce 處理客戶查詢，還利用其 Einstein 平台實現跨後端的協同。這種整合方法使 AI 能夠在整個企業範圍內發揮作用，而不僅僅是孤立的應用。
Salesforce 的 Gabrielle Tao 和 SAP 的 Walter Sun 的觀點進一步強調了數據協調和任務選擇的重要性。協調數據是跨企業 AI 部署的基礎，而選擇頻繁且可推廣的任務則有助於實現一致的投資回報。這些見解為企業提供了實用的指導，幫助他們從試點階段邁向規模化部署。
- 數據/引文支持：
- 僅 1% 的美國 AI 投資公司已實現規模化，43% 仍處於試點階段（McKinsey 報告，2025 年 1 月）
- Lareina Yee：「顯著的生產力改善需要達到規模。」
- Ryan Teeples：「真正的企業採用涉及跨組織的協同和規模化。很少有組織真正達到這一水平。」
- Gabrielle Tao 強調需要「協調數據」，為業務概念創建一致的引用方式。
- Walter Sun 建議 AI 部署應針對「既頻繁又可推廣的任務」。
歷史借鑑：通用技術的 J 曲線效應
- 關鍵事實與論點 (條列式)：
- Erik Brynjolfsson 指出，歷史上，世界需要多年時間才能弄清楚如何利用蒸汽機和電力等革命性通用技術。
- 通用技術模型通常遵循「J 曲線」，即在企業摸索階段生產力初期下降，隨後生產力快速上升。
- Brynjolfsson 認為企業正開始轉過 AI J 曲線的拐點。
- 由於投資者壓力等因素，這次轉型可能比過去更快，企業正努力快速證明大量投入 AI 的資金是合理的。
- 圖表資訊處理：
- 文章未直接提供圖表，但描述了 J 曲線模型，該模型顯示生產力在初期下降後快速上升的趨勢。
- 深入分析：
Brynjolfsson 提出的 J 曲線理論為理解當前的「生產力悖論」提供了歷史視角。這一理論表明，重大技術變革初期的生產力下降或停滯是正常現象，不應被視為技術失敗的證據。相反，這是企業學習、適應和重組以充分利用新技術的必要階段。
J 曲線模型有助於解釋為何大量 AI 投資尚未轉化為顯著的生產力提升。企業正處於曲線的底部或早期上升階段，正在探索最佳實踐、構建必要的基礎設施並重新設計業務流程。一旦這些基礎工作完成，生產力可能會加速增長。
值得注意的是，Brynjolfsson 認為當前的轉型可能比歷史上的案例更快。這可能是因為：一，現代企業面臨更大的競爭壓力和投資者期望；二，數字化基礎設施的普及使技術整合相對容易；三，全球知識共享使最佳實踐能夠更快傳播。
這一觀點為企業和投資者提供了重要啟示：當前的 AI 投資應被視為長期戰略性投入，而非追求短期回報的戰術性舉措。雖然初期回報可能有限，但隨著企業克服規模化挑戰，回報可能會加速增長。
- 數據/引文支持：
- Erik Brynjolfsson 引用蒸汽機和電力的例子說明通用技術的採用過程。
- Brynjolfsson：「企業正開始轉過 AI J 曲線的拐點。」
- 文章指出，「由於投資者壓力等因素，這次轉型可能比過去更快。」
多元觀點 / 潛在爭議 (Multiple Perspectives / Potential Controversies)
- 雖然文章主要呈現了一致的觀點，認為 AI 的生產力悖論是暫時現象，但仍存在一些潛在的爭議點：
- 技術導向 vs. 業務導向：文章中的專家普遍強調應從業務成果出發選擇 AI 模型，而非先選擇技術再尋找應用場景。這與許多企業當前的做法形成對比，後者往往是技術驅動而非業務驅動。
- 規模化時間表：雖然 Brynjolfsson 認為企業正開始轉過 J 曲線的拐點，但對於大多數企業實現真正規模化所需的時間存在不確定性。一些批評者可能認為，AI 的複雜性和組織變革的難度可能導致這一過程比預期更長。
- 投資回報預期：文章暗示，隨著企業實現 AI 規模化，將獲得顯著的生產力提升。然而，對於 AI 最終能夠帶來多大程度的生產力提升，以及這種提升是否足以證明當前的大規模投資合理，仍存在不同觀點。
- 通用 AI vs. 專用 AI：文章提到了從個人化 AI 使用（如 GenAI 聊天機器人）向企業級 AI 系統的轉變，但未深入探討通用 AI 模型與針對特定業務流程優化的專用 AI 解決方案之間的取舍。
對投資方面的影響 (Investment Impact)
- 影響分析：
- 短期：
- 正面：AI 基礎設施提供商（如雲服務、晶片製造商）、數據整合和治理工具供應商，以及專注於企業級 AI 部署的諮詢服務公司可能受益。已成功實現 AI 規模化的企業（如 Salesforce、SAP）可能獲得市場溢價。
- 負面：對於投入大量資金於 AI 但尚未展示明確回報路徑的企業，投資者可能變得更加謹慎。這可能導致對某些 AI 概念股的估值重新評估，特別是那些缺乏清晰商業模式的公司。
- 長期：
- 正面：隨著企業逐漸克服 AI 規模化挑戰，成功將 AI 整合進核心業務流程的公司可能獲得顯著的競爭優勢和生產力提升。提供企業級 AI 協同和數據整合解決方案的公司可能迎來持續增長。
- 負面：無法有效實現 AI 規模化的企業可能面臨競爭劣勢，特別是在數據密集型行業。過度投資於無法產生實質回報的 AI 項目可能導致資源錯配和財務壓力。
- 宏觀連鎖：如果 AI 最終實現其生產力提升承諾，可能帶來更廣泛的經濟增長和通貨膨脹壓力緩解。然而，如果 AI 的生產力紅利主要集中在少數成功企業，可能加劇市場集中度和不平等。
- 機會與風險：
- 機會：
- 投資於提供 AI 規模化和數據協調解決方案的公司，如 Salesforce、SAP 等。
- 關注那些已展示具體 AI ROI 案例的企業，特別是在客戶服務、流程自動化等領域。
- 尋找專注於「頻繁且可推廣」任務的 AI 解決方案提供商，這些公司更有可能實現一致的投資回報。
- 風險：
- AI 投資回報週期可能比預期更長，導致短期財務壓力。
- 技術快速迭代可能使當前的 AI 投資在幾年內過時。
- 數據隱私和安全法規的收緊可能增加 AI 部署的成本和複雜性。
- 人才短缺可能成為 AI 規模化的瓶頸，推高相關成本。
- 應對策略思考：
- 觀察重點：密切關注企業財報中關於 AI 投資規模、具體應用案例和規模化進展的披露。追蹤 McKinsey、Stanford 等機構關於 AI 採用和生產力影響的後續報告。
- 評估方向：評估投資標的是否採用了任務導向的 AI 策略，是否具備強大的數據基礎設施，以及是否有明確的規模化路徑。區分真正的 AI 價值創造者和僅僅是概念炒作。
- 配置考量：考慮在 AI 投資組合中平衡短期和長期機會，包括基礎設施提供商、企業級解決方案供應商和成功應用 AI 的終端用戶企業。對於仍處於試點階段的 AI 投資保持適度謹慎。
- 強調：此處僅為基於新聞內容的邏輯推演與分析，不構成任何具體的投資建議。
結論 (Conclusion)
- 核心訊息回顧：
1. 企業 AI 投資面臨的核心挑戰已從採用轉向價值實現，當前的「生產力悖論」反映了試點與規模化之間的巨大鴻溝。
2. 成功的 AI 實施需要任務導向策略、與 KPI 掛鉤的明確成果、跨組織協同和強大的數據基礎設施，這些要素共同支持 AI 的規模化部署。
- 綜合評估：
AI 作為通用技術的變革潛力巨大，但其應用正處於 J 曲線的早期階段。企業普遍面臨的 ROI 挑戰是這一階段的正常現象，但也預示著只有那些能夠克服組織、流程和數據障礙，成功實現規模化的公司，才能最終收穫 AI 帶來的豐厚回報。當前可能正處於 AI 採用的關鍵轉折點，從實驗探索轉向系統性規模化部署。
- 未來展望 / 後續關注點：
值得關注的是企業 AI 規模化的進展速度，特別是從 McKinsey 報告的 1% 規模化率是否會在未來幾年顯著提升。同時，應關注成功案例中的共同模式，如 1-800Accountant 的經驗是否可以在其他行業複製。此外，還應追蹤 AI 對國家層面生產力的實際影響，以及 J 曲線理論是否得到實證支持。隨著企業逐漸掌握 AI 規模化的最佳實踐，我們可能會看到更多具體、可量化的 ROI 案例出現。
免責聲明：本文內容由 AI 輔助整理與摘要，僅供參考，請查閱原始來源獲取完整資訊。
補充
「生產力悖論」指的是一種現象，即儘管AI技術能力有了巨大的提升，但這些進步並未帶來國家層面生產力的相應增長。這個概念在文章中由史丹佛大學經濟學家Erik Brynjolfsson提出。
留言
張貼留言