生成式AI鸿沟：2025年AI商业现状

核心观点

• GenAI Divide 现象： 尽管企业对 GenAI 投入了大量资金，但 95% 的组织未能获得回报，只有 5% 的集成 AI 试点项目实现了可观的商业价值。这种差距并非由模型质量或监管驱动，而是由采用方法决定。
• 行业颠覆有限： 尽管 GenAI 工具得到广泛采用，但只有科技和媒体行业显示出明显的结构性变化，其他七个行业基本没有变化。
• 试点到生产的鸿沟： 只有 5% 的定制企业 AI 工具达到生产阶段。Chatbots 的成功是因为它们易于尝试和灵活，但在关键工作流程中由于缺乏记忆和定制而失败。
• 学习差距： 用户更喜欢 ChatGPT 等通用 LLM 接口，因为它们更好、更快、更熟悉，即使它们使用的是类似的模型。然而，这种偏好也暴露了为什么组织仍然停留在 GenAI Divide 的错误一侧。ChatGPT 的局限性表明 GenAI Divide 的核心问题是缺乏记忆、适应性和学习能力。
• 投资模式： 50% 的 GenAI 预算流向销售和营销，但后端自动化往往能带来更好的投资回报。这种偏差反映了更容易衡量指标，而不是实际价值，并使组织专注于错误的优先事项。
• 跨越 GenAI Divide 的方法： 成功的组织和供应商专注于构建能够从反馈中学习、保留上下文并深度定制到特定工作流的系统。他们从边缘流程开始，进行大量定制，然后扩展到核心流程。
• 组织设计： 战略合作伙伴关系比内部开发成功率高两倍。成功取决于较少的资源，更多地将实施授权下放，并具有明确的所有权。
• 工作影响： GenAI 已经开始对劳动力产生影响了，它通过选择性地取代以前外包的职能和限制招聘模式来体现，而不是通过广泛的裁员。成功跨越 GenAI Divide 的组织在降低外部成本的同时，略微减少了内部员工人数。
• 未来趋势： 超越代理的未来是代理网络，其中自主系统可以发现、协商和跨整个互联网基础设施协调。基础设施的基础已经通过模型上下文协议 (MCP)、代理到代理 (A2A) 和 NANDA 等协议出现，这些协议不仅支持代理互操作性，还支持自主网络导航。

关键数据

• 95% 的组织从 GenAI 中获得零回报。
• 只有 5% 的集成 AI 试点项目实现了可观的商业价值。
• 七个行业中有七个显示出明显的试点活动，但几乎没有结构性变化。
• 只有 20% 的组织将评估的企业级系统进入试点阶段，只有 5% 进入生产阶段。
• 90% 的组织已经认真考虑过购买 AI 解决方案。
• 50% 的 AI 预算流向销售和营销。
• 成功的 GenAI 创业公司平均在 6-12 个月内实现 120 万美元的年化收入。
• 战略合作伙伴关系实现部署的成功率是内部开发的 2 倍。
• 当前自动化潜力：美国劳动力价值的 2.27%。
• 潜在自动化影响：240 亿美元劳动价值影响 3900 万个职位。

研究结论

• 成功跨越 GenAI Divide 的组织在购买而不是构建、授权线经理而不是中央实验室以及选择深度集成并随时间适应的工具方面有所不同。
• 最具远见卓识的组织已经开始尝试能够学习、记忆并在定义的参数内自主行动的代理系统。
• 从构建到购买、结合个人消费的兴起以及代理能力的出现，为能够提供学习能力和深度集成 AI 系统的供应商创造了前所未有的机会。
• 对于目前被困在错误一侧的组织来说，前进的道路很明确：停止投资需要不断提示的静态工具，开始与提供定制系统的供应商建立合作伙伴关系，并专注于工作流集成而不是花哨的演示。