一份报告引发的思考

这两年来，人工智能领域一片喧嚣。模型竞争你追我赶，能力上限不断被突破；Agent 市场同样遍地开花——先是元宝、豆包、千问之争，开春龙虾又直接点燃了动手热潮，腾讯的 WorkBuddy、阿里的 QoderWork、字节的 TraeWork 之间随即展开一场 B 端之争。然而热闹之下，总有一种雾里看花的感觉，辨不清 AI 未来的方向。

当然，网上也有文章深度解读 Palantir 的成功之道，剖析其本体、词义、动力学等概念，甚至搬出了当下颇为流行的 FDE；但 B 端市场需求划分为几块？各自的发展路径是怎样的？这些问题依然十分模糊。直到我看到麦肯锡的这份报告。

一、报告说了什么

8 月，麦肯锡全球研究院发布了年度重磅调研报告《麦肯锡全球 AI 应用现状调研》（McKinsey Global Survey on the State of AI）。这份在线调查于 2026 年 5 月 4 日至 6 月 8 日执行，覆盖 97 个国家的 1719 位受访者，其中 36% 来自年收入超过 10 亿美元的企业。

报告指出，89% 的受访者表示其所在组织已在至少一个业务职能中常态化使用 AI；44% 表示 AI 正在企业范围内规模化推广，高于一年前的 38%；56% 表示 AI 已应用于至少三个业务职能，高于去年的 51%。在个体层面，80% 的受访者认为 AI 提升了自己的生产力。

然而，个人生产力的提升并没有流向企业的损益表。认为 AI 对组织 EBIT（息税前利润）产生贡献的受访者比例，与前一年相比基本持平，仍为 37%。

80% 的员工感受到了生产力提升，但只有 37% 的企业看到了财务层面的实质改善。 要说明的是，这两个数字口径不同——前者是员工个体的自评，后者是组织层面的财务归因——但中间这消失的 43 个百分点，正是这份报告最核心的悬念。

更值得忧虑的是顶端"高绩效者"的规模：经过一年创纪录的投入，将至少 5% 的 EBIT 归因于 AI 使用、并将其影响描述为"显著"的组织，比例仍只有约 6%。

换句话说，94% 的企业在创纪录的 AI 投入之后，依然没有找到明确的财务答案。

问题究竟出在哪里？

麦肯锡的研究揭示了一个根本性的误区：绝大多数企业只是把 AI"嵌入"了旧流程，而没有用 AI"重塑"新流程。那 6% 的"AI 高绩效者"与其余 94% 的差别，不在于是否使用 AI，而在于部署 AI 的方式和深度：它们既追求效率，也追求增长与创新；围绕 AI 从根本上重新设计工作流程，而不是把 AI 插进现有流程；并以领导层的承诺和运营的严谨性支撑部署，从而兑现真实收益。

报告指出，高绩效者在四个维度上呈现出显著差异。

第一，目标不同：它们把 AI 定位为增长引擎，而不仅仅是削减成本的工具。

高绩效者的 AI 部署目标比其他组织更宏大。约 80% 的高绩效者与其他受访者都表示，其组织在追求 AI 带来的效率提升；但大多数高绩效者同时在用 AI 追求增长或创新。

为什么在提升效率的同时要强调增长？本人曾经领导集团公司的持续改进部门，对此深有体会。无论是 6sigma，还是精益生产改进项目，最终都会带来效率的提升，即单位人员产出更高，或同样的产出人员更少。由于产出是很难产生跃变的，因此一个项目下来往往带来的是人员的冗余——那么这些冗余人员是否就可以直接裁撤呢？显然不能。公司的项目往往备受瞩目，一旦大家发现提高效率的结果是饭碗不保，团队成员的积极性会如何？团队成员在推动项目进展时会遇到什么阻力？因此，增长点就是最好的保障，无论是业务扩展还是产能提升，都能很好地消化冗余人员。

第二，路径不同：它们从根本上重新设计了工作流程。

近四分之三（约 75%）的高绩效者表示，已因使用 AI 而从根本上重新设计了工作流程，高于去年的 55%。

无论是过去韦尔奇大力倡导的 6sigma 持续改进，还是风靡全球的丰田精益生产，其本质就是流程再造。我们来看一个简单的例子：一个流程由 3 个工序 A、B、C 组成。

改进前，流程中每个工序用时 5 分钟。改进后，A、B 工序分别降到 2 分钟、3 分钟，但 C 工序仍是 5 分钟。请问，流程的产出效率提升了吗？

很多人会算：A、B 一共省了 5 分钟，整条流程 15 分钟，5/15=33.3%——哈哈，效率整整提升了三分之一。但这个答案是错的。A、B 省下的 5 分钟，要么变成半成品堆在 C 工序前面成为库存，要么变成 AB 员工的在线等待——整条线的产能，一件也没有增加。

从上面简单的例子能够看出，个人提效并不等于组织提效。如何把 80% 员工感受到的生产力提升，转换成组织整体效率的提升？必须进行流程再造，而且是围绕 AI 的流程再造：不是单个工位（部门）的单兵作战，而是应用新工具（AI）打通流程阻点、甚至对工序顺序回炉再造。

第三，野心不同：它们追求的是变革性转型，而非渐进式改良。

高绩效者计划在未来三年内借助 AI 从根本上变革业务的比例，是其他企业的 3.3 倍。

第四，治理不同：它们构建了更严格的管理与度量机制。

高绩效者在多个维度上同时领先：更敢于投入——将超过 15% 的 ICT（信息与通信技术）预算投向 AI 的比例，是其他企业的两倍以上；更重视顶层驱动——拥有高管层明确承诺的 AI 战略的比例，是其他企业的两倍；更注重量化管理——建立清晰 AI 效果评估体系的比例，同样是其他企业的两倍。

想象一家传统制造企业，把 AI 工具接入现有的审批流程、报告系统和客户跟进链条——效率或许有所提升，但价值创造的底层逻辑并未改变。相比之下，真正的高绩效者是把整个流程推倒重来，让 AI 从一开始就充当架构师，而不是工具箱里又多出的一把锤子。

这就解释了那个令人迷惑的"效率悖论"：大范围部署却不做工作流重设计，只能产生微薄的回报；个体的时间节省，在分散、碎片化的工作流中难以转化为组织级的财务回报。

二、问题不在模型，而在流程

把 AI 装进旧流程只能让员工变快，只有重画流程才能把效率变成利润

AI 高采用率与低经营回报并存，问题不在模型，而在流程。麦肯锡 2026 年调研显示，89% 的企业已在至少一个职能常态化使用 AI，但仅 37% 报告 AI 对 EBIT 有正向贡献，仅 6% 为 AI 高绩效企业；75% 的高绩效企业重设计了工作流。BCG 的 10-20-70 法则则进一步指出，AI 项目价值中约 10% 来自算法、20% 来自技术与数据、70% 来自人员、组织和流程。两者的共同结论是：模型解决的是"能不能生成"，流程解决的是"谁在什么条件下决定、执行、复核、担责"。

什么叫"真重构"：流程至少有一步被结构性改变

判断一项 AI 项目是否构成工作流重构，关键不是用了多少模型，而是流程的串行顺序、决策节点、岗位责任或产出形态是否发生了变化。若一个环节只是"从人工写变为 AI 写"，但谁发起、谁审批、谁担责、下游何时接手都未改变，它属于工具叠加；若多个环节被合并，或审批被改造成异常路由，它才属于流程重构。

下面是本人根据经验总结出来的一张判别简表，实际流程重构可能更复杂些：

"效率提升"与"流程重构"不是同义词，前者不能替代后者。麦肯锡按 AI 嵌入深度将企业划分为三个层次：赋能层是给员工通用 AI 工具、协助局部任务；自动化层用 AI 改造端到端跨职能流程；重塑层则是从零重设计工作、角色和运营模式。公开材料显示，样本占比约为赋能层 46%、自动化层 43%、重塑层 11%；进一步统计中，赋能层只有约 13% 获得正向收益，而重塑层约有 48% 获得正向收益。需要说明的是，这一差异不能被理解为"任何智能体都能带来回报"：48% 与 13% 是不同成熟度层次的自报结果，既非同一项目的对照实验，统计口径也不完全一致。但它仍支持一个稳健判断——企业要把试点价值转化为经营价值，不能停在工具采用，而要把流程、岗位、权限和指标一起改造。

案例一：上海汽轮机厂叶片中心——排产与质检同时改向"系统执行、人复核"

这个案例的价值不在机器换人，而在排产知识被规则化、岗位被重新定义。

改造前，排产和质检依赖老师傅经验，形成经验集中与串行等待。上海汽轮机厂叶片中心全年需加工 30 多万片、数千种型号的叶片，哪个零件先做、由哪台设备加工，过去由七八个计划员人工完成；叶片全尺寸检测约需 2 天，漏检率约 3%；老师傅的排程经验长期停留在个人判断中。

改造后，系统成为主要执行者，计划员转为规则维护、异常处理和结果复核者。2026 年 9 月投运的 AI 柔性生产线把 1900 多条工艺规则、老师傅排程经验和视觉算法嵌入生产中枢。系统负责识别、抓取、排产、检测和加工衔接；两名计划员负责规则迭代、例外调整和质量复核，而不是从零编制生产序列。

重构类型为"换主体 + 改顺序"：排产从"人逐单判断"改为"规则系统先跑、人复核例外"；质检从抽样和事后发现前移至全尺寸检测及过程识别。产能提升 60% 是整体改造的结果。

案例二：伊利——原奶调拨不是加一个预测模型，而是重写分发规则

如果算法只做预测、调度仍按人工规则进行，预测准确率并不会自动降低运输成本。

改造前，原奶调拨按人工测算进行，响应速度、原奶新鲜度和成本均非最优。调拨覆盖 50 多座工厂和 400 家牧场，奶源分布广、种类多，工厂产能和品项不均衡；传统人工测算难以兼顾牧场与工厂供需、优先级和运输半径。

改造后，分发链路、供需匹配优先级和运输半径优化逻辑被重新梳理，算法从辅助预测变成调度中枢。系统按数字测算结果进行供需匹配和运输决策，形成"牧场—工厂"的实时调度闭环。其结果不是单纯提高预测精度，而是改变了调度顺序和决策依据。

重构类型为"换顺序 + 换产物形态"：调度由"人算后再派车"改为"系统按供需和半径规则持续匹配"；流程产出从单次调度结果扩展为可视化运输数据链。报道由新华网发布，属于权威媒体对企业披露的重述，可信度高于纯企业宣传；但 13.5% 和 98%/99% 仍缺少外部审计，且两个数字来自不同材料，应按不同基线理解——换算一下，24 小时未及时率其实是从 2% 降到了 1%。

案例三：晶科能源——工程维修引入知识库分析，AI 自动调度维修人员

晶科能源生产部门的数据分析量占全公司六成以上，500 台设备，只有 50 个人维修。针对这个问题，WorkBuddy 把设备信号、故障代码、工程师技能和维修记录全部放进知识库，基于知识库分析"谁最擅长哪种故障""谁此刻空闲"，进行自动调度，就像滴滴派单一样，这样的系统分配比过去人工分配更精准。维修完成后，系统记录处理时长和二次故障情况，据此更新工程师的能力评分，为下一轮调度提供参考。由此，停机损失大幅减少。

限于篇幅，上面仅举了 3 个典型例子。大家如果有兴趣，可以留心相关媒体新闻——通过搜集这些信息可以发现：仅仅在传统流程中嵌入 AI，哪怕完成了生产数据数字化、让 AI 读懂数字在企业语境中的含义、让 AI 基于数据做推理分析这三步，如果没有流程再造，企业也会陷入看着热闹、但员工和部门提效无法传递到财务报表的窘境。也许，还会因为 Token 费用变成企业的一大成本项目。

三、Palantir 模式真能解决企业的"效率悖论"吗？

这里引用网友庶人哑士的一段描述：

"企业级 AI 应用有三个大前提：第一，完成了数字化；第二，能够让 AI 读懂这些数据在企业语境中的含义；第三，AI 可以基于这些数据去做推理和决策。

Palantir 就是在已经完成了数字化的美国企业的基础上，去做第二、第三件事。它的本体层，既不是数据，也不是大模型，而是连接数据和 AI 的中间层。用管理层的话说，它的本体（Ontology）就是一个决策系统。"

这段描述其实说到了 Palantir 的本质：它既不是数据、也不是大模型，而是在数据与模型中间起到连接 + 翻译的功能。至于本体如何根据数据做决策——这不是 Palantir 驻场工程师能够替客户完成的。

学习了上面内容，我们发现，真正的决策是由组织决定的：是在原有流程上嵌入 AI，仅仅让 AI 加快节点员工的读写速度，如汇总数据、制作图表、完成报告，还是围绕 AI 再造流程，将重复的工作、老师傅的经验、工艺质量规则写入知识库，由 AI 去执行，人员只做审核和异常判断？

当然，在原有流程上嵌入 AI 阻力是最小的：各职能部门不用改变，组织内部权力架构不用触动，员工在各自工位让 AI 干活提效，闲暇可以摸鱼。但如果进行流程再造，那就一定会触动原有的权力架构——这一步很难，但是效益最大。就拿上面晶科能源的例子来看，机修人员的技能、工作状态一览无余：谁的技能强，谁的技能弱，谁一直很忙，谁一直很闲。生产周会数据一拉，不仅工程部经理，所有管理层都能看到工程部门是否人员冗余。

因此，回到第二部分开头提到的 BCG 10-20-70 法则：AI 项目价值中约 10% 来自算法、20% 来自技术与数据、70% 来自人员、组织和流程。解析一下：用什么模型和 Agent 仅仅占了算法 10%；20% 来自技术与数据，Palantir 主要做了这一项；70% 来自人员、组织和流程——如果不去撬动这 70%，模型再聪明、现场数据翻译得再准确，也只能撬动不到 20% 的部分。组织效能不是由局部效能决定的，水总是从最短的那块木板溢出；只有做到流程再造，而且是围绕 AI 进行再造，整体效能才会提升。

所以，无论是 WorkBuddy、豆包，还是 Palantir，单靠产品自己，都解决不了企业的"效率悖论"。 这一点其实也很好理解：AI 的本质是智能，如果智能在组织效率中起决定性作用，那么一家拥有最高学历比例的企业就应该效率最高。显然，现实并非如此。

四、B 端市场分成哪几块？

分析了那么多，回到最初的问题：AI 时代，B 端市场的需求可以分为哪几块？可能的发展路径会是怎样的呢？

当前，市场在追逐 SOTA，每一家模型公司都在大力投入模型训练，以期自家模型能够位列华山之巅。然而，真实的企业任务可能需要的是够用和成本控制。因此，我并不认为"为了追求模型的智能，无上限地投入资金"是正确的行为。从当下模型市场的发展趋势看，未来绝对不是一家独大的格局——够用和低成本才是未来的王道。

第一块，平台型公司的通用场景。 相对广泛的通用场景——比如智能办公场景——才是值得投入的部分。因为这部分市场足够大，并且相对标准化：会议组织、发送邮件、撰写报告，产出就那么几种，Word、PPT、Excel。可能，视频制作也是相对通用的场景，因此也是各家必争之地。

第二块，千家万户企业的流程再造。 这块就没有哪家公司可以通吃了。每家企业的流程、数据、人员、设备、产品、材料、文化，千差万别；每家企业的发展阶段也不相同，有些已经完成数据化改造，有些还在采用纸质记录，有些还在靠老板吼的阶段；每家企业的实力也各不相同，有些资金实力雄厚，有些还在盈亏线上挣扎。因此，每一个流程再造项目都是一个定制项目，有些可以做得很大、很彻底，有些只能局部改进；这一过程艰苦而缓慢，没有任何一家公司有能力承接全部的市场需求，这块市场一定是百花齐放的。平台型公司能做的是提供模型选择、提供计算资源（云计算）。

五、市场在担心什么？

在各家巨头大力投入的当下，市场在担心什么？

这一点，在麦肯锡的报告中也能反映出来：只有 6% 的高绩效者，另外 94% 的企业在创纪录地投入后，似乎并没有在财务报表上看到"显著"影响。虽然他们承诺在今明两年会继续加大投入，但是，后年呢？任何没有显著财务收益的项目都将不可持续。

当然，投入的暂缓并不是说他们将停止脚步，也许他们需要看到更多的成功案例，学习更多的成功经验。因此，AI 的推广一定是未来的趋势，但是这个过程可能并不是线性的。我们可以参考当年的互联网发展：泡沫过后，涌现出更多的机会；智能的普及也可能会遵循这个路径。因为，以当下 AI 热度催生的硬件价格是很难持续的——所有的企业在 FOMO，所有的巨头在 FOMO——当资金难以为继时，当 94% 的企业意识到自己还没有为 AI 落地准备好再造流程时，这场 AI 热度必然会退去。也许到那个时候，GPU、内存的价格开始回落，智能的需求开始回落，大家都冷静地审视自己的业务，此时才会迎来 AI 真正地、扎实地慢慢渗透。需求才会开始慢慢回暖，最终超过当下的规模。

结语

报告读完了，热闹也看够了。对绝大多数企业来说，真正的问题从来不是"用不用 AI"，而是"敢不敢对自己的流程动刀"。模型会越来越便宜，算力会越来越充裕，但把老师傅的经验写成规则、把部门的边界重新划一遍、把审批的顺序重新排一次——这些事，谁也替不了。

94% 和 6% 的差距，大概就从这里开始。

雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>