75%的AI项目没有产生回报。如何避免成为其中之一

每年超过5000亿美元。 这是AI行业在基础设施上的投资规模。Meta将其资本支出指引提高至1150-1350亿美元。微软超过年化1200亿美元。亚马逊接近2000亿美元。

仅有5%。 这才是真正实现规模化AI价值创造的比例。

这一数据由BCG于2025年发布，应该成为任何正在评估AI投资的董事会首张幻灯片。不是因为AI不奏效——它确实奏效——而是因为**“技术可行”与”投资有回报”之间的距离是巨大的**，大多数组织都在以错误的方式跨越这道鸿沟。

行业不愿放在一起看的数字

投入了多少

AI领域的资本集中度在技术史上没有先例：

• 2023年： AI领域750亿美元风险投资（约占全球VC的30%）
• 2024年： 约1310亿美元（约占全球VC的45%）
• 2025年： 2587亿美元（占全球VC的61%，据OECD）
• 2026年Q1： 仅四笔巨额融资轮次（OpenAI、Anthropic、xAI、Waymo）就占据了该季度全部风险投资的约65%

单月1890亿美元。 2026年2月，**83%**的全球资金集中流向三家公司。这是科技行业历史上最极端的集中度。

获得了多少

• **只有5%**的企业通过AI实现了大规模的实质性价值（BCG，2025年）
• **75%**的AI项目未能达到预期ROI
• 估算误差： AI项目的实际成本超出初始预算500-1,000%
• 隐性成本： 数据准备、维护、再训练、治理——可能占总拥有成本的60-80%

投入比以往更多。获得却少于预期。资本与回报之间的差距没有缩小——反而在扩大。

三条速度不同的曲线

当前形势的本质是三条基本曲线以截然不同的速度推进：

1. 技术改进 — 正在减速。每一次性能跃升都花费更多，且越来越渐进。GPT-4到GPT-5的步骤比GPT-3到GPT-4花费了更多，而改进幅度却相对更小。

2. 采用 — 快速但浅层。许多企业使用AI，但很少将其整合到关键业务流程中。大企业与中小企业之间的采用差距是其他技术的两倍。

3. 可持续商业化 — 这是最慢的。大多数基于生成式AI的商业模式仍未在规模上展示健康的利润率。Sora的案例（总收入210万美元对比关闭前每日成本1500万美元，2026年3月关闭）是一个关于将技术能力转化为可行业务有多难的残酷提醒。

当投资领先于三条曲线时，就存在问题。不一定是泡沫——超大规模企业的资本以现金为后盾，而非债务——但这是一种迟早会自我纠正的失衡。

为什么75%会失败

分析已记录的失败模式，原因以令人揭示的一致性重复出现。

1. 分散精力

失败的企业试图同时处理6个或更多用例。成功的企业专注于3-4个，并在扩展之前将它们推向生产。

“在每个部门都做点AI”的诱惑是不花大钱却一无所获的最贵方式。

2. 不衡量回报

许多AI项目在没有明确成功指标的情况下启动。“提高生产力”不是指标。“将理赔处理时间从4小时缩短到20分钟”才是。

没有衡量，就没有可能的优化。

3. 低估隐性成本

API价格是冰山的可见部分。水面以下是其他所有内容：

• 数据准备： 一个普通项目需要10-38万美元
• 年度维护： 基础设施成本的15-30%
• 再训练： 每次数据或上下文发生变化时
• 治理： 合规、偏见、隐私
• 技术债务： 随时间积累成本的脆弱集成

API账单可能只是实际成本的20%。另外**80%**不会出现在任何融资推介中。

4. 在没有人员计划的情况下自动化

消除任务而不为受影响人员提供替代方案的AI会产生内部阻力、机构知识流失和声誉风险。

成功的企业用AI释放团队的时间，而不是取代他们。

5. 使用错误的模型

存在对任何任务都使用最强大模型的倾向。但用GPT-5来分类电子邮件，就像开40吨卡车去买面包。

flash模型和frontier模型之间的消耗——和成本——差异，对于相同结果可能高达x10。

5%的企业做了什么不同的事

真正在大规模上用AI创造价值的企业拥有共同的模式。这不是运气——而是方法。

他们专注。 3-4个定义明确的用例，有清晰的指标，完全推向生产后再追加更多。

他们痴迷于衡量。 不仅衡量模型性能——他们衡量业务影响。节省的时间。避免的错误。增量收入。总拥有成本。

他们投资于人。 **70%**的资源用于人员和流程，而非技术。AI是工具；团队是使其运转的人。

他们从小做起。 数周完成原型，数月完成试点，数季度实现规模化。他们不会试图一次性转变整个组织。

他们选择合适的模型。 不是最强大的——而是最适合每项任务的。一个调校良好的30亿参数模型可以超越一个应用不当的4000亿参数模型。

成功模式不是花更多。而是专注、衡量，只扩展有效的部分。

泡沫还是变革？那5000亿的问题

“AI处于泡沫中吗？“这个问题没有二元答案。现实更加微妙：

• 技术确实有效。 模型很强大，用例是真实的，潜在价值是巨大的。
• 收入存在。 AI公司产生数十亿的真实营收。
• 但资本远远超前。 基础设施投资远超已验证的需求。AI生态系统中capex与收入之间的差距近每年6000亿美元。

最有用的类比是1998-2000年的光纤泡沫：基础设施从长远来看被证明有价值，但原始投资者亏了钱。AI很可能会遵循类似的模式——技术留下来，但并非所有投入的资本都会有回报。

现在不是不投资AI的时候。而是有策略地投资的时候。每一欧元都必须有清晰的回报指标、现实的时间表和备选方案。

我能做什么？

• 如果你领导一家企业： 在批准AI投资之前，要求回答三个问题：哪个业务指标会改善？总拥有成本是多少（不仅仅是API）？被自动化的任务的相关人员会怎样？如果三个问题都没有明确答案，该项目还没有准备好。

• 如果你正在评估AI供应商： 询问每项服务的能源消耗数据。根据欧洲CSRD框架，你的碳足迹包括你签约的服务。如果供应商无法告诉你其服务消耗多少能源，问问自己为什么。

• 如果你是CTO或技术负责人： 从能解决任务的最小模型开始。只有当数据支持时才扩展。衡量总成本——不仅仅是延迟和精度，还要衡量能源和维护成本。

• 如果你是担忧就业的专业人士： AI不会取代所有专业人士，但它确实在转变大多数职业。投资于了解这些工具——它们能做什么、不能做什么、真正花费多少——是你现在能做的最佳职业投资。

• 对所有人： 参加我们的可持续AI成熟度测试，评估你的组织所处位置及应采取的步骤。