最痛的AI预算不是浪费掉的，而是没有流向真正重要之处的
过去两年间，超过1.5万亿美元的企业软件估值凭空蒸发。原因不是人工智能投资不足，而是投资落错了地方。这正是当下时代最核心的悖论：企业在AI上的支出从未如此之高，但与此同时，要证明价值究竟在哪里，也从未如此之难。
Xoriant首席执行官Rohit Kedia在近期一篇分析文章中精准地指出：企业AI预算的大部分堆积在模型层，也就是平台许可证、算力基础设施、供应商合作关系以及概念验证的开发上。这一层吸引眼球、制造公告、产出演示。但它无法持续产出一样东西——那就是能出现在损益表上的实际成果。
Gartner于2025年2月估计，到2026年，60%的AI项目将因数据未达到可处理状态而被放弃。这不是技术层面的失败，而是预算架构层面的失败：资金流向了模型，而非支撑模型运转的基础设施。
技术领导者们真正应该问自己的问题，不是要不要投资AI——那个决定早已作出。真正的问题是：这笔钱是在构建真实的运营能力，还是只是在为现代化的外观买单？
无人愿意点破的昂贵剧场
董事会会议室里有一种规律性重复出现的模式。每周都会有新的供应商合作公告、自主智能体演示、以及对工作流程将被颠覆的承诺。声浪很高，这场戏也演得相当逼真。
然而，一旦越过那些公告，追问企业究竟在何处以何种具体方式为客户创造了新价值，诚实的回答往往令人失望。麦肯锡在其2025年AI现状报告中指出，尽管88%的公司表示在积极投入AI，却只有三分之一的企业开始在企业级层面扩展其AI项目。其余的都在花钱，只是花在了不重要的地方。
这一现象有其清晰可辨的结构。2023年和2024年的AI预算大多归属于创新或研发预算线，回报要求宽松，财务审查也相对宽松。这为工具的无序叠加创造了完美条件——部门级试点项目与核心业务流程毫无关联，基础设施合同从未与具体业务成果挂钩进行衡量。
问题不在于企业在做实验。实验本身有其价值。问题在于，当实验本身变成了产品，当演示取代了实际部署，当创新预算演变为一种无需承担任何具体责任、却能展现现代感的方式时，问题就出现了。
德勤发现，约66%采用企业级AI的组织将生产效率和运营效率的提升列为主要收益。这是一个尚算合理的数字。但必须谨慎解读：生产效率和运营效率是过程指标，不一定代表结构性经济影响。缩短分析师准备报告所需的时间，并不等同于重塑让那份报告真正有意义的决策链条。
"使用AI"与"运用智能"之间的差别，本质上是一种预算层面的差别。使用AI意味着在现有工作流程上叠加工具：这里一个副驾驶，那里一个聊天机器人，在已有仪表板上加一层分析。运用智能则是截然不同的事：将自动化决策能力嵌入企业创造和交付价值的核心方式之中，并可追溯至该决策所影响的具体结果。
第二种选择需要为那些不产生头条新闻的事情买单：数据清洗、流程重设计、遗留架构现代化改造、团队能力培养。高盛在其2026年3月的报告中指出，AI并非在吞食软件市场，而是在扩张它——因为AI降低了编写代码的成本，同时提升了那些代码所能实现的上限。这意味着可应用的价值空间扩大了。但要捕获这一价值，前提是已经打好支撑它的地基。
预算持续忽视的四大基石
有四个领域的投资系统性地姗姗来迟或严重不足，而这四个领域共同决定着模型层面的任何支出究竟是在产生价值，还是仅仅在制造活动。
流程是第一个失效点。将AI叠加在一个运转不畅的工作流程上，只会让错误的结果产出得更快。每一美元在不重设计流程的情况下投入模型，换来的是速度，而非方向。企业AI项目中最常见的错误，是假设模型的智能能够弥补流程的功能失调。事实恰恰相反：它只会放大问题。
技术架构是第二个问题所在。碎片化的遗留系统无法支撑在决策节点嵌入智能的需求。购买更强大的模型解决不了集成问题。许多看似是AI能力不足的问题，实际上是技术债务长期未偿还的问题——而AI预算从未触碰这一部分，因为技术债务不能产出引人注目的演示。
技能排在第三位，也许是因其隐蔽性而代价最为高昂的短板。一支知道AI是什么的劳动力，与一支知道如何与AI协同工作的劳动力，两者之间存在本质差异。前者可以完成一份采用率调查问卷，后者能够重塑运营、风险或客户服务团队的决策方式。能力转型依然是企业AI项目中持续被低估的预算线之一，往往被当作项目结尾的变革管理来处理，而非从一开始就视为交付成果的前提条件。
数据构成这幅图景的最后一块。无论模型多么复杂精密，都无法从不可靠的数据中产出可靠的智能。然而，数据准备工作所获得的投资，仅是模型选型和平台采购所获投资的一小部分。Gartner的发现不只是一项统计数字，更是对优先级设置的一次诊断。企业倾向于在有能见度、能赢得认可的地方投资。整洁、治理良好、与正确流程相连接的数据，不会产出令人叹为观止的演示，但会产出真实结果。正是这一差距，解释了为何60%的项目无法存活。
2026年发布的一份成本研究估计，一旦将工程、数据处理、治理与集成的全部成本计入在内，一套具备生产就绪状态、满足合规要求且具有真实可扩展性的AI系统，每套造价在25万至逾百万美元之间。这一数字还包括模型维护、重新训练和监控的持续性成本。几乎没有任何试点项目在设计之初就考虑到支撑这样一套体系。这正是试点项目无法扩展的原因。
区分价值捕获者与旁观者的预算架构
那些在AI方面实现持续可衡量价值的企业，与那些正在积累实施债务的企业之间，真正的差异不在于选择了哪些模型，而在于他们如何围绕这些模型构建投资架构。
那些正在产生可衡量回报的企业，共同呈现出一种三层结构模式。第一层是基础投资：数据准备工作、流程重设计、遗留系统现代化改造，以及具有采用率衡量指标的能力培训项目。这是那些枯燥无华却决定一切能否运转的工作。第二层是智能部署：AI以原生方式集成进真实的工作流程，不是作为平行工具，而是作为平台、产品或客户旅程中的内生能力，并可直接追溯至具体的业务成果。第三层是编排——无论是人工编排还是智能体编排——但只有在前两层已经构建完成后，这一层才有意义。
德勤的预测显示，AI项目投入生产的比例超过40%的企业数量，将在下一个规划周期内翻倍。这一数字作为采用率指标的意义，远不如它作为信号的意义重要——它指明了哪类企业将能够在结构性不同的成本基础上参与竞争。
首席财务官们正开始将AI预算从审查宽松的创新预算线，迁移至技术运营预算，并施加与ERP投资或客户关系管理平台同等严格的要求。这带来两个直接后果。其一，无法展现可衡量运营回报的项目将失去资金来源。其二，能够存活下来的供应商和系统集成商，将是那些能够将自身产品与具体流程指标挂钩的企业，而非那些只会描绘抽象转型愿景的企业。
Kedia分析的核心论点——也是最令技术团队不安的一点——在于：明年最重要的AI投资，恰恰是今天看起来最不吸引人的那些。这不是一个修辞上的悖论，而是对信息高度不对称市场中价值分配方式的精准描述：那些愿意为无法在幻灯片上演示的东西买单的人，终将捕获其他人只能写进年报里描述的价值。
构建真正应用型智能的预算架构，在定义上就比那些为先进模型实验提供资金的架构更不显眼。但它是唯一一种能够产出经得起真实价值审计的成果的架构。而在一个董事会开始明确要求这种审计的环境中，支出的能见度已不再是其最大的优势。
