一句话看懂：麦肯锡2025年调研显示，88%的企业已在至少一个业务环节用上AI，但只有7%实现了组织级规模化落地。运营顾问Dessy Pavlova在The Next Web撰文指出，差距的根源不是模型不够强，而是企业把AI硬塞进本就碎片化的流程里，结果只是让混乱跑得更快。
事件核心：发生了什么
Pavlova基于自身为从一人公司到千万美元级企业搭建运营系统的经验，描述了一个常见场景：客户从网站进来，有人把信息录入表格，另一人再搬进运营平台，财务拿到的是另一份数据，会计事后对账。每个环节都有软件，但环节之间的衔接全靠人工搬运。企业用Zapier、Make这类连接器把工具强行串起来，却没有重新设计流程本身。
她提出的替代方案是：以业务为中心重建系统，让一次人工决策自动触发网站、排课系统、财务记录的连锁更新，同时设置人工复核的”stopgate”，人仍然是架构师，AI充当执行引擎。文中引用的两项研究支撑了这一判断：NBER对5179名客服人员的研究发现，生成式AI平均提升14%的生产力，经验较少的员工获益更大；IBM 2026年调研则显示，仅11%的技术负责人认为自己对AI智能体的规模化部署”完全准备好”。
为什么重要
这组数据指向AI商业化当前最实际的瓶颈：模型能力与组织能力之间的落差。麦肯锡的研究把工作流重设计列为生成式AI产生财务回报的最强相关因素之一，而把AI用在孤立任务上会留下大量未兑现的价值。换句话说，企业采购AI工具的边际收益，正在被流程债务吃掉。这对卖工具的公司是压力，对做流程重构和实施交付的团队则是机会。
对用户/开发者/创作者的影响
对开发者和企业内部技术团队而言，值得重新评估的指标不是”接入了几个大模型API”，而是”一次业务事件能自动贯穿几个系统、在哪里需要人工兜底”。API集成、智能体编排、审批回路的可靠性，比模型选型更能决定项目成败。对企业采购方来说，IBM的数据提示：智能体部署的治理和可控性仍是短板，上线前需要明确异常发现、人工介入和结果确认的机制。对内容创作者和独立业务者，文中那句话同样适用——AI帮你完成工作，但不替代你理解工作本身。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是麦肯锡与IBM这两组数据的后续追踪，7%和11%这两个比例是否随智能体工具成熟而改善；二是Zapier、Make这类连接器平台是否会向流程编排和人工复核环节延伸，与AI智能体框架形成正面竞争；三是企业侧是否出现可量化的案例，证明”先重构流程、再上AI”相比”先上AI”的投入产出差距。
来源：The Next Web
