Gartner 预测 AI 支出将达 2.52 万亿美元，但美国企业面临 ROI 清算

Gartner 预测，2026 年全球 AI 支出将达到 2.52 万亿美元，这一数字提高了企业 AI 战略的赌注。然而，Gartner 的 AI 支出预测也揭示出尖锐矛盾：支出正在加速，许多公司却仍无法证明回报、追踪运营成本，或明确一位负责的高管。

这一 headline 数字并不只代表美国企业的软件账单。它涵盖了全球在基础设施、服务、软件、网络安全、模型、数据和开发平台上的支出。其中超过一半集中于基础设施，且很大一部分由科技提供商出资。

这一区别并未削弱新近浮现的 AI 后遗症，反而使其更具说明力。超大规模云服务商正在企业需求完全成熟之前建设产能。与此同时，企业领导者面临压力，必须将实验转化为可衡量的收入、更低的成本或更快的运营效率。

如今的核心较量，是 AI 雄心与执行纪律之间的冲突。企业买家并未放弃人工智能，但对于没有负责人、没有基线或缺乏生产环境经济效益的试点项目，容忍度正不断下降。下一阶段将奖励那些能够将每项工作负载与业务成果相连的公司。

Gartner AI 支出预测实际衡量的是什么

这 2.52 万亿美元描述的是整条技术供应链，而不是一轮单一的企业软件采购浪潮。

Gartner 在 1 月的预测中称，2026 年全球 AI 支出将达到 2.5278 万亿美元，较 2025 年的 1.7572 万亿美元增长 44%。该机构预计，2027 年总额将达到 3.3367 万亿美元。

AI 基础设施占 2026 年预测额中的 1.3664 万亿美元。这一类别涵盖开发和运行 AI 系统所需的计算、存储、网络及相关基础能力，约占预测总额的 54%。

Gartner 预计，基础设施支出将较 2025 年水平增加约 4010 亿美元。仅 AI 优化服务器的支出预计就将增长 49%，并将占当年全部 AI 支出的 17%。

服务构成第二大类别，规模为 5886 亿美元。软件支出为 4525 亿美元，网络安全为 513 亿美元。模型支出为 264 亿美元，数据科学平台则为另外 311 亿美元。

较小的类别包括应用开发平台和 AI 数据。尽管其总额与基础设施相比仍较小，但它们揭示了模型与可运行业务流程之间存在多少层环节。

因此，完整的 AI 支出预测衡量的远不只是对 Copilot、Gemini、Claude 或 ChatGPT 等助手的订阅。它反映的是一场广泛的产业建设，用于支持模型训练、推理、安全、集成和业务部署。

推理是训练完成的模型响应请求时所执行的计算工作。其成本会随着使用量、任务复杂度、上下文规模和生成输出量而增加。这意味着，一个看似简单的助手在大规模使用时也可能产生可观的持续性账单。

这一构成之所以重要，是因为基础设施供应商可以在终端用户证明业务价值之前就记录到需求。即使试点项目永远无法进入生产环境，云服务商仍可向运行这些试点的公司出售计算能力。

因此，这一支出预测更清楚地衡量了承诺，而非成功。它表明企业及其供应商正将资源投向 AI，却无法说明这些资源是否带来可持续的利润或生产率提升。

Gartner 还将 2026 年的 AI 描述为处于“幻灭低谷”阶段。这个术语指的是，早期热情因实验未能达到被过度抬高的预期而逐渐消退的时期。

该机构预计，在这一时期，成熟的软件提供商将推动大量企业采用 AI。买家通常会通过现有系统获得 AI 功能，而不是启动独立的登月式项目。

这一路径降低了采购摩擦，但也可能掩盖成本。AI 相关费用可能出现在云服务消耗、软件合同、咨询项目、数据工作和安全预算中。财务团队或许能看到多项支出，却看不到一项完整工作负载的总成本。

这正是后遗症的第一个来源：组织在多个预算项目中投入 AI，却尚未建立统一的方法来衡量其回报。

企业 AI 支出正在超越高管控制能力

直接压力落在那些批准快速采用 AI、却未建立同样清晰的责任归属和运营控制机制的高管身上。

一家公司无法仅靠热情管理 AI 支出。必须有人决定哪些项目继续推进、哪些指标重要，以及当成本超过收益时由谁承担责任。

Pearl Meyer 2026 年第二季度的研究发现，高管信心与组织准备度之间存在巨大差距。其调查覆盖 116 家公司，考察了领导力、转型、人才和 AI 执行情况。

80% 的 CEO 认为其高管团队能够为更广泛的企业利益作出权衡。其他 C-suite 领导者中，只有 30% 认同这一判断。这一差距表明，负责实施战略的人往往比首席执行官看到更多冲突。

同一项 领导力调查发现，80% 的受访者认为其组织具备管理转型所需的领导能力。然而，只有 41% 认为员工能够在不过度负荷的情况下吸收额外变化。

这些发现揭示了两种不同的约束。第一种是决策责任归属，第二种则是组织在员工继续承担既有职责的同时重新设计工作的能力。

AI 项目常常跨越传统边界。一个客户服务助手可能涉及运营、安全、法务、财务、数据工程、人力资源和采购。共同参与并不意味着共同负责。

当责任归属仍不清晰时，每个团队都可能优化不同的结果。技术团队可能优先考虑模型质量，财务团队则监控使用消耗；法务团队关注风险暴露，业务领导者则追求采用率。

这些目标本身都没有错。问题出现在没有人对综合结果承担责任时。

被迫作出的回应，是从采用目标转向工作负载经济性。领导者需要识别每个用例的完整成本，并将其与可衡量的基线进行比较。

这一成本不止包括 token，即模型接收和生成信息时处理的单位。它还可能包括数据准备、集成、评估、安全审查、员工培训、监控和人工纠正。

以用于内部研究的 AI 助手为例。软件可能更快地产出初稿，但员工仍需核实引用来源，并调和相互矛盾的信息。这些审查工时也应计入经济性评估。

同样的原则也适用于编程助手。如果审查队列不断增长或缺陷率上升，更快地生成代码就没有多少价值。输出量不能替代部署速度、可靠性或客户影响。

因此，当仪表盘统计的是活动而非结果时，企业 AI 支出将难以获得辩护。提交的提示词、分配的许可证和启用的功能，都是采用指标；它们并不能证明财务回报。

长期压力同样会延伸至董事会，而不仅是运营高管。董事必须判断管理层是否了解 AI 在合同、基础设施、数据和劳动力规划方面的风险敞口。

当 AI 通过既有供应商进入企业时，这项任务会更加困难。嵌入式功能可能在不同部门扩散，却无需经过一个专门的投资委员会。

采购纪律必须赶上这种分散化模式。公司需要根据使用质量和业务结果，而不只是分配的席位数或总体活动量，作出续约决定。

这一转变未必会降低总体支出。Gartner 的预测显示，市场仍在快速扩大。相反，它将把资源集中于那些能经受更严格财务和运营审查的工作负载。

AI 雄心正在与可衡量的 ROI 相撞

企业热情依然高涨，但已被证实的 AI 回报集中在责任机制更强、成本可见度更高的组织中。

KPMG 的 2026 年第二季度全球 AI 脉搏调查覆盖了 20 个国家、地区和司法管辖区的 2,145 名高级领导者。受访者所在组织均拥有可观的年度营收，并在积极推进 AI 项目。

79% 的受访者将 AI 列为关键投资领域，高于上一季度的 74%。积极推动采用 AI 的组织比例则从 13% 上升至 22%。

然而，只有 7% 的受访领导者表示已实现成熟的投资回报。近四分之一正面临来自投资者的证明价值压力。

这项 全球 AI 调查还发现，42% 的组织对 AI 支出只有部分可见度。由于不完整的成本基础会产生不完整的计算，这一缺口削弱了任何关于回报的自信主张。

投资回报率将一项计划的净收益与其总成本进行比较。对于企业 AI 而言，这一等式的两端都仍难以单独界定。

收入变化可能有多重原因。成本节约可能反映招聘决策、需求变化、流程重构或常规软件升级。一项可信的衡量计划必须将这些影响与 AI 系统的贡献区分开来。

收益也可能以不同速度显现。一个助手今天或许能为员工节省几分钟时间，而经过重新设计的客户工作流程，则可能在数月后带来可衡量的留存增长。

这种滞后解释了为何感受的变化可能快于财务报表。员工可能在公司记录到更高产出或更低成本之前，就已经感觉到效率提升。

KPMG 发现，对 AI 成果有明确责任归属的公司，报告已证实 ROI 的可能性高出三倍。对运营成本拥有完整可见度的组织，确定回报的可能性高出五倍。

这些关系并不能证明仅靠治理就能创造价值。成功的组织可能拥有更好的数据、更强的流程或更适合的用例。但这一模式削弱了“更广泛部署自然会带来更好结果”的观点。

7% 的组织因运营成本超过预期收益而推迟了计划中的推广。这一发现体现的是纪律，而非全面否定。

当一项部署的经济性失效时，理性的公司应当停止它。错误在于将每一次取消都视为 AI 本身已经失败的证据。

最强的项目越来越多地从狭窄的运营问题入手。它们明确负责人、建立性能基线，并界定 AI 应当改善的具体决策。

例如，支持团队可以衡量问题解决时间、升级率、客户满意度和纠错量。这些指标能够揭示，助手究竟改善了整个流程，还是仅仅加快了其中一个环节。

知识工作者也面临类似检验。一个能更快生成摘要的系统，如果用户无法将其中的主张追溯至可靠来源材料，仍可能降低质量。

使用 AI knowledge base 的团队，可以将生成的答案与受控的内部上下文关联起来。即便如此，他们仍必须评估准确性、采用情况、审查时间和实际任务完成情况。

因此，AI 支出 ROI 的真正问题，并不是模型能否产出有用文本，而是完整的工作流程能否带来足够的、经过验证的价值，以证明其持续性成本和实施成本是合理的。

这一标准比演示更严格。它要求系统在日常环境中同样具备表现，包括面对不完整数据、不断变化的政策、非常规请求，以及技能水平不同的员工时。

压力最大的公司，是那些宣布进行广泛转型却未界定这类证据的企业。它们面临的挑战已不再是获得模型使用权，而是证明这种使用权能够改变经济结果。

生产率证据比反弹叙事更复杂

疲弱的可测量回报并不能证明 AI 毫无价值，但确实对“即时转型”的自信说法提出了挑战。

美国国家经济研究局在 2026 年 2 月发布的一篇工作论文，调查了近 6,000 名高级企业管理人员。参与者来自美国、英国、德国和澳大利亚的企业。

研究人员发现，69% 的企业正在积极使用 AI。超过三分之二的受访高管也经常使用 AI，不过个人平均每周使用时长仅为 1.5 小时。

十分之九的高管表示，在过去三年中，AI 对其公司的就业或生产率没有产生影响。不过，企业仍预计未来三年的影响会更大。

这项企业层面证据预计，在这一期间，平均生产率将提高约 1.4%，就业人数将减少约 0.7%。美国高管预计生产率增幅更大，达到 2.3%。

这些结果为两种极端叙事提供了必要修正。AI 尚未改变大多数企业层面的生产率，但高管们也并未普遍认为这项投资被浪费了。

衡量时点仍是一个不确定因素。许多企业近期才开始采用生成式 AI 工具，而企业流程重构通常比软件安装耗时更长。

另一项基于近 750 名企业高管的 NBER 研究发现，生产率提升虽为正向，但并不均衡。最大的影响出现在高技能服务业和金融业。

其作者将之描述为一种生产率悖论。领导者感受到的收益超过了实际测得的改善，这可能是因为收入效应尚未完全显现。

这一差距可能朝任一方向收窄。财务结果最终可能验证早期的生产率感知；或者，更好的衡量方法可能揭示，员工把便利性误认为了经济产出。

第二种可能性值得关注，因为生成式 AI 可能转移工作，而非消除工作。模型或许能缩短起草时间，却会在其他环节增加核验、合规和纠错任务。

员工体验也让分析变得更复杂。Pearl Meyer 发现，只有 41% 的受访者认为，员工能够承受更多变化而不会不堪重负。

一个组织可以部署有帮助的工具，同时却让工作感觉更加碎片化。员工可能需要学习多个界面、监控自动化输出、处理例外情况，却并未减少原有职责。

这会产生隐藏的采用成本。在收益变得可靠之前，培训会议、政策审查、提示词试验和反复切换工具都会消耗时间。

怀疑论者不应声称每项 AI 计划都缺乏回报。KPMG 报告称，76% 的领导者看到了可衡量的业务价值，尽管只有 7% 已建立 ROI。

业务价值和已确立的 ROI 描述的是不同层次的信心。一家公司可能观察到服务更快或员工获取信息更便利，却尚未完成一项站得住脚的财务测算。

同样，Gartner 的 2.52 万亿美元总额也不应直接与企业利润相比。其中很大一部分支出代表着为多个客户和未来需求服务的基础设施。

合理的批评在于，支出可见性与结果可见性之间存在错配。企业领导者往往知道 AI 活动增加了，但能指出每项部署的确切成本和经验证贡献的人要少得多。

这种区别也解释了为何 AI 后遗症能够与不断增长的预算并存。组织仍担心落后于竞争对手；与此同时，它们正对单个项目施加更严格的要求。

由此形成的市场可能会变得更具选择性。供应商将面临证明集成质量、安全性、可控消耗和工作流程结果的压力。

买方也会需要更好的评估工具。基准测试分数描述的是模型在标准化测试中的表现，并不能预测定制化业务流程的价值。

企业评估必须使用真实任务、具有代表性的数据和明确的失败阈值。它们应衡量完整工作流程，包括人工审查和下游影响。

这比宣布一项试点更慢，但也是将持续采用与短期实验区分开来的工作。

当买方避开高风险押注时，现有供应商获得优势

AI 后遗症有利于成熟供应商，因为谨慎的企业更偏好熟悉的合同、数据控制和工作流程。

Gartner 预计，在 2026 年的幻灭期，AI 将主要通过现有软件供应商进入众多企业。这一预测改变了初创公司和大型平台的竞争环境。

Microsoft、Google、Amazon、Salesforce、ServiceNow 及其他成熟供应商，早已处于企业技术栈之中。它们可以将 AI 加入用于通信、云计算、客户记录、开发和运营的产品。

它们的优势不一定是模型性能更优，而是分发能力、既有安全审批、集成数据访问和成熟的采购关系。

买方通常能够比批准一家新供应商更快地启用内嵌助手。当董事会期待看到明确进展、而运营团队又希望减少集成风险时，这种速度至关重要。

不过，更易采用并不保证成本更低。内嵌 AI 可能会将使用量分散到各业务部门，使总支出难以追踪。

它也可能降低竞争压力。一家公司可能选择其现有生产力套件附带的助手，即便另一种模型在特定任务上的表现更佳。

初创公司面临相反的挑战。它们可以构建专业化工作流程并快速行动，但必须证明新增一份合同、安全审查、集成项目和数据边界是合理的。

它们最强的竞争位置在于可衡量的垂直领域成果。当专业化供应商对特定流程的改善足以克服采购摩擦时，便能够参与竞争。

这为 Gartner 的 AI 支出预测创造了一项市场检验。基础设施需求可以继续上升，而应用支出则可能向更少的供应商和经过验证的使用场景集中。

超大规模云服务商也面临自身版本的 ROI 问题。它们必须让昂贵的计算资产保持高利用率，同时客户正变得更有选择性地挑选工作负载。

利用率衡量可用计算容量中有多少在执行有用工作。较低的利用率可能挤压利润率，因为数据中心承担着大量固定成本。

需求仍然足以支持持续建设，但其构成很重要。训练一个前沿模型，与服务数百万个较小规模的商业请求，所产生的经济效益不同。

企业买方日益关注推理成本，因为这些费用会随着使用反复产生。一项成功的试点，在推广至员工和客户后可能变得更加昂贵。

这带来一种不同寻常的风险。更广泛的使用可能验证产品需求，同时却削弱该部署的单位经济效益。

企业需要建立控制机制，将较简单的工作路由至较小的模型，并将昂贵的推理能力留给困难任务。它们还需要对上下文、重试、自动化链条和不必要输出设定限制。

智能体系统会放大这一问题。AI 智能体是指在有限人工指引下，选择并执行多个步骤以达成目标的软件。

一项员工请求可能触发多次模型调用、搜索、工具操作和验证步骤。因此，用户看见的提示词可能只代表总消耗的一小部分。

更好的编排可以降低这些成本，但这需要技术成熟度。企业必须记录模型活动，将其与结果关联起来，并识别哪些自动化步骤创造了价值。

安全和治理同样重要。如果一个更便宜的流程暴露了机密数据，或作出未经审查的决策，它就无法创造价值。

这就是为什么竞争的核心仍是雄心与纪律之间的较量，而不是某一家供应商与另一家供应商之间的较量。Microsoft、Google、Amazon、Anthropic、OpenAI 和专业供应商都在接受同一项经济检验。

供应商可以让部署更容易，但客户仍拥有商业论证的责任。没有任何模型提供商能够定义客户可接受的错误率、工作流程基线或监管风险敞口。

现有供应商路径将加快使用进程。它是否能提升 ROI，取决于买方如何谨慎治理启用后的事务。

三个信号将决定 AI 后遗症是否加深

下一阶段将通过成本可见性、生产环境成果，以及基础设施增长与企业需求之间的差距来评判。

第一个信号是，企业披露是否会更具体地说明 AI 回报。投资者应超越有关采用情况的表述，审视收入、利润率、周期时间和运营费用。

如果企业将 AI 部署与经过审计或持续一致衡量的结果联系起来，Gartner 的 AI 支出预测将获得更强支持。更多许可证和试点并不能提供同等证据。

如果高管持续报告收益，却不说明基线或完整成本，这一判断将被削弱。这种模式意味着，AI 活动仍比经济价值更容易衡量。

KPMG 未来的季度调查提供了一个有用指标。报告已建立 ROI 的企业占比若高于 7%，将表明部署纪律正在赶上采用速度。

第二个信号是，试点项目中有多少进入持续的生产环境。生产环境意味着，一个系统在监控、控制措施和明确负责人的支持下，服务于持续性的业务活动。

试点可以在精心筛选的条件下成功。生产环境会使系统面对不同用户、变化的数据、非常规请求、安全限制和真实的运营预算。

持久的生产环境使用证据，将强化早期支出为后续价值奠定基础的观点。反复取消或使用量下降，则会加深后遗症。

企业应报告结果留存，而不仅是上线里程碑。一个工作负载即使首月表现良好、随后却失去用户，也无法支撑持久回报。

第三个信号是，主要技术提供商如何平衡基础设施投资与收入和利润率。它们的财务结果将显示，需求是否吸收了正在建设的产能。

云业务持续增长、更高的 AI 服务收入以及稳定的利润率，将有助于支持这样一种观点：基础设施投入是在为真实需求做准备。利用率疲弱或折旧压力上升则会对这一观点构成挑战。

这三个信号必须结合起来解读。企业 ROI 的改善能够支撑基础设施需求，而更低成本的基础设施也能改善企业工作负载的经济性。

反向关系同样存在。昂贵的算力可能推高推理成本，而疲软的业务成果可能促使企业限制使用规模。

Gartner 已预计，全球 AI 支出将在 2027 年超过 3.3 万亿美元。这一预测让执行层面的证据变得更加紧迫，因为资本投入仍在持续增加。

美国企业面临的并非简单的“投入或撤退”二选一。它们必须决定哪些 AI 系统值得规模化推广，哪些需要重新设计，以及哪些应当终止。

对开发者而言，这意味着评估、可观测性和成本控制将成为核心产品要求。仅凭模型能力，已不足以促成一笔企业销售。

对企业采购方而言，实际问题在于供应商能否将技术表现与可控的工作流程连接起来。采购方应要求看到包含人工审核和总运营成本在内的证据。

知识工作者应关注雇主是否在重新设计流程，还是仅仅增加助手工具。当团队消除重复工作、而非在旧有流程上叠加新义务时，工具往往能带来更强的效果。

Gartner 的 AI 支出预测描绘了一个拥有巨大资金投入的市场。AI 支出 ROI 的证据则表明，资金本身无法带来组织层面的准备就绪。

如果预算持续上升，而问责机制依然分散，后续影响将会加剧。当企业能够说明哪些工作负载改善了结果、成本是多少，以及为什么值得继续投入时，这种影响才会缓解。

什么证据能够证明你的组织值得进行下一轮 AI 扩张？在增加另一项部署前，先明确基线、负责人、总成本和可衡量的成果。随后，在真实员工于正常条件下使用该工作负载后再进行复盘。这种纪律并非否定 AI 雄心，而是为这种雄心设定一套财务团队、员工、客户和董事会都能评估的标准。