KPMG 发现企业 AI 采用速度仍快于可量化影响

KPMG 最新的企业 AI 调查结果登上 Google News，并揭示出一个鲜明矛盾：95% 的受访组织已制定 AI 战略，但只有 8% 表示已获得确立的回报。

这一差距比又一则关于模型更快或基础设施投资更大的公告更值得关注。企业已经采购 AI 工具、启动试点项目，并鼓励员工进行尝试。但大多数企业尚未重构将这些活动转化为企业绩效所需的工作流、问责体系或衡量方法。

KPMG 的 2026 年第一季度《全球 AI 脉搏》报告显示，54% 的组织仍处于研究、实验或战略规划的早期阶段。另有 39% 正在扩大 AI 应用或推动采用。只有少数组织已从广泛开展活动跨越至可衡量、可重复的回报。

由此产生的分化，已不再存在于使用 AI 的组织与未使用 AI 的组织之间。它区分的是将 AI 视为易于获取的软件的企业，以及将其作为一项整合型业务能力来运营的企业。

这正是最新 Google News 标题背后的真正故事。AI 采用仍在持续扩散，但影响力依然集中于那些围绕 AI 重构工作方式、而非只是将 AI 放在既有工作旁边的组织。

Google News 突出的是 AI 采用鸿沟，而非获取鸿沟

企业 AI 已如此普及，以至于基础采用本身已无法证明成熟度。

KPMG 的第一季度调查覆盖 20 个国家、地区和司法管辖区的 2,110 名高级管理人员。受访者来自八个行业，包括大型组织的 C-suite 高管及其直接下属。

这些核心数据乍看之下似乎互相矛盾。根据 Global AI Pulse，95% 的组织拥有 AI 战略。64% 表示已获得有意义的业务价值，但只有 8% 称已确立 ROI。

这些回答衡量的是不同层级的进展。一个团队可以通过文档审阅或软件开发节省时间，却未必能在企业财务报表中产生可见成果。企业也可能在证明这些成果超过部署、集成、监督及算力成本之前，就报告了有用的结果。

KPMG 的成熟度划分进一步澄清了这一差异。11% 的组织仍专注于研发。22% 正通过概念验证或试点进行实验，另有 21% 正在建设战略、绩效指标和数据基础设施。

这些群体合计占仍被归类为早期采用者的 54%。26% 正在全企业范围扩大 AI 应用，13% 正在推动更广泛的组织采用。其余 8% 表示已获得与重要业务成果挂钩的确立回报。

这并不意味着 92% 的 AI 项目已经失败。该调查并未作出这一结论。它表明，大多数组织尚未达到回报既已确立又可衡量的阶段。

另一项 McKinsey 调查也指向同样的方向。调查发现，88% 的受访者表示，其所在组织在 2025 年至少一个业务职能中定期使用 AI。然而，只有约三分之一表示所在组织已开始规模化推进 AI 项目。

之所以存在这一差距，是因为在一个职能中使用 AI 的门槛很低。获批的聊天机器人、编程助手或自动摘要工具都可能符合这一定义。企业层面的影响则需要流程、数据、激励机制、控制措施和决策之间实现联动变革。

这一差异也解释了为何看似相互冲突的调查都可能准确。一项研究或许衡量员工是否能够使用 AI，另一项可能询问企业是否部署了智能体，第三项则可能要求经过验证的财务回报。

因此，Google News 的读者需要审视每个标题背后的样本基数和成熟度定义。“使用 AI”“规模化 AI”与“从 AI 获得 ROI”描述的是不同状态，即使报道常常将它们混为一谈。

KPMG 的调查之所以有价值，是因为它将这些状态置于同一条进展路径上。这一路径始于研究与试点，继而迈向企业级扩展，最终获得确立的回报。大多数组织仍处于中间阶段。

支出增长快于可衡量回报

企业正在加大 AI 投入，但尚未确定应如何衡量价值。

KPMG 表示，受访组织计划在随后 12 个月内平均投资 1.86 亿美元于 AI。这一平均值经过加权，以反映企业规模和地区代表性，因此不应将其视为普遍适用的企业预算。

各地区的计划也存在差异。亚太地区组织报告的平均计划投资最高，为 2.45 亿美元。美洲为 1.78 亿美元，其次是欧洲、中东和非洲，平均为 1.57 亿美元。

这些数字体现了投入意愿，但支出只是投入。它几乎无法说明企业是否选定了高价值工作流、实现了持续采用，或获得了足以覆盖运营成本的收益。

AI 成本的表现方式也不同于许多传统软件支出。模型使用量可能随着 token、请求、自动化步骤以及参与的智能体数量而增长。因此，一个成功的试点在覆盖更多员工或处理更长流程后，成本反而可能上升。

KPMG 的第二季度更新让这一问题更加明显。调查发现，42% 的领导者对 AI 支出仅有部分可见性。33% 将对包括 token 在内的成本结构理解有限，列为部署智能体时面临的挑战。

这一问题同时给首席财务官、技术领导者和业务部门负责人带来压力。财务团队希望看到经得起检验的回报。技术团队需要可靠的基础设施和安全保障。运营负责人则必须证明，一项部署确实改善了真实流程，而非只是制造更多活动。

当企业自动化多步骤工作时，压力会更加突出。AI 智能体是能够围绕某一目标规划并执行多项行动的系统。与单次聊天机器人回复不同，智能体可能调用工具、检索企业数据、修改自身输出，并将工作交给另一个系统。

每增加一个步骤，都可能带来成本、延迟和新的失败机会。在受控演示中看起来令人印象深刻的流程，一旦数千名员工使用真实数据，便可能难以监管。

这正是为何即使报告业务价值更为普遍，已确立 ROI 仍然罕见。业务价值可以包括更快完成任务、更好的员工体验或更便捷的信息获取。ROI 则要求对收益与产生这些收益的全部成本进行明确的财务比较。

这一计算不应只包括模型订阅费用。集成工作、数据准备、员工培训、评估、安全审查、事件响应和人工监督都会消耗资源。

一些收益也难以立即进行财务衡量。助手或许能帮助分析师更快找到相关背景信息，但企业仍需将节省的时间与产能、收入、质量或规避的风险联系起来。

组织往往止步于第一层指标。他们统计许可证、活跃用户、提示词或生成的文档。这些指标反映的是活动，而非业务影响。

更强的衡量链条始于一个具体工作流。随后追踪 AI 是否改变了周期时间、错误率、转化率、服务质量或其他运营结果。只有在建立这种联系之后，管理者才能提出可信的财务主张。

KPMG 后续发布的 第二季度调查结果支持这一做法。成本可见性强的组织报告已确立 ROI 的可能性高出五倍，为 15%，而成本可见性较弱的组织仅为 3%。

这种关联并不能证明仪表板能够创造回报。能力更强的组织可能同时更擅长成本控制和 AI 部署。不过，这一模式强化了一个务实观点：团队无法管理自己看不见的投资。

真正的分野在于编排能力，而非工具部署

领先的组织正在跨工作流、数据、治理和人工决策协调 AI。

KPMG 将约 11% 的受访者归为 AI 领先者。他们的优势并不只在于投入更多资金或部署更多工具，而在于将 AI 视为运营模式的一部分。

报告将这种能力称为编排。在此语境下，编排是指将模型、智能体、数据、控制措施、员工和业务流程协调为一个统一管理的系统。

这比向员工提供聊天机器人有着更高的标准。通用助手可以协助起草、摘要或探索，同时不改变周围的工作流。编排后的 AI 则会改变工作如何进入流程、上下文如何随之流转、由谁审查决策，以及结果如何作为反馈返回。

以客户支持工作流为例。基础部署让客服人员起草回复。更成熟的系统会检索正确的账户历史、应用政策、标记不确定性、将敏感案例转交给人工、记录处理结果，并衡量服务是否得到改善。

第二种系统所需的不仅是一个能力出色的模型。它还需要可信数据、系统权限、清晰的升级规则、监控机制以及对流程负责的负责人。

同样的模式也适用于产品开发。孤立的助手可以总结访谈或生成需求。整合型工作流则将研究证据、客户反馈、产品决策、技术约束和后续结果连接起来。

这也解释了为什么一个可搜索的 AI 知识库可能比另一个通用界面更重要。模型需要相关的组织背景信息，而员工则需要一种审查和复用其输出背后材料的方式。

McKinsey 早期研究发现，工作流重构与生成式 AI 所报告的盈利影响之间存在最强关联之一。然而，表示其所在组织遵循了大多数受调查采用和规模化实践的受访者不足三分之一。

不足五分之一的受访者表示，他们会追踪生成式 AI 解决方案明确定义的绩效指标。这一发现暴露了许多采用主张背后的薄弱环节：如果企业没有定义成功意味着什么，就无法了解哪些部署真正有效。

工作流重构也会带来政治和组织层面的困难。它会改变职责、审批路径、人员配置假设，有时还会改变部门之间的边界。安装一个工具通常比协商这些变化更容易。

员工可能频繁使用助手，却避免将其用于重要决策。管理者可能鼓励实验，却不改变产出预期。安全团队可能批准一个界面，却阻止实现更深层整合所需的数据连接。

这些条件会带来可见的使用量，却未对组织结构产生影响。员工生成了更多草稿和摘要，但决策仍要通过同样的瓶颈。组织变得更忙，却没有实质性地变得更快。

KPMG 的领先组织提供了另一条路径。这些组织将 AI 与增长相结合，而非只关注降本。它们还报告了更强的人才准备度，以及对衡量业务影响更高的信心。

这很重要，因为降本会引导出一个狭窄的实施问题：模型能够完成哪些现有任务？以增长为导向的问题则是：AI 将如何改变产品、客户体验或学习速度？

第一种方式能够带来有用的效率提升。第二种方式需要更多协调，但也能创造竞争对手更难复制的成果。

Microsoft 通过其“Frontier Firm”概念描述了类似的目标。其 Work Trend Index 分析了来自 31 个国家的 31,000 名员工、LinkedIn 劳动力数据和 Microsoft 365 活动数据。

Microsoft 表示，这类企业围绕人类与智能体协作的团队，以及按需可用的智能来组织工作。这一框架反映了供应商的视角，因此其业绩主张值得审慎审视。不过，它确实捕捉到了 KPMG 所强调的组织发展方向。

因此，竞争分野并不在于 Microsoft 对 Google，或某个基础模型对另一个基础模型，而在于工具部署与运营编排之间。

走第一条路径的组织会累积许可证和试点项目。走第二条路径的组织则会选择工作流、连接可信上下文、明确责任归属、衡量成果，并持续修订流程。

模型选择仍会影响质量、成本、安全性和延迟。然而，更换模型无法弥补责任缺失或业务目标未定义的问题。

AI 采用数据仍无法证明什么

调查势头确实存在，但自我报告的成熟度和价值仍不是衡量运营表现的完美指标。

KPMG 的研究反映了大型组织高管的看法。这些领导者能够描述战略、投资和组织方向，但未必能观察到每个团队的日常使用情况。

该调查还涵盖了在地区、行业、监管环境和技术能力方面各不相同的组织。一家将 AI 部署到受控审查流程中的银行，面临的约束与一家为开发工具添加助手的软件公司并不相同。

汇总百分比可能掩盖这些差异，也可能掩盖受访者是否对“有意义的业务价值”采用相同定义。

一位高管可能将价值理解为员工产出更快。另一位可能要求收入增加或支出减少。第三位则可能将风险规避计入价值，即使避免的损失无法被直接观察。

“已实现 ROI”听起来更精确，但调查受访者仍可能采用不同方法。有些人可能会计入实施和监督成本，另一些人则只将收益与软件费用进行比较。

因此，KPMG 的数据应被视为有关成熟度的方向性证据，而不是经过审计的经济回报证明。

同样的谨慎也适用于跨报告比较。Stanford 的 2026 AI Index 报告称，组织的 AI 采用率在 2025 年达到 88%。报告还指出，智能体部署在几乎所有业务职能中仍处于个位数水平。

这两项事实并不矛盾，因为广泛访问早于深入的运营使用。它们也表明，单一采用率无法回答 AI 是否已经改变组织。

AI Index 指出，在结构化且可衡量的工作中，生产率提升更明显。它引用研究显示，客户支持、软件开发和营销产出均有提升，同时指出，在需要更深层推理的任务中，结果较弱。

这一模式提供了重要约束。团队能够定义输入、检查输出并衡量结果的场景，AI 表现最佳。开放式战略工作则缺乏可靠的反馈信号。

企业仍可将 AI 用于复杂工作，但需要更严格的人工审查，以及更清晰的错误检测方式。缺乏这些保障时，更快的产出可能只会加速质量不佳的决策。

安全和隐私带来了另一层阻力。KPMG 发现，75% 的受访者对 AI 相关风险和安全问题表示担忧。处于早期阶段的组织中，只有 20% 表示有信心管理 AI 风险，而 AI 领先组织的这一比例为 47%。

这些担忧并不意味着应停止部署。它们说明，仅有访问权限无法带来成熟度。组织需要政策、技术控制、评估机制和事件责任归属，才能扩大敏感用例。

人才准备度带来了类似约束。KPMG 发现，68% 的组织对其人才储备表示一定信心，但只有 22% 报告了高度信心。

仅培训员工编写提示词，并不足以弥补这一缺口。员工需要知道何时适合使用 AI、输出需要哪些证据、哪些数据可以使用，以及何时必须由人接管控制权。

领导者还需要决定如何将节省下来的时间转化为价值。如果一名员工更快完成任务，却因此获得更多低价值工作，那么组织只是提升了局部效率，并未改变整体表现。

这正是采用计划常常与业务设计脱节的地方。技术团队管理工具，学习团队负责培训，财务团队要求回报，运营团队则维持原有目标。没有任何单一责任人掌控完整结果。

因此，对 KPMG 调查的审慎解读并不是 AI 没有创造任何价值，而是报告价值与已实现 ROI 之间的距离仍然过大，无法得出简单结论。

更乐观的解读则更具体：一小部分组织已开始将部署与可衡量的企业成果相连，这表明当组织条件具备时，价值是可能实现的。

两种解读都否定同一个错误：将访问、使用和影响视为同义词。

三个信号将显示这一差距是否正在缩小

下一阶段将由日常工作流采用、成本责任归属和可衡量的运营成果决定。

第一个信号是沿着 KPMG 成熟度曲线的推进。其第二季度调查已显示，AI 成为日常工作组成部分的组织比例，从第一季度的 13% 上升至 22%。

这代表了有意义的进展，因为常规使用所需的不只是临时试点。不过，更有力的确认应是已实现 ROI 同步上升，而不只是从实验阶段转向采用阶段。

KPMG 的第二季度调查发现，已实现 ROI 仍集中在 7%。样本与季度口径需要谨慎比较，但信息仍然一致：日常使用的增长快于经验证的回报。

如果未来调查显示，更广泛的采用伴随 ROI 上升，那么企业学习的论据将更有力。如果采用率上升而 ROI 仍接近当前水平，价值差距将更难被视为暂时延迟。

第二个信号是成本可见性。领导者应关注组织能否将模型、智能体、基础设施、集成和人工审查费用归因到具体工作流。

仅有成本仪表板并不能证明价值。只有与运营指标和明确责任人结合时，它们才会变得有用。

KPMG 报告称，第二季度有 53% 的组织拥有 AI 成本监控仪表板，54% 在 AI 审批流程中纳入了成本审查。

更严格的检验在于，这些控制措施是否改变决策。团队应淘汰薄弱用例，重新设计成本高昂的用例，并扩大能够产生可靠成果的部署。

如果企业在不了解基于使用量的成本情况下继续扩张，智能体 AI 可能会扩大这一差距。多智能体系统可能在单项任务中增加调用次数、token、工具数量和故障点。

第三个信号是工作流层面的证据。广泛的员工调查仍然有用，但决策者需要与具体流程相关联的指标。

客户支持部署应跟踪解决质量、周期时间、升级率和客户结果。开发部署应跟踪交付时间、缺陷、审查负担和可维护性。研究部署应衡量准确性、来源质量和决策速度。

这些衡量不应止于短期演示。一个工作流即使在四周内表现良好，也可能随着数据变化、员工适应或使用范围扩大而减弱。

组织还应更清楚地区分总体生产率与已捕获价值。节省十分钟并不会自动带来财务回报。组织必须重新配置这部分产能，或改善客户重视的成果。

Google News 将继续呈现大型采用率百分比，因为它们容易形成简洁的新闻标题。更重要的证据将出现在不那么戏剧化的运营指标中。

关注报告已实现 ROI 的组织比例。关注成本可见性是否改变部署选择。随后，关注在计入监督、集成和风险成本后，个别工作流是否仍能产生持久收益。

对于企业买家和知识工作者而言，实际问题已不再是 AI 是否值得尝试。证据表明，尝试已经十分普遍。

问题在于，你的组织能否指出一个重要工作流，定义其基线，连接正确的上下文，指定一位承担责任的负责人，并长期衡量结果。

如果不能，另一个模型或智能体也无法弥合这一差距。如果能够，AI 采用就拥有一条通往实际影响的路径，并能超越下一条 Google News 标题。