麦肯锡农户 AI 调研：在支出收缩中，一款低成本工具脱颖而出

麦肯锡表示，尽管农业计划支出普遍收缩，如今已有 17% 的受访农户将生成式 AI 用于农场工作。麦肯锡农户 AI 调研将这项技术列为农业领域增长最快的工具之一，尽管仅有 4% 的受访者为其付费。

这一反差比表面的采用率更值得关注。农户正在推迟购买农机，并审慎评估必要投入品的支出；但许多人无需安装传感器或更换设备，便可试用通用 AI 助手。

这并不意味着软件已经取代拖拉机、精准喷雾设备或农艺师。这意味着，当资本密集型农业科技面临更严苛的预算考验时，使用门槛最低的工具正在赢得关注。

这一发现来自麦肯锡于 2026 年 9 月 8 日发布的全球农户调研。研究人员在 4 月至 7 月期间调查了十个国家的 5,500 名农户。

调研也揭示了这股热情的明确边界。只有 6% 的农户将生成式 AI 或 AI 搜索视为可信赖的决策来源。农艺师仍对 56% 的受访者具有影响力。

因此，农户正将探索与决策权区分开来。AI 可以起草、总结、比较和检索信息，但对于影响产量、投入成本乃至整个种植季的决策，可信专家仍承担验证作用。

麦肯锡农户 AI 调研揭示预算逆转

恰恰在农户对几乎所有重大开支都愈发挑剔之际，生成式 AI 正在获得用户。

麦肯锡的报告涵盖小农户、大型商业化农场、大田作物农场和特色作物企业。受访者来自十个国家，其中包括新增的中国、秘鲁和西班牙样本。

样本以作物生产为主。仅种植大田作物的农户占 59%，同时种植大田作物和特色作物的占 22%。其余 19% 仅种植特色作物。

农场规模差异显著。印度和中国的几乎所有受访者管理的土地面积都在 50 公顷，即约 120 英亩，或以下。

另一端，加拿大受访者中经营面积超过 2,500 公顷的农场占 23%，在美国样本中占 17%。

这一范围有助于形成全球视角，但也让简单比较变得复杂。AI 聊天服务对于小农户和大型商业运营者而言，价值主张截然不同。

共同因素是财务压力。麦肯锡称，农户盈利能力在 2021 年和 2022 年达到峰值，随后大宗商品价格下跌。

与此同时，化肥、劳动力、土地、机械、能源和融资成本仍然高企或波动不定。这些条件推动种植者优先选择回报清晰且短期可见的采购项目。

与 2024 年调研相比，多个主要农业市场的支出意愿均有所下降。阿根廷的净支出情绪下降了 49 个百分点。

加拿大下降 29 个百分点，印度下降 28 个百分点，巴西下降 24 个百分点。净支出衡量的是预计支出增加与预计支出减少的受访者比例之差。

即使是农场设备也面临延期。16% 的受访者表示，当盈利能力恶化时，设备会是他们最先削减支出的类别。

不过，36% 的人表示，当利润恢复时，设备会优先获得资金。这一结果反映的是需求被推迟，而非对机械设备的永久性放弃。

生成式 AI 进入这个受限市场时拥有结构性优势。农户只需几分钟，就能在现有手机或电脑上打开一项通用服务。

精准硬件则需要安装、集成、培训，且往往需要大额资本投入。自主设备还需要维护、支持、可靠的连接能力，并与现有运营体系兼容。

这一区别解释了为何 Bloomberg 的标题在方向上重要，但仍需要更多背景。按已安装规模计算，AI 并不是农业中部署最广泛的技术。

相反，麦肯锡称，它在美国的采用速度可与农业技术历史上最快的采用率相媲美，并且实现这一势头时面临的实体障碍更少。

2024 年农户调研结果提供了有用的基线。该调研发现，成熟的数字农业类别增长较慢。

报告称，自 2022 年以来，正在使用或考虑至少一种新运营技术的农户比例仅增加了 3 个百分点。当时并未单独衡量生成式 AI。

因此，2026 年调研首次清晰呈现了这一较新类别的全球情况。它并未建立农场专用生成式 AI 的长期历史趋势。

这一局限应当为任何“农场已围绕该技术永久重组”的说法降温。该调研识别的是艰难周期中的快速试验，而非一场已经完成的转型。

不过，逆转确实存在。农户一边减少计划支出，一边采用新的数字工具，因为试用软件所面临的财务阻力低于购买设备。

为什么农场 AI 的采用速度快于硬件

AI 可以先通过决策和文档进入农场，之后才可能触及拖拉机、传感器或灌溉控制器。

生成式 AI 会根据自然语言指令创建文本、图像或其他内容。在农场中，它的即时价值更多体现在信息工作，而非自主田间作业。

种植者可以用它整理田间记录、总结设备手册、比较产品信息，或为咨询农艺师准备问题。这些任务都围绕生产决策展开。

麦肯锡将生成式 AI 描述为支持日常决策的工具。其报告并未声称该技术能够独立控制播种、喷洒、收获或牲畜照料。

这一区别将对话式 AI 与成熟的精准农业区分开来。精准工具通过机械、传感器、地图和自动控制系统，收集或利用特定地点的信息。

这一成熟类别多年来已提供可衡量的运营能力。自动导航、产量制图、变量施用和定向喷洒可以直接改变田间活动。

然而，这些系统必须跨越投资门槛。设备成本、回报不确定性、数据碎片化和系统不兼容，都可能拖慢采购速度或限制使用。

一项联邦技术评估发现，2023 年有 27% 的美国农场或牧场使用了精准农业实践。这一指标涵盖作物或牲畜管理。

该评估还将高昂的初始成本、数据所有权不明确和互操作性不足列为采用障碍。互操作性意味着不同机器和软件能够交换可用信息。

在早期试验阶段，AI 聊天工具避开了其中一部分障碍。它们无需新增田间硬件，并且可能有助于处理已以数字形式存在的信息。

这种便利也有助于解释使用与付费之间的差距。17% 的受访农户报告将其用于农场相关工作，但仅有 4% 为 AI 服务付费。

这一付费比例可能包含通用订阅服务，而非专业农业产品。因此，它并不能说明专用农场 AI 已形成庞大的成熟市场。

相反，这表明许多农户仍处于试用阶段。免费使用让他们能在要求看到可衡量的运营回报前测试各种应用场景。

打开 AI 工具的门槛很低。但要信任它在作物保护、动物健康或投入品施用方面的答案，门槛应当高得多。

有用的农场决策依赖于当地条件，包括土壤、天气、作物生长阶段、病害压力、法规和可用设备。通用模型可能缺乏这些背景。

模型也可能生成听上去很自信、却包含缺乏依据的信息的答案。这种失效模式通常被称为幻觉。

询问摘要的农户可以核查源文件。请求化学品建议的农户则面临完全不同级别的风险。

更安全的近期模式，是让 AI 处理可验证的信息。该工具负责检索、总结、比较和起草，而由人来评估输出结果。

这与知识融合类似，即 AI 跨相关信息开展工作，而不是依赖孤立的提示词。在农场中，这些材料可以包括记录、手册和顾问建议。

因此，快速采用背后的机制很直接。生成式 AI 从知识工作开始，利用农户已有的设备，并将昂贵的实体集成推迟到以后。

当一项建议必须转化为行动时，硬件仍然不可或缺。没有数据、兼容的机械设备和经过验证的操作说明，聊天机器人无法精准施肥。

农场 AI 的采用正在加速，因为软件首先触达的是决策层。它能否进入控制层，则需要更有力的证据。

农艺师仍掌控信任的最后一公里

农户正在利用 AI 扩大信息筛选范围，但并未将最终决策权交给它。

麦肯锡发现，2024 年至 2026 年间，数字渠道在农业采购的每个阶段都取得进展。最大的变化发生在研究和比较环节。

31% 的受访者使用数字渠道研究产品。36% 的人使用这些渠道评估和比较不同选项，增加了 14 个百分点。

这种行为为生成式 AI 创造了显而易见的机会。对话界面可以浓缩产品说明、整理替代选项，并为供应商或顾问准备问题。

然而，仅有 6% 的人将生成式 AI 工具或 AI 搜索列为可信赖的决策来源。农艺师仍是 56% 受访者的重要影响因素。

农艺师将作物、土壤、害虫和投入品方面的科学知识应用于农业决策。他们的优势不只是掌握信息。

他们了解农场的具体条件，能够判断一项通用建议是否适用于某块特定田地。他们也承担专业和声誉层面的责任。

根据麦肯锡的数据，销售代表的影响力在全球范围内下降了 11 个百分点。该调研首次记录到这一降幅。

农户访谈提供了一种解释。广泛可得的在线信息，使一些种植者不再那么依赖可能偏向其所售产品的销售代表。

但这并不会自动将决策权转移给 AI。相反，农户似乎会先进行数字化研究，再向技术专家寻求验证。

这构成了本文的核心对照：廉价、即时的 AI 协助，与可信、具备丰富背景的人类建议。双方争夺注意力，但目前服务于不同目的。

AI 在决策漏斗的顶部最具优势。它帮助用户定位信息、呈现替代方案，并将密集材料转化为可用的语言。

农艺师则在作出承诺的节点最具优势。他们会在农户花钱或改变做法前，解读本地证据并评估后果。

年轻农民并未抛弃这一人为层面。McKinsey 发现，40 岁及以下的受访者提及零售农艺师的频率高于地区平均水平。

在年轻农民中，北美这一比例达到 70%，拉丁美洲达到 89%。欧洲为 42%，亚洲为 19%。

这些数字削弱了简单的代际叙事。更熟悉数字工具，并不必然降低对人类专业知识的需求。

相反，它可能会因让农民接触到更多相互竞争的说法而提升这种需求。必须有人判断哪些信息适用于特定作物、田块、季节和经营状况。

农业供应商如今承受着来自两方面的压力。当农民能够自主比较产品时，销售团队的影响力会减弱；但 AI 的输出仍需要可信的验证。

服务种植者的公司需要提供能融入这种混合流程的证据。当农民能够迅速比较多个来源的说法时，宣传性语言的作用会减弱。

技术支持也变得更加重要。能够提供本地试验、清晰文档和及时响应专家的供应商，可以强化通过 AI 获得的信息。

AI 提供商则面临相反的问题。它们可以凭借便利性赢得使用量，但持续的信任需要可靠来源、本地情境和透明的不确定性说明。

一名面向农场的专属助手必须说明答案的来源。它应区分制造商标签、农艺学出版物、农场记录和推断性建议。

它还需要为高后果决策设定边界。当本地诊断或监管合规至关重要时，系统应引导用户咨询具备资质的专家。

近期最可能胜出的，并非没有顾问的 AI，也不是没有 AI 的顾问。而是一种能让专家获得准备更充分的问题和更清晰证据的工作流程。

这一结果仍会改变权力格局。农民可以在进行了更多独立研究后再进入对话，从而降低对任何单一卖方的依赖。

采用数据无法证明什么

该调查显示了试用和开放态度，但并不能证明生成式 AI 已改善农场利润、产量或韧性。

McKinsey 的研究覆盖广泛的地理区域，并延续了始于 2020 年的双年系列调查。不过，有关生成式 AI 的问题直到 2026 年才被加入。

2024 年版中没有可直接比较的全球数据。读者不应将 17% 的结果解读为经测量的两年增长率。

该类别本身也较为宽泛。受访者可能使用通用聊天服务、专业农业助手、搜索功能，或内置生成式功能的软件。

与农场相关的使用范围，可能从低风险的写作辅助到农艺学研究。这些活动带来的价值和风险并不相同。

4% 的付费使用率又带来了另一层不确定性。它可能包括为一般用途购买、之后再用于农场任务的订阅。

因此，该调查并未说明农业 AI 供应商获得了多少收入。它也未能识别用户是否会在初步测试后继续使用。

自报采用率并不等同于经过验证的运营使用。一位只试用过一次助手的受访者，可能会与每日使用者给出不同回答。

这些发现还覆盖了差异显著的农场结构。小农户、特色作物生产者和大型行作物经营者面临不同的经济条件和技术需求。

据 McKinsey 称，拉丁美洲和北美的地区采用率最高。已发布的概述文本并未提供每个国家层面的 AI 结果。

因此，全球平均值可能掩盖了显著差异。连通性、语言支持、农场规模、作物价值和获取顾问服务的条件，都可能影响有意义的采用。

现有精准农业技术提供了一个值得警惕的先例。采用率已增长数十年，但不同作物、农场规模和具体工具之间的使用仍不均衡。

USDA adoption review发现，在几种美国主要作物中，自动导航已覆盖超过一半的种植面积。

但对于其他几种作物，产量图、土壤图和变量施用技术仅覆盖了 5% 至 25% 的种植面积。技术扩散遵循特定的经济逻辑。

生成式 AI 很可能也会呈现类似的不均衡。行政用途可以广泛普及，而田间层面的建议则需要更好的数据和更严格的验证。

数据质量构成一项基础性问题。模型无法根据不完整、过时或结构不佳的记录推断出精确的田间状况。

数据所有权又带来另一层担忧。若缺乏明确保护措施，农民可能不愿上传产量历史、财务记录、投入品计划或设备信息。

GAO 发现，数据共享和所有权方面的担忧可能阻碍农业 AI 的更广泛采用。该机构还指出缺乏通用技术标准的问题。

即使对于轻量级服务，连通性仍然重要。在农村宽带或移动网络覆盖不稳定的地区，云端助手的可靠性会下降。

聊天机器人有时可在有限带宽下运行，但联网传感和实时田间系统需要更可靠的基础设施层。

准确性构成最直接的风险。通用模型生成的是看似合理的语言，而非得到保证的农艺学事实。

它们的输出可能遗漏标签限制、误解作物生长阶段，或套用错误地区的指导。一段流畅的回答可能会使这类错误更难被察觉。

当 AI 生成内容通过搜索结果流传时，问题会进一步扩大。模型可能总结源自其他自动化系统、未经验证的说法。

农民和顾问需要直接访问底层来源。实用工具应保留引用、日期、地理信息和文档版本。

USDA AI strategy同样强调负责任的采用、治理、劳动力准备和公众信任。这些原则的意义不止于政府部署。

任何调查结果都无法消除农场实地验证的必要性。农业结果仍受生物学、天气、时机和本地管理方式影响。

更负责任的解读应比标题更为克制。农民采用这一便利界面的速度快于许多人的预期，但信任与经验证的回报仍未得到解决。

压力如今落在农业技术供应商身上

农民的选择性支出迫使供应商在现有工作流程中证明价值，而不是将技术本身作为一个品类出售。

传统农业科技公司多年来一直在连接机器、传感器、卫星影像和农场管理平台。这些系统能够捕捉高度具体的运营数据。

生成式 AI 公司则提供了更简单的切入点。它们在信息之上叠加对话层，让用户无需替换实体基础设施即可开始使用。

这两种路径日益可能走向融合。设备和农场管理供应商可以为其系统已收集的数据加入对话式界面。

通用 AI 提供商可以寻求提供农业情境信息的合作伙伴关系。但获得农场数据的访问权，并不自动意味着获得使用许可。

供应商必须回答实际问题：谁拥有上传的记录、这些记录会保留多久，以及它们是否可用于训练未来模型？

它们还必须解释建议是如何生成的。没有可追溯证据的精致回答，将难以赢得农艺师的信任。

市场压力还延伸至投入品制造商和经销商。在销售对话开始前，数字化比较让产品说法更容易被审查。

McKinsey 发现，销售代表的影响力有所减弱，而技术顾问仍扮演核心角色。这推动投资转向可信的专业知识和决策支持。

供应商可以通过发布更清晰的田间证据，并更早让专家参与来应对。它也可以设计支持农艺师而非模仿农艺师的 AI 系统。

农机供应商面临不同挑战。在许多种植者推迟重大采购的时期，其产品需要资本投入。

McKinsey 受访者中有 16% 将设备列为最早削减的支出项目。不过，当盈利状况改善时，36% 会优先考虑设备。

这种潜在的反弹为机械公司争取了时间，以将 AI 功能与可衡量的成果联系起来。仅凭便利性无法证明重大设备采购的合理性。

最有力的价值主张很可能会结合多重收益。它们可能减少投入品使用、节省劳动力、防止停机，或改善田间作业时机。

精准技术已经展示了这种实体价值主张。定向喷洒、变量施用和自动导航将数据转化为行动。

生成式 AI 可以让这些系统更容易被查询。农民可以询问某项建议为何改变，或汇总多个田块中的例外情况。

不过，底层系统仍必须产生可靠测量。对话无法替代准确的传感器、校准后的机械或农艺模型。

这正是面向农场的专业提供商可能实现差异化的领域。它们可以将答案绑定到本地记录、设备能力和获批准的产品信息。

通用模型在语言、广泛研究和界面设计方面仍具优势。它们也因用户可能已在其他场景中使用而受益于熟悉度。

面向农场的服务拥有更狭窄但更相关的情境信息。它们的挑战在于提供足够的日常价值，将免费试用转化为付费使用。

17% 与 4% 之间的差距定义了这项商业考验。使用量已经到来，但付费意愿仍然有限。

供应商不应将每一次 AI 互动都视为需求的证明。它们需要留存率、重复性工作流程，以及用户确实根据输出采取行动的证据。

它们还需要能够经受季节变化检验的结果。一个生长周期内看似有前景的结果，未必能适用于不同作物或天气条件。

独立田间试验可能变得尤为重要。它们可以区分界面吸引力与真正的运营改善。

农艺师可以帮助设计这些试验，并识别不安全的假设。他们的参与也为农民评估新产品提供了一条可信路径。

因此，竞争格局并不只是软件与机械之间的竞争。它是低摩擦试验与交付经验证农场价值这一艰巨工作之间的竞争。

三个信号将揭示农场 AI 是否具有持久力

下一阶段取决于付费留存、专家整合以及真实运营中的证据，而不是又一波 AI 公告。

第一个信号是付费使用是否能增长到超过 4%。这个数字为衡量商业承诺提供了最清晰的起点。

如果在下一次可比较的调查中占比上升，说明农民找到了可重复获得的价值。付费使用率持平则意味着试验仍主要集中在免费工具中。

这种增长的质量与比例本身同样重要。面向农场的订阅增长，所反映的农业市场将强于对通用账户的偶发使用。

留存情况也应跨越多个生长季进行衡量。一款在播种期使用、却在收获前被放弃的工具，尚未成为运营系统。

第二个信号是与农艺师及可信农业来源的更深整合。这一发展将直接回应 6% 的信任率。

实用产品应展示引用来源，并区分检索到的事实与模型生成的解读。它们还应允许专家审查或约束建议。

顾问的采用至关重要，因为农艺师影响着受访农户中的 56%。能够节省专家时间的工具，可以通过既有的信任网络迅速传播。

试图取代这一网络的产品，则面临更高的可信度门槛。它们必须证明自己能在不同作物、地域和不断变化的条件下保持本地化准确性。

应关注农业零售商、合作社、设备制造商和农业推广服务机构如何部署 AI。它们的设计选择将揭示，这项技术究竟是在支持专家能力，还是在绕过专家。

第三个信号是经独立记录的运营价值。农户需要看到与利润、劳动力、投入品使用、停机时间或决策速度相关的证据。

摘要助手即便不改变产量，也可能很有用。然而，提出更大承诺的供应商，应展示其系统在真实田间条件下的表现。

比较应纳入现有工作流程，而非设置不切实际的“无技术”基线。比较还应披露农场规模、作物、地区和季节。

证据必须呈现失败情况，而不只是平均表现。一项通常有效、但会在关键条件下失效的建议，可能带来不可接受的风险。

这三个信号将决定，麦肯锡农户 AI 调查捕捉到的是一场持久变革，还是一次短暂的好奇心爆发。

早期结果依然值得注意。农户在降低支出意愿、并要求成熟产品快速带来回报的同时，接受了新的数字交互界面。

然而，采用速度快于信任建立。免费使用的发展快于付费意愿，而对话式交互的便利性也快于经过验证的田间表现。

这种差距并不是否定农业 AI 的理由，而是市场下一阶段需要完成的任务。

农户应识别范围狭窄、可供复核的任务，让 AI 在不掩盖证据的前提下节省时间。供应商则应将每一项更大的承诺，与本地数据和可衡量的结果相连接。

顾问应测试这些工具如何改善研究和文档整理，同时保留专业判断。采购方应追问，每一项具有重要影响的回答背后，有哪些信息支撑。

下一个生长季的问题已不再是农户是否会尝试 AI，而是 AI 能否在他们已经信任的人和系统身边，赢得一个持久的位置。