你投了那么多 AI 项目，为什么赚不到钱？

前段时间，我看到一个数据，愣了一下。

PwC 调研了 1217 家公司，覆盖全球 25 个行业。结果发现：20% 的公司，拿走了 74% 的 AI 回报。

什么意思？

100 家公司做 AI，排名前 20 的那批，赚的钱比剩下 80 家加起来还多将近 3 倍。

你可能会想：那剩下 80 家在干嘛？

答案是：在开会。

一个你大概率经历过的场景

从纽约到新加坡，几乎每家大公司的会议室里，都在上演同一幕。

有人翻出一张漂亮的 PPT，上面整整齐齐列着 AI 试点项目：这边一个聊天机器人，那边一个决策引擎。大家频频点头。

然后有人问：哪个项目增加了收入？哪个降低了成本？哪些决策变快了、变好了？

沉默。

这种沉默背后，藏着一个很扎心的事实：大量公司在「做 AI」，但没几个公司在「从 AI 里赚到钱」。

PwC 把那 20% 真正赚到钱的公司叫做「AI 领导者」。他们做对了什么？

这就是我今天想跟你聊的。

7.2 倍

先说一个让我愣了一下的数字。

PwC 给每家公司的「AI 财务表现」打了个分。算法不复杂：把 AI 带来的收入增长和效率提升加在一起，跟行业中位数比一比。

结果呢？AI 能力最强的那批公司，分数是其他公司的 7.2 倍。

7.2 倍。

你想想看，如果你的竞争对手每年从 AI 里赚一块钱，那批头部公司赚七块二。这个差距，会越拉越大。

凭什么？

PwC 的答案是：这些公司搞出了一套「AI 体能」（AI fitness）。

什么叫 AI 体能？

就是一家公司能把 AI 瞄准真正重要的事、搭好合适的地基、然后把 AI 嵌进整个企业的毛细血管里。

听起来很简单，做起来一点都不简单。

别只盯着省钱，要盯着增长

很多人一聊 AI，就想到省钱。保险公司用 AI 快速理赔，软件公司让 AI 写代码。效率确实提升了，但这只是 AI 价值的一小块。

AI 领导者们也用 AI 省钱，但他们没停在省钱这一步。

他们把 AI 当成一个重塑业务的引擎。

PwC 的数据显示，这些公司用 AI 重塑商业模式的概率，是其他公司的 2.6 倍。

2.6 倍。这个数字很关键。

更有意思的是，PwC 发现一个变量对 AI 财务回报的影响最大，超过其他所有因素。这个变量叫「行业融合中的增长捕捉能力」。

说白了就是：AI 帮你跨出本行，去别人地盘上赚钱。

举个例子。你想象一下，汽车厂商和医疗机构合作，在车里装传感器监控驾驶员健康，AI 实时分析数据，给你定制预防方案。车不再只是车，变成了移动的健康管理终端。

这就是行业融合创造的新价值池。

John Deere 就在干类似的事。这家以造拖拉机闻名的公司，做了一套叫 See & Spray 的 AI 系统，装在喷雾器的吊杆上，摄像头能识别杂草，只在该喷的地方喷除草剂。

2024 年种植季，这套系统用在了超过 100 万英亩地上，给农民省了大约 800 万加仑除草剂，玉米、大豆、棉花的除草剂用量平均省了 59%。

但 John Deere 真正精明的地方在于：他们没把 See & Spray 当一次性硬件卖点，而是做成了服务模式。农民为「验证过的效果」付费——这就从卖铁皮变成了卖服务，从一次性收入变成了持续收入。

AI 最大的回报，来自改变你卖什么、怎么创造价值。把现有的事做得更快，只是前菜。

拿出当投资人的劲头来管 AI

好，你说我要用 AI 搞增长、搞重塑。但你凭什么能做到？

PwC 的研究很清楚地告诉你：得搭地基。

但这个地基不是让你先花两年搞「全面数字化转型」。AI 领导者搭地基的方式非常聚焦，只搭能支撑高价值 AI 用例的那部分。

这个地基包括六块东西：战略、投资、数据和技术、人才、治理和风险、创新。我挑几个最反直觉的聊聊。

第一，像投资人一样管 AI 预算。

AI 领导者在 AI 上花的钱，占收入的比例是其他公司的 2.5 倍。软件、银行、传媒行业最猛，大约拿收入的 5% 投 AI。

但光砸钱不够。他们比其他公司更舍得「砍项目」。战略优先级变了，他们有 1.3 倍的概率把人和钱从低价值项目里撤出来，重新分配。

这跟投资一个道理：买对了好股票，该加仓就加仓；发现买错了，该割肉就割肉。最怕的是把 portfolio 摊在那儿不管。

PwC 给了一个很实操的建议：每个月搞一次「放大或砍掉」的评审会。只有那些在定义好的业务指标上有实际变化的项目，才能拿到更多钱。

第二，别让 AI 停留在「大家的兼职」上。

AI 这个东西，一旦变成「每个人的额外任务」，基本就废了。

PwC 发现 AI 领导者有两个做法叠加在一起效果特别好：一是提供专门的实验基础设施（比如跟生产环境隔离的 sandbox），二是在业务部门里安插专职的创新负责人。两者同时做到的概率，是其他公司的 1.5 倍。

说白了就是：给人、给场地、给责任。

Southwest Airlines 就吃了这个红利。他们的乘务考勤系统跑在一套老旧的技术栈上，文档残缺，全靠老员工脑子里的隐性知识撑着。

他们跟 PwC 合作，用生成式 AI 反向工程源代码，把功能需求提取出来，变成一份清晰的待办清单。原来要十周才能整理出来的 backlog，五周就搞定了，省了 200 多个工程和业务工时。产出了 600 多条需求，90% 被认定为高质量。

这件事的意义不只在于省时间。它证明了一种可复制的现代方法。以后再碰上类似的祖传系统，用同样的套路来一遍就行。

第三，员工不信 AI，AI 就是摆设。

很多管理者把「员工不用 AI」当成一个变革管理的小问题。大错特错。

PwC 说得很直白：信任不是软性话题，它是吞吐量的瓶颈。员工不信，就不用；不用，就没影响；没影响，你投的那些钱就是打水漂。

AI 领导者的员工，信任并使用 AI 洞察的概率是其他公司员工的 2.1 倍。

怎么建立的信任？不是一个动作，是一套系统：

让业务、数据和 AI 的人一起共创方案。别让开发人员闷头做完往用户手里一丢，那种交接方式最毁采纳率。给员工持续的角色化 AI 培训。领导自己带头学、带头用。再有就是明确红线，让每个人知道 AI 能干什么、不能干什么、什么时候必须人工兜底。

Wyndham 的做法值得看看。这家全球酒店特许经营商，改一个品牌标准以前平均要花 30 天的人工。

他们跟 PwC 合作，设计了带有人工监督的智能体工作流：自动化提示、协同编辑、实时监控，团队始终能引导和审查 AI 的输出。配套还有一套 Responsible AI 框架和持续培训。

结果呢？品牌标准变更的审查时间降了 94%，AI 审查速度是人工的 20 倍，每次审查省 40 到 80 个工时。

Wyndham 真正做对的事，不是上了 AI，是让员工敢用、会用、愿意用。

把 AI 嵌进每一根毛细血管

前面说的都是怎么瞄准、怎么搭台。最后一步，是把 AI 推进到企业的每个角落。

AI 领导者把 AI 嵌入主营业务流程的概率，是其他公司的两倍。

怎么嵌？三个方向同时推。

横向铺开。 大多数公司的 AI 还挤在几个部门里。AI 领导者把已验证的用例推到各个团队、地区、职能和产品线。比如，你证明 AI 能在财务部加速发票处理，那同一套文档处理和工作流模型，推到法务审合同、推到运营处理理赔，边际成本极低。

Lucid Motors 就是这么干的。他们先从财务部门入手，跟 PwC 快速原型化了 AI 驱动的预测和报表能力。十周之内设计并开始推广 14 个 AI 用例。端到端的预测周期，从几周压缩到了一分钟以内。

然后这套方法往外扩散：采购、运营，甚至给高管做了个 AI 行政助理，能实时看到超过 10 亿美元投资的全景。

纵向打深。 不是在现有流程上贴一个 AI 按钮，而是把 AI 嵌进标准作业流程的骨子里。客服的例子最好懂：AI 直接跑在工单系统里，自动拉客户上下文和知识库、起草回复、只把复杂 case 转给人工。而不是在旁边挂一个聊天机器人，客服还要手动来回拷贝。

走向自主。 PwC 测了一大堆运营指标，发现「让 AI 自主做决策」跟 AI 财务回报的关联最强。AI 领导者把决策自主化的概率，是其他公司的 2.8 倍。

但这不等于「机器替代人」。PwC 的数据很微妙：48% 的 AI 领导者预期 AI 会缩减 5% 以上的人手，但也有 49% 预期变化不大甚至增加。

真正发生的，往往是「去延迟」而不是「去人头」。AI 在护栏范围内处理大量可重复的判断，人去管例外、做取舍、把控战略方向。

起步怎么做？挑一小撮高频、可重复、可衡量、风险中低的决定来。比如分类、排序、路由。在明确的边界内自动化，监测决策质量，达标了再扩大。

最后说几句

PwC 这份研究给了我一个很清晰的判断：AI 不是一个有没有用的问题，是一个你有没有体能用好的问题。

那 20% 的公司，凭什么拿走 74% 的回报？

不是因为他们买的模型更贵、招的工程师更厉害。是因为他们做对了一连串管理选择：把 AI 对准增长和重塑，只搭能支撑高价值场景的地基，把 AI 推进到业务流程深处。三件事，每一件都不性感，但每一件都在拉开差距。

更扎心的是，这些选择他们现在就在做，而且越做越快。每跑一个用例，他们的数据更厚、反馈更快、部署更顺。你等得越久，差距越大。

如果你还在数自己有多少个 AI 试点，

我建议你停下来。

挑一个真正能撬动增长的场景，从地基到流程到人，一口气做扎实。然后复制，再复制。

7.2 倍的差距，追不上来的那批公司，大概率不是因为技术差。是因为他们一直在试点，从没认真跑过。