MIT最新發布的GenAI研究報告在科技界引發廣泛討論。這份名為《GenAI分歧：2025年商業AI現況》的研究顯示，儘管企業投入巨資發展AI，但大多數項目並未實現預期回報。然而，深入分析這些數據後，我們發現了一個更複雜且發人深省的現實。

報告核心發現

MIT的NANDA專案基於300個AI部署案例、150位高管訪談和350名員工調查，得出了一個引人關注的結論：

關鍵數據概覽：

指標數值說明
企業AI投資總額$300-400億美元2025年生成式AI投資
成功項目比例5%實現快速收入加速的試點
無效項目比例95%在P&L上無可衡量影響
個人AI工具使用率>90%員工私下使用AI工具比例

這些數字乍看之下令人擔憂，但深入探討後會發現更細緻的現實。

“影子AI經濟”現象

研究發現了一個有趣的現象：

  • 正式採購：只有40%的公司購買了官方AI訂閱
  • 實際使用：超過90%的員工在工作中使用個人AI工具

這種差距揭示了一個重要事實：AI技術本身是有效的，但企業在組織層面的整合面臨挑戰。員工已經在個人層面證明了AI的價值，關鍵問題是如何將這種價值轉化為企業層面的優勢。

成功與失敗的分水嶺

技術整合挑戰

研究指出，多數企業AI系統存在”學習差距”：

  • 無法保留使用者回饋
  • 不能適應特定工作流程
  • 缺乏持續改進能力

相比之下，像ChatGPT這樣的消費者工具因為靈活性而受到歡迎，但在企業關鍵工作流程中的表現仍有限制。

建構vs購買的現實

成功率比較分析：

實施方式成功率失敗風險主要原因
外購解決方案67%33%專業知識、快速部署
內部開發33%67%資源不足、技術複雜度

洞察：與專業供應商合作的成功率是內部開發的兩倍，反映了AI技術的複雜性和快速發展特性。

投資重點錯配

報告顯示，超過一半的AI預算投入銷售和行銷工具，但實際上：

  • 最高投資回報來自後台作業自動化
  • 減少外包成本比增加銷售更容易量化
  • 流程優化的效果比客戶互動工具更顯著

研究方法的局限性與爭議

客觀來說，這份研究也面臨一些質疑：

方法論問題

一些專家指出：

潛在偏見考量

需要注意的是：

  • NANDA專案本身在開發AI代理基礎設施
  • 研究結論可能有利於推廣特定類型的AI解決方案
  • 對於”失敗”的定義可能過於嚴格

產業差異的現實

產業AI影響程度分析：

產業類別影響程度特徵
📱 科技業🟢 結構性變革資訊處理為核心業務
📺 媒體通訊業🟢 結構性變革內容創作天然契合AI
🏢 專業服務🟡 試點探索複雜工作流程需要適應
🏥 醫療製藥🟡 試點探索高度監管環境
🛍️ 消費零售🟡 試點探索客戶互動與供應鏈優化
💰 金融服務🟡 試點探索風險控制與合規要求
🏭 先進製造🟡 試點探索物理流程數位化挑戰
⚡ 能源材料🟡 試點探索傳統產業轉型阻力

這種差異是合理的，不同產業的數位轉型程度和AI整合難度本來就不同。

市場反應與投資考量

股市影響

報告發布後：

  • 科技股出現拋售
  • 投資者對AI投資回報產生疑慮
  • 與OpenAI CEO關於AI泡沫的評論形成共振

投資現實

當前AI投資狀況：

成功案例的啟示

研究中的成功5%企業展現出了一些共同特質，值得其他組織學習借鑑。在組織層面，這些企業都獲得了高層主管的持續支持，AI不是被當作IT部門的技術專案，而是被視為整個企業的戰略重點。他們建立了跨部門協作機制，確保AI應用不會被孤立在某個部門內，而是能夠與整個業務流程深度整合。更重要的是，這些企業制定了明確的成功評估標準，不僅僅關注技術指標，還包括業務影響和用戶滿意度等多維度評估。

從技術層面來看，成功企業傾向於選擇適應性強的AI系統，這些系統能夠隨著業務需求的變化而調整和改進。他們特別重視系統的整合能力，確保AI工具能夠與現有的業務系統無縫銜接，而不是形成新的信息孤島。此外，建立持續改進機制也是關鍵，這些企業會定期評估AI系統的表現，收集用戶反饋，並據此進行優化調整。

在策略層面，成功企業通常從特定的痛點開始，而不是試圖一次性解決所有問題。他們會選擇那些影響最大、成功概率最高的應用場景作為起點，在取得初步成功後再逐步擴展到其他領域。重視員工培訓和變革管理也是這些企業的共同特點，因為他們深知技術的成功最終取決於人的接受和有效使用。

對不同角色的啟示

企業決策者需要重新審視他們對AI投資時程的期待。傳統的季度回報思維可能不適用於AI轉型，這需要更長期的視角來評估價值創造。同時，他們應該更加關注員工已有的AI使用經驗，因為這些非正式的應用往往蘊含著組織未來發展的重要線索。建立更全面的價值評估體系也至關重要，不應只關注短期財務指標，還要考慮長期競爭力提升、員工滿意度和創新能力等多元面向。

技術團隊在選擇AI解決方案時，應優先考慮系統的整合性和適應性，而不僅僅是功能的先進性。用戶體驗和反饋機制的重要性往往被低估，但這正是區分成功與失敗項目的關鍵因素。在評估是否內部開發還是外購時，技術團隊需要誠實面對組織的真實能力和資源限制，考慮所有隱性成本，包括人才招聘、培訓、維護等長期投入。

對於投資者而言，區分技術泡沫和應用挑戰變得格外重要。MIT研究顯示的並非技術本身的失敗，而是實施和整合的困難。因此，投資決策應該更加關注那些有明確商業模式、深度產業知識和成功實施記錄的公司。理解AI價值實現的時間週期性也很關鍵，避免因短期回報不佳就急於撤資。

歷史視角：生產力悖論的重現？

經濟學家Robert Solow在1987年提出著名觀察：”你可以在任何地方看到電腦，除了在生產力統計中。”

類似地，AI的影響可能正在積累中：

  • 個人生產力提升已經顯現
  • 組織層面的價值需要更長時間體現
  • 測量方法可能還未跟上技術發展

展望與建議

對於企業而言，首先需要建立現實的期待。AI轉型是一個長期過程，不是能夠在短期內見效的速效方案。成功的關鍵在於循序漸進的方法——從小規模試點開始，累積經驗和成功案例後再逐步擴展。重視人員培訓和變革管理同樣重要，因為技術的成功往往取決於人的接受和使用程度。此外，與專業供應商建立策略合作關係比試圖內部解決所有問題更為明智，這不僅能降低風險，還能加速學習和部署過程。

整個產業需要共同努力建立更完善的AI應用生態系統。這包括制定更全面的AI價值評估標準，讓組織能夠更準確地衡量AI投資的真實回報。促進成功案例和失敗教訓的交流也很重要，讓整個產業能夠從集體經驗中學習。同時，建立健康的AI應用生態系統需要各方參與者——從技術供應商到最終用戶——的協作和互信。

政策制定者在這個過程中也扮演著重要角色。他們需要在促進創新和控制風險之間找到適當的平衡點，既不能因過度監管而扼殺創新，也不能因放任而導致系統性風險。加強AI相關人才培養是長期戰略的重要組成部分，包括在教育體系中融入AI知識，以及為現有勞動力提供再培訓機會。支持AI基礎設施建設，包括數據基礎設施、計算資源和標準制定，也是政府可以發揮作用的重要領域。

結論：理性看待AI發展

MIT的研究提供了寶貴的現實檢查，提醒我們：

  1. AI技術本身是有效的，問題在於實施方式
  2. 成功需要時間，不應期待立即回報
  3. 個人使用和企業部署有本質差異
  4. 不同產業的AI應用處於不同發展階段

這份報告不應被視為AI技術的失敗證明，而應該被理解為企業AI應用進入更成熟階段的標誌。真正的問題不是AI是否有價值，而是如何更好地實現這種價值。

未來的成功將屬於那些能夠：

  • 建立現實期待
  • 投資長期能力建設
  • 重視人機協作
  • 持續學習和調整策略

的組織。

AI革命仍在繼續，但它需要的不是盲目樂觀，而是理性規劃和耐心執行。

本文基於MIT NANDA項目報告分析，旨在提供客觀視角。企業在制定AI策略時應結合自身情況，尋求專業建議。