尽管企业对生成式AI投入了数百亿美元，但研究显示绝大多数公司并未获得实质性回报，这与上世纪计算机技术未能立即提升生产力的“生产率悖论”相似。当前AI盈利困难的主要原因包括管理实施不当、技术应用场景有限，以及配套条件尚未成熟。历史经验表明，颠覆性技术要产生广泛的经济效益，需要漫长的时间进行深度整合和发展。
AI 投资回报的现实
麻省理工学院媒体实验室的一项研究揭示了一个令人惊讶的结果：尽管企业在生成式AI领域的投资高达数百亿美元，但 95%的组织未获得任何回报。在超过三百个公开的AI项目中，只有5%的项目在经过半年的试点阶段后，产生了可衡量的财务回报或显著的生产力提升。
许多公司高管对此持怀疑态度，认为AI并未带来根本性的改变。
一位制造业公司的首席运营官表示：“社交媒体上的宣传说一切都改变了，但在我们的运营中，没有任何根本性的变化。我们处理一些合同的速度变快了，但仅此而已。”
另一项由咨询公司Akkodis进行的调查也印证了这一趋势。数据显示，对本公司AI实施策略“非常有信心”的CEO比例，已从82%大幅下降至49%。这反映出企业在AI项目落地过程中可能遇到了令人失望的结果、实施延迟或失败等问题。
历史的镜子：生产率悖论
当前AI面临的困境，与上世纪80年代的“生产率悖论”惊人地相似。当时，诺贝尔经济学奖得主罗伯特·索洛指出：“你可以在任何地方看到计算机时代，唯独在生产率统计数据中看不到。”尽管计算机技术飞速发展，但工人的平均产出却停滞不前。
这表明，一项革命性技术从出现到真正转化为广泛的经济效益，往往需要很长的时间。
成功与失败的分水岭
研究发现，AI投资成功与否，关键似乎不在于模型质量或监管，而在于实施方法。
- 成功的少数派： 成功的公司通常是那些在狭窄的工作流程中，使用高度定制化工具的初创企业。它们专注于解决特定流程，例如优化后台运营或通过自动化外联提升客户留存率。
- 失败的大多数： 失败的公司则倾向于构建通用工具或试图在内部开发所有能力，导致项目停滞不前，无法产生实际的利润影响。
此外，许多员工正在自发使用个人AI工具（如GPT或Claude）来完成工作，这种“影子AI经济”现象，其投资回报率甚至常常优于公司的官方项目。
为什么回报如此之低？
除了管理和实施问题，AI盈利难还有其他几个关键原因：
- 技术本身的局限性： 对于需要高精度和积累知识的工作，目前的AI还不够成熟。一位受访者抱怨道：“它擅长头脑风暴和写初稿，但记不住客户偏好，也不会从过去的修改中学习。它会重复犯同样的错误。”
- 应用场景有限： 在许多经济领域，生成式AI的应用非常有限。例如，休闲、酒店、零售、建筑和护理等雇佣了数千万人的行业，目前看来并不是AI改造的直接对象。
- 高管认知不足： 根据Gartner的调查，只有不到一半的CEO相信他们的首席信息官“精通AI”，这可能阻碍了技术的有效部署。
漫长的变革之路
经济史告诉我们，即使是最具变革性的“通用技术”，也需要漫长的过程才能发挥最大效用。因为基础设施、人员技能和配套产品的发展需要时间。
颠覆性技术的普及从来都不是一蹴而就的。
- 蒸汽机： 瓦特在1769年发明了蒸汽机，但30年后，大部分工厂仍在用水车，直到铁路解决了煤炭运输问题，蒸汽机才普及。
- 电力： 电力的传播同样缓慢，并没有立即带来生产力的飞跃。
- 计算机： 计算机也遵循了同样的模式，其对生产力的显著提升直到90年代中后期才显现出来。
因此，当前AI的盈利困境或许只是暂时的。要充分释放其潜力，整个社会和商业体系都需要时间来适应和演变。