AI窗口期只剩3-4年，98%的企业却高估了自身的技术成熟度
几乎所有企业都在用 AI。但能让它跑进生产系统、并持续产生价值的，不到二十分之一。
麻省理工学院研究报告《生成式 AI 的鸿沟》（The GenAI Divide: State of AI in Business 2025）给出了一个令业界错愕的数字：企业级 AI 试点中，最终进入生产环节并产生可量化回报的仅约 5%，其余 95%的投资未见收益。
任务型 GenAI 工具渗透率随项目进度层层递减，从 60%进入评估 → 20%进入试点 → 5%成功实施
而另一端，是企业 AI 渗透率接近饱和的繁荣表象——员工在用、工具买了、试点在跑。一边是接近 100%的普及率，一边是不足 5%的生产级落地率，这中间的巨大落差，正在成为当前 AI 产业最真实的"深水区"。
更值得警惕的是，多数企业并未意识到自己正身处深水区。IDC 中国副总裁兼首席分析师武连峰透露：在全球与中国市场，超过 60% 的企业自认为 AI 应用已经较为成熟；但经过严谨的成熟度模型测算，处于第二阶段（早期探索）的企业占比高达 49.6%（全球）和 54%（中国），真正迈入第四、第五高阶成熟度的企业，合计不足 3%。
正如武连峰所言：“危险的往往不是认识不到 AI 的价值，而是高估了自己的成熟度”。
云时代的旧架构困境
为什么落地如此艰难？本质在于大模型技术的指数级爆发面前，与企业组织线性演进速度存在巨大的“时间差”。
独立 AI 评测机构 METR 的一项长期追踪提供了一个直观参照：过去 6 年，前沿 AI Agent 在 50%成功率下能够自主完成的任务时长，大约每 7 个月翻一番。换言之，AI 正在从稳定完成分钟级任务，快速向小时乃至更长周期的复杂任务推进。
横轴是模型发布时间，纵轴是模型以 50%成功率能够自主完成的“人类任务时长”，趋势线显示过去 6 年约每 7 个月翻一番
基于诸多一线大厂的实测反馈也反映，前沿模型在复杂推理任务上的性能几乎以半年为刻度实现跨代跃升，单次推理成本则呈断崖式下跌。
然而，企业的 AI 转型绝非采购几套软件这样简单。数据架构、业务流程、权限制度、人员分工乃至责任体系，都只能以远慢于模型的速度改变。武连峰指出，AI 超级周期带来的系统性变革，需要重塑业务流程、组织架构与商业模式，这是一个长达十年以上的漫长过程。
这正是今天企业 AI 落地最深层的矛盾：技术狂奔，组织慢跑。
对此，深信服科技创始人兼 CEO 何朝曦将这种落差归结为五大核心困境，其本质是云时代旧有基础设施与 AI 时代全新工作负载之间的严重错配：
建不动与用不好：模型能力再强，一旦脱离高质量数据也是无源之水。企业底层数据极度割裂，AI 代理（Agent）在运行中需要跨越文件、对象、块等不同存储介质频繁搬运数据，不仅延迟极高，还极易产生不一致副本。这就导致知识库解析错误连篇，业务部门根本不敢将其接入核心生产线。
用不起与算不清：虽然单次 Token 调用单价在下降，但随着上下文长度激增与调用频次爆发，企业的算力账单呈指数级失控，逐步演变为长期的大额资本开支。由于缺乏统一的计量核算机制，算力消耗与业务收益完全脱节，企业根本算不清一次客服对话或一张工单到底节省了多少成本。
不敢用：传统网络安全防线面对机器速度的 AI 攻击已全面失效。更致命的是，当智能体作为“数字员工”被赋予系统调用与执行权限后，其越权操作、误删生产数据的风险，远超传统的网络数据泄露。
汽车出现后，社会需要的是铺设柏油路和制定交通规则，而不是去寻找一匹更快的马。强行将 AI 塞入缺乏门禁与工程规范的旧流程，必然面临“建不动、用不好、用不起、算不清、不敢用”的死局。
从“刷参数”转向“工程算账”
要让那 95% 沉睡的 AI 投资转化为真正的生产力，企业必须放弃对“模型参数有多大”的技术崇拜，转向极度理性的工程重构与安全治理。
至此，企业 AI 化竞争的标准其实已经发生变化。Gartner 将当前阶段概括为从模型实验进入“部署与运营化”：大多数大型企业已经能够获得前沿模型，真正稀缺的能力开始变成如何将模型嵌入真实工作流、完成治理，并持续获得可量化回报。模型只是技术供给，生产级 AI 则是一整套系统工程。
针对上述困境，业界正在形成一套清晰的系统重构路径：
算力精细化调度与成本压降 企业必须打破各部门分散采购算力的乱象，建立统一的 AI 算力网关。通过建立统一入口和计量核算视图，结合智能模型路由、推理侧优化和缓存技术，企业可以实现对异构算力的合理调度，大量实践证明这种精细化运营能带来 2 至 5 倍的成本压降。
建设支持跨协议的统一数据底座 抛弃传统“一个应用一套数据”的孤岛模式，引入支持多协议访问的统一存储架构。让 AI 代理在读取文档、日志、数据库时无需反复复制搬运数据，并通过自动冷热分层技术优化读写速度。结合高质量的切片与检索工程优化，将 RAG（检索增强生成）系统的准确率稳步拉升至 95% 以上，跨越业务可用性的红线。
构建“以机器速度对抗机器”的主动安全体系 随着全球 AI 安全投入占 IT 总投入的比例不断攀升（有 16.7% 的企业计划大幅增加 AI 安全治理支出，而中国目前安全投入仅占 1.5% 左右），安全防线的升级迫在眉睫。企业必须利用 AI 赋能的 XDR 平台等主动安全架构，在事前发现隐患、事中实时拦截越权行为、事后复盘推演，用 AI 的速度去对抗 AI 驱动的威胁。
实施严格的智能体（Agent）拟人化治理 智能体不仅是工具，更是具备执行能力的数字资产。必须为其建立媲美人类员工的管理规则：赋予唯一身份与归属人，坚持“最小授权原则”，限制其跨越系统边界调用无关数据；同时建立详尽的运行审计日志与紧急回收机制。只有管控住失控的风险，企业才敢于将核心业务交托给 AI。
围绕这套系统重构路径，行业里已经提出了具体的解决方案，从算力治理、数据存储、业务承载、安全运营和智能体治理等多个方面，为人工智能进入生产系统提供基础支撑。比如深信服依托 AI 算力网关直接对齐企业的 FinOps 诉求，把黑盒算力变成“明细账本”；为消除无效的数据搬运损耗，推出统一存储架构；针对机器级攻击与智能体失控，提供 AI 原生安全运营平台 与 保护 AI 平台等。
窗口期只剩 3-4 年
系统重构的方向清晰了，但留给企业的冷静期并不宽裕。
IDC 预测，2026 年全球 AI 软硬件投入约 9400 亿美元，到 2029 年将攀升至 2.1 万亿美元，届时基础设施与应用的投入占比将首次达到五五开。这意味着，未来三到四年正是资金大规模涌向基建、价值尚未充分兑现的“洗牌期”——谁先完成从“买算力”到“算得清、用得好”的转换，谁就能在投入结构反转之前建立先发优势。
行动上抓住窗口期，关键是三件事：选对场景（优先高频、高价值、高风险、高协同四类任务）、补齐短板、分步实施。 何朝曦建议，先建统一的模型入口和基本的智能体治理能力，达到“可见”、守住底线；再建数据平台、开发平台等可复用底座；最后才改造核心业务流程。“不必一次性建完，但必须先有一张建设蓝图。”
这套从“买模型”转向“运营 AI”的逻辑，并非停留在基础设施厂商的设想里。
Uber 最近披露的一组内部数据很有代表性。今年 2 月至 8 月，其员工使用的 Agent 产品周活跃用户增长 7 倍，Agent 请求量增长 9.4 倍，但 AI 总支出从 4 月开始基本趋于稳定。固定模型口径计算，每千次请求成本较峰值下降约 34%，单次 Agent 会话成本更下降了 52%。
2026 年 2 月至 8 月中旬的周活跃用户、智能体请求量及成本
更值得关注的是，Uber 已经有超过 70%的代码 PR 由本地或云端 Agent 参与生成，内部累计沉淀 3600 多个 Agent Skill，日执行量超过 3 万次。它解决成本问题的办法，并不是简单寻找更便宜的模型，而是把一次 Agent 工作拆解成用户、会话、轮次、Token 等多个可计量环节，再通过模型路由、缓存、真实任务评测和推理优化逐层降本。
智能体会话运行的四个层级
从这里也可以看到，AI 真正进入生产之后，企业竞争的重点会迅速从“有没有 Agent”，转向“能不能看清每一次调用、控制每一笔成本，并持续优化整个系统”。
结 语
对于组织 AI 成熟度的高估并不可怕，可怕的是用高估指导预算、用活动量替代成熟度、用试点数量替代生产结果。
AI 转型的下半场，核心不再是比谁率先宣布“用了 AI”，而是谁先诚实地看清自己所出的位置——然后把每一笔投入、每一次调用、每一个智能体的行为，都变成可计量、可追溯、可改进的对象。
承认自己仍在浅水区摸着石头过河，并不丢人。错把早期的概念验证当做成熟的生产力，才是真正的风险。