全球调研 | 企业AI 落地陷“理想与现实”鸿沟：用例缺失、影响难测成最大障碍
发布时间：2025/11/12 00:00 浏览：21
作者：
来源：Devoteam
01 AI落地陷“理想与现实”鸿沟：用例缺失、影响难测成最大障碍
“AI的承诺与现实脱节”是当前企业面临的首要难题。
尽管多数组织认可AI的变革性潜力，但在将潜力转化为可落地成果时普遍受阻。
数据显示，在“阻碍AI实现价值的最主要因素”调研中，“缺乏清晰的业务用例”以37%的占比高居首位，“难以衡量AI影响”紧随其后（24%），两者合计占比超60%。
Devoteam在报告中强调，这种“用例荒”与“衡量难”形成恶性循环：缺乏明确业务场景导致AI项目盲目推进，而无法量化的投入产出比（ROI）又进一步削弱管理层对AI的资源支持，最终使AI沦为“技术炫技”而非“业务利器”。
例如，部分企业虽部署了AI客服工具，但未结合客户投诉高频场景优化算法，导致响应效率提升不足10%，远未达到预期目标。
02 GenAI渗透率超半数，生产力价值待释放
与AI落地困境形成对比的是，GenAI在员工层面的应用速度显著加快。
报告显示，59%的受访者表示“日常工作中使用GenAI工具或助手”，仅41%未接触相关工具，反映出GenAI已从“新兴技术”快速转变为部分员工的“基础办公组件”，涵盖文档生成、数据可视化、代码辅助等场景。
然而，GenAI的生产力价值尚未充分显现。
在“GenAI对团队生产力与工作流影响”的调研中，仅36%的受访者认为“AI已显著改变工作方式并提升生产力”，53%表示“能预见未来12个月AI将改变工作”，11%直言“当前AI未对工作产生实质影响”。
这种“高使用、低感知”的矛盾源于三大因素：
一是员工对GenAI工具的掌握仍处“基础阶段”，仅用其完成简单文案撰写，未深入探索数据分析、流程优化等高阶功能。
二是企业缺乏针对GenAI的技能培训，导致员工面临“工具会用，但不会结合业务场景用”的困境。
三是GenAI与现有办公系统（如OA、CRM）的集成不足，数据孤岛问题使AI生成的洞察难以直接转化为业务决策。
此外，GenAI的企业级落地仍处早期阶段。
数据显示，25%的组织“尚未启动GenAI相关探索”，18%“已制定GenAI战略但未落地”，13%“正在试点1个及以上GenAI应用”，仅8%“已将首个GenAI用例落地并投入生产”，3%“拥有有限的GenAI生产应用”。
这意味着，尽管员工个人对GenAI接受度高，但企业层面的系统化布局仍需加速。
03 IT主导AI推广，业务部门成新兴力量
在“谁是组织内AI项目推动者”的调研中，IT部门仍以55%的占比保持主导地位，主要负责AI基础设施搭建、数据安全合规、技术选型等工作；而业务部门（如销售、供应链）的推动作用显著提升，占比达29%，远超市场部门（8%）、财务部门（5%）、HR部门（3%）与法律部门（1%）。
Devoteam全球CTO Gert Janvan Halem在报告中指出：
“业务部门成为AI推动者是积极信号，这意味着AI从‘IT部门的技术项目’转向‘业务驱动的价值项目’。但需注意，业务部门的热情需与IT部门的技术能力结合——若IT未搭建稳定的数据底座与安全框架，业务部门的AI用例可能因数据质量差、合规风险高而失败。”
例如，某零售企业的销售部门曾自行试点AI销量预测工具，但因未对接IT部门的库存数据，导致预测准确率不足60%，最终项目搁置。
04 技能缺口制约AI成效：业务理解能力最关键
报告揭示，“AI技能缺口”是仅次于用例与衡量的第三大挑战，且缺口呈现“技术与业务失衡”的特点。
在“组织当前最关键的AI技能缺口”调研中，“与AI应用相关的业务理解和领域专业知识”以32%的占比成为最大缺口，远超“AI工程与开发技能”（17%）、“数据科学与机器学习专业知识”（16%）、“AI伦理与治理知识”（14%），而“AI提示工程”仅以7%位列末位。
这一数据打破了“AI技能缺口仅指技术能力”的认知误区。Devoteam AI服务总监Patricia Milheiro解释：
“AI不是‘万能工具’，它需要与具体业务场景结合才能产生价值。例如，开发AI供应链优化模型时，既需要数据科学家构建算法，更需要供应链专家明确‘库存周转率目标’、‘物流成本阈值’等业务参数。若缺乏业务理解能力，AI模型可能生成‘技术上最优但业务上不可行’的方案。”
报告建议，企业需培养“AI+业务”复合型人才，而非单纯招聘技术专家，例如对销售经理进行AI数据分析培训，使其能自主使用工具挖掘客户需求。
05 基础设施“冷热不均”，数据管理、应用现代化拖后腿
AI的有效落地离不开基础设施支撑。
但报告显示，企业在AI基础设施建设上呈现“冷热不均”的态势。从“组织在各领域AI就绪度（1-5分，5分为最高）”数据来看：
云基础设施与网络安全表现突出：
“非常高+高”成熟度占比分别为44%与52%，反映出企业在AI所需的弹性算力、数据存储与风险防控上已具备较好基础。
数据管理与应用现代化滞后：
尽管数据管理“非常高+高”成熟度占比达52%，但“低+非常低”成熟度仍占22%，意味着部分企业虽拥有海量数据，却因数据清洗不及时、标签不规范等问题，无法为AI提供高质量训练数据；应用现代化“非常高+高”成熟度占比58%，但“低+非常低”占比同样达22%，老旧系统无法适配AI工具的接口需求，导致数据流转效率低下。
报告特别指出，数据管理的短板已成为AI落地的“致命瓶颈”。
例如，某制造企业尝试用AI预测设备故障，但因生产数据分散在ERP、MES等多个系统，且数据格式不统一，AI模型训练周期延长3倍，故障预测准确率仅达75%，远低于行业85%的平均水平。
06 专家支招：从“技术驱动”转向“价值导向”，破解AI落地困局
针对报告揭示的痛点，Devoteam三位高管提出破局建议：
明确用例优先级，小步快跑验证价值。Devoteam AI代理主管Olivier Mallet表示：
“企业无需追求‘大而全’的AI战略，可从‘高痛点、低难度’的场景切入，例如用AI优化客户服务响应时间、简化财务报销流程。通过小范围试点验证ROI后，再逐步扩大应用范围——这能快速建立管理层对AI的信心。”
夯实基础设施，打通数据与系统壁垒。Patricia Milheiro强调：
“AI的价值依赖数据与系统的支撑。企业需优先推进数据治理（如制定统一数据标准）与应用现代化（如将老旧系统迁移至云平台），确保AI工具能‘取到数据、用好数据’。同时，加强AI与现有IT架构的集成，避免‘AI工具孤岛’。”
协同IT与业务，培养复合型人才。
GertJanvan Halem建议：
“建立‘IT+业务’的AI项目小组，IT负责技术落地，业务负责需求定义与效果评估。此外，通过内部培训、外部合作等方式，提升员工的‘AI素养’——不仅要教员工使用工具，更要教他们理解AI的能力边界与业务适配场景。”
执行摘要
本次调查由Devoteam于2024年9月10日至12月10日通过线上形式开展，共回收531份有效问卷，覆盖欧洲、中东、非洲（EMEA）地区的20个国家与20余个行业，包括零售、制造、金融、医疗等重点领域。受访者中，25%为C级高管（如CEO、CIO），35%为IT专业人员（如IT经理、数据工程师），其余为业务部门负责人与基层员工，确保样本兼具“战略视角”与“落地视角”，调研结果对不同规模、不同行业的企业均具有参考价值。