AI炒得再热，企业盈利为何还是缺失？那一步被忽略的人力与组织变革

这种转变，直接影响了页面的实际流量价值。

可现实中，很多人忽略了落地时的真实阻力。技术堆得再多，如果工作流程还是老样子，人也没准备好，AI就很难真正嵌入日常操作，更别提产生可衡量的利润。主流观点往往停留在“技术够用就行”的层面，却很少深挖技能和组织层面的障碍。这正是当前AI落地报道的常见盲区。

最近，MIT Technology Review的一篇文章重新点燃了行业对AI落地路径的讨论。它借用South Park《 underpants gnomes》 meme 来描述当前AI发展的尴尬：Step 1是构建强大的数字智能模型，Step 3是许诺企业转型与巨额利润，而Step 2——从智能输出到实际决策执行的中间环节——却严重缺失。

深挖AI商业化困境，根源在于价值量化困难与定价模式僵化。传统SaaS的固定订阅模式假设输出稳定、边际成本可控，而AI的推理成本随token消耗波动，输出质量也存在不确定性——有时一次到位，有时需多次迭代或人工干预。企业为此付出的费用难以与清晰ROI挂钩，导致部署犹豫不决。早期云计算从固定付费转向弹性计费的演变，提供了一个可参照的历史路径。

判断起来，执行差距才是根本瓶颈。很多企业以为采购最强模型就够了，却未准备好重构工作流、调整人机协作界面和决策链条。这一步既费时又需跨部门协调，短期内还会带来阻力。路径依赖让变革缓慢，管理层急于看到ROI，试点一旦失败就容易半途而废。

当然，这里面也存在不确定性。如果企业转向培养“流程专家”，建立支持试错的心理安全文化，并系统性地进行内部培训，那么突破是有可能的。反过来，如果继续只在技术上堆砌，忽略人和组织的适应，很可能会加剧文化失调和内部阻力，让AI落地越来越难。

这就好比开车却从不记路。偶尔凭感觉能抵达目的地，但永远无法总结高效路径或避开反复的弯路。没有决策痕迹，优化就无从谈起。Anthropic等机构对LLM职场影响的预测，往往基于模型看似擅长的任务类型，而非真实工作环境中的实际表现，两者存在明显脱节。Decision Intelligence gap在这里暴露无遗：它让AI停留在“聪明演示”阶段，难以真正驱动利润转化。

这些观察有其现实依据，却容易把问题简单归结为“技术泡沫”。技术发展其实很快，LLM在编码、文档处理等特定任务上已有明显进步，但一旦进入充满不确定性和跨部门协调的现实职场，执行层面的障碍就暴露无遗。很多人把失败指向模型能力不足或外部监管，却较少追问为什么现成工具难以顺利嵌入组织流程。这正是执行差距分析中被忽略的深层盲区：技术易得，真正融入messy的业务现实却极难。

对决策者而言，现在审视自家AI项目是否有完整执行路径至关重要。从小场景试点入手，明确人类与AI的分工边界并建立反馈循环，或许是避开“内裤侏儒”陷阱的现实起点。补齐这一步的方向是对的，但具体路径仍需各企业根据自身业务特性去探索。

但这些乐观其实掩盖了真实职场测试中的清醒数据。Mercor的APEX-Agents基准将顶级模型驱动的AI代理置于480项真实专业任务中测试，涵盖投资银行分析师、管理咨询师和公司律师的日常工作。结果显示，即使最佳模型首次尝试成功率也仅约24%，多数任务难以独立完成。工作流重构的阻力远超预期，简单嵌入现有流程往往适得其反。

深层问题在于缺失的Step 2：AI需要在“沾染了人和现有流程”的复杂环境中实现经济可行性，而非简单叠加工具。Mercor对480项真实职场任务的测试显示，即使顶级AI代理，在投资银行、咨询和公司法等领域成功率也普遍低于25%，尤其在需要战略判断和多步骤协调的非编码任务上瓶颈明显。这说明单纯的技术就位并不等于利润自动生成。

名局解读的趋势，已逐渐清晰但落地仍需耐心。