为什么AI编码工具能快速盈利,而其他AI应用却难见ROI
最近在伦敦一场反AI游行中,有人捡到一张传单,上面写着“第一步:打造数字超级大脑,第二步:?第三步:?”这不由让人想起《南方公园》里著名的“ underpants gnomes”梗——小精灵们偷内裤,却说不清怎么从偷内裤跳到盈利。 MIT Technology Review最新文章《The missing step between hype and profit》正是借这个梗,点出了当前AI发展...
发布时间:2026-06-25
排名代发飞机【seo1268】好友聊天,输入“怎么进1元1分红中麻将群”咨询客服,娱乐游戏作为民间很受欢迎的纸牌玩法,乐趣集中在快节奏的刺激感、心理博弈的张力,这两种玩法的规则几乎一学就会,不用记复杂的牌型搭配,就算是新手也能快速上手,梦想是前行的灯塔,哪怕渺小,也能指引方向。不必因梦想遥远就轻言放弃,逐梦的路上,本就布满挑战。拆分目标,步步前行,哪怕每天只前进一小步,也是在靠近理想。不惧旁人的质疑,不畏前路的漫长,坚守初心,全力以赴。只要心中有梦,眼里有光,脚下有路,终能跨越山海,奔赴心之所向的远方。的真实价值,可能要在更长时间维度上才能完全显现。
一个典型案例来自Mercor发布的APEX-Agents基准测试。他们基于投资银行分析师、管理咨询顾问和公司律师的真实工作场景,设计了480个跨应用、多步骤的复杂任务,模拟知识密集型行业的日常决策。使用OpenAI、Anthropic、Google等顶级模型驱动的AI Agent,结果显示最佳模型的首次成功率仅约24%。即使给予8次尝试机会,整体完成率也仅提升至40%左右,大量任务因无法处理模糊性、维持上下文或进行战略判断而失败。
在我观察这个行业多年后,如果是制造或零售这类实体属性较强的企业,我会建议先从一个小而美的场景化试点入手,同步做必要的流程微调,而不是一上来就堆全栈大模型。补齐行业专属的中间步骤,比单纯追逐最新技术模型更务实,也更可能让AI投资从成本转为真正的盈利驱动。不同行业AI盈利的路径差异,本质上反映了技术与业务融合的深度差距。
深挖问题根源,会发现许多企业的云迁移仍停留在简单的lift-and-shift阶段,只是把遗留系统原样搬到云端,而未进行重构优化。这种方式短期看似省力,却无法支撑AI时代的大规模推理、实时数据整合以及复杂的agent工作流。AI需要弹性算力、低延迟访问和海量数据的动态流动,这些需求远超传统基础设施的承载能力。早期云迁移中只搬不优化的教训,如今在AI场景下正面临重演风险。
从数据到盈利的桥梁远比模型本身关键。清理、结构化与可信生成机制构成了必要的基础支撑,而许多公司直接跳过这一步,将AI强行嫁接到现有流程,结果面临输出不稳定、合规风险和效率瓶颈。那些提前投入数据治理的企业,则更容易观察到清晰的ROI。行业报告反复印证,数据混沌与AI失败之间的关联,已从理论推测变成反复出现的现实痛点,70%以上的企业领袖对自身数据信任度不足,进一步放大了这一问题。
这与Anthropic劳动力市场影响研究中基于模型能力的理论暴露度预测形成鲜明对比,后者更多停留在“擅长什么任务”的抽象层面,而非真实工作流中的经济可行性。
短期内,这种阵痛可能让更多企业试点后信心下滑,部分项目直接下马,hype泡沫风险随之加大。但长期来看,行业将加速分化。那些愿意补齐缺失环节、加强模型透明度和协作的企业,或将率先实现从采用到盈利的闭环,而多数公司可能继续在反复尝试中徘徊。这一点目前行业内仍有不同声音,值得持续跟踪,现在下结论为时尚早。
媒体和AI厂商长期将注意力集中在模型参数规模和潜在颠覆性上。OpenAI相关科学家曾将生成式AI描述为足以驱动经济转型的核心技术,似乎只要能力足够强,商业价值就会水到渠成。企业决策层受这类叙事影响,资源大量投向训练和概念验证阶段。然而一线反馈却截然不同:大量AI项目停留在试点,落地困难,投入与产出不成比例。主流讨论中,基础设施现代化这一环节被明显低估,导致AI难以深度嵌入现有业务流程和数据体系。
最近,MIT Technology Review等媒体反复提及的企业AI热潮,正进入一个微妙的阶段:大家忙着打造先进模型、测试AI代理,却很少停下来审视中间缺失的那一步。多数公司直接把大模型套到现有业务流程中,期待快速看到盈利,却在生产环境中反复卡壳。这件事远比模型参数或代理演示复杂得多,企业正在为跳过数据基础设施付出实打实的学费。
然而,把所有问题简单推给“AI泡沫”其实掩盖了更深层的系统性挑战。技术进步本身并未停滞,LLM在编码、数据整理等特定任务上已展现显著能力,但真实职场环境充满不确定性和跨领域协调需求,这些恰恰暴露了执行层面的鸿沟。许多企业将失败归因于模型不够成熟或外部监管不足,却较少审视为什么技术难以自然融入现有组织流程。这一盲区,正是执行差距分析的关键所在。
短期内(2026-2027年),hype消退可能加速部分企业暂停AI试点。根据Wharton模型,2025年AI对生产力增长的贡献仅约0.01个百分点,整体GDP拉动仍不显著。少数率先投入流程重构的公司,或许能在局部环节看到小幅效率提升,形成一定的市场分化。但对大多数组织而言,试点停滞的风险更高,投资者会更倾向于观察真实部署案例而非概念炒作。
排名代发飞机【seo1268】好友聊天,输入“怎么进1元1分红中麻将群”咨询客服,娱乐游戏作为民间很受欢迎的纸牌玩法,乐趣集中在快节奏的刺激感、心理博弈的张力,这两种玩法的规则几乎一学就会,不用记复杂的牌型搭配,就算是新手也能快速上手,梦想是前行的灯塔,哪怕渺小,也能指引方向。不必因梦想遥远就轻言放弃,逐梦的路上,本就布满挑战。拆分目标,步步前行,哪怕每天只前进一小步,也是在靠近理想。不惧旁人的质疑,不畏前路的漫长,坚守初心,全力以赴。只要心中有梦,眼里有光,脚下有路,终能跨越山海,奔赴心之所向的远方。的背后,是行业从概念到价值的必经阵痛。
以专题追踪和信息整合为主要方向,关注话题背景、进展和延伸阅读入口。
点赞 418 · 评论 1
固定链接:http://www.ss7a.cn/images/1951.html
最近在伦敦一场反AI游行中,有人捡到一张传单,上面写着“第一步:打造数字超级大脑,第二步:?第三步:?”这不由让人想起《南方公园》里著名的“ underpants gnomes”梗——小精灵们偷内裤,却说不清怎么从偷内裤跳到盈利。 MIT Technology Review最新文章《The missing step between hype and profit》正是借这个梗,点出了当前AI发展...
发布时间:2026-06-25最近,一篇MIT Technology Review的文章用South Park里的“内裤精灵”梗,形象地描述了当前AI热潮的尴尬处境。内裤精灵的商业计划是:第一步收集内裤,第二步?第三步盈利。现实中,企业已经完成了AI技术的构建,也就是Step 1,也对外承诺了巨大的商业变革,也就是Step 3。但中间那个关键的Step 2,却始终是个问号。这直接导致不少生成式AI项目看似热闹,实际对利润表(P...
发布时间:2026-06-25今年2月,在伦敦一场反AI游行中,有人捡到一份传单。传单上写着:“Step 1: Grow a digital super mind。Step 2: ? Step 3: ?” 它明显借用了《南方公园》里那个著名的“ underpants gnomes”梗:小精灵们偷内裤(第一步),然后是问号(第二步),最后就是盈利(第三步)。这个梗用来讽刺很多计划只喊口号,却缺了最关键的中间环节。 企业AI落地...
发布时间:2026-06-25最近在伦敦一场反AI游行中,有人捡到一张传单,上面写着“Step 1:培养数字超级头脑,Step 2:? Step 3:?” 这句话听起来像极了《南方公园》里那个著名的 underpants gnomes meme:小矮人偷内裤(Phase 1),然后跳过中间步骤直接奔向profit(Phase 3)。MIT Technology Review在4月27日发布的文章里,用这个讽刺精准点出了当前AI...
发布时间:2026-06-25最近,一篇来自MIT Technology Review的文章引发了不少讨论。它用南极熊偷内裤的经典meme来比喻当下AI热潮:Step 1是打造数字超级头脑,Step 3是大谈经济转型和盈利,可Step 2呢?一片空白。企业们热衷于快速上线大模型和AI代理,却很少有人认真面对中间那道最难的坎。这件事远比表面上的技术炫耀复杂,企业正在为忽略底层准备付出实打实的学费。 大多数人看到的AI新闻,总是...
发布时间:2026-06-25最近在伦敦一场反AI游行中,有人捡到一张传单。传单上写着:“Step 1:培育数字超级大脑。Step 2:?Step 3:?”这明显是在借用《南方公园》里小矮人偷内裤的经典梗:收集内裤(第一步),然后?最后利润(第三步)。传单最后呼吁:暂停AI,直到我们搞清楚这该死的Step 2到底是什么。 MIT Technology Review这篇题为《The missing step between h...
发布时间:2026-06-25