MIT 95% 生成式 AI 投資零回報：企業導入 AI 敗在哪堵牆？為什麼贏家是中型企業

三四百億美元。這是麻省理工學院（MIT）NANDA 實驗室去年那份報告裡，全球企業砸進生成式 AI 的金額。

結論只有一句：95% 的組織，零回報。

這個數字後來被轉了幾萬次，變成所有唱衰 AI 的人的萬用彈藥，也變成所有賣 AI 的人拿來嚇你的開場白。我自己也轉過。

但我最近把那份報告的原文從頭到尾讀了一遍，讀完的感覺很微妙。

那個 95%，跟大家以為它在說的事情，差得有點遠。而報告裡真正有用的那一段，幾乎沒有中文內容引用過。

那一段是這樣寫的：試點數量最多、投錢最凶、團隊配得最齊的大企業，規模化的成功率最低。

換句話說，在「把 AI 真的推到全公司上線」這件事上，體型大反而拖後腿。

MIT 報告稱 95% 生成式 AI 投資零回報，那個數字到底量了什麼

先把口徑攤開。

這份報告叫《The GenAI Divide: State of AI in Business 2025》，MIT NANDA 團隊出的，主要作者是 Aditya Challapally，研究期間是 2025 年 1 到 6 月。方法是三個來源疊起來：系統性回顧 300 多個公開揭露的企業 AI 專案、對 52 家組織做結構式訪談、在四場產業會議收集 153 份高階主管問卷。

報告原文的講法是：「95% of organizations are getting zero return」，而只有 5% 的整合型試點真的產出數百萬美元等級的價值，其餘絕大多數卡在「no measurable P&L impact」，也就是損益表上量不到東西。

看清楚，它量的是損益表上有沒有量得到的改變。

它沒有在判斷 AI 有沒有用，也沒有在評模型聰不聰明。

而且報告自己在方法學那一頁寫了一段很誠實的話，我覺得每個引用這個數字的人都該一起貼上：這些數字是「directionally accurate」，方向性正確，來源是各家公司自己講的，不是查核過的財報；不同組織對「成功」的定義本來就不一樣。它對「成功導入」的定義甚至是「使用者或主管說它帶來了明顯且持續的生產力或損益影響」。

所以這是一份高品質的產業體檢，不是一份審計報告。

我為什麼要特別把這件事講清楚？因為你等一下開會，如果有人拿「MIT 說 95% 都失敗」來否決你的提案，你至少要知道這個數字沒有那麼硬。

而它旁邊那個數字，其實更硬。麥肯錫 2025 年 11 月的《The State of AI》調查裡，符合「AI 高績效者」的組織大約 6%，標準是 AI 對稅前息前利潤（EBIT）貢獻達 5% 以上、而且拿到顯著價值。兩份完全不同機構、不同方法的研究，都指向個位數。

一份可能會偏，兩份都往同一邊偏，那就要看一下了。

企業導入 AI 的共同敗因：買的人和用的人，被層層轉述隔開了

報告裡最刺的一句，是它自己下的判斷：

「The core barrier to scaling is not infrastructure, regulation, or talent. It is learning.」

規模化最大的障礙不是基礎建設、不是法規、不是人才，是「學習」。多數生成式 AI 系統不記住反饋、不吸收上下文、不會隨時間變好。

這句話翻成生意人的話是什麼？

你買回來的不是員工，是一個每天早上都會失憶的工讀生。他很聰明，但你昨天教他的事情，今天要重教一次。（這一層要怎麼補，我另外寫過 AI agent 的記憶系統怎麼設計。）

有三組數據把這堵牆的形狀畫得很清楚。

第一，試點到上線的落差。 通用型的 LLM 工具，80% 的公司評估過、50% 做過試點、40% 真的上線。但那些為特定任務打造、嵌進流程裡的 AI 工具呢？60% 評估、20% 試點、只有 5% 真的上線。愈貼近你真實業務的東西，愈死在半路。

第二，影子 AI 經濟。 只有四成公司幫員工買了官方的 LLM 訂閱。但超過九成受訪公司裡，員工回報自己固定用個人帳號的 AI 工具處理工作。報告裡有個案例我很喜歡：一家中型律所花了五萬美元買專業合約分析工具，資深律師照樣拿 ChatGPT 起草，理由很樸素，買的那個摘要太死板、沒法照她的習慣調。

公司的官方系統在空轉，員工在旁邊繞道而行，而且繞得比較快。

第三，預算投錯地方。 報告請主管做假想分配，不論用哪個口徑，銷售和行銷都拿走最大宗的 AI 預算。但實際上最戲劇性的成本節省來自後台：合約審查、採購、風控、對帳、客服工單。原因也很誠實，前台的成效好寫進董事會簡報，後台的成效不性感。

還有一個對照我覺得台灣讀者要放心裡：報告掃過的主要產業裡，只有科技與媒體電信這兩個出現明確的結構性變化，其餘的試點做了一堆，結構沒動。（順帶一提，報告自己在摘要寫「8 大產業有 2 個」、內文寫「9 個裡有 7 個沒動」，前後口徑不一致，這也是為什麼我不建議把單一數字當精準統計用。）

報告裡引了一位中型製造業營運長（COO）的話，我看到的時候笑出來：

「LinkedIn 上的風向說一切都變了，但回到我們的營運裡，沒有任何根本的東西改變。合約處理是快了一點，改變的就只有這樣。」

另一位資訊長（CIO）講得更狠：今年看了幾十場 demo，大概一兩個真的有用，剩下的是套殼跟科展作品。

順帶更正一件事。范冰在《前線部署工程師》這本書裡寫「模型不夠聰明、算力不夠便宜、技術不夠先進，都不在列」，這句話講得太滿。我對回原始報告，「模型輸出品質疑慮」其實是主管與第一線使用者票選出來的第二大障礙，僅次於「不願意採用新工具」。

但報告的解釋很值得玩味：同一批人在 ChatGPT 上用得很順、換到公司內部系統就覺得不可靠。差別不在模型，在於那個系統不記得他們是誰、不記得上次改過什麼。

所以那堵牆的本體，還是同一個。造軟體的地方，和價值產生的地方，不在同一個地方。

需求從業務單位出發，經過工單、會議紀要、週報、顧問簡報，一層一層轉述到工程師手上，每轉一次掉一層血。而客戶真正的工作流，藏在沒人寫進文件的 Excel 裡、口耳相傳的慣例裡、還有那句台灣每間公司都有的「這個要問一下阿姨」。

我在雨傘產業做了七年，工廠、品牌、百貨專櫃都待過。當年在專櫃站櫃的時候，總部發下來的陳列規範跟我實際在賣的手法，中間永遠差一段。那段差距不是誰不專業，是總部的人沒站在那個櫃位上，看不到週三下午三點客人是從哪個方向走過來的。

現在我在做電商 SaaS 的資料應用，看到的是同一件事的數位版：後台開著，儀表板每天更新，沒人看。

以前這叫做「系統上線了但沒人用」，現在這叫做「AI 專案零回報」。

換了名字，同一堵牆。

為什麼大企業導入生成式 AI，反而比中型企業慢

這是我覺得整份報告最該被台灣讀者看到、卻幾乎沒人引用的一段。

報告把年營收超過一億美元的公司定義為「大企業」。這些公司試點數量最多、投入 AI 相關的人力最多。然後：

中型企業裡的頂尖表現者，從試點到全面上線平均 90 天。大企業要九個月以上。

九個月是什麼概念？九個月足夠讓當初提案的那位主管換部門、讓模型換兩代、讓當初那個痛點自己消失。

還有一組數字更直白。報告樣本裡，透過外部策略夥伴共同開發的專案，佔了成功部署的 66%；純內部自建的佔 33%。外部夥伴的達成部署率大約 67%，自建大約 33%，整整兩倍。報告自己也很守規矩地加註：這可能反映的是組織能力本身的差異，相關不等於因果。

這裡要講清楚，報告說的「外部夥伴」不是賣你一份授權就走的廠商，是能把產品底座、現場訪談、流程調整一起帶進來的那種。差別在有沒有人真的坐到你的現場。

而「把人送到現場」這件事，本來就是有人試過的解法。

2003 年 Palantir 成立時遇到一個死結：他們要幫情報單位做軟體，但團隊裡沒人認識情報分析師，就算認識，對方也不會告訴你他平常怎麼工作。第 13 號員工 Shyam Sankar 的解法是派工程師直接住進客戶現場。2007 年前後他自己在一個實體隔離的保密室裡待了兩週，連手機都不准帶進去，只好用膠帶把電話綁在頭上，一隻耳朵聽分析師抱怨、一隻耳朵聽總部同事講話，兩隻手繼續敲程式碼，每天十九個小時。

但 Sankar 真正關鍵的動作不是那兩週，是他改了這件事在財報上的科目。在軟體業的帳本裡，「為單一客戶做客製」叫服務，是毛利率的敵人。他把它翻了過來：

現場客製不是成本，是產品發現。

效果有多實在？空中巴士（Airbus）圖盧茲工廠的 A380 燃油泵反覆故障，自家工程師查了兩年沒頭緒；Palantir 工程師進場接上感測器資料，兩週破案，原因是飛機爬升時燃油晃離了泵體。空中巴士的數位化負責人後來公開講了一句：「同樣的問題，我們以前要查二十四個月。」

這個角色現在的正式名字叫前線部署工程師（Forward Deployed Engineer，FDE）。它是什麼、為什麼變成矽谷最搶手的職位、大廠怎麼搶人，我前一篇已經完整拆過，這裡只借它的核心邏輯：解法不是把需求文件寫得更漂亮，是把需求的轉述鏈砍短。

所以這篇要接的是另一半：你請不起 FDE，怎麼辦？

在台灣講「派工程師進駐客戶端」，很多老闆第一個反應是皺眉。可以理解，我們對「工程師駐場」有一段不太好看的歷史，那基本上是人力外包的別名。范冰在書裡把這條界線劃得很清楚，我覺得值得抄下來：

駐場按工時算錢，FDE 按階段交付、按結果驗收；駐場從零寫，FDE 帶著產品底座來做工程；駐場愈駐愈久、人走系統停，FDE 做完會走、能力留在系統和客戶團隊裡。

一句話：駐場賣的是人頭，FDE 賣的是結果。

Anthropic 跟金融科技公司 FIS 合作建反洗錢的 AI agent，合作寫明的目標不是交付一套系統，是「轉移知識，讓 FIS 以後能自己建」。

顧問希望你一直需要他。做這件事的人，希望你遲早不需要他。

下次有廠商來提案，你就用這一句去問。

台灣中小企業導入 AI，真正該做的五件事

講完了，回到你的公司。

如果你的年營收沒有一億美元、公司沒有一整層樓的資訊部門、也請不起年薪三十萬美元的工程師，這份報告對你其實是好消息。因為它證明了一件事：這場比賽贏的不是資源，是離現場的距離。

台灣中小企業老闆離現場多遠？三公尺。你走出辦公室就看得到倉庫、看得到客服在回什麼、看得到會計在對哪張帳。

那九個月變成 90 天的差距，就是從這三公尺來的。

► 第一，別問「我們要導入什麼 AI」，先問「這週誰在加班」。 痛點不會出現在會議室，只出現在工作現場。挑一個具體到有名有姓的痛：不是「提升客服效率」，是「客服主管每週一早上要花三小時，從四個系統手動匯總上週的退換貨工單」。第一個問題就要具體到這種程度，後面才不會歪。

► 第二，把預算從前台挪一點到後台。 報告裡最戲劇性的節省全部發生在後台，但錢都往行銷跑。對電商來說，這代表對帳、退換貨工單分流、供應商風險提醒、庫存週轉，這些不性感的地方，回本速度比你想的快。你的行銷 AI 好寫進簡報，但你的財務長只會記得帳提早三天結完。

► 第三，用「周」當單位，不要用「月」。 給任何一個試點寫死畢業標準：幾週後、用什麼指標、達到什麼數值，達不到雙方體面散夥。范冰在書裡稱這個為最小可行部署（Minimum Viable Deployment），關鍵是縮小切口、不縮小野心。不做「全公司的智慧客服」，做「只處理退換貨這一類工單，但端到端無人干預」。六個月的「最小驗證」，最後一定會長成一個什麼都想要的大專案。

► 第四，順著人的習慣，不要順著系統的習慣。 報告裡員工最大的抗拒是「不願意採用新工具」。如果你的業務同事的核心動作發生在 LINE 和 Excel 裡，那 AI 就應該出現在 LINE 和 Excel 裡，而不是要他登入一個全新的入口。新系統最大的敵人不是舊系統，是舊習慣。

► 第五，找夥伴，但要問三個問題。 外購比自建成功率高兩倍，這個方向可以信。但你要問廠商：一、你們的產品底座是什麼（沒有底座就是純人力外包）；二、上一個從客戶現場學到、然後變成你們標準功能的例子是什麼（講不出來就是每次重寫）；三、專案結束以後，這個能力留在誰身上。

第三題最重要。答案如果是「留在我們身上」，你買的是依賴，不是能力。

我的判斷

那個 95% 不會維持很久。

至少在多數辦公與流程型的任務上，模型能力早就不是唯一的瓶頸了。真正在補的是讓 AI「記得住」的那一層：記憶、上下文、工具串接、agent 之間的協定。這些東西過去一年變化的速度，比模型本身還快。我寫過 AI agent 五分鐘做得出、為什麼半年上不了線，講的就是同一件事的另一面。

但基礎建設補上以後，勝負會回到一個很老派的地方。

誰真的知道現場在發生什麼事。

這件事沒辦法外包，沒辦法用預算買，也沒辦法靠開更多會議取得。它只能靠一個人，搬張椅子，坐到那個每週一早上要手動匯總四個系統的同事旁邊，看他做完一整天。

如果你問我，台灣中小企業在這一輪最大的本錢，就是這個。我們的組織夠扁、簽核鏈夠短、老闆離現場夠近。這些以前被說成「不夠制度化」的缺點，在這份報告的數據裡，全部是優勢。

別浪費了。

常見問題

Q1：MIT 那份 95% 的報告是誰做的？可信嗎？
是 MIT NANDA 實驗室 2025 年 7 月發布的《The GenAI Divide: State of AI in Business 2025》，主要作者 Aditya Challapally，研究期間 2025 年 1 到 6 月。方法是 300 多個公開專案回顧 + 52 家組織訪談 + 153 份高階主管問卷。它有參考價值，但報告自己註明數字是「方向性正確」、來自各公司自陳而非查核財報，各家對「成功」的定義也不一致。當趨勢訊號看可以，當精確統計引用要小心。

Q2：95% 零回報，是說生成式 AI 沒用嗎？
不是。它量的是損益表上有沒有量得到的改變，不是模型能力。報告明確寫了，這個落差不是模型品質或法規造成的，是做法造成的。同一份報告也指出，超過九成受訪公司的員工正在用個人帳號的 AI 工具處理工作，而且用得很順。工具有用，是公司的採購和導入方式沒把價值接進工作流。

Q3：這算是數位轉型失敗案例嗎？跟以前 ERP、CRM 上線失敗有什麼不同？
本質上是同一類失敗，換了新名字。過去的數位轉型失敗案例，典型症狀是「系統上線了但沒人用」，官方流程空轉、員工繼續用 Excel 和紙本繞道。現在的差別只有兩點：一是速度變快，五分鐘就能做出讓高層拍板的 demo，落差被放大；二是員工手上已經有一個更好用的替代品（個人帳號的 ChatGPT），所以繞道的成本比以前低很多。判斷方式也一樣：不要看系統有沒有上線，要看有沒有人改變工作方式。

Q4：企業導入 AI 案例要怎麼選第一個題目？
先找痛點，不要先找工具。挑一個具體到有名有姓、每週真實吃掉人時的問題（例如「客服主管每週一要花三小時，從四個系統手動匯總退換貨工單」），寫死驗證期限（以週為單位）和成功指標，再決定要不要買。優先看後台流程，報告顯示最明確的成本節省來自合約審查、採購、對帳、客服工單這類不性感的地方。

Q5：為什麼大企業導入生成式 AI 反而比中型企業慢？
報告數據顯示，中型企業的頂尖表現者從試點到全面上線平均 90 天，年營收破一億美元的大企業要九個月以上。原因是大企業的決策者離現場太遠，需求經過多層轉述會失真，加上採購與變更管理流程長。試點做得最多的公司，規模化成功率反而最低。

Q6：AI 工具應該自己找工程師建，還是找外部夥伴？
報告樣本裡，外部策略夥伴共同開發達成部署的比率約 67%，純內部自建約 33%，差兩倍（報告也註明相關不等於因果）。實務上的判準是問對方三件事：產品底座是什麼、最近一次從客戶現場學到並沉澱成標準功能的例子、專案結束後能力留在誰身上。第三題答案如果不是「留在你的團隊」，那你買的是依賴。

資料來源

• MIT NANDA，《The GenAI Divide: State of AI in Business 2025》（2025 年 7 月）：本文所有數字與引述均對回報告全文 PDF。媒體報導可參考 Fortune，但請注意媒體轉述的樣本數（150 場訪談 / 350 份員工問卷）與報告原文自述的方法學（52 家組織訪談 / 153 份高階主管問卷 / 300+ 公開專案）口徑不同，本文採報告原文。
• McKinsey，《The State of AI》（2025 年 11 月）：McKinsey QuantumBlack
• 范冰，《前線部署工程師：人工智慧時代的客戶價值交付祕籍》2026 年 7 月開源版：www.zengzhang.ai。本文中 Palantir 起源、Shyam Sankar 保密室駐場、空中巴士 A380 燃油泵、駐場與 FDE 的界線、Anthropic × FIS 知識轉移、最小可行部署等段落引自該書第 1、2 章，書中相關案例出處另見該書附錄 C。書中提及的擊斃賓拉登相關傳聞，作者自述「從未被證實，也從未被證偽」，本文不予採用。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。