48.5%企业说AI回报不达预期，可44.4%从没定过标准

同一份报告里的两个数字，放在一起读会有点刺眼。

8月26日，德勤中国与香港大学联合发布《企业AI应用：决策者洞察》，样本是逾200位大型企业高管。其中48.5%的企业说，AI投资回报低于预期，44.3%说达到预期，只有7.2%说超出预期。这组数字不算意外，过去两年类似结论看过很多。

值得停下来的是同一份报告的另一个数字：44.4%的企业，从未为AI项目制定明确的ROI衡量标准。

换句话说，在说"回报不达预期"的企业里，有相当一部分其实没资格下这个判断。没有标准，就没有"达"与"不达"。

部署速度是真的上来了

先说清楚：这份报告不是在讲AI失败。

同一份调查里，仍停留在试验阶段的企业比例从去年的28.4%降到12.7%；已在多个团队部署AI的企业从14.7%涨到33.7%，一年翻了一倍多；近四分之三的企业计划两年内部署智能体。高ROI场景集中在内部知识工作、IT与软件、销售与市场推广、产品研发与创新四块。部署这件事，企业学得很快。

另一侧证据来自Salesforce 8月发布的第二版《Agentic Enterprise Index》：在其Agentforce平台上持续运行智能体的客户里，平均智能体数量从2025年2月的5个涨到2026年4月的13个，复合月增长7%；部署一个智能体进生产环境的平均耗时降到1.9天，比统计期初缩短53%。

口径必须说明：Salesforce这份是厂商自有平台的第一方数据，样本限定为"每月都在生产环境跑智能体"的客户，属自选群体，不代表全市场平均；德勤与港大那份是高管问卷。两者测的不是同一件事，不能相加或相减，只能作为两个独立观察并置。

并置之后的画面倒是一致的：装得越来越快，装得越来越多。

被除数的初始值，没人留下来

ROI讨论通常卡在"怎么算收益"上：效率提升算不算，节省的工时怎么折成钱，品牌影响怎么量化。方法论文章一篇接一篇。

但44.4%指向的是另一类问题，而且更硬：不是算法不对，是被除数的初始值没留下。

算任何回报都需要一个"之前什么样"的记录：这件事原来一个人做要多久，原来差错率多少，原来单位成本多少。而这个数字有个很不友好的性质——它只能在上线前采集。智能体一上线，流程就变了，原来的样子再也测不出来。

这是我认为最被低估的一点：AI的ROI首先是个时序问题，不是计算问题。错过上线前那个采集窗口，之后请多贵的咨询、用多完整的框架，都补不回一个真实基线。后面所有"提升了30%"，只能靠回忆和估算，而回忆撑不住董事会的追问。

港大人工智能和组织管理中心总监李晋提到，AI采用存在"J曲线效应"：初期回报先下降，之后才显著上升。这个判断有个前提——你得看得出自己在J曲线的哪一段。

没有基线的企业看不出来。曲线的下行段和"这东西没用"，在缺数据时长得一模一样。于是本来只需再等两个季度的项目，被提前砍掉了。

真正跑起来的比例，比部署数字低得多

德勤8月12日另一份报告调查了500多位技术领导者：约半数称对未来AI运营模式有清晰愿景，但真正把多智能体系统跑在规模化生产环境的只有15%。德勤副主席China Widener的说法是，这轮变化的重点不是增加智能体数量，而是改变组织内部工作的方式本身。

CompTIA 8月25日发布的《Corporate AI Adoption》（2026年6月调研，1027位商业与技术专业人士）指向同一方向：59%的组织把"把AI集成进现有技术环境与业务流程"列为优先事项，78%承认自己的数据实践仍有改进空间。研究副总裁Seth Robinson的评价很直白——买AI工具是简单的那部分，建一个能安全、负责、有效部署AI的组织要难得多。

从STARBOX的角度看

服务企业内容团队时，这个断层遇到得非常频繁。客户上线内容智能体三个月后问"效果怎么样"，我们第一个问题往往是：三个月前，你们一篇稿子从选题到发布平均几天、一个月发多少篇、返工率多少？多数时候，没有记录。

所以DDABC闭环里Define排在Deploy前面，不是流程图好看，而是这个顺序不能倒：先把"做成什么算成功"和"现在什么水平"写下来，再让智能体上线。组织层定义目标与验收口径，BOX层沉淀知识与策略，智能体层在边界内执行，每层都留可回查的记录，Benchmark那一步才有得比。企业专属数据不只是喂模型的燃料，它同时是度量自己的尺子。

今天就能做的一件事

李晋那句话我很认同：下一步的关键不在于更快采用AI，而在于企业能否直接验证成效。

如果今天只做一件事，我的建议是：找出下个月准备上线的那个AI场景，在它上线之前，把三个数字记下来——耗时、差错率、单位成本。不需要复杂框架，一张表就够。

这三个数字的采集窗口，会随着上线那一刻永久关闭。