从 PoC 到利润表：企业 AI 为什么总卡在最后一公里

结论

企业 AI 卡在最后一公里，通常不是模型不够好，而是四件事没做：没有为智能体重新设计端到端流程、数据没到能被智能体可靠调用的程度、没有人对结果负责、没有能承载多个场景复用的平台。这四项缺一项，PoC 就停在 PoC，不会变成利润表上的数字。

发生了什么

2026 年 4 月 2 日，麦肯锡发布《Building the Foundations for Agentic AI at Scale》，给出一组对比数字：全球接近三分之二的企业已经试验过智能体，但把智能体真正规模化、产生可衡量价值的比例不到十分之一。文章把差距的主要来源归结为数据——十分之八的企业把数据局限列为规模化的主要障碍。报告指出，智能体的自主协调需要企业的数据架构能够支撑更高层级的自主性、跨系统协同与实时决策，多数企业现有的数据基础做不到这一点；而且因为智能体持续协调多个模型与数据源、往往没有人工介入，治理必须比过去更自动化才能保证可靠与可控。报告给出的应对方向是：优先智能体化高价值工作流、升级数据架构、强制数据质量标准、演进运营模式。

BCG 在 2025 年 12 月 15 日发布的《Agents Accelerate the Next Wave of AI Value Creation》里给出另一组数字：智能体在 2025 年已经占到企业 AI 总价值的 17%，预计到 2028 年上升到 29%；但价值释放的前提是企业把流程端到端重新设计，而不是把智能体嵌进现有流程的某个环节——只有做到端到端重构，成本削减才能达到 60% 以上。BCG 把这份报告写成面向 CEO 的路线图，核心信息是：智能体规模化的瓶颈不在技术选型，在企业愿不愿意重画流程边界。

OpenAI 发布的《The State of Enterprise AI》2025 年度报告从另一个角度印证了同一个结论。报告显示 ChatGPT 企业席位一年内增长约 9 倍，企业用户每周消息量增长约 8 倍，员工平均每天节省 40 到 60 分钟。报告还观察到一个和“规模化”直接相关的细节：使用结构化工作流（Custom GPTs 与 Projects）的流量比年初增长了约十九倍，目前约占企业内 ChatGPT 流量的两成——也就是说，真正沉淀下来、能被反复调用的用法，是被标准化、被打包成可复用流程的那一部分，随手对话式的用法本身不构成规模化。报告明确指出，企业当前面对的主要约束，已经不是模型性能或工具能力，而是组织的准备度与落地执行——也就是说，能力已经不缺，缺的是把能力接进业务的组织工作。

三份报告共同指向的一个判断

三家机构、三个观察角度，结论重叠：技术能力和企业价值之间，隔着流程、数据、组织三层，不是隔着模型能力。麦肯锡说的是数据基础没打好，规模化就无从谈起；BCG 说的是流程不重构，智能体只能局部提效，达不到能改写利润表的量级；OpenAI 说的是组织准备度而非工具能力，是当前真正的瓶颈。三者拼起来，正好是从数据到流程到组织的完整链条，也正是多数企业 PoC 停滞的三个环节。

为什么这对企业重要

大多数企业衡量 AI 项目的方式，是数有多少个试点在跑、有多少人在用。这套指标体系会系统性地高估进度——因为它测的是采纳，不是规模化。麦肯锡的数字已经说明，接近三分之二的企业能做到“有试点”，但不到十分之一能做到“规模化产生价值”，中间九成的企业，试点做得再多也不会体现在利润表上。企业需要换一套更接近现实的衡量方式：不是问“有多少个智能体在跑”，而是问“有哪个智能体已经不需要人天天盯着、并且带来了可核算的成本或收入变化”。

汉兴的判断

PoC 到规模化之间，不是一道技术门槛，是四道关卡：流程关、数据关、责任关、平台关。企业卡住的地方，几乎总能归到这四关里的某一关没过，而不是模型能力不够。

我们把这四关整理成一个原创框架，命名为“规模化四关”：

```[流程关] 是否为智能体重新设计了端到端流程未通过标志：智能体只是嵌进旧流程的某一步，前后仍靠人工衔接 [数据关] 是否有可被智能体可靠调用的数据基础未通过标志：数据存在，但格式、权限、时效不足以支撑自主调用 [责任关] 是否有人对智能体产出的结果负责未通过标志：出了错不知道该找谁，责任落在“系统”而非具体岗位 [平台关] 是否有能力把一次成功复用到下一个场景未通过标志：每个新场景都要从零搭建，成功案例无法复制```

配套指标：规模化通过率 = 已连续稳定运行三个月以上的智能体场景数 ÷ 已立项试点场景总数。这个比例远低于试点数量本身，才是企业真实的规模化能力。

一个中国企业的情境（示例推演）

以下情境用于说明框架的用法，不对应任何真实客户，数据为示例推演。

一家华东零售企业过去一年上线了十二个智能体试点，覆盖客服、选品、库存预警等场景，对外汇报时都算作“AI 项目落地”。但一年后复盘，十二个里只有两个还在稳定运行，其余的要么因为数据接口权限反复变更中断，要么因为出问题后找不到明确的责任岗位而被业务方叫停。用规模化四关回看：多数试点卡在数据关——库存数据分散在三套系统里，格式不统一，智能体每次调用都要人工核对；少数卡在责任关——客服智能体给出错误退货政策后，没有人认领这个错误该由谁复核。这家企业后来把重心从“再上几个新场景”转向“先把库存数据打通、给每个场景指定一个责任人”，八个月后规模化通过率从两成升到了六成，试点数量反而减少了。

反方观点与适用边界

这个框架假设企业已经决定要投入规模化，但对处于探索期、还没确定哪个场景值得投入的企业，过早引入四关会拖慢试错速度。探索期的目标是低成本验证方向，这时候要的是快速试错，不是流程重构。四关框架适用于已经跑出至少一个有把握的场景、准备从“能不能做”转向“值不值得规模化”的阶段。把它用在探索期的每一个试点上，反而会用规模化的标准扼杀早期实验的空间。

另一个需要标注边界的地方是行业差异。三份报告的样本以欧美大型企业为主，数据基础、组织成熟度和中国多数企业的起点并不一样。“数据关”在国际样本里常被描述成架构问题，在不少中国企业里，第一道坎其实更早——数据本身是否已经从纸质台账、Excel 表格或分散的业务系统里被结构化出来。这意味着四关框架的顺序在实践中可能需要调整：先补数据的“有没有”，再谈数据的“可不可靠”。

企业现在应该做什么

给 CEO：把汇报口径从“上线了多少个智能体”换成“规模化通过率”。 后者才是能反映在利润表上的数字，前者只反映预算花了多少。

给 CAIO：对现有全部试点做一次四关体检，标出每个试点卡在哪一关。 卡在数据关的先停止扩场景、投入数据治理；卡在责任关的先明确岗位归属，再决定是否继续投入。

给 FDE：在每个新场景立项时，先问四关而不是先问技术方案。 流程能不能重画、数据能不能拿到、谁来负责结果、这次的方案能不能复用到下一个场景，四个问题的答案决定这个项目值不值得启动。

证据、来源与公开边界

• McKinsey & Company，《Building the Foundations for Agentic AI at Scale》，2026 年 4 月 2 日。https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale
• BCG，《Agents Accelerate the Next Wave of AI Value Creation》，2025 年 12 月 15 日。https://www.bcg.com/publications/2025/agents-accelerate-next-wave-of-ai-value-creation
• OpenAI，《The State of Enterprise AI》2025 年度报告。https://openai.com/index/the-state-of-enterprise-ai-2025-report/

本文引用的数字均来自上述三份官方报告原文或其公开摘要。文中的中国企业情境为示例推演，不对应任何真实客户。“规模化四关”框架与规模化通过率指标为汉兴原创，未经第三方验证。

元信息

栏目 Enterprise AI　作者 汉兴 AGI 实验室　版本 v1.0　成稿 2026 年 8 月 12 日