图：AI能力到经营结果之间，隔着四道价值转化关
69%的企业在用AI，但超过90%的高管说，过去三年AI没有改变公司的生产率。
这个数字来自NBER 2026年2月发布的一份覆盖四国近6000名企业高管的调查。不是个案，也不是悲观，是统计意义上的普遍现象。
同样在2026年，BCG的调查给出更扎眼的数据：74%的公司难以从AI创造价值，只有4%创造了实质价值。另一份面向88%计划增加AI投入的企业的调研显示，"技术能力与企业价值实现之间，正形成一道越来越宽的鸿沟"。
钱花出去了，模型也跑起来了，经营结果没跟着来。问题出在哪里？
第一道关：模型能做，不等于任务能交付
AI演示最容易骗人的地方，是任务边界。
2026年正式发表于《Organization Science》的一项实验，找了758名咨询顾问用GPT-4做知识工作。在AI能力边界内的18项任务上，用AI的人平均多完成12.2%的任务，速度提高25.1%。但在一项被故意设计为超出AI能力边界的复杂管理任务上，用AI的人答对率反而低了19个百分点。
研究者把这叫"锯齿状技术边界"——有些任务AI干得比人好，有些任务AI拖后腿，边界不是一条平滑线，是锯齿。
企业上线AI前必须搞清楚：当前人工基线是多少？AI在哪些样本上有效？错误集中在哪类输入？什么情况必须交回人工？输出由谁负责？怎么抽检？
这六个问题答不上来，你手里的只是模型能力，不是可交付的任务结果。
另一个正面案例来自《经济学季刊》的研究：5172名客服人员使用AI助手后，每小时解决的问题数量平均提高15%。为什么能成？因为客服任务有明确输入输出，系统在历史对话上做了微调，人会审核AI的建议，边界清楚、能人工接管。
第二道关：一个任务快了，流程没快
一个人原来花两小时写材料，现在二十分钟搞定。但客户能提前一小时四十分钟收到结果吗？
大概率不能。材料还要等数据、等审批、等法务、等系统录入。前面省下的时间，变成新的等待。
经济学家Ajay Agrawal、Joshua Gans和Avi Goldfarb在NBER的研究里把企业看成一个由相互依赖的任务组成的系统。AI改变其中一个任务时，其他任务、接口和协调方式也要跟着变。局部采用容易，系统级变化很难。
一项覆盖66家企业、7137名知识工作者的随机实验印证了这一点。获得Copilot使用权的员工，每周处理邮件的时间平均减少约1.3小时，经常使用的人降幅约3.6小时。但研究没有发现员工任务的数量和构成出现明显变化。
个人省下了时间，组织没有自动重写工作流。省下来的产能去哪了？蒸发了。
图：四次价值转化连接模型能力与经营结果，断点常出现在箭头中间
第三道关：流程做出来了，人不肯用
流程搭好了，员工不用。
这不是态度问题，是激励结构问题。一个员工用了AI省下两小时，这两小时归他吗？大概率被填入新的工作量。省下的产能没有进入他的绩效，反而变成"你还能干更多"的信号。
2026年新华网报道WAIC论坛时引用了一个判断：企业级AI的价值建立在高质量数据与高水平专家经验之上。数据治理能力强、流程体系清晰的企业，能借助AI放大优势；反之，低质量数据和混乱流程只会把问题放大。
很多时候企业原来的流程根本没写清楚。大家靠默认知识工作——知道该找谁、哪种客户特殊处理、系统报错先查什么。可AI不知道这些默认前提。一旦试图把流程交给AI，靠经验和关系兜住的断点全部暴露：触发条件模糊、数据口径不统一、部门接口不稳定、例外规则在某个人脑子里。
一个技术接入项目，最后变成流程再造。
图：四道关的关键数据对比，来源涵盖NBER、BCG及顶刊研究
第四道关：用了，但没变成钱
这是最让人困惑的一关。员工确实在用，流程确实在跑，省下的产能却没进入客户价值和财务结果。
原因往往在于"局部优化陷阱"。每个部门在自己的环节里挤效率，但没人站在端到端角度看：从客户需求到交付，整条链路的瓶颈在哪？AI优化的环节是不是关键路径上的？
省下一个非瓶颈环节的时间，对整体产出没有影响。这是高德拉特约束理论的AI版本——你要找的不是"哪个环节能用AI"，而是"哪个环节卡住了全局"。
源势AI怎么看
我们在能源和金融行业的Agent落地实践中，看到的不是"AI能不能用"的问题，而是"AI用在哪一关"的问题。
我们的经验是：先别急着上模型。第一步是画清楚从客户需求到交付的完整流程，找到瓶颈环节。第二步是判断AI在这个环节能解决什么任务，边界在哪，错误怎么兜。第三步才是建Agent、跑流程、接系统。
能源行业AI研判准确率98.7%、人力节省70%——这个数字背后，不是模型多强，而是我们花了大量时间在前两关：梳理流程、定义任务边界、设计人工接管机制。模型能力只是四道关里的第一道，后面三道关才是企业真正要做的工作。
企业AI落地，从来不只是一个技术问题。它是一个组织问题、流程问题、激励问题。模型给你能力，四道关给你结果。
