报告类型：智库观察报告（Think Tank Observation Report）
观察阶段：Observe
报告日期：2026-08-23
证据截止：2026-08-22
稿件状态：公开稿
研究边界：本文观察企业部署 AI 后的利润转换条件，不构成采购、裁员、投资、定价或组织执行建议。
核心观察：AI 使用与企业利润之间，隔着一条尚未自动闭合的证据链
企业是否“采用 AI”不是合适的盈利判断单位。更有解释力的单位是同一“企业 × 工作流”：AI 在哪一个环节生成了什么，产出是否被业务接受，是否改善端到端吞吐，新增价值由谁保留，以及全部成本和风险最终落在谁的利润表上。
本文采用的利润转换链是：
AI 活动 → 业务接受产出 → 端到端吞吐 → 收入或已验证费用退出 → 企业留存价值 → 风险调整后增量利润
对应的核算边界是：
风险调整后增量利润 = 增量毛利 + 已验证费用退出 − 模型与云成本 − 集成与数据成本 − 验证与返工成本 − 事故与风险损失 − 转型成本
经济判断还需与资本机会成本比较。节省工时、生成数量、工具席位、调用量和供应商收入分别对应利润转换链的局部节点，最终核算仍要落到企业留存价值与风险调整后增量利润。
现有公司披露展示了两种常见口径：DBS 将 2025 年约 10 亿新加坡元“经济价值”归于数据分析与 AI/ML 组合；Citi 披露 AI 辅助代码审查每周释放约 10 万小时产能。前者是组合层面的管理层经济价值归因，后者是产能释放指标。DBS 年报披露（F03） Citi 2025 年报（F05）
| 经济状态 | 可观察条件 |
|---|---|
| 利润证据增强 | 相对可信基线，业务接受产出、端到端吞吐与企业留存价值同步改善，且完整成本、风险损失和转型成本已计入 |
| 亏损证据增强 | 完整成本与风险损失超过企业留存价值，或局部加速未穿透下游瓶颈却持续增加返工、等待与资本占用 |
| 结果仍未知 | 反事实、业务接受标准、需求吸收、价值捕获或完整成本不可观测，利润链无法完成同口径核算 |
以下十个断点把机制、现实案例和可持续比较的变量放在同一段叙述中，呈现利润转换链在哪些位置被打开或阻断。
一、AI 是否击中了真正的利润瓶颈
当 AI 没有触及当前限制收入、成本、质量或风险的真实约束时，新增生成能力可能只会扩大队列、等待与返工。利润证据更可能出现在高频、结果可测、瓶颈位置明确且下游仍有余量的工作流；若局部任务变快，端到端周期、客户结果与边际贡献却没有同步改善，AI 解决的就不是系统总约束。微软研究院的跨企业随机现场试验（X11）覆盖 66 家企业、约 6000 名知识工作者，持续六个月。获得生成式 AI 工具访问权限后，员工的邮件处理时间下降、文档完成速度略有提高，会议时间却没有显著变化，呈现出个人可独立调整的环节先移动、协调性环节相对滞后的特征。可持续比较的变量包括端到端周期、待办积压、会议与审批时间、业务接受产出、下游容量、边际贡献和完整成本。局部速度长期无法穿过下一道门，会削弱盈利假设；系统吞吐、质量与净价值在同一口径下同步改善，才会增强利润证据。
二、生成得更多，不等于交付得更多
企业购买的是满足质量、合规和客户承诺的结果，不是草稿、建议或代码片段本身。工作流负责人若能定义业务接受标准、重构交接与异常路径，并把人工验证纳入生产容量，AI 才可能提高一次验收通过率和端到端吞吐；旧流程保持不变时，更多半成品会进入同一组评审者，生成环节节省的时间可能被验证成本与排队等待抵消。METR 2025 年随机试验（S01）让 16 名有经验的开源软件开发者在 246 项成熟代码库任务中随机使用或不使用当时的 AI 工具；使用 AI 时，任务完成时间平均增加 19%，而参与者仍主观认为自己更快。METR 2026 年方法更新（S02）进一步记录了选择偏差、薪酬变化和并行智能体带来的计时困难，两项材料共同把情境敏感性和测量脆弱性置于工作流判断中心。关键变量包括一次验收通过率、重新打开率、缺陷、人工评审时间、持续集成失败、异常积压和下游实际使用率。生成量上升而通过率下降或返工增加，会削弱盈利证据；业务接受产出、质量与系统吞吐在同一基线下共同改善，才说明价值链继续向下游开放。
三、通用能力能否进入企业真实语境
模型只有接入准确、及时、有权使用且血缘可追溯的企业数据，才可能稳定进入真实工作流。受控的专有上下文、评价集与反馈闭环可以减少搜索和学习成本；错误数据、权限不清、上下文碎片化和持续维护成本，则可能让通用能力在企业语境中失效。即便输出质量提高，经济效果仍需通过业务接受结果验证。《Generative AI at Work》（X10）研究了 5172 名客服人员的分阶段部署，观察到每小时成功解决的问题数平均提高 15%，新手与低技能员工的改善更大；研究对象来自一家企业及其外包商，任务、数据和反馈较为结构化，这一结果呈现出 AI 传播高绩效做法的路径。可观察变量包括数据错误率、缺失率、新鲜度、权限异常、血缘覆盖、检索命中率、评价集表现，以及不同经验组的质量变化。效果若只存在于短期演示或单一任务，且在真实数据更新后消失，专有上下文假设会减弱；反馈资产若可复用并持续改善业务接受结果，企业保留价值的可能性才会上升。
四、部署改变了谁能决定什么
AI 部署会重新分配信息访问、任务分配、例外审批、绩效解释和最终责任。信息转述层可能收缩，但异常处理、质量评审、客户承诺和工作流归属可能变得更稀缺。事实影响力、决策权与损失责任若彼此分离，工具渗透越深，协调摩擦与责任真空越可能累积；三者同步重构，组织互补资产才有机会支持利润。Block 提交给美国证券交易委员会的 2026 年第一季度股东信（S09）称，截至 4 月初，Builderbot 正以接近完全自主的方式完成约 15% 的生产代码变更，但最终推送决定仍由人类作出。这项公司披露直接展示了生成、审查与最终生产权限可以被拆分到不同节点。这一断点可通过实际审批边、人工否决权、异常负责人、信息路由、影子流程、责任归属与管理负荷来观察。AI 获得议程设定能力，而承担损失的人无法改变执行范围，会增强治理成本上升的判断；异常能够被发现、归责和回退，则会增强组织适配的判断。
五、效率改善是否有地方可去
AI 可以提高上游产能，却不能自行创造客户需求、实体设备、配送网络、合规签字或服务承诺。业务接受产出增加后，瓶颈可能迁移到物理或数字配套、分销、产能配置或市场需求。企业继续支付上游 AI 成本，却只得到库存积压、流程等待、内容冗余或价格下行压力时，局部生产率可能转化为消费者剩余，而不是企业利润。沃尔玛首席财务官在 2025 年 12 月的交流（R03）把供应链自动化、配送成本和电商盈利能力放在同一物理网络中讨论，使零售价值转换中的实体约束清晰可见：预测或交互能力最终仍要通过库存、仓储、运输、门店和真实需求完成交付。关键变量包括需求增长、转化率、留存率、库存、产能利用率、交付成本、价格、利润率和下游积压。新增产出长期无法被吸收，会削弱上游扩张的盈利假设；下游容量、客户需求和单位经济性同步改善，才可能把局部效率连接到利润。
六、新增剩余最终由谁拿走
生产率提高不等于部署企业能够保留收益。价值可能通过降价流向客户，通过更高质量或更低劳动强度流向员工，通过席位费、调用费或基础设施租金流向模型与云供应商，也可能被竞争对手的快速复制消解。企业结果上升而增量利润不升时，需要区分两种机制：新增剩余存在但企业保留比例下降，或企业保留比例未变却被完整成本吞噬；前者是价值外泄，后者是成本膨胀。ServiceNow 2026 年第二季度业绩披露（S06）称，其 AI 年度合同价值在该季度超过 10 亿美元，记录了供应商侧的购买活动与合同价值。同一笔支出可以在供应商端形成收入，而客户侧的经济结果取决于部署质量、留存价值与完整成本。需要分开观察企业留存价值、客户支付意愿、价格与利润率、供应商费用、迁移成本、竞争复制速度，以及专有反馈资产的增量作用。收益主要体现为供应商收入或客户降价时，部署企业利润可能不升；专有资产让效果可复现并提高企业保留比例时，价值捕获假设才会增强。
七、哪些支出吞掉了表面 ROI
AI 项目的成本不止许可费和推理费，还包括集成、数据准备、安全、隐私、评测、治理、培训、人工复核、返工、停机、事故、迁移和转型。把“节省工时 × 工资”直接记作费用退出，会忽略时间的实际去向，也会漏掉双轨流程和验证负担。显性亏损来自新增成本直接超过留存价值；隐性亏损来自未进入 ROI 口径的长期复核与云消耗；延迟亏损则可能来自折旧、锁定、事故处置和组织转型。Alphabet 2025 财年第四季度业绩电话会（X17）披露，技术基础设施投资上升会通过折旧和数据中心运营成本持续进入利润表；公司同时表示，编码智能体生成的代码仍由工程师审查。这项公司披露把资本、折旧与验证成本放在同一能力扩张过程中。可比口径是“每个业务接受结果的完整成本”，其中分别记录模型与云、集成与数据、验证与返工、治理与培训、事故损失、退出成本和资本占用。成本口径扩大后项目排序逆转，说明原 ROI 测量不完整；完整成本随规模下降且收益持续，盈利证据才更可信。
八、一次事故能否抹去累计收益
AI 权限越接近高影响、不可逆和难检测的决策，潜在损失越可能呈非线性。低影响、高可逆、高可检测的工作流，较容易把失败限制在可承受范围；责任外包给模型、错误快速扩散、发现滞后或无法回退，则可能让少量效率收益不足以补偿尾部损失。风险不是利润之外的附录，而是利润公式的一部分。英国高等法院 2025 年 6 月关于 Ayinde 与 Al-Haroun 的判决（P07）记录了不存在或不准确的引文进入法律材料的风险，并明确指出，使用 AI 的律师仍负有核验权威来源和保证提交材料准确的专业责任，把错误输出与司法、声誉和职业责任连接到同一现实场景。关键变量包括错误率、误报与漏报损失、影响人数、投诉量、错误发现时间第 95 百分位、回退时间第 95 百分位、残余损害、人工否决次数和事故成本。损失难检测、难回退或责任不清，会提高利润判断中的风险折扣；失败能够被快速发现并限制在明确范围内，自动化价值才更稳定。
九、今天节省的人，是否是明天缺少的判断力
任务时间下降、岗位重组、就业变化和利润增长是不同变量，也以不同速度发生。释放的时间若流向更多业务接受产出、质量、销售或创新，并保留未来的评审者、领域判断和异常处理能力，短期效率更可能转化为长期价值。企业自动化基础任务却没有重构学徒培养机制时，新人积累经验和形成独立判断的渠道可能收窄，短期人工成本下降也可能转化为未来的质量与响应损失。斯坦福数字经济实验室与 ADP 的 2026 年 8 月更新（X14）显示，截至 2026 年 6 月，22 至 25 岁、高 AI 暴露职业的就业水平，比“若其与同龄低暴露职业同步变化”这一对照路径低约 19%；差异主要通过招聘减少而非离职增加出现。这项工资微观数据研究记录了初级人才招聘路径的变化。可持续观察的变量包括释放时间的实际去向、业务接受产出、真实人员替代程度、初级员工招聘、达到独立合格水平所需时间、晋升、评审能力、返工和客户质量。需求吸收了释放容量，或验证工作只是转移给其他人时，直接把节时计入裁员收益会高估利润；工作量稳定消失且人才补充机制保持完整，结构性节约才更可信。
十、规模化是在放大优势，还是放大未知
AI 投资的结果取决于承诺发生在证据之前还是之后。可逆实验、可扩展承诺和不可逆承诺承受不同的错误成本。企业级席位先行扩张、没有学习目标的表演式试点，以及沉没成本推动的持续加码，会压缩验证空间；相似工作流中的重复成功更接近规模化证据，流程拓扑、客户承诺、法律责任或任务组合变化则会改变复制条件。麦肯锡 2025 年全球 AI 调查（X08）中，39% 的受访者将某种企业层面的 EBIT 影响归因于 AI，其中多数称影响低于 EBIT 的 5%；约 6% 被调查定义为“高绩效者”，这些受访者更常报告工作流重构、人工验证、关键绩效指标和明确的领导责任。这组自报式咨询调查数据记录了 EBIT 影响与组织做法的共现。关键观察是每个阶段是否真正更新了判断，停止项目时是否保留评测与流程知识，相似工作流复制后的效果能否被证伪，收益是否持续，以及退出成本和机会成本是否受控。项目既没有穿过下一道价值门，也没有产生可证伪学习时，继续投入更可能扩大未知与亏损；效果可重复、下游有余量且价值捕获稳定时，规模化假设才获得更强证据。
结论：多数企业面对的不是已证明的盈利
企业 AI 的经济结果取决于十道价值门能否在同一工作流中共同闭合：真实业务约束、业务接受产出、数据上下文、组织权力、下游需求、价值捕获、完整成本、风险治理、人力资本和投资节奏。任何一道关键门长期受阻，局部生产率都可能停留在活动量层，甚至转化为显性、隐性或延迟亏损。
当前最容易被误判的是“未知”状态。采用率、生成量、节省工时、供应商收入和管理层估值对应利润链的不同局部，完整判断还要把反事实、业务接受产出、需求吸收、企业留存价值和完整成本放进同一口径。
这份报告由此形成一张可更新的观察地图：在同一“企业 × 工作流”中，持续比较基线、业务接受产出、端到端吞吐、需求、留存价值、完整成本、风险损失、权力转移和延迟损失。新信息会沿这条链条增强、削弱或改写当前判断。
来源说明
下表列出正文直接使用的来源，并说明来源类型及在本文中的用途。
| ID | 来源 | 来源说明 |
|---|---|---|
| F03 | DBS 2025 CIO Statement 与 CFO Statement | 公司年报；管理层报告的数据分析与 AI/ML 经济价值 |
| F05 | Citi 2025 Annual Report | 公司年报；AI 辅助代码审查所释放的产能 |
| X11 | Microsoft Research: Shifting Work Patterns with Generative AI | 跨企业随机现场试验；个人工作模式与协调环节变化 |
| S01 | METR experienced open-source developer study | 随机试验；特定成熟代码库中的任务完成时间 |
| S02 | METR 2026 uplift update | 方法更新；选择偏差与并行智能体计时问题 |
| X10 | Generative AI at Work | 同行评议准实验；客服工作流的生产率与经验差异 |
| S09 | Block Q1 2026 disclosure | 向美国证券交易委员会提交的公司披露；生产代码权限分层 |
| R03 | Walmart CFO transcript, 2025 Morgan Stanley conference | 公司管理层交流；供应链自动化、物理网络与交付经济性 |
| S06 | ServiceNow Q2 2026 Results | 公司业绩披露；供应商端 AI 合同价值 |
| X17 | Alphabet Q4 2025 Earnings Call | 公司业绩电话会；基础设施、折旧与人工审查成本 |
| P07 | UK High Court: Ayinde and Al-Haroun judgment | 司法判决；错误引文与专业责任风险 |
| X14 | Stanford Digital Economy Lab: Canaries in the Coal Mine | 工资微观数据描述性研究；初级人才招聘信号 |
| X08 | McKinsey State of AI 2025 | 咨询调查；受访者报告的 EBIT 影响与组织做法共现 |