普及加速，回报停滞

数据显示，89% 的受访者表示所在组织已在至少一个业务职能中常态化使用 AI，44% 已实现跨部门规模化落地（高于去年的 38%），在三个及以上职能落地的比例也从 51% 升至 56%。

然而在个体层面，80% 的受访者认为 AI 提升了个人工作效率，半数认为它帮助自己做出更好决策；但仅有 37% 的组织观察到 AI 对息税前利润（EBIT）产生了正向影响——这一比例与 2025 年完全持平，零增长。真正拿到显著回报的「AI 高绩效企业」仅占 6%，其标准是将至少 5% 的 EBIT 增量归功于 AI，且影响「显著」，该比例已连续两年不变。

麦肯锡将此称为「价值悖论」：自上而下放任员工自发使用 AI，几乎无法带来企业利润增长；员工省下的时间若未被重新规划到更高价值的工作中，效率增益便会白白流失。

智能体拉开差距

AI 智能体（Agent）成为新的分水岭。年营收超过 10 亿美元的大型企业中，规模化部署智能体的比例从去年的 27% 跃升至 40%；而中小企业仍停留在 22%，毫无增长。

编码智能体正在改写企业软件采购逻辑：32% 的组织因能用 AI 编码工具内部自研功能，转而放弃采购至少一款商业软件产品或功能。与此同时，成本约束浮出水面——20% 的组织因 Token 等运行成本限制了 AI 使用规模，但仍有 60% 计划在未来一年加大 AI 投入。

高绩效企业的启示

仅占 6% 的 AI 高绩效企业，差异不在预算多寡，而在组织打法：近四分之三（约 75%）彻底重构了端到端工作流程，而非简单将 AI 叠加在原有流程之上，普通企业该比例仅约四分之一；它们规模化部署智能体的比例约为其他企业的 3 倍。

麦肯锡在报告中比喻：早期工厂只是把蒸汽机换成电动机、产线布局不变，收益有限；真正释放生产力，是围绕电力彻底重构生产线。AI 转型逻辑如出一辙——瓶颈已从技术模型转向组织能否完成流程与机制的配套变革。

使用在加深，但回报没跟上

调查显示，接近九成的受访者表示所在机构已在至少一个业务职能中经常使用 AI。更值得关注的是从零散试点转向全企业规模化：44% 的受访者称 AI 正在其企业范围内扩展，一年前这一比例为 38%；在三个及以上职能中使用 AI 的比例，也从 51% 升至 56%。

AI 部署的规模差异依旧明显。年营收至少 10 亿美元的机构中，54% 的受访者报告 AI 已在全企业范围扩展，而在规模较小的机构中这一比例约为三分之一。

然而财务侧的数字几乎没动。37% 的受访者认为 AI 的使用对企业息税前利润（EBIT）产生了至少一定影响，与去年基本持平。被麦肯锡定义为”AI 高绩效者”的群体——即 AI 对 EBIT 的贡献至少 5%、且认为该技术影响”显著”的机构——占比同样持平，约为全部受访者的 6%。

与之形成对照的是个人层面的体感：80% 的受访者表示 AI 提升了自己的工作效率，50% 表示 AI 帮助自己做出更好的决策。

智能体在大企业里跑起来了，小企业原地不动

过去一年，智能体 AI（agentic AI）的推进几乎完全由大企业贡献。在年营收超过 10 亿美元的机构中，40% 的受访者报告已规模化部署 AI 智能体，一年前为 27%；而规模较小的机构这一比例保持不变，仍为 22%。

落地最快的方向是软件编程智能体。约两成受访者表示所在机构正在规模化使用编程智能体，大型企业中该比例为 31%。

这带来一个容易被忽略的连带效应：近三分之一的受访者（32%）表示，所在机构已决定不再采购至少一款软件产品或功能，因为借助智能体编程工具可以在内部自建。麦肯锡认为，这可能是 AI 开始重塑技术预算分配方式的一个信号。

成本开始咬人

调查还发现，AI 相关的运营成本（包括 token 成本）已经开始成为约五分之一机构的使用约束——约 20% 的受访者报告成本限制了他们对 AI 的使用。不过在同一份调查中，多数受访者表示所在机构计划在未来一年增加 AI 投入。

换句话说，成本压力真实存在，但尚未逆转投入方向。

减员预期在升，实际减员没那么多

就业方面出现了预期与现实的偏差。39% 的受访者预计未来一年所在机构的总用工规模会因 AI 出现下降，高于去年的 32%；同时有 43% 预计不会因 AI 发生变化。

值得注意的是麦肯锡的一处交叉比对：去年调查中预期用工下降的受访者比例，约为如今实际报告过去一年出现下降的比例的两倍。预期比现实更悲观，这在技术采用周期中并不罕见，但也提示单凭减员预期来判断 AI 的就业冲击容易失准。

少数高绩效者做了什么不同的事

麦肯锡把突破口指向了那 6% 的高绩效者，并归纳出三个区别于多数机构的特征。

第一，它们在追求效率的同时，也追求增长和创新，而不是把 AI 单纯当作降本工具。

第二，它们从根本上重新设计由 AI 支撑的工作流程，而不是把 AI 塞进现有流程里。这一点与调查揭示的整体图景直接呼应：当 AI 只是被”插入”既有环节时，个人手上的活确实快了，但流程的瓶颈、交接方式和考核口径都没变，效率增益很难汇总成利润表上的数字。

第三，它们用领导层的实际投入和运营层面的严谨性来支撑部署，而非停留在立项和试点。

对多数仍在从”个人效率提升”向”企业财务影响”过渡的机构来说，这三点构成了一份颇为直白的对照清单。这份调查也间接说明，AI 落地的难点已经从模型能力转向组织能力——工具随时可用，流程重构却需要时间、授权和一套能算清账的度量方式。