越來越多的人說，AI 可能會取代一些工作，但它到底會影響那些崗位？影響有多大？最近，一項來自 MIT 的新研究給出了一個驚人的答案：一組隱藏資料表明，AI 當前已經有能力替代 11.7% 的美國勞動力，對應工資價值約1.2兆美元。如果只看目前 AI 的實際應用，主要集中在科技和計算崗位，那麼AI的影響僅佔約2.2%的勞動力，對應工資價值約 2,110 億美元。但當研究者把行政、金融和專業服務等崗位納入考慮後，AI 潛在影響範圍飆升至 11.7% 的勞動力，約 1.2 兆美元工資。這份研究成果來自一個名為 Iceberg Index（冰山指數） 的項目，由 MIT 聯合 橡樹嶺國家實驗室（ORNL） 開發。研究團隊把 AI 與人類勞動力的關係做了一個大膽模擬：他們將美國 1.51 億名員工都“數位化”，讓每個人按照技能、任務、職業和地理位置分類，然後觀察 AI 工具可以覆蓋那些工作任務，甚至能精確到郵政編碼區域。ORNL 負責人 Prasanna Balaprakash 將這個模型形象地比喻為“美國勞動力市場的數字孿生”。通過這個工具，研究者不僅可以看到 AI 已經進入那些崗位，還能預測潛在的技術曝光區域。01. 將1.51億職工建模為智能體論文中，Iceberg Index 的建構過程分為三步：1、人類勞動力對應模型覆蓋 1.51 億員工、923 個職業、3,000 多個縣，總共包含 32,000+ 技能。每個職工被建模為一個“智能體”，擁有技能、任務、地理位置等屬性。模型可以分析技能遷移潛力和職業相似度，為未來崗位轉型提供規劃路徑。2、AI 勞動力對應研究團隊收集了 13,000+ AI 工具，包括程式碼生成、流程自動化和認知輔助工具。使用與人類相同的技能分類體系，直接對比 AI 與人類能力。評估 AI 在增強人類工作（如醫院文書自動化）和完全轉變任務（如程式碼自動生成）的潛力。3、人類–AI 聯合模擬使用 MIT 的 Large Population Models (LPMs) 模擬數十億次互動。模擬考慮技術成熟度、採納行為和區域差異，輸出職業技能變化、地理分佈以及跨行業的連鎖影響。政策制定者可用模擬結果測試培訓方案、資源分配和激勵策略。整個模擬在橡樹嶺 Frontier 超級電腦 上運行，保證了大規模、高精度的預測能力。在這一基礎上，研究團隊建構了冰山指數（Iceberg Index）。這是一項以技能為中心的衡量指標，用於評估勞動力在 AI 經濟中的暴露度。它量化了 AI 系統在技術上可以執行的職業任務的“工資價值”，從而揭示人類勞動與 AI 能力重疊的部分。該指數從三個維度評估每一個職業：該職業需要的技能；這些技能的可自動化程度；工作本身的價值（工資與就業規模）。這些因素結合後，為每個職業給出一個一致的“技術暴露度”：它指的是 AI 能力與人類技能的重疊，而不是預測崗位是否會消失。例如，金融分析師不會消失，但 AI 可能能夠處理大量文件處理與常規分析工作。這會改變角色結構與技能需求，而不一定減少崗位數量。02. AI 有能力替代11.7%的勞動力研究團隊首先對當前 AI 最集中採用的職業內的技術暴露度進行了量化，並給出了一組資料：截至 2025 年，超過 10 萬 工作崗位的裁撤與 AI 重組直接相關；AI 系統每天生成超過 10 億行程式碼，已超過人類開發者的產出。因此，他們測量了電腦與技術類職業中的技能重疊度——表層指數（Surface Index）。結果發現，全國範圍內的表層指數為 2.2%，對應約 2110 億美元的工資價值、約 190 萬名技術職業從業者。包括軟體工程師、資料科學家、資料分析師、項目經理以及其他技術密集型崗位，這些都是目前 AI 採用最集中的職業群體。但這還僅僅只是冰山一角！除了科技類職業，AI 的能力還擴展到認知性和行政工作。原本為程式設計開發的工具，已經展現出在文件處理、財務分析、日常行政任務 等方面的技術能力，說明技術能力可以從科技領域遷移到其他行業。部分公司已經開始削減非技術性崗位：IBM 通過 AI 自動化減少了人力資源崗位Salesforce 暫停了非技術崗位招聘McKinsey 預測到 2030 年，約 30% 的財務任務可實現自動化研究團隊發現，當考慮 AI 在行政、金融和專業服務等崗位的潛在自動化能力時，這一數字上升至 11.7% 的勞動力，是表層指數的5倍，約 1.2 兆美元工資（稱為 Iceberg Index 冰山指數）。此外，研究作者也強調，這些結果僅代表 AI 能力與人類技能的重疊，並非實際的未來崗位消失情況，真正影響取決於企業、工人和地方政府的應對策略。03. 影響不限於沿海科技中心人們常以為 AI 取代最多的崗位會集中在沿海科技公司聚集的地區，但冰山指數顯示，AI 接管工作任務的能力 在全美範圍內更廣泛分佈。研究表明，許多州如果僅看當前計算和技術崗位的 AI 採納，影響不大；但當加入其他變數後，潛在影響大幅上升。例如，鐵鏽地帶的俄亥俄州、密歇根州和田納西州，表面指數不高，但冰山指數顯示認知工作（金融分析、行政協調、支援製造業的專業服務）有 十倍於表面指數的潛在技術曝光。例如這幅圖，左邊的冰山指數圖顯示，AI 的認知自動化能力已經擴展到沿海科技中心之外。一些意想不到的州，比如 特拉華州 和 南達科他州，因為行政和財務崗位集中，其指數甚至高於加州。右邊的自動化差距圖則揭示了各州當前實際 AI 採用情況與未來潛在變革之間的差距。像 俄亥俄州 和 密歇根州 這樣的製造業州，在物理自動化尚未大規模普及之前，就已經有大量隱藏的白領崗位可能被 AI 替代。這意味著這些州需要提前為行政、協調等崗位的變化做好準備。研究團隊表示：就算是密西西比、懷俄明這類“低科技州”，在行政、財務、專業服務 等崗位上的技術暴露度仍然很高。換句話說：它們看似與科技無關，但AI 的能力結構與其勞動力技能高度重疊，未來衝擊將遠比表層指數顯示的更大這表明：僅以當前可見的AI 採用情況來判斷風險，會嚴重低估真實暴露度。此外，MIT 和 ORNL也表明，他們建立冰山指數的目的是希望地方政府能夠提前應對 AI 可能帶來的衝擊。可以通過數字孿生模型，分析每個城市街區、每個崗位技能的自動化風險。模擬政策干預（培訓、資金投入、激勵機制）對就業和 GDP 的影響。提前規劃技能培訓、基礎設施和人才投資，實現 “先準備、後應對”。據CNBC報導，田納西州已在官方 AI 勞動力行動計畫 中引用冰山指數，北卡羅來納和猶他州也正在使用該工具制定政策方案。04. 網友熱議：事情沒那麼簡單這項研究在Reddit上也掀起了軒然大波，許多網友紛紛在評論區提出不同看法。一位網友調侃道：“研究由山姆·奧特曼資助。”有網友認為，說 AI 會替代多少工作，其實是反映了“無意義工作”的現狀，而不完全說明 AI 的能力或實用性。還有網友指出，如果用AI替代人類的工作，公司會面臨責任歸屬不清的問題，不如一紙合同來得可靠。當然，也有不少網友依然不信任AI投入實際生產的能力，認為“炒作遠遠超出了實際應用”。(51CTO技術堆疊)

【新智元導讀】全球95%企業AI慘遭滑鐵盧？MIT 26頁爆火報告揭開真相：90%員工悄悄用ChatGPT高效辦公，在科技、媒體行業掀起了效率革命。全球95%搞AI項目的公司，基本都涼了！這一驚人的觀點，出自MIT的一份重磅研究報告——「The GenAI Divide: State of AI in Business 2025」。誰曾想，這份令人咋舌的報告，一夜之間刷屏全網。難道AI這麼快就進入寒冬了嗎？事實上，真相遠比各大媒體的標題精彩。在這份26頁報告中，隱藏了一個爆炸性的事實：企業史上最快、最成功的技術應用普及，正在高管們的眼皮底下悄然發生。雖然40%的公司都訂閱了大模型服務，但90%的員工依然會選擇用「個人AI工具」悄悄幹活！一位VC投資人Kasra Khalili一句話道出了真理，「AI並沒有失敗，而是公司內部建構系統的失敗」。報告的核心看點如下：普遍的誤解：新聞頭條緊抓「95%的企業AI試點項目失敗」，但這僅指昂貴、僵化的定製系統。而真相是：90%的員工正積極使用個人AI工具（如ChatGPT）辦公，掀起了一場史上最快的技術普及浪潮。消費級工具完勝企業級：昂貴的企業AI工具因為「死板、無法學習、脫離實際工作流」而被員工拋棄。相反，消費級AI應用則憑藉著靈活性、適應性和即時性大獲全勝。隱藏的生產力爆發：這場自下而上的「革命」帶來了巨大的、未被傳統企業指標計量的生產力提升。最高的回報並非來自光鮮的行銷應用，而是來自無人關注的後台自動化（如客服、文件處理），每年可為企業節省數百萬美元的開支。革命始於員工：報告的結論並非AI失敗，而是企業採購和管理策略的失敗。AI技術本身是成功的，但成功路徑是「從員工到企業」，而非「從企業到員工」。企業應當停止「自建」，轉向「購買」並與供應商深度合作，更重要的是，要向那90%已經找到正確使用方法的員工學習。這背後，究竟揭示了什麼現象？90%員工偷用ChatGPT，自費上班各大科技巨頭AI項目，在內部推行雖然步履維艱，但大多數員工早就在私下「開掛」了。MIT報告指出，「事實上，幾乎每個人都在以某種形式將LLM用於工作中」。其中，90%的員工頻繁地使用個人AI工具，比如ChatGPT、Claude等，那怕是40%公司訂閱了官方服務。換句話說，員工使用AI頻率，是企業採納率的2倍多，這種現象被稱為「影子AI經濟」。最關鍵的是，這些員工並非淺嘗輒止，而是他們在每周的工作中，每天都會多次使用AI。這種普及速度，直接吊打當年電子郵件、智慧型手機、雲端運算的採用頻率。報告中，有個案例太真實了：一家法務公司斥資5萬美元採購了一款專業的AI合同分析工具，但一位律師本人在起草檔案時卻堅持使用ChatGPT。本質原因，就在於AI生成的質量差，顯而易見。這名律師表示，「ChatGPT總能生成更優質的內容，即便我們的供應商聲稱他們用的是同樣的基礎技術」。如今，這一現象，在各行各業普遍存在。就連微軟這樣的巨頭，辦公室員工在家用的都是ChatGPT。一直以來，微軟不論是在公司內部，還是客戶中，大力推行自家的Copilot AI，效果不如人意。去年春天，製藥巨頭Amgen高調官宣引入微軟Copilot後，不過1年，全員紛紛轉向了ChatGPT企業級AI系統脆弱、設計過度，與實際工作流脫節，而消費級AI工具則因靈活性、易用性、即時性，廣受好評。正如一位首席資訊官對研究人員表示，「我們今年看了幾十個產品演示，可能只有一兩個真正有用，其餘的不是華而不實的包裝，就是紙上談兵的科學項目」。當企業高管們還在摸索內部普及AI的門道時，員工們早已破解了「AI的密碼」。斥資5萬美元，自研AI卻敗給了ChatGPT那些登上新聞頭版「95%失敗率」，特指的是，企業委託供應商或內部開發的、昂貴且定製化的企業級AI解決方案。這些工具，之所以推行失敗，核心在於缺乏「學習能力」。報告一針見血，企業級AI無法保存反饋、適應上下文情境，無法隨著時間而改進。直白講，就是太難用了。像ChatGPT這樣的通用AI工具投入生產的成功率為40%，而針對特定任務的企業級工具成功率僅為5%員工們紛紛抱怨，每次都要手動輸入一堆背景資訊，還不會從反饋中學習進步。相較之下，ChatGPT之所以成功，就因為靈活且響應迅速，即便每一次對話都是一次全新的開始。而企業級工具則顯得僵化呆板，每次使用前，都需要進行繁瑣的設定。這種學習能力的差距，在員工使用AI的偏好中，又對應出另一種現象——70%員工在處理郵件、基礎分析等快速任務時，直接找AI而非同事；但對於複雜的、高風險的工作，90%員工更信任人類。這裡的關鍵分界線並非關乎智能的本身，而是AI與人類在記憶與適應能力上的差異。別再自研了，合作成功率翻倍從更深層次看，「影子經濟」並不是AI失敗的證據，反而揭示了，傳統企業指標無法衡量的巨大生產力提升。員工們自行搞定了官方項目的整合難題，恰恰證明了隱藏的生產力。MIT報告稱，「影子經濟」表明，只要能用上靈活、響應迅速的工具，個人完全有能力跨越GenAI應用的鴻溝。一些具備前瞻性思維的公司，已經嗅到了機會。他們努力彌合這一差距，從員工的自發使用中學習，在採購企業級方案前，先分析那些個人工具能真正創造價值。不僅如此，報告還甩出了一個挑戰了傳統的技術觀念：企業應停止嘗試在內部自建AI。資料統計顯示，那些與AI供應商合作的項目，67%能成功部署，而內部自建的只有33%。一個最成功的案例是，那些把AI初創公司當做「業務夥伴」的企業，更注重實際業務成果，需要深度定製和持續改進，而非花哨的產品演示。科技媒體狂飆AI七大行業未被顛覆放眼整個行業，也僅有科技、媒體，因AI發生了顛覆性的結構變革。而醫療、金融、製造在內的七大主要行業，在AI應用實際上「慢半拍」。整體表現為，AI試點頻繁，但內部結構性變化微乎其微。在醫療和能源領域，大多數高管表示，未來5年內沒有裁員計畫，也未預見會裁員。這種審慎的態度並非失敗，而是一種智慧。這些暫未被顛覆的行業，正對AI的實施進行深思熟慮，而不是盲目衝入混亂的變革。科技和媒體行業之所以發展更快，是因為它們能承受更高的風險。超80%高管預計，公司將在24個月內縮減招聘規模。另一個需要注意的點是，企業AI預算中，有一半都砸在了銷售和行銷上。然而，真正賺錢的其實是，那些不起眼的後台自動化項目。比如，通過AI取代外包合同，企業每年能剩下200萬-1000萬美元的客服和文件處理成本，還能砍掉30%外包創意費用。更牛的是，這些收益沒靠裁員實現。AI工具提升了工作效率，但並未改變團隊結構、預算。AI革命正在成功，一次由一名員工推動MIT這份報告，並未證明AI的失敗，恰恰揭示了——AI的成功甚至已超出了企業的預期，員工早已走在了僱主的前面。技術本身沒有問題，問題出在企業的採購和管理方式上。那些能跨越GenAI鴻溝的公司，共同點是，加以利用能深度融合、不斷最佳化的工具。至於那95%沒搞成的企業AI試點，其實報告已經指出了一條明路：跟著90%已摸透AI門道的員工學習。Contextual AI創始人認為，GenAI項目失敗根本原因不在模型，而是上下文重要性被忽視一位製造業高管表示，「我們處理某些合同的速度是變快了，但僅此而已」。顯然，他未能看到全域。處理合同的速度加快，當這一改進乘以數百萬員工和成千上萬的日常任務時，不就是最後大爆發的生產力？總言之，AI革命沒有失敗，它正在每一次的ChatGPT對話中，悄然取得成功。上市公司暴省兆美元另一份來自摩根士丹利報告，也從側面印證了AI革命並未失敗的觀點。其中的一項分析稱，由AI帶來的顛覆性變革，或能為標普500公司每年節省9200億美元的成本——相當於總薪酬的41%，或2026年稅前利潤的28%。而這個過程，將通過削減薪酬開支（裁員、自然流失、自動化）來實現。報告的核心觀點如下：預計90%的工作崗位會受到AI自動化或功能增強的影響。AI智能體將重塑工作任務，而人形機器人將在物流、零售等領域直接替代人工。每年近兆的效益，最終有望轉化為13兆至16兆美元的市值增長，相當於其當前總市值的近1/4。AI已不再是一個投機概念，而是驅動未來十年企業盈利增長的核心引擎。首先，在AI的衝擊下，不同行業受到的影響程度也會有所不同。比如日常消費品的分銷與零售、房地產管理以及交通運輸業是受衝擊最大的幾個行業。其中，由AI驅動的潛在生產力提升，預計將超過2026年預測收益的100%。但對於半導體和硬體行業等，人力成本相對於其盈利而言佔比較低的行業，可挖掘的AI價值潛力則相對較低。其次，「完全自動化」與「任務級增強」之間，還是有區別的。簡單來說就是，軟體應用中的AI智能體的作用，更傾向於重新分配任務，而非徹底取消崗位。相比之下，以人形機器人形態出現的具身智能，則在物流和實體零售等行業構成了更直接的替代風險。報告同時預測，在崗位替代的趨勢下，全新的職位類別也將應運而生——從首席AI官（Chief AI Officer）到AI治理專家不一而足。這與早期技術顛覆浪潮中，市場對程式設計師、IT專家和數字行銷人員的需求激增如出一轍。最後，分析師還指出，AI的全面普及可能需要數年甚至數十年的時間。企業初期的重點將是依賴人員的自然流失和提升流程效率，而非立即進行大規模裁員，尤其是在那些由面向客戶的崗位驅動收入的行業。AI革命的浪潮已至，總的來說，無論是從麻省理工學院深入一線的微觀洞察，還是來自摩根士丹利高瞻遠矚的宏觀分析，都指向了一個共同的結論——AI革命的浪潮已至，學習並擁抱那些靈活、高效的AI工具，將會幫助你抓住這價值數兆美元的時代機遇。 (新智元)

昨晚美股近期指數層面的風平浪靜先是被Meta AI部門裁員重組的消息給打破，多家權威媒體報導，Meta 正把 Meta Superintelligence Labs（MSL） 拆分為 四個小組（含一個“TBD Lab”、產品線（如 Meta AI 助手）、基礎設施、以及長期研究的 FAIR），為 6 個月內第 4 次重組，官方定位是為 AGI/“超級智能” 提速。Llama 4 的“失準/延遲”早有徵兆，4 月發佈前後，多篇報導提到 推遲上線、在推理/數學與語音對話上不及頂尖閉源模型，並引發高層不滿。“刷分/造榜”並非空穴來風，但官方否認“訓練集洩漏”：社區與媒體質疑 Llama-4 Maverick-03-26-Experimental 這一非公開變體用於 LMSYS Chatbot Arena 榜單、與公開版本不一致，從而“美化”名次；LMSYS 其後補充透明度。Meta 高管公開否認“用測試集訓練/作弊”，稱差異主要來自實現穩定性與實驗性變體。所以，有“版本差異/資訊不透明”的合理質疑，但“訓練集刷榜”的直接證據不足。“轉向第三方模型”的傳聞，有報導（轉引自 NYT）稱高層討論過“降低 Llama 投入、改用他家閉源模型”。需視為正在評估的選項而非落地決策。所以，對於Llama 4來講，可能重組+口碑受挫是事實。緊跟著MIT一個研究部門MIT Media Lab發佈了一篇名為《The GenAI Divide: State of AI in Business 2025》的研究報告，報告指出：企業為“增長/收入加速”而做的 GenAI 試點中，95%的POC試點失敗了，只有大約 5% 快速轉化為可衡量的 P&L 貢獻，絕大多數停留在試點或產生的財務影響可以忽略。MIT 官方新聞頁也轉引了 Fortune 的報導以此為標題要點。一石激起千層浪！從行業的角度來說，2月份曾因為deepseek引發了對於巨額capex投入的擔憂，而在硬體集體火熱以後，MIT這份可能不算重磅的調研報告成為調整的一個導火索，如果企業推進AI項目如此艱難，95%的項目看不到成效，目前如此大力的投入，ROI怎麼辦，等到折舊攤銷上來，巨頭們的利潤率即使可以通過AI不斷提升，但是利潤壓力也會加大。MIT NANDA 的“95% 企業 GenAI 試點對 P&L 無顯著貢獻”結論，放大了市場對“巨額 AI 投入 → 財務回報穿透”的焦慮。Meta 個案成為這個敘事的催化劑，但“失敗主因在學習閉環與流程整合，不在模型本身”。我深入看了一下報告，簡單說說我的一些觀點：首先，“95% 失敗”不是模型差，是“學習缺口”，一般的AI系統不會記、不會學、難融入流程——能做 demo，卻進不了生產與財務報表（P&L）。其次，“買＋夥伴”勝過“全自研”，外采定製且以業務結果為計量的方案，轉正率≈2×內部自建；DIY 往往卡在整合/治理/營運三道關。目前來說，ROI 真正的金礦在後台，雖然預算大多砸在銷營端，但BPO/外采替代、單據/工單自動化最容易在 3–6 個月穿透到 Opex，形成可複製回報。為什麼失敗率（≈95%）這麼高、怎樣把成功率做上去、以及技術關鍵難點與對策。為避免空泛，我儘量把洞見落到可操作的流程、指標、架構與清單上，並嚴格以文稿中的發現為錨點（如：僅≈5%試點落到生產、學習能力與工作流嵌入才是分水嶺、外部合作成功率約為內部自建的兩倍、兩個行業出現結構性擾動等）。“鴻溝”的根因不是模型好壞，而是“學習”與“嵌入”：大多數系統不會記憶與演進，與真實流程脫節，所以難以產生P&L 影響（文稿稱≈95%失敗）。消費級LLM（ChatGPT、Copilot）好用卻難托底核心流程：個人生產力提升明顯，但缺乏持久記憶與可定製，在關鍵任務上使用者仍傾向人工。組織與採辦方式決定成敗：外部合作（BUY）≈2×成功率於內部自建（BUILD）；去中心化試點+明確責任優於“單一AI實驗室”。預算錯配：錢多投在前台（銷售/市場），但ROI 往往後勤/中台更高（如BPO替代、財務/法務自動化）。窗口期在收緊：企業將鎖定能“學”和“嵌入”的方案；Agentic（具記憶與自治的系統）+ NANDA/MCP/A2A 協議將是分水嶺後的基礎設施。目前的行業與場景優先順序如何？結構性擾動顯著：科技、媒體與電信，這些行業推進也是最快的。試點多但結構性變化低：專業服務、醫療與醫藥、消費零售、金融、先進製造等。極低/早期：能源與材料。高ROI 場景（被低估）後勤/中台：BPO替代（客服/文件處理）、合同/發票結構化、合規檢查、AP/AR對帳、主資料治理。前台但流程化：線索分流與資格校驗、售後工單歸因與閉環、催收/復聯自動化。為什麼失敗率這麼高？——七大“系統性斷裂”過度看重模型指標/炫技 demo，而非流程端到端KPI（周期、缺陷率、現金成本）。普遍實現了“用過”，卻沒實現“融入流程並持續改進”。AI CoE 與一線流程斷層；預算在總部，痛點在現場。誰對上線後的指標負責？誰對資料/合規兜底？把“高採用、低轉化”拆解為目標、組織、流程、資料、技術、治理、度量七條鏈路。目標口徑錯配：項目按“功能/體驗”立項，驗收卻按“營收/成本”口徑。PoC 時的“滿意度/召回率”無法穿透到節拍(Cycle)、吞吐(Throughput)、一次通過率與Opex/COGS。學習閉環缺位（報告核心）：多數工具無持久記憶、無可追溯反饋回灌、無持續評測；上線後性能不隨使用而改進，自然“越用越雞肋”。流程未再造：把 LLM 貼到舊流程上，未重寫人機分工、SOP、質檢抽檢、SLA 與賠付；一上生產就脆。整合碎片：對接系統記錄源(ERP/CRM/ITSM/DMS)、權限與審計成本高；中台缺事件流/狀態儲存，使“記憶×流程”落不穩。評測與觀測缺位：沒有離線/線上雙評測，沒建“AI 可觀測性”（資料漂移、任務分佈、成本/延遲/質量三角）；上線後無法診斷→改進。TCO 被低估：只算推理費，不算提示工程/快取/人審/事故處置/觀測等隱性成本；表面省、實則“毛省淨虧”。組織設計失衡：中央 AI Lab 抓權但離場景遠；一線“prosumers/直線經理”沒有預算與決策權——自下而上的成功樣本難複製。這份報告在三點上“打臉”了近期對軟體/AI落地的悲觀看法——買方市場裡，“BUY 勝過 BUILD”在樣本裡，外部合作到產出的成功率≈內部自建的2×；而整體上只有少數（≈5%）項目真正帶來可量化的 P&L 結果。成功關鍵不在“模型多強”，而在“能否學習+深度嵌入流程”會不斷“記憶—適配—進化”的系統，才跨過“GenAI鴻溝”。軟體的勝出方式變了不是通用“橫向SaaS”獲勝，而是“軟體 + 服務 + 學習SLA”的專業供應鏈佔優（更接近“託管流程服務”而非一次性工具）。也就是說：最專業的人做最專業的事，但企業仍需保留一條“輕量自建的骨架”，去治理、嵌入、與學習提速。不是把一切都外包掉，而是把模型/代理的“進化工程”交給供應商，企業自己抓流程、資料邊界、評測與治理。這份 MIT-NANDA 報告等於把“企業都能自己做 AI、SaaS 要被消滅”的看空敘事階段性證偽。資料清晰顯示——“買＋夥伴”顯著優於“全自建（DIY）”，而失敗的主因不在“模型能力”，在於學習閉環與流程整合的缺失。這篇報告“打破”了什麼？1) 自研神話：報告與多家權威轉述一致：向專業供應商採購並建立合作的成功率≈67%，而內部自研的成功率只有其約三分之一。這對“企業普遍能把複雜 GenAI 做成規模化生產系統”的想像是當頭一棒。2) 價值落點：~5% 試點實現快速營收加速，絕大多數項目對 P&L 可測影響很小——“會做 demo ≠ 能過審計、能進報表”。預算分配明顯錯配：>50% 花在銷營，但ROI 最清晰的在後台自動化（替代 BPO/外部代理、精簡營運）。3) 真實用工衝擊：目前更多是外包/離岸崗位被替代，“不回填/不續約”多於大規模裁員——這也解釋了為何後台自動化先見財務穿透。4) 痛點不是模型而是“學習差”：企業失敗的根因在工具與組織都缺少“記憶→反饋→改進”的長期學習閉環，導致試點能跑，生產落地卡殼。對“軟體”的多空分野（戰略視角）把“軟體”拆成三層看，結論更清楚：A. 應用層（Workflow-native、SaaS/SwaS）——最大受益者。誰能把記憶/反饋閉環、深度整合（系統記錄源、佇列、權限、審計）與可計量產出（每單/每票/每小時）打包交付，誰就佔住價值窪地。商業模式遷移：從“按席位”→“按結果/票據/對帳量/SLA 賠付”的 SwaS（Software-with-Services）/BPO-替代，更容易穿透到 P&L。報告資料與媒體拆解對這一路線給出了強背書。B. 平台層（Agent/記憶層/治理層）——護城河來源是“流程可塑性＋治理合規＋維運可視化”，而不是“模型誰更大”。能把企業特定知識長期沉澱並自動評測/人審回灌的供應商，會形成留存與切換成本。這正是 DIY 最容易掉坑的地方。C. 通用模型/薄封裝 ——受壓最重。單純“把大模型接到舊流程上”的輕封裝，既不易算清 ROI，也很快被替換。除非掌握稀缺資料或合規資質，否則議價權弱。這不是“軟體要被 AI 殺死”，而是“沒有營運與學習工程的‘偽軟體’要被淘汰”。真正專業的流程軟體＋服務提供商，在這輪企業 AI 浪潮裡更稀缺、更值錢。這份 MIT-NANDA 報告並非看空 AI，而是表明“沒有學習閉環與流程工程的偽落地”在企業業務流程層面，沒有任何意義；它看多“專業軟體與夥伴化交付”。站在企業與投資人一側，做多“Workflow-native 的軟體＋服務”，遠勝於押注“大而全的內部自研”。為什麼這輪“買>造”成立？時間價值，報告中優秀買家從90天內拿到業務結果；自建往往拉長到季度/年，錯過窗口。整合深度，優勝供應商把CRM/ERP/ITSM等主系統上下文接進來，減少人工喂料與二次搬運。學習閉環，外采團隊已有反饋採集→線上評測→策略發佈的流水線，而很多企業內部還停留在“提示工程”。SLA 可經營，頂級供應商以任務完成率/干預率/工單時長/質量缺陷率對賭，和 P&L 直接掛鉤。信任與管道，買方更依賴既有夥伴、同業口碑與SI管道；這類“社會資本”是新創或內部團隊短期難複製的。但不是“凡事外包”——何時仍該自建？滿足下列兩條以上，自建或自建為主的混合才更合理：極高保密/合規資料嚴格在邊界內流轉（強監管、國密/等保、嚴苛多租戶隔離）。差異化流程是“護城河”業務規則/策略積累本身構成壁壘（金融風控、專有定價、核心調度）。極限約束毫秒級延遲、離線/邊緣算力、定製工具鏈，商用產品難以滿足。長期規模經濟穩定、超大體量且復用度高，能攤薄自建平台的固定成本。估計，接下來大多數企業會落在混合式：外采“學習型代理/工作流引擎”拿結果；企業自有“治理與記憶層”（身份/權限、策略、審計、觀測、評測與資料契約），把可遷移的“組織記憶”掌握在手。所以，這份研究的分水嶺很清晰：是否具備“學習+嵌入”的工程與組織能力。把AI當“會進化的流程服務”來設計、驗收與付費，從窄而關鍵的流程切入，用SLA與學習里程碑驅動產品進化，成功率才會上來。協議化（MCP/A2A/NANDA）與Agentic工作流，會把“影子AI”的個體技巧沉澱為企業的可控生產力。窗口正在變窄，90天拿到可復用的最小勝利，再複製到更多流程，是跨越“GenAI鴻溝”的最短路徑。 (貝葉斯之美)