一份 10 月 28 日发布的调研显示，受访企业全部在用 AI，只有 16% 拿到变革性价值，智能体真正进生产的仅 12%。差距不在模型能力，而在业务系统与 AI 之间那层「上下文」。本文把这层翻成 IT 语言——接口出口、主数据口径、权限审计、更新值守，并给出四步落地路径。

上海企业AI落地为什么只有16%见效？缺的不是模型，是中间那一层

上海威丽信息科技 · 2500+企业见证 · IT服务外包专家
上海本地化服务商｜ IT服务外包托管｜ 10分钟极速响应·2小时现场服务

今年不少上海企业都买过 AI 工具：客服助手、文档问答、代码补全，业务部门自己就能开通。钱花了，工具也在用，可到年底复盘时常常说不清换回了什么。10 月 28 日一份调研给出了这个感受背后的数字：受访企业百分之百在用 AI，只有 16% 认为自己拿到了变革性价值。

结论前置：企业 AI 落地的瓶颈已经不在模型，而在业务系统与 AI 之间那层"上下文"。没有这层，模型再强也只是个看不懂你业务的聪明实习生。

一、这组数字说了什么

调研由 MIT Technology Review 旗下 Insights 部门完成并发布，受访对象是已经在使用 AI 的组织。
价值分布：16% 认为获得变革性价值，21% 有显著收益，40% 只在特定任务或团队看到中等收益，23% 几乎没有回报。
阶段分布：38% 仍在试点，35% 用于辅助员工（助手、问答类工具），12% 有智能体在生产环境运行，3% 在关键流程中大部分工作交给 AI。
换句话讲，绝大多数企业停在了"买了、在用、但没换回结果"这一段，而这与模型能力的关系已经不大。

图1：AI 投入与业务价值之间的落差，集中在中间那一层

二、"上下文层"翻成 IT 语言是什么

报告把原因指向"上下文"，也就是 AI 对这家企业究竟了解多少。它的定义是：位于业务系统（记录系统与数据）与 AI 平台之间的一层架构，把企业知识翻译成受治理、机器可用的上下文。

翻成 IT 语言，就是四件事：

1. 接口与数据出口：AI 要查订单、库存、工单，系统得先有可用接口，而不是只有一个人会点的客户端。

2. 主数据与口径统一：同一个客户在 CRM、ERP、财务里是不是同一个人，金额口径是否一致。

3. 权限与审计：AI 能读哪些表、能触发哪些动作，谁批的、留没留痕。

4. 更新与值守：业务规则变了，上下文要跟着变；半夜出错得有人接。

举个具体例子：让 AI 回答"这单能不能加急"，需要同时拿到订单状态、产线产能、客户等级、物流时效四个系统的数据，且口径一致、权限合规。四个系统里任何一个没打通，答案就只能是猜的。

三、多数企业卡在哪

1. 系统是烟囱，数据出不来

十年信息化留下的 ERP、OA、CRM、MES 各自为政，接口要么没有，要么只有原厂能改。解决思路：先做接口盘点与数据字典，把"AI 需要什么"倒推成接口清单，再排优先级改造，一次只通一条链路。

2. 口径不统一，答得越快错得越准

同一份营收在三个系统里三个数，模型会挑一个最像的，然后自信地答错。解决思路：指定主数据源与唯一口径，把冲突项列成清单逐条裁决。这件事做不完，AI 上得越早风险越大。

3. 权限没边界，不敢让 AI 真动手

问答出错的代价是重问一次，动作出错的代价是真实的钱。解决思路：把 AI 的动作按只读、建议、可执行三级切开，可执行的先限定在低风险场景，并保留人工复核节点。

4. 上线之后没人值守

模型、接口、权限、提示词都在变，出了问题往往先怀疑模型。解决思路：把 AI 应用纳入现有运维体系——纳入监控、纳入变更、纳入工单，与服务器、网络同等对待。

四、两种起点的差别

对比维度	先选模型、再补系统	先补上下文、再选模型
首年见效	演示快，落地慢	起步慢，见效稳
答错率	高，且难定位原因	可控，问题可归因
换模型成本	高，等于重做一遍	低，换模型即换引擎
权限与审计	事后补	设计时就有
适用前提	单一场景、只读问答	多系统、要真执行

五、落地路径（四步）

1. 选一个高频、可验证的场景：比如 IT 报修分派、采购询价比对，二选一先做透。

2. 盘清这个场景要碰几套系统：接口、字段、口径、权限，一次盘完。

3. 先做只读版本：让 AI 出建议、人做决定，跑够样本量再谈自动执行。

4. 接进运维体系：监控、告警、变更、复盘与既有流程合并，不另起一套。

六、我们在这类场景里做什么

系统接口与数据打通：ERP、OA、CRM 接口梳理与对接，数据字典与主数据口径统一。
网络与算力底座：内网带宽与出口策略、私有化推理环境、机房与弱电配套。
权限与审计落地：账号权限梳理、最小权限改造、操作留痕与审计报表。
AI 应用运维：应用纳入监控与工单体系、版本变更管理、故障分级响应。
终端与数据安全：终端纳管、数据分级、外发管控。
弱电与网络一体化：布线、机柜配电、无线覆盖与设备统一纳管。

七、选型与避坑

误区一：把"买了大模型"当成"完成了 AI 转型"。模型是引擎，能不能跑起来看底盘。
误区二：让业务部门各自采购工具。工具越多、数据越碎，第二年整合成本更高。
误区三：一上来就追求全自动。先只读、再建议、最后才谈执行，节奏反了必然返工。
建议：给每个 AI 场景定一个可验收指标，如工单一次解决率、询价处理时长；没有指标的场景先不做。

八、常见问题

Q1：我们规模不大，也需要做这层吗？

A：需要，但可以很轻。三五个核心系统、挑一条高频链路，先通一条就够，不必等平台全建好再动。

Q2：是不是必须先上私有化大模型？

A：不必。数据敏感度不高的场景先用托管服务验证价值，确认有效再考虑私有化，顺序反了会把预算压在机房上。

Q3：这是 IT 的事还是业务的事？

A：接口、权限、监控、值守是 IT 的活；口径与流程归业务定。两边都得有人，单靠一边推不动。

Q4：响应和到场怎么保障？

A：上海威丽信息科技提供 10 分钟极速响应、2 小时现场服务，改造与割接可安排在非业务时段。

Q5：一年大概什么投入？

A：取决于系统数量、接口改造量与是否涉及私有化部署，通常按项目阶段报价，可先做一次现状评估再定范围。

九、总结

AI 的价值不取决于模型多大，取决于它有多了解你的业务。调研里 16% 与 84% 的差距，本质上是有没有一层把业务翻译成机器可用上下文的基础设施。

一句话复述：先选一个高频场景，把它的系统接口、数据口径、权限边界、运维值守四件事补齐，再谈让 AI 自动执行。

上海威丽信息科技有限公司深耕上海本地企业 IT 服务近 20 年，累计服务 2500+ 家企业，提供系统集成、网络与算力底座、权限审计与 AI 应用运维服务，帮助企业在既有信息化家底上把 AI 用出结果。

服务热线：400-880-7581 ｜技术服务热线：021-51697581-605/610 ｜官网：https://www.vilitech.com

数据来源

MIT Technology Review Insights《Creating AI value with enterprise context》（2026-10-28，https://www.technologyreview.com/2026/10/28/1147709/creating-ai-value-with-enterprise-context/）。该报告由该机构定制内容部门制作；"上下文层"的解读来自报告受访专家、数据平台公司 Atlan 联合创始人 Prukalpa Sankar。