2026 年 10 月 1 日，管理与技术咨询公司 BearingPoint 发布《Scaling AI for measurable impact》，基于 13 个国家（欧洲、美国、中国）1,050 名 C-suite 及高管在 2026 年 8 月完成的在线调研。这份报告的价值在于它同时给出了一个好消息和一个坏消息，而且把行业最常混淆的两件事清晰地拆开了：
坏消息：但只有 13% 的组织，把 AI 完全按最初的商业案例规模化了；接近四分之三要么调整了原定范围，要么实际达到的规模不及预期。
更棘手的新问题：62% 的组织估计，AI 已经造成了至少 10% 的人力产能过剩；到 2030 年，这个比例预期升至 94%。
BearingPoint 全球客户与增长负责人 Frédéric Gigant 一句话点题："我们正在从'价值证明'（proof-of-value）的挑战，转向'规模证明'（proof-of-scale）的挑战。"这篇文章就讲这三层：为什么证明了价值却规模化不了、成熟度四档差在哪、以及"产能过剩"这个几乎没人讨论、却最扎手的新问题。
一、四个成熟度档位：Leaders 与 Implementers 是两个世界
BearingPoint 把受访组织按 AI 成熟度分成四档，分布本身就说明问题：
| 档位 | 占比 | 状态 |
|---|---|---|
| Explorers 探索者 | 15% | 在评估 AI 能在哪创造价值，尚未启动实际项目 |
| Experimenters 实验者 | 20% | 有活跃项目或试点，但还没进运营 |
| Implementers 落地者 | 54% | 已部署并在产生价值，部分扩展到业务单元/地域 |
| Leaders 领跑者 | 11% | AI 深度整合进大部分运营、能度量影响、有清晰转型路线图 |
注意两个数：超过一半（54%）已到"落地者"，但真正"制度化"的领跑者只有 11%。深度整合的比例虽从 2025 年的 7% 升到了 2026 年的 11%，但仍有超过三分之一的组织卡在探索或实验阶段。落地和领跑之间，是一道大多数人没跨过去的坎。
这道坎在"能否按计划规模化"上体现得最刺眼：近半数（almost half）的领跑者完全按计划实现了规模化，而落地者里只有 6%。差了近八个倍。Gigant 反复强调的结论是——拉开差距的不是"投得多"，而是从一开始就把 AI 接到财务问责、可信数据、治理、架构、人力决策这五根柱子上。
二、降本先兑现，增收还在路上：一组带口径的对比
报告把财务影响拆成"降本"和"增收"两条线，各自给出"当前 vs 2030 预期"，且明确标注基数是"已落地 AI 的 685 家组织"。这种口径纪律值得学习：
- 增收：目前营收/服务交付影响集中在 10% 以下；已落地的 685 家里，只有 4% 报告当前营收或服务交付增益≥10%；到 2030 年，22% 预期达到≥10%。
- 降本：更立竿见影——当前已有 24% 报告成本削减≥10%；到 2030 年，35% 预期成本削减≥10%。
- 领跑者 vs 落地者的增收差距：34% 的领跑者报告当前营收/服务交付增益≥5%，而落地者只有 18%。
结论很清楚：AI 眼下主要是一张"降本账单"，"增收故事"大多还停在预期里。这也解释了为什么"把已验证的价值在整个组织复制，而不是让它散落在个别用例里"被报告列为核心挑战——降本好复制（流程标准化即可），增收难复制（依赖具体业务场景与客户关系）。
三、规模化难，难的从来不是技术
报告列出的最大障碍，没有一条是"模型不够强"：
- 复杂监管框架——首要障碍；
- 与遗留系统和流程的集成——紧随其后；
- 高质量可信数据——54% 的高管视其为规模化的关键，其次是互联数据、治理与所有权、数据可及性。
而最发人深省的一个发现是：不到三分之一的组织，会在启动一个 AI 项目之前正式评估它的可规模化性。大家习惯先问"这个用例能不能跑通"，等跑通了才回头补问"怎么规模化"——于是架构、治理、所有权、数据集成、运营模式这些要求，全都被推迟到价值已经被证明之后才处理。Gigant 的说法是："这两个问题必须从一开始就一起回答。"
这一点与我们此前读过的 Forrester「准备度差距」、麦肯锡「80% 企业视数据限制为规模化最大障碍」高度同向：三家机构样本独立、口径不同，却都指向同一个病灶——企业把"能不能做"当成唯一门槛，却把"能不能大规模安全地做"这件事留到了事后补课。
四、被忽视的新问题：AI 造成的"产能过剩"
这份报告最独特、也最少被同行讨论的贡献，是它认真量化了一个尴尬的成果——AI 释放出来的人力，很多组织还不知道往哪放。
- 62% 的组织估计，AI 已经造成了至少 10% 的人力产能过剩（workforce overcapacity）；
- 到 2030 年，94% 的组织预期会达到这个水平；
- 与此同时，组织又在 AI 治理、Agent 编排、数据科学、人机工作流设计这些新领域缺能力。
Gigant 的判断很清醒："不要把它简化成裁员话题。"真正的挑战不是"减掉多余的人"，而是"把释放出来的产能重新配置去干更高价值的活（客户经营、创新、销售、更复杂的决策），同时补上新出现的能力缺口"。他警告的那句话尤其值得管理层记住：否则生产率提高了，却没有产生高管期望的财务影响——多出来的只是"没被用掉的精力"。
五、Agentic 野心又跑在准备度前面
作为对照，报告也给智能体单独量了一刀，落差依旧惊人：超过四分之三的组织仍处在"了解智能体企业架构、把它列为优先项、或探索试点"的阶段；只有 13% 有明确战略并有活跃举措，仅 10% 在企业范围内规模化。
领跑者和落地者在智能体上的差距同样大：59% 的领跑者已定义或正在规模化智能体架构战略，而落地者只有 26%。报告的提醒和我们此前一致——随着更多自主 Agent 上线，它们接触数据与系统、发起动作、与员工及其他 Agent 交互，会带来新风险；清晰的权限、决策权、监控和人的问责，必须与自主性同步成长。"负责任的 AI 不是拖慢创新，而是确保 AI 的自主性永远不跑得比治理和人的监督更快。"
六、给企业的四条行动建议
建议一：立项前先答三问，缺一不批。BearingPoint 给 CxO 的模板很直接——这项 AI 投资会产生什么可衡量的价值？它能不能在全组织规模化？它能不能被负责任地治理？把这三问做成投资审批的前置关卡，直接治"不到 1/3 事先评估规模化"的老毛病。
建议二：把运营指标硬连到财务结果。领跑者里 70% 把大多数 AI 项目挂到了可衡量的财务 KPI，落地者只有 34%。差距不在做没做 AI，在有没有把"省了多少工时/多成了多少单"翻译成收入、成本、利润率语言。翻译不出来，AI 永远是部门级的玩具，进不了董事会账本。
建议三：提前规划"释放出来的产能去哪"。别等 overcapacity 变成士气问题才反应。上任何一个自动化/AI 用例时，同步写清"被替代的工时重新投向哪里"——是加客户触点、做创新，还是转岗去补 Agent 编排、治理这些新缺口。把人力规划和 AI 路线图钉在同一张时间表上。
建议四：像管投资组合一样管 AI，而不是零散堆用例。报告的核心主张就是把 AI 当"企业价值组合（enterprise value portfolio）"来经营：统一看每个用例的风险调整后回报、共享数据与治理底座、让成功的模式能被下一个用例复用。孤立的成功不值钱，可复制的成功才是组织能力。
七、FAQ
Q1：只有 13% 按计划规模化，是不是说明 AI 项目大多失败了？
A：不能这么读。同一份数据显示近 3/4 落地组织已报告可衡量的营收或利润影响——价值是真的。13% 说的是"完全按最初商业案例的规模兑现"这一最高标准下的达成率，绝大多数组织是"做出来了但没能铺到原计划那么大"。它是执行落差，不是价值证伪。
Q2：AI 造成产能过剩，是不是该趁机裁员？
A：报告明确反对只算裁员账。理由是——一边多出 10%+ 的闲置产能，一边又在治理、编排、数据科学等新领域严重缺人。正确动作是"重新配置"而非"简单裁撤"：把人力从被自动化的环节，转向需要判断力、创造力和客户关系的高价值环节，同时内部培养填补新能力缺口。一刀切裁员往往把要走的和不能走的一起裁了。
Q3：这份含中国的 13 国调研，对中国企业有什么特别提示？
A：最有普适价值的一条是"立项前评估规模化"。中国企业擅长快速做出爆款 Demo，但架构、治理、数据所有权常常滞后——这正是 6% 与近 50% 那道规模化鸿沟的成因。把"能不能铺开"提到"能不能跑通"同等优先级，是国内团队性价比最高的一次方法论升级。
参考来源（英文一手材料）：
BearingPoint – Scaling AI for measurable impact（2026-10-01，n=1,050，13 国，2026-08 在线调研）
Forrester Consulting for Boomi – The Agentic AI Readiness Gap（准备度落差交叉印证）
McKinsey – Building the Foundations for Agentic AI at Scale（数据限制为规模化最大障碍，同源印证）
