讲企业 AI 落地，最常见的叙事是"模型够不够强、数据够不够多、员工会不会用"。但 ERP 厂商 Infor 在 2026 年 10 月 6 日发布的第二版《Enterprise AI Adoption Impact Index》（企业 AI 采纳影响指数）里，挖出了一个更靠前、也更常被忽略的前提性问题——大多数企业买的其实是"通用 AI",可他们的业务是"垂直的".
这份调研由 YouGov 代 Infor 于 2026 年 8 月执行，覆盖 7 个市场的 2,111 位业务决策者（美国 550、新加坡 260、法国 260、澳大利亚 263、日本 266、德国 258、英国 254），相比同年 4 月的首版（4 市场 1,024 人）样本几乎翻倍。它抛出的头号结论很扎眼：在 7 个市场里有 6 个占多数、全球整体三分之二（68%）的企业表示，"开箱即用的通用 AI 并不能 adequately 满足本行业的实际需求".
一、68% 的"不合身":通用 AI 为什么会在水电煤和汽配行业失灵
"通用 AI 不懂你这行"听起来像厂商话术，但报告把它拆成了可验证的结构。所谓"adequately 满足行业需求",问卷问的是三件事：这套 AI 能不能处理你所在行业特有的监管要求、工作流、以及数据结构。68% 的企业在这三项上投了"不满足"。而分行业看，这个缺口呈现出清晰的规律——越是现场化、变量越多、合规越重的行业，通用 AI 越不合身：
| 行业 | 认为通用 AI 不适配的占比 |
|---|---|
| 分销 Distribution | 76% |
| 制造 Manufacturing | 73% |
| 零售 Retail | 69% |
| 七市场全体平均 | 68% |
报告的解读一句话点透："运营环境越多变、越依赖动手实操，通用 AI 能交付的就越少。"举个具体的例子（来自 CEO 访谈）：一家食品厂要能把一个不合格批次反向追溯到具体供应商，一家分销商要在运费跳涨时重新定价——这些动作背后是行业专属的逻辑链和数据关系，通用大模型既没在你的历史数据上训练过，也不掌握这套"行话"。于是它给出的答案往往"看起来对、实际不能用",错误率和返工成本都藏在字里行间。
这一点和我们此前反复分析的一条判断高度吻合：当模型能力趋同、单位成本快速下降之后，竞争与价值的重心会整体上移到"数据、集成、治理、分发"这些模型之外的层。Infor 这份调研等于从买方视角给这句话补了一个注脚——在垂直行业里，那几层里最稀缺的，恰恰是"行业上下文"本身.
二、比"不合身"更危险的：几乎没人知道 AI 出了错该找谁
如果说第一个发现关乎"能不能用",第二个发现则关乎"敢不敢用",而且它更像一个被集体忽视的地雷。报告问：当 AI 出错，到底谁负责？结果是全市场范围内，问责都是四散而非集中的：
- 23% 指向 CEO / 高管层
- 22% 指向 CIO / CTO
- 15% 指向某个 AI 委员会或治理小组
- 10% 指向各业务部门负责人
- 15% 直言"没有哪个人负主要责任，或者说不清是谁"
还有一个更能说明问题的数字：首席 AI 官(CAIO)这一角色在全球仍只有 10% 的企业设立，是例外而非惯例。换句话说，绝大多数企业已经把 AI 接进了核心流程，却没有为"AI 的行为谁来兜底"给出一个明确的答案。报告把这个状态称为"藏在眼皮底下的问题(a problem hiding in plain sight)"——它平时不发作，一旦某次 Agent 做错一个高利害决定（自动拒了一笔款、误封了一个账号、生成了一份有瑕疵的合规文件），这个问责真空就会瞬间变成一场没有负责人的事故。
这与近期真实发生的两件事形成了闭环：一边是微软数字防御报告说的"每个 Agent 都要有自己的身份、能被归因和撤销",一边是荷兰监管机构替 Uber 的"纯算法处置、无人实质把关"开出了 8.25 亿欧元罚单。Infor 的调研则告诉你：绝大多数企业在纸面上连"这个真人该是谁"都还没定。三份材料串起来是一条完整的因果链——先有责任人的真空，才有权限和审计的缺位，最后才出监管罚单。
三、信任已经悄悄越过临界点：54% 愿意让 Agent 独立跑关键流程
报告里最反直觉、也最该警惕的一组数字，是关于"放手程度"的：全球已有超过一半（54%）的领导层表示，认可自主 Agent 在关键业务流程中"每一步不必都有人类介入"地完全执行；同时只有 11% 的领导坚持"高风险决策应由人完全不借助 AI 来做".
把这两句放在一起读，画面很清楚：管理层对 AI 的信任，已经在不知不觉中越过了"辅助"阶段，迈入"委托"阶段——而且是在问责机制(第二节)和行业适配(第一节)两道关都还没解决的情况下迈过去的。这正是报告所说的"post-adoption gap（采纳后缺口）":企业对 AI 的投入增速，跑赢了它实际获得的效率增益，原因就在于工具铺下去了、但配套的组织能力（上下文、治理、责任人）没跟上。
这里必须给一条口径提醒：54% 是"领导层自我表态的接受度",不等于"已经有 54% 的企业真的在无监督地跑关键流程"。结合我们此前看到的另一组数据——只有约 31% 的企业真有 Agent 在生产环境运行、88% 试点毕不了业——更准确的描述是：意愿跑得比现实快，信任跑得比能力快。而这中间的时差，正是风险最喜欢藏身的地方。
四、区域分化：美国加速、德国按兵、英国纠结
由于这是系列调查的第二波，报告做了一件第一波做不到的事——对比同一批问题在不同市场的变化轨迹。结论是节奏明显分化：美国在部署和效率增益两方面都在提速；德国两项指标都按兵不动，倾向于"稳步推进试点"而非冲刺全面规模化；英国则喜忧参半——效率增益回落、部署却小幅前进。同时，全球 59% 的企业预期未来 12 个月 AI 投入还会增加。
这段的价值在于它戳破了"全球齐步走"的错觉。同一个技术浪潮下，不同监管环境、不同产业构成的市场，会走出完全不同的采纳曲线。对企业跨国 IT 治理的直接含义是：一套总部统一的 AI 政策，很可能在美国太保守、在德国又太激进。规模化节奏需要按市场校准，而不是简单复制粘贴。
五、"采纳后缺口":一个被厂商亲口承认的行业真相
整份报告里最值得咂磨的一个词，是 Infor 自己造的那个术语——post-adoption gap（采纳后缺口）。它描述的是一个反常识的现象：企业对 AI 的投入增速，跑赢了它实际拿到的效率增益。翻译成人话就是：钱花得比产出快。作为一家卖方案的厂商，Infor 把这个话说出来当然带有"因为我们的方案能填上这个坑"的商业动机；但抛开动机看事实本身，这个判断和我们此前看到的两组数据高度自洽——麦肯锡那边“80% 员工感到提效、但仅 37% 企业 EBIT 有正面贡献”、Digital Applied 那边“80% 应用嵌入了 Agent、但仅 31% 真在生产跑”。三家不同立场的机构，不约而同地描摹出了同一个形状的坑。
这个坑为什么存在？把三份材料合起来看，答案指向同一处：工具铺下去了，但配套的三样东西没跟上——行业上下文(让 Agent 听得懂行话)、评估体系(让人知道它干得好不好)、责任机制(出事了有人兜底)。这三者恰好对应了本报告的前三个发现。换句话说，“采纳后缺口”不是一个抽象概念，而是三个具体问题的叠加：买错了不合身的工具(第一节)、没人对结果负责(第二节)、以及信任跑在了能力前面(第三节)。任何一个没解决，都会把“已采纳”停在“未产生价值”这一栏里。
对一个正在为 AI 项目预算头疼的管理层，这个框架的实用之处在于：它把“AI 到底有没有用”这个情绪化问题，拆成了三个可以逐项排查、逐项花钱的工程问题。与其问“我们的 AI 投得值不值”,不如分别去查：选的工具适配本行业吗(68%)？高影响决策定好责任人了吗(问责真空)？放权的程度跟得上评估能力吗(54%)？三个问题各自有了肯定答案，“采纳后缺口”才会真正收敛。
六、给正在选型和治理企业的三条建议
第一，选型时把"行业上下文"当成一票否决项来问。别只听"我们接入了最新大模型",要追问：你的 Agent 懂不懂我这一行的监管规则、专有流程和数据模型？68% 的买方已经用脚投票说"通用方案不合身".对制造、分销、零售这类现场复杂行业(73%/76%/69%),优先考察有无行业专属的知识底座和本体/语义层，而不是通用聊天框套壳。
第二，在放权给 Agent 之前，先把"出事算谁的"写死。别等 15% 那种"说不清谁负责"的状态发生在自己身上。上线任何一个有实际处置权的 Agent 前，必须先指定一个实名、有权、能追责的负责人或治理机构，并配套审计留痕。这一步花不了多少钱，却能避免它日后演变成一张天价罚单。
第三，警惕"信任超前于能力"的时差。54% 愿意放手、59% 准备加码，是可喜的动能，但如果你的评估基础设施和责任体系还没搭好，这份乐观就是负债。正确的顺序永远是：先能量化它干得好不好、先定好谁负责，再谈扩大自主权。别让组织的信任，跑到组织的能力前面。
FAQ
Q1：68% 说通用 AI 不合身，是不是意味着每家公司都该去自研行业专用模型？
A：不是。这份报告出自一家卖行业专用方案的厂商(Infor)，天然带有立场偏向，读数时要打折。但它揭示的方向是真实的：通用 AI 在重监管、重现场的行业确实容易"看着对、不能用".解法未必是自研大模型——更务实的路径是给通用模型接入行业知识库、本体/语义层和业务级 API（把"创建一个采购订单"这种业务动作封装好，而不是让 Agent 去调几十个底层技术接口），用检索增强和上下文注入来补行业这块短板，而不是从零训一个行业模型。
Q2：54% 的领导愿意让 Agent 无监督跑关键流程，这是好事还是坏事？
A：中性偏警示。它说明信任在增长，是规模化的前提；但结合"只有约 31% 企业真有 Agent 在生产跑""近半数说不清谁负责"来看，更可能是"表态上的乐观"领先于"工程与治理上的成熟".健康的心态是把这 54% 当作一个提醒：检查自己有没有在评估体系和责任界定都没到位时就过度放权。信任应该跟着"可证明的可靠性"走，而不是跟着情绪走。
Q3：这份调研的数据可信度怎么样，能不能直接引用？
A：方法论层面是扎实的——由专业民调机构 YouGov 执行、样本 2,111 人、覆盖 7 个发达市场、时间地点清晰(2026 年 8 月)。但要注意两点：其一，它是 Infor 资助的proprietary研究，选题和框架服务于"行业专用 AI 有价值"这一商业主张，结论方向可参考、但不宜当作中立第三方基准；其二，所有百分比都是"决策者主观自评",反映的是认知与意愿，不是审计后的客观落地率。引用时最好配上这两条限定语，并与 S&P Global、Forrester 等相对中立的口径交叉印证。
