今年AI支出2.5万亿美元，其中95%对损益表毫无影响。

Gartner将其2026年的预测更新为全球AI支出2.5万亿美元。同一周，MIT的NANDA倡议发布了后续报告：95%的企业生成式AI项目可衡量回报为零。不是低回报。是零。自1月以来，我已经参与了其中14个项目的交付端。MIT的数据并不让我意外。甚至可以说它还算宽松的。**1. 将AI投入生产的工程工作中有73%与模型无关。** 数据管道、集成层、遗留系统修复、人在回路中的工具。这些才是时间花在哪里。模型占工作量的27%，却拿到70%以上的预算。每次都是。**2. 实际上，成功上线的项目与停滞不前的项目之间的预算比例几乎完全颠倒。** 我们通过14个项目的工单历史和提交日志进行了追踪。成功生产的项目：大约30%模型，70%基础设施。停滞的项目：70%模型，30%基础设施。大多数公司认为自己做到了50/50。但实际相差甚远。**3. 一家客户的Copilot采用率在六个月内从71%降至34%。** 另外两个AI平台许可证的使用率跌至12%以下。合计许可费用：34万美元/年。工具本身运行良好。但没有人重新设计工作流程来真正使用它们。**4. 我们参与的项目中，数据错误率的中位数为14%。** 团队总是猜测在5-10%。一家客户在价值31万美元的项目的第四个月发现了23%的错误率。这相当于一名机器学习工程师花了两个月时间使用垃圾数据构建训练管道。发现问题的薪资成本为3.6万美元，而数据审计本可以在一周内发现这个问题。**5. 一家医疗科技公司。四个并行的AI试点项目。没有停止标准。工程师薪资支出92万美元。十一个月。交付成果：无。** 我现在已经在六家公司看到了这种情况。没有人定义何时停止支出。所以没有人停止。**6. 个人层面的收益是真实的。公司层面的ROI却停滞不前。** HCLTech和Writer都从不同角度发现了这一点。只有29%的公司认为从生成式AI获得了显著ROI，尽管员工在办公桌前报告的效率提升高达5倍。我的意思是，价值显然在个人层面存在。但它在个人贡献者与损益表之间的某个环节消失了，目前还没有人对此有清晰的解释。这一切的关联点在于：模型早就不是瓶颈了。MIT那5%真正影响损益表的项目，都是从数据基础设施入手，之后才加入模型工作。大多数公司仍然反其道而行之，因为会议主题演讲和董事会兴奋点都在那方面。我向每一位CFO展示这些数据后，他们都调整了预算分配。这不禁让人质疑他们之前执行的预算到底是怎么回事。来源：Gartner AI支出预测（2026年5月）、MIT NANDA“GenAI鸿沟”报告、HCLTech企业AI报告（2026年5月）、Writer企业AI调查2026。我写了[一篇更长的分析，包含三种预算模式](https://thefoundation.limestonedigital.com/p/where-did-2t-go)以及我们在每个项目之前运行的预检问题清单，如果你对这个话题感兴趣想了解更多的话。不过你对所有这些怎么看？