详细文字内容
💬 Aaron点评
这份报告Aaron每年都等。麦肯锡从 2017 年开始跟踪全球 AI 使用情况，今年是第八年，1993 个样本覆盖 105 个国家——这是我所知最大规模、最持续的企业 AI 调研。今年的核心发现让我印象深刻：88% 的企业说自己在用 AI，但能算出 AI 对利润贡献超过 5% 的企业，只有 6%。 Aaron的判断是：AI 已经不是「要不要用」的问题，而是「会不会用」的问题。赢家和输家的分水岭，不是工具，而是组织能力。 ——Aaron
🎯 要点速览
📌 一、大盘：88% 的企业在用 AI，但别被数字骗了
先看大盘数字。88% 的企业表示在至少一个业务部门定期使用 AI，生成式 AI 的使用率从 2023 年的 33% 飙升到 79%。听起来是不是很繁荣？
但Aaron提醒你看另一组数据——
💡 超过六成企业还没开始规模化。Aaron打个比方：大部分企业用 AI 的状态，就像买了健身卡但一周只去一次。去了，但没效果。
公司越大，规模化越快。年收入超 50 亿美元的公司，近半已进入规模化（39% 规模化 + 10% 完全规模化）；年收入不到 1 亿美元的只有 27%。大公司有钱有人有基础设施，但Aaron不认为小公司没机会——小公司的优势是灵活，可以在特定场景快速跑通。
📌 二、AI 智能体：热度爆棚，落地冷清
今年报告新增了 AI 智能体（Agent）专题。62% 的企业至少在实验 Agent，但仔细看数据——
在任何单一业务部门，规模化使用 Agent 的比例都不超过 10%。
🧠 麦肯锡高级研究员 Michael Chui 说了一句Aaron非常认同的话：「做好 Agent，需要下苦功夫。」 现在的 Agent 热潮有点像 2023 年初的 ChatGPT 热——大家都知道它厉害，但真正跑通业务的很少。Aaron的建议是：现在是建立 Agent 能力的最佳窗口期，从 IT 服务台和知识管理这些已验证的场景切入。
按行业看，科技行业的 Agent 规模化率最高，其次是媒体电信和医疗健康。金融和制药反而垫底——不是不想用，是合规要求太高，跑通一个用例的周期更长。
📌 三、AI 对利润的贡献——看得见效果，算不出钱
这是报告中Aaron觉得最值得深思的部分。
AI 对企业级指标的影响呈现一个有趣的分层：
⚡ Aaron划重点：64% 的人说 AI 推动了创新，但只有 39% 说 AI 对 EBIT 有贡献，且大多数说贡献不到 5%。 这说明什么？AI 目前的价值更多体现在「看不见的改善」——创新能力、客户体验、竞争位势——而不是直接的利润数字。
但从单个业务部门来看，降本和增收的效果是实打实的。软件工程和制造业的成本降低最多（56%），营销与销售的营收提升最多（67%）。
为什么整体利润贡献还这么低？
Aaron的判断：因为大部分企业的 AI 还是散装的。东一个用例、西一个试点，没有串成系统。当你在三个部门各省了 10%，但整体组织流程没变，EBIT 当然看不到大的变化。
📌 四、6% 的高绩效企业做对了什么——这是报告最有价值的部分
💡 为什么这很重要：88% 使用率 vs 6% 高绩效——这个落差本身就是最有价值的数据。它证明了 AI 的回报不是「用了就有」，而是「怎么用决定了有没有」。大多数企业的问题不是缺工具，是缺组织能力。
麦肯锡把 EBIT 贡献超 5% 且获得「显著价值」的企业定义为「AI 高绩效企业」，仅占 6%。Aaron仔细看了这 6% 做对的事情，提炼出五大核心差异：
差异一：敢想大的
高绩效企业有一半预期 AI 带来变革性改变，而普通企业近半只期望渐进式改变。期望值决定了行动的力度。
差异二：不只盯着省钱
所有企业都在追求效率（~80%），但高绩效企业同时追求增长（82%）和创新（79%），是其他企业的 1.6 倍。
💎 Aaron的观察：这可能是整份报告最关键的洞察。只盯着降本的企业，永远只能拿到有限的价值。 围绕 AI 重新设计工作流程、追求增长和创新，才是真正的打法。
差异三：重新设计工作流
📌 麦肯锡用相对权重分析测试了 31 个变量，结论是：有意识地重新设计工作流，是对高绩效贡献最大的单一因素。 不是技术基础设施，不是预算投入，而是你有没有围绕 AI 重新想过你的流程该怎么跑。
差异四：高管亲自带队
高绩效企业中，48% 的受访者「强烈同意」高管展示了对 AI 的拥有感和承诺，是其他企业（16%）的 3 倍。不是 IT 部门的事，是 CEO 的事。
差异五：舍得花钱
近半的普通企业 AI 预算不到数字预算的 5%。高绩效企业中三分之一投入超过 20%。
📌 五、AI 对就业的影响——比预想的更复杂
关于「AI 会不会取代工作」，报告给了一个微妙的答案：
🧠 Aaron的判断：AI 不会一刀切地替代所有人，但会改变每个人的工作内容。过去一年，大部分部门的实际减员比例不到 20%，但预期未来一年的减员比例跳到了 30%——焦虑在加速，实际变化在放缓。
有意思的是，大公司同时在大规模招聘 AI 相关岗位——数据科学家（30%）、数据工程师（29%）、机器学习工程师（29%）。AI 不是在消灭岗位，而是在重新分配技能需求。
📌 六、风险在增加，但管理也在跟上
51% 的使用 AI 的企业至少经历过一次负面后果。
⚡ Aaron划重点：可解释性是一个被严重低估的风险。 它排负面后果第二（14%），但不在最常被缓解的风险之列（只有 28%）。翻译成大白话：很多企业知道 AI 给了一个答案，但说不清为什么。在金融、医疗等高风险行业，这是定时炸弹。
好消息是，企业管理的 AI 风险数量从 2022 年的平均 2 个增加到现在的 4 个。高绩效企业遇到的负面后果反而更多（因为用得更深），但他们也管理得更积极。
💎 精华提炼
第一，AI 的「知行差距」才是真正的战场。 88% 的使用率 vs 6% 的高绩效，这个数据本身就是答案。大多数企业的问题不是「要不要用 AI」，而是「能不能把 AI 从实验项目变成组织能力」。关键不在工具，在组织——工作流有没有重新设计，高管有没有亲自带队，预算有没有跟上。
第二，「敢想大的」不是口号，是真正的区分变量。 麦肯锡用 31 个变量做了相对权重分析，发现重新设计工作流的贡献最大，而重新设计工作流的前提是敢想大的——你得相信 AI 可以改变你的业务模式，而不只是帮你省点人力。高绩效企业追求增长和创新的比例是其他企业的 1.6 倍，这不是巧合。
第三，AI 智能体是下一个拐点，但窗口期不长。 62% 的企业在实验 Agent，但规模化率不到 10%。高绩效企业在大多数部门的 Agent 规模化率是其他企业的 3-6 倍。现在是建立 Agent 能力的最佳时机——等别人跑通了再跟，就来不及了。
📌 对个人也一样：如果你只把 AI 当搜索引擎用，你就是那 88% 中的普通用户。如果你开始用 AI 重新设计自己的工作方式——从信息获取到分析决策到内容创作——你就在向那 6% 靠拢。差距不在工具，在思维方式。
🌟 对 AI 学习者的启示
这一段是Aaron读完整份报告后，专门写给正在学 AI、用 AI 的你。
认知刷新：你可能以为「88% 的企业都在用 AI」意味着 AI 已经成功落地了，但真相是只有 6% 的企业真正从 AI 赚到了钱。差距不在工具，在组织——有没有围绕 AI 重新设计工作流，是决胜的单一最大因素。
实操建议：今天就花 30 分钟重新审视你最耗时的那个工作流程，思考「如果这个流程从零设计，AI 应该放在哪个环节」。不是给现有流程加 AI，而是围绕 AI 重新想这个流程该怎么跑。
趋势判断：Aaron认为 AI 智能体在 6 个月内会完成从「实验热潮」到「IT 服务台标配」的转变。62% 在实验但规模化不到 10%——这个缺口就是窗口期。现在建立 Agent 能力的人，12 个月后会发现自己领先了一个身位。
📌 报告来源：McKinsey & Company《The State of AI in 2025: Agents, Innovation, and Transformation》，基于 1,993 名参与者（105 个国家），调查时间 2025 年 6 月 25 日至 7 月 29 日，数据按各国 GDP 贡献加权。
📋 文档信息
资源
📎 20251101-McKinsey-State-of-AI-2025-翻译版.md
📎 20251101-McKinsey-State-of-AI-2025-原版.md
📊 本页表格（7 张，从原数据库还原）
| 数据 | Aaron解读 | 维度 |
|---|---|---|
| 88% 企业定期使用 AI | 比去年涨 10 个点，接近饱和 | AI 使用率 |
| 79%（2023 年仅 33%） | 两年翻了一倍多，普及速度惊人 | 生成式 AI 使用率 |
| 仅 38% 进入规模化 | 六成企业还在实验和试点 | 规模化部署 |
| 62% 在实验，23% 在规模化 | 热度高但落地少 | AI 智能体 |
| 仅 39% 认为有贡献 | 大部分说贡献不到 5% | EBIT 影响 |
| 仅占 6%（109 家） | 但他们的打法完全不同 | 高绩效企业 |
| 高绩效 55% vs 其他 20% | 2.8 倍差距，最关键的单一因素 | 工作流重设计 |
| 51% 遭遇过负面后果 | 不准确性排第一 | 风险 |
| Aaron翻译 | 比例 | 阶段 |
| 「听说了，试试看」 | 32% | 实验阶段 |
| 「做了个项目，还行」 | 30% | 试点阶段 |
| 「开始铺开了」 | 31% | 规模化中 |
| 「全公司都在用」 | 7% | 完全规模化 |
| 部门 | Aaron解读 | Agent 规模化率 |
| IT | IT 服务台是最成熟的切入点 | 10%（最高） |
| 知识管理 | 深度研究场景快速发展 | 9% |
| 营销与销售 | 客户触达自动化 | 8% |
| 软件工程 | 代码生成和审查 | 7% |
| 制造 | 物理世界的 Agent 还早 | 2%（最低） |
| 认为「有改善」 | 指标 | Aaron解读 |
| 64% | 创新 | AI 对创新的催化最被认可 |
| 45% | 客户满意度 | 客服自动化立竿见影 |
| 45% | 竞争差异化 | 先行者优势在形成 |
| 38% | 成本 | 降本效果中等 |
| 36% | 盈利能力 | 转化为利润还需要时间 |
| 25% | 市场份额 | 底层变化，最慢显现 |
| 未来三年 AI 预期 | 高绩效 | 倍数 | 其他 |
|---|---|---|---|
| 变革性改变 | 50% | 3.6x | 14% |
| 渐进式改变 | 21% | — | 48% |
| 其他 | AI 目标 | 高绩效 |
|---|---|---|
| 80% | 效率 | 84% |
| 50% | 增长 | 82% |
| 50% | 创新 | 79% |
| 倍数 | 高绩效 | 指标 | 其他 |
|---|---|---|---|
| 2.8x | 55% | 从根本上重新设计了工作流 | 20% |
| 其他 | 高绩效 | 倍数 | AI 占数字预算 |
| 10% | 35% | 4.9x | >20% |
| 44% | 6% | — | <=5% |
| 预期 | 比例 |
|---|---|
| 预期裁员 | 32% |
| 预期不变 | 43% |
| 预期增员 | 13% |
| 不确定 | 12% |
| 正在缓解 | 风险 | 经历过 |
|---|---|---|
| 54% | 不准确性 | 30% |
| 28% | 可解释性 | 14% |
| 38% | 个人隐私 | 11% |
| 51% | 网络安全 | 10% |
| 38% | 知识产权侵犯 | 8% |
| 内容 | 项目 |
|---|---|
| The State of AI in 2025: Agents, Innovation, and Transformation | 报告名称 |
| McKinsey & Company（QuantumBlack, AI by McKinsey） | 发布机构 |
| Alex Singla、Alexander Sukharevsky、Lareina Yee、Michael Chui、Bryce Hall、Tara Balakrishnan | 作者 |
| 2025 年 11 月 | 发布日期 |
| 麦肯锡全球调查，1,993 名参与者，105 个国家，2025.6.25-7.29 | 数据来源 |
| Aaron | 教程撰写 |
| 教程版（Aaron视角深度解读） | 文档类型 |