原文：State of AI in the Enterprise: The untapped edge
来源：Deloitte（德勤）
发布时间：2026年1月
篇幅：40页
调研规模：3,235位总监及以上级别领导者，覆盖24个国家
调研时间：2025年8月至9月
解读人：树懒老K
解读日期：2026-06-22
企业正站在AI潜力的”未开发边缘”：AI工具的访问权限一年扩大了50%，但有权限的员工中日常使用率仍不足60%；只有25%的企业将40%以上的AI实验投入生产，而84%的企业尚未围绕AI能力重新设计岗位。 AI的价值瓶颈已从”有没有工具”转向”用不用得起来、能不能规模化、敢不敢重塑业务”。
本报告是Deloitte年度《State of AI in the Enterprise》系列的一部分，基于对3,235位业务与IT领导者的全球调研，以及15次高管定性访谈。与此前更关注生成式AI的报告不同，2026年版将焦点放在三条主线上：Agentic AI（智能体AI）、Physical AI（物理AI） 和 Sovereign AI（主权AI），并试图回答一个核心问题：为什么大多数企业仍在AI试点中打转，而少数企业已经开始战略重塑？
| 指标 | 数据 | 含义 |
|---|---|---|
| 员工AI工具访问比例增长 | 一年内从<40%增至约60% | 访问权限快速普及 |
| 领先企业普及访问 | 11%为员工提供>80%的AI工具访问 | 领先者与大众差距拉大 |
| 有权限员工日常使用率 | <60% | 访问≠激活 |
| 40%以上实验已投入生产 | 25% | 规模化仍处于早期 |
| 预计3-6个月内达到40%生产化 | 54% | 预期乐观，实际可能打折 |
| 深度转型企业比例 | 34% | 真正用AI重塑业务 |
| 仅表面使用AI比例 | 37% | 多数企业仍在效率层 |
| 尚未围绕AI重设计岗位 | 84% | 工作方式转型严重滞后 |
| 预计三年内≥10%岗位自动化 | 82% | 自动化预期强烈 |
| 认为主权AI至少中等重要 | 83% | 主权AI成为战略议题 |
| 考虑AI开发地点选供应商 | 77% | 地缘政治影响技术采购 |
| 计划两年内部署Agentic AI | 74% | 智能体 Adoption 将快速上升 |
| 拥有成熟智能体治理模型 | 21% | 治理严重滞后 |
| 当前使用Physical AI | 58% | 物理AI已进入运营 |
| 两年后预计使用Physical AI | 80% | 制造业场景驱动增长 |
| 战略高度准备就绪 | 42% | 战略信心上升 |
| 人才高度准备就绪 | 20% | 运营能力仍是短板 |
核心论点：
企业AI工具的员工访问权限显著扩大，但真正的价值取决于日常使用。有工具不等于有用，访问不等于采纳。
关键数据：
重要洞察：
这揭示了一个被忽视的瓶颈：AI价值实现的首要障碍不是技术采购，而是行为嵌入。 员工不日常使用AI，通常不是因为不会用，而是因为现有工作流程里没有自然场景、用了反而增加工作量、看不到对绩效的直接影响、担心用错被追责。这些问题无法通过培训解决，需要工作流程重设计。
核心论点：
试点与生产之间存在根本性错配。很多企业用试点数量衡量AI进展，却忽视了规模化生产的复杂性。
关键数据：
重要洞察：
试点的逻辑是”验证可行性”，生产的逻辑是”持续创造价值”。两者需要的资源、治理、数据质量、运维能力完全不同。Deloitte警告：没有清晰规模化路径的试点，只是昂贵的学习机会，不是投资。 中国企业尤其需要警惕”试点成功、量产失败”的陷阱。
核心论点：
企业对AI的使用深度明显分化，只有三分之一真正在用AI重塑业务。
关键数据：
| 转型深度 | 比例 | 特征 |
|---|---|---|
| 深度转型业务 | 34% | 创造新产品/服务、重塑核心流程、改变商业模式 |
| 重新设计关键流程 | 30% | 围绕AI重设计流程但保持商业模式 |
| 表面使用 | 37% | 几乎不改变现有流程 |
重要案例：
一家矿业公司将AI嵌入核心产品和设备，把传统采矿设备转变为带有传感器和预测分析功能的智能互联平台。该公司负责人表示：“AI不仅仅是一项技术……我们希望把它交给每个人日常使用，让它无处不在。但我们也希望颠覆市场。”
重要洞察：
大多数企业（67%）仍在”优化现有”而非”重塑未来”。Deloitte的判断是：虽然三者都能获得效率收益，但只有深度转型那一组正在建立可持续的竞争优势。这对中国制造业的启示是：不要在”降本增效”的舒适区停留太久，要思考如何用AI重构产品和服务。
核心论点：
企业对自动化的预期很高，但围绕AI重设计岗位的实践严重滞后。
关键数据：
重要洞察：
这是一个危险的信号：如果82%的企业预计三年内大量岗位自动化，但84%还没有重设计岗位，那么未来三年将出现大规模技能错配、员工焦虑和转型阻力。 岗位重设计不是HR项目，而是业务战略问题。对制造业而言，更现实的问题不是”裁多少人”，而是”质检员变成AI质检监督员后，绩效怎么评、薪酬怎么定、职业路径怎么走”。
核心论点：
技能不足被视为AI整合的最大障碍，但大多数企业只做AI素养教育，不做角色和职业路径重设计。
关键数据：
| 人才战略调整 | 比例 |
|---|---|
| 教育更广泛员工提升AI素养 | 53% |
| 设计和实施技能提升/再培训策略 | 48% |
| 评估目标人才获取和招聘策略 | 36% |
| 重新设计职业路径和职业流动性 | 33% |
| 评估AI使用导致的技能供需变化 | 30% |
| 结合或重新构想基于新工作模式的组织 | 30% |
| 衡量员工信任度和参与度 | 19% |
重要洞察：
Deloitte的数据印证了BCG的判断：AI转型的最大成本在人。但仅仅”教育员工”是不够的。当AI改变了岗位性质，企业必须同步调整绩效指标、薪酬体系、职业路径和权力结构。 否则，员工会觉得”学了AI但我的工作没变”，或者”AI让我的工作更累但不加薪”。
核心论点：
随着各国加速建立主权AI能力，数据控制、模型透明度、合规和本地化正在成为所有跨国企业的战略议题。
关键数据：
| 指标 | 数据 |
|---|---|
| 认为主权AI对战略规划至少中等重要 | 83% |
| 认为非常重要或极其重要 | 43% |
| 选择新技术时考虑AI开发地点 | 77% |
| 主要使用本地供应商构建AI栈 | 58% |
| 对外国AI技术至少中等担忧 | 66% |
重要洞察：
主权AI不仅是技术所有权问题，更是战略独立和市场准入问题。对出海的中国制造企业而言，这意味着：在欧洲部署的质量检测模型可能需要本地训练；在美国工厂的客户数据可能不能跨境回传；在中东市场可能需要本地数据中心。这些不再是IT细节，而是全球化战略的一部分。
核心论点：
智能体AI能够快速部署，但治理框架严重滞后。
关键数据：
| 使用程度 | 当前 | 两年后 |
|---|---|---|
| 完全不使用 | 20% | 1% |
| 最小程度使用 | 52% | 2% |
| 中等程度使用 | 23% | 46% |
| 广泛使用 | 4% | 23% |
| 完全整合为核心组件 | 1% | 5% |
重要洞察：
智能体AI与此前AI的根本区别是：它不只是给建议，它会自动执行。 如果治理不到位，智能体可能自动发送错误邮件、做出错误采购决策、修改系统配置。Deloitte警告：在没有明确自主边界、实时监控和审计追踪的情况下规模化部署智能体，是在积累运营和法律风险。
核心论点：
Physical AI（机器人、自动驾驶车辆、无人机、协作机器人、数字孪生）正在从实验走向运营，制造业是先锋领域。
关键数据：
| 使用程度 | 当前 | 两年后 |
|---|---|---|
| 至少有限使用 | 58% | 80% |
| 中等或更大程度使用 | 18% | 30%（预计15%广泛使用+3%完全整合） |
重要洞察：
Physical AI的落地曲线将慢于软件AI，因为涉及设施改造、硬件采购、系统集成、安全认证和持续维护。Deloitte特别提醒：评估physical AI商业案例时必须考虑总拥有成本（TCO），而不仅是初始设备成本。 一个仓库自动化项目的AI软件开发可能只花几十万美元，但物理基础设施和机器人系统可能花费数百万美元。
核心论点：
高管普遍认为战略和风险/治理准备度在提升，但技术基础设施、数据管理和人才的准备度感知反而下降。
关键数据：
| 准备度维度 | 高度准备 | 较去年变化 |
|---|---|---|
| 战略 | 42% | +3pp |
| 风险与治理 | 30% | +6pp |
| 技术基础设施 | 43% | -2pp |
| 数据管理 | 40% | -4pp |
| 人才 | 20% | -6pp |
重要洞察：
这揭示了一个危险鸿沟：企业越来越清楚自己要做什么，但底层执行能力跟不上战略雄心。 对制造业而言，这意味着不要只开AI战略会，而要投资数据基础设施、设备联网、技能培训和治理体系——这些才是决定AI能否规模化的硬约束。
Deloitte基于3,235位全球领导者的调研揭示了一个核心现实：AI正在从”技术可及性竞争”转向”组织激活能力竞争”。 员工AI工具访问率一年增长了50%，但有权限者中日常使用率不足60%；仅25%的企业将40%以上AI实验投入生产；84%的企业尚未围绕AI重设计岗位。对制造业和B2B企业最关键的三个信号是：第一，Physical AI已进入运营主战场（58%当前使用，80%预计两年内），制造业是先锋领域；第二，Agentic AI的治理严重滞后（74%计划部署，仅21%有成熟治理），自主系统必须在有边界、可审计、可监控的框架下部署；第三，主权AI正在成为出海企业的市场准入问题，83%的企业将其视为战略议题。
但三源交叉校准后，我们必须加一个关键限定：Deloitte的数据来自自我报告，存在过度乐观偏差。 例如54%预计3-6个月内将40%实验生产化，实际落地通常会慢得多；80%的physical AI两年内采用预期未充分考虑资本周期和安全认证。我们的修正判断是：对大多数中国制造业企业，当前阶段的核心任务不是追赶agentic AI和physical AI的最新趋势，而是补上数据底座、设备联网和流程编码化的课——否则这些先进工具只会放大底层能力的不足。
“AI技术超前于组织准备”并不是新现象。回顾上一轮企业信息化浪潮（2000-2010年），ERP系统的ROI同样呈现典型的J曲线：前18个月投入巨大但回报有限，直到业务流程再造完成后才释放价值。Deloitte报告的核心贡献在于将当前AI阶段命名为”untapped edge”——即技术可及但价值未释放的边缘状态。
与上一轮周期的核心差异在于： - 上一轮是”人适应系统”，这一轮是”系统与人协作”——Human-AI协作成为核心命题 - 上一轮价值集中在流程效率，这一轮扩展到商业模式创新 - 上一轮技术债务主要是数据不一致，这一轮还叠加了模型债务、agent治理债务和物理AI安全债务
中国制造业的特殊紧迫性： - 数字化基础两极分化：头部企业已完成ERP/MES部署并探索AI，大量腰部企业仍在纸质流程和Excel之间切换 - 物理AI有独特优势：中国拥有完整的机器人、传感器、自动化设备供应链，physical AI的落地成本可能低于欧美 - 出海合规压力加大：欧美对数据主权、AI透明度的要求越来越高，中国制造业出海必须从”成本领先”转向”合规领先” - 人才结构性短缺：既懂制造工艺又懂AI的复合型人才稀缺，而简单培训无法解决岗位重设计的复杂性
如果用”AI价值实现四层模型”来理解Deloitte的发现，我们可以清晰看到中国制造业的处境。
| 框架维度 | Deloitte报告结论 | 我们的补充判断（制造业视角） |
|---|---|---|
| L1 业务层 | 34%深度转型 / 30%重设计流程 / 37%表面使用 | 中国制造业大多数仍在”表面使用”和”重设计流程”之间，深度转型比例可能更低 |
| L2 能力层 | Agentic AI和Physical AI快速普及 | 制造业应优先切入physical AI（质检、协作机器人、AGV），而非盲目追逐agentic AI |
| L3 组织层 | 84%未重设计岗位，人才准备度仅20% | 岗位重设计需兼顾中国社会稳定性，建议”渐进式转岗”而非”快速替代” |
| L4 底座层 | 数据管理、基础设施准备度下降 | 中国制造业L4欠账严重，应先补设备联网、数据标准、系统集成 |
报告隐含但未明说的信号：
1. 方法论局限：样本偏向成熟企业
所有受访者都已启动AI实施或试点，无法代表尚未开始AI应用的企业。美国样本占37%，中国及东南亚代表性有限，可能高估全球AI成熟度。
2. 自我报告的主观偏差
“变革性影响”“准备度”“未来预期”等指标均来自受访者主观判断，存在过度乐观和社会期许偏差。实际生产化速度通常慢于预期。
3. 因果推断能力弱
报告多为相关性描述，无法证明AI是导致业务差异的原因，也可能是本身就具备转型能力的公司更善于采用AI。
4. 咨询公司的利益偏向
Deloitte强调治理、基础设施、劳动力转型、战略重塑——这些几乎都是其咨询服务。读者应把框架当诊断工具，而不是必须购买的解决方案清单。
5. 对Physical AI的预测可能过于乐观
80%的两年内采用预期未充分考虑资本周期、安全认证、工会/劳动力阻力以及宏观经济对资本支出的影响。
Deloitte的”访问≠激活”和”组织滞后”判断，与近期其他权威研究形成呼应：
三份独立来源共同指向：AI的竞争已经从技术能力竞争转向组织吸收能力竞争。 Deloitte的3,235人全球调研提供了最大样本的证据，但本质上是在说同一件事：企业买了AI，但组织还没准备好用AI。
视角一——Physical AI：制造业从”效率工具”到”产品竞争力”的跃迁
Deloitte的数据显示physical AI已进入制造业运营主战场。中国企业不应只把它当降本工具，而应思考如何将其转化为产品竞争力。
适用场景： 拥有大量设备、面向B2B客户、具备服务化转型潜力的制造企业（如工程机械、工业设备、汽车零部件）。
关键数据： 58%企业当前使用physical AI，80%预计两年内使用；亚太地区领先（71%）；协作机器人（20%）、数字孪生（19%）被认为影响最大。
落地路径： 1. 运营层先行：在质检、搬运、设备监控等场景部署协作机器人和视觉检测，建立数据和团队基础 2. 产品层突破：将设备状态数据、维护数据、客户使用数据打通，推出预测性维护服务或按效果付费模式 3. 生态层构建：与上下游共享设备和产线数据，形成行业级数字孪生或供应链协同平台
ROI评估： - 投入范围：单工厂运营层physical AI项目50-300万元；产品/服务层转型需要千万级以上投入 - 回报周期：运营层12-24个月；产品/服务层3-5年 - 关键成功因素： 1. 工艺know-how的数字化（这是最大的隐性成本） 2. 设备联网和数据标准统一 3. 客户成功团队从”售后维修”转向”服务运营”
风险提醒： Physical AI的TCO往往被低估。除了设备本身，还要考虑设施改造、系统集成、维护备件、停机损失。建议在立项时做完整的3-5年TCO模型，而不是只比较供应商报价。
视角二——Agentic AI：制造业的”半自主”起步策略
Deloitte的数据显示74%企业计划两年内部署agentic AI，但仅21%有成熟治理。对制造业而言，盲目追求全自主智能体风险过高，更现实的是”人在环中”的半自主系统。
适用场景： 供应链管理、生产调度、客户服务、质量异常响应等需要快速决策但容错空间有限的高频场景。
关键数据： 74%计划两年内部署；85%会定制智能体；当前23%至少中等程度使用；仅21%有成熟治理模型。
落地路径： 1. 划定自主边界：明确智能体可以自动执行什么（如库存查询、排产建议生成）、必须人工复核什么（如采购订单确认、生产计划变更） 2. 建立审计追踪：记录智能体每一步决策的输入、推理和输出，确保可追溯 3. 人机协作界面：为班组长、计划员、采购员设计清晰的”智能体建议+人工确认”工作流 4. 渐进放权：从”建议模式”到”预审模式”再到”有限自主模式”，逐步扩大权限
ROI评估： - 投入范围：单场景30-100万元（含治理平台建设） - 回报周期：12-18个月 - 关键成功因素： 1. MES/ERP/WMS等系统数据质量高且实时可访问 2. 业务流程已被充分编码化 3. 有明确的人工复核点和 escalation 机制
风险提醒： 在制造执行系统中，agentic AI的错误可能导致停线、质量事故或交付延误。建议先在非生产关键场景（如客服、内部知识问答）验证，再进入生产调度等核心场景。
AI的竞争已经过了”谁买了更多工具”的阶段，进入”谁能让工具真正嵌入工作流、谁在规模化之前建好治理、谁把物理AI从成本中心变成产品竞争力”的阶段——而大多数中国制造业企业，真正的差距不在技术，而在数据底座和组织吸收能力。
| 项目 | 内容 |
|---|---|
| 原文标题 | State of AI in the Enterprise: The untapped edge |
| 来源机构 | Deloitte（德勤） |
| 发布时间 | 2026年1月 |
| 原文链接 | https://www.deloitte.com/us/state-of-ai |
| 报告页数 | 40页 |
| 调研规模 | 3,235位总监及以上级别领导者 |
| 覆盖国家 | 24个国家 |
| 调研时间 | 2025年8月至9月 |
| 解读日期 | 2026-06-22 |
| 适用行业 | 制造业、金融服务、科技、能源、消费、政府与公共服务 |
| 关联技能 | Sloth-StratAlign-Eido, Sloth-MfgConsult-Eido |
觉得这篇解读对你有启发？
欢迎点赞、在看、转发，让更多制造业同行看到。
关注「树懒老K」，持续输出制造业AI转型的深度洞察。
后台留言”Deloitte企业AI”，即可获取： - 报告原文PDF - 完整中文翻译稿 - 本文思维导图