2026 年上半年，KPMG、德勤、麦肯锡、埃森哲、斯坦福 HAI、EY 六家机构先后发布了企业 AI 现状年度报告。把七份报告放在一起交叉对照（ProfitVision LAB 的英文综述做了这项工作），会发现一个有趣的事实：它们有一个高度一致的共识，和一组被媒体集体忽略的分歧。共识是：Agent 落地的瓶颈已经不是模型，而是组织——治理、数据、人才。分歧是：到底有多少企业真的"跑通了"？EY 说 97% 的投资方看到了正回报，麦肯锡说真正规模化的不足 10%。两个数字都对，但它们量的根本不是同一件事。对企业决策者来说，这组"共识与分歧"恰恰是最有价值的信息——它精确标出了该把钱投到哪里。
一、共识一：投资热度与价值兑现之间有一道"激活鸿沟"
先看投入侧的热度。KPMG《Global AI Pulse Survey》2026 年一季度发现：全球企业领导者计划在未来 12 个月平均投入 1.86 亿美元用于 AI，且 74% 的领导者表示即使经济衰退，AI 仍是第一投资优先级。这在过去的 IT 周期里是不可想象的——以往预算收紧时第一个被砍的就是 IT 开支。
但产出侧立刻泼来冷水。德勤把这种现象命名为 "从雄心到激活"（Ambition to Activation）的鸿沟：74% 的企业希望未来靠 AI 驱动收入增长，而目前真正在这么做的只有 20%——雄心大约是现实的 4 倍。德勤将受访企业按转型深度分成三档：
| 档位 | 占比 | 实际含义 |
|---|---|---|
| 深度业务变革 | 34% | 用 AI 重塑产品、服务或商业模式 |
| 重构关键流程 | 30% | 围绕 AI 重做核心流程，但不动业务结构 |
| 表面使用 | 37% | "用上了 AI"，但流程照旧、收益有限 |
EY 的追踪调查（Wave 3）提供了另一个切面：年预算中 AI 占比超过 5% 的企业，正在快速拉开差距——在技术升级（82% 对 62%）、客户满意度（78% 对 55%）、安全能力（78% 对 49%）三项上全面领先低投入组。EY 的结论是"投入越多，回报越不对称"——这与传统 IT 的边际收益递减完全不同，AI 呈现的是赢家通吃曲线。对中型企业这是个两难陷阱：不投会被甩下，半心半意地投又可能够不着正反馈的门槛。
更隐蔽的问题是归因缺口。EY 发现：在已经看到生产力提升的组织中，65% 说不清这份提升有多少该记在 AI 头上，63% 表示管理层并不总把改进归功于 AI。当 CEO 无法干净地证明"AI 赚了钱"，CFO 与 CEO 之间的张力就会持续累积——这直接决定了下一轮预算是加码还是刹车。
二、共识二：90% 卡在试点，卡点是数据不是模型
如果 2025 年是试点之年，2026 年的核心问题就是：为什么多数试点长不大？
麦肯锡 2026 年 4 月《Building the Foundations for Agentic AI at Scale》给出了最直接的答案：全球近三分之二的企业已经试验过 Agent，但真正规模化并产出可量化价值的不足 10%。60 对 10 的落差，是 2026 年最具代表性的组织痛点——花一年时间和几百万预算试点十个场景，只有一个进了生产，这不是失败，而是市场平均水平。
KPMG 的口径看起来"好看"一些：32% 的企业已部署并规模化了 Agent，27% 开始编排多 Agent；分区域看亚太 49%、美洲 46%、EMEA 42%。但两家机构的差异本身就是信号——KPMG 把"已部署且扩展"计入，麦肯锡坚持"可量化价值"标准。标准一收紧，份额立刻掉一半。行业内对"什么叫规模化"至今没有统一量尺，防火墙内很容易用"我们已经部署了 Agent"来自我安慰。
卡点在哪里？麦肯锡的诊断毫不含糊：80% 的企业把数据限制列为规模化 Agentic AI 的最大障碍——阻塞扩大的不是模型，是底层数据与基础设施。麦肯锡提出的四项基础能力中有两项直接指向数据层：
- 共享语义底座：不只共享数据，更要共享含义。当 A 部门的"客户"指下过单的人、B 部门的"客户"指注册过的人，跨部门协作的 Agent 会在两套定义间精神分裂。语义层正在成为企业数据架构的新心脏。
- 统一数据基础设施：一套数据底座同时供 BI、ML、GenAI 复用，而不是各修各的管道。这是对过去十年"一条管道喂报表、另一条喂模型"惯例的直接否定——改造成本极高，但不做就进不了规模化俱乐部。对 CIO 而言，这是 3~5 年的战略决策。
德勤用"跑步机效应"描述这种尴尬：技术基础设施就绪度 43%、数据管理 40%、人才就绪度跌到 20%，全部低于上年。不是企业退步了，而是 AI 跑得比企业准备的速度更快——去年刚补完一轮基础，今年面对的是更大的相对缺口。麦肯锡为这一节下的判词值得当作座右铭："Agentic AI scales on strong data"——想让 Agent 规模化，先让数据规模化。
三、共识三：风险性质变了，治理裸奔
麦肯锡《State of AI Trust in 2026》说出了这个时代的定义性变化：Agentic 时代，企业不能只担心 AI"说错话"，必须直面 AI"做错事"的风险——包括未经意图的行动、工具滥用、越过护栏的操作。聊天机器人说错话收获一个皱眉；Agent 做错事可能把错误价格推进订单系统、把错误金额打给错误账户。风险的半径和速度都被放大了数量级。
而治理明显没跟上。德勤的数字最直白：只有五分之一（21%）的企业为自主 Agent 建立了成熟的治理模型——即推 Agent 进生产的公司里，五家有四家的治理框架还停留在草稿页。麦肯锡的风险感知调查同样犀利：74% 的受访者认为"不准确"是高相关风险、72% 认为网络安全是——但在几乎所有风险类别上，"认为相关的风险"与"正在处理的风险"之间存在显著缺口，知识产权侵权与个人隐私两项尤甚。麦肯锡称之为"清醒的脆弱"（conscious vulnerability）：最危险的状态不是无知，而是明知风险所在却没有防御。
治理滞后的直接副产品是 Shadow AI。EY 观察到：当治理跟不上需求速度，员工会私下使用未经授权的 AI 工具，把企业数据暴露在无人可追溯的暗处。好消息是意识在涨——EY 追踪 Responsible AI 的实践比例从第一波的 49% 升到第三波的 59%，预计明年到 64%；但这也意味着仍有 40% 的组织没把 RAI 织进日常。政策"存在"和政策"被执行"是两回事——任何没有配套工具与激励的 AI 政策都只是装饰品。
麦肯锡给出的方向是把治理从"事后审计"改成"内生属性"：默认信任（安全、访问控制、隐私、AI 治理出厂即开启）+ 行为可见（持续追踪数据质量、模型表现、延迟与成本）。对 CISO 来说采购逻辑就此反转：你买的不再是"看见 Agent 干了什么"的工具，而是"阻止 Agent 干未经授权之事"的机制。传统 IT 治理建立在确定性系统假设上——同样输入产生同样输出；而 Agent 是概率系统，治理委员会 2026 年需要的不是更多审计人手，而是重新定义三件事：什么算合理的预防控制、什么算可接受的事后追溯、什么算可容忍的残余风险。
四、分歧地带：哪些数字互相打架
七份报告并非铁板一块，三处分歧恰好是决策者最该盯的地方：
- 97% vs 10%：EY 说 97% 的高管表示 AI 投资正回报，麦肯锡说规模化产值的不足 10%。两者都真——前者测的是"主观满意"，后者测的是"客观落地"。你的对标对象报哪个数，问清口径再焦虑。
- 62%/32% vs "不到一半"：采纳类数字的巨大方差来自定义松散（上一节已述）。凡是不带样本、时间窗与定义的百分比，参考价值约等于零。
- 幻觉率 22%~94%：斯坦福 HAI《AI Index 2026》在覆盖 26 个顶级模型的新基准中测出这条惊人区间——旗舰模型在特定场景照样高频编造；而且"最能干的模型现在最不透明"。另一个认知失调样本：能在国际数学奥赛拿金牌的模型，读模拟时钟的准确率只有 50.1%。模型能力是极不均匀的曲线，上线前必须针对自家工作流的边角场景做压力测试，这是七份报告共同的技术注脚。
五、人的位置：被 60 个 Agent 重塑的工时
埃森哲与沃顿商学院的《The Age of Co-Intelligence》把叙事从"替代"转向"协同智能"：AI 已从简单增强走向理解意图、推理选项、协调步骤、以机器速度执行有边界的工作。量化影响是：美国经济中超过 50% 的工作小时正被约 60 种数字与物理 AI Agent 重塑，波及 18 个行业的 1.2 亿名劳动者——连营销、设计、研究、写作这些"最人性"的岗位，工作流里也至少嵌入了一个环节。
但 KPMG 的反向观察值得记住：Agent proliferation 并没有让人变得多余，反而抬升了三类人类能力的定价——批判性思维与问题解决（49% 的领导者看重）、适应力与持续学习（52%）、创造力与战略思考（41%）。三者的共同点是恰好覆盖 Agent 的短板：批判思维对冲幻觉风险，适应力兜住边缘场景，创造力供给"定义问题"这一 Agent 不会的环节。Accenture 的表述是："智能可以规模化，问责不能。"
德勤则戳破了培训泡沫：员工接触 AI 工具的速度远快于真实使用——AI 工具渗透率一年内从不足 40% 跳到 60%，但拿到工具的员工里，日常工作中真正用起来的比例不足六成。著名的"装了不用"（installed but unused）问题：工具在场，习惯不在场。斯坦福补充了代际变量：生成式 AI 三年达到 53% 的人口普及率，快于 PC 与互联网；五分之四的大学新生在用 GenAI。明天入职的新人已经把"用 AI"当默认技能——围绕"员工会不会用"设计的培训菜单从第一天就过时了，真正的课题是"人与 Agent 协作""校验 Agent 输出""在 Agent 问责边界内工作"。
六、地缘维度：主权 AI 进入采购清单
两份报告把镜头拉到了国家层面。德勤：77% 的企业已把供应商国籍纳入采购决策，近五分之三在搭建 AI 栈时优先使用本土供应商——过去十年买云买软件很少问"你总部在哪"，2026 年起这成了标准问题。斯坦福 HAI 解释了原因：中美模型差距实质性收窄，2026 年 3 月领先者只领先 2.7 个百分点，"美国领先一代"的叙事已经结束；AI 供给从单极变成两极甚至三极。当 AI 成为关键生产要素且供给集中于少数国家，任何地缘摩擦都可能切断供应——企业的"本土优先"本质上是对冲断供风险。对国内企业，这与数据出境评估、私有化部署等既有合规要求形成合力：AI 采购不再只是"好用且便宜"，还要"在地缘压力下最不容易被断"。
七、FAQ
Q1：七份报告说的"规模化"到底有没有统一标准？
A：目前没有，这正是最大的坑。建议自建四档台账：探索（有演示无代码接入）、开发（PoC 在沙箱）、有限上线（灰度+人工盯守）、规模化生产（有归属人、有审批流程、有审计日志、有人工介入率统计）。对外比较任何百分比之前，先把它换算到你自己的档位表上。
Q2：80% 说数据是最大障碍，是不是意味着该先做数据治理再上 Agent？
A：不是二选一，而是顺序与配比。麦肯锡的建议是从第一个试点起就同步建"共享语义层"：选定的场景里，涉及的业务术语先定义统一、数据管道先打通、权限模型先画清——这些投入在下一个场景里直接复用。反过来，跳过数据层堆 Agent 数量，每个新场景都要重新踩一遍语义冲突，六个月后必然撞墙。
Q3：治理成熟度只有 21%，现在上 Agent 是不是太危险？
A：危险的不是上 Agent，是没有护栏地上。德勤同时指出：由高管层亲自塑造 AI 治理（而非全权下放给技术团队）的企业，取得的业务价值显著更高。最小可行治理清单其实很短：一份允许/禁止动作清单、一套完整审计日志、一个具名 Owner、一条成本上限告警线、一个明确的停用开关。五件齐备再放量。
Q4：EY 的 97% 正回报和麦肯锡的不足 10% 规模化，我该信谁？
A：都信，但各取其所。97% 适合回答"方向对不对"——几乎没人怀疑方向；<10% 适合回答"执行难不难"——难，且难点已知（数据、治理、人才）。把两个数合起来读恰好是完整的行动指南：方向确认，资源应从"要不要投"转向"怎么跨过激活鸿沟"。
参考来源（英文一手材料）：
Deloitte – The State of AI in the Enterprise 2026（n=3,235，24 国，2025-08/09 调研）
KPMG – Global AI Pulse Survey Q1 2026
McKinsey – State of AI Trust 2026 & Building the Foundations for Agentic AI at Scale（2026-04）
Accenture & Wharton – The Age of Co-Intelligence
Stanford HAI – AI Index Report 2026
EY – AI Pulse Survey Wave 3
ProfitVision LAB – Enterprise AI Adoption Trends 2026: Seven Reports Decoded（二次综述，2026-05）
