91% 的中型企业表示对自身内部的 AI 能力有信心。10% 真正把所有 AI 计划推进到了试点之后 (IT Brief UK, 2026)。
同样的 500 位受访者。同一份调查。同样的六周实地采集。
这两个数字之间的距离，就是中型企业 AI 试点的死亡之地——而大多数试点的死因，并不是眼下被投钱的那个。当同一批高管被问及项目为何停滞时，48% 指向 AI 能力不足。也就是说，他们指责的恰恰是自己刚刚打出 91% 信心分的那项能力。
这不是技能缺口。这是诊断错误，而且代价昂贵。
Klarus 的调查究竟测了什么
Klarus 与 Vitreous World 于 2026 年 7 月 8 日发布了这份中型企业 AI 研究。样本为英国和爱尔兰 500 位高级决策者，所在企业年营收 2 亿至 20 亿英镑、员工 300 至 3000 人——包括所有者、C 级高管、副总裁、总监及对技术决策拥有影响力的部门负责人 (IT Brief UK, 2026)。
采用本身不是问题。73% 已部分或全面部署 AI。在尝试过 AI 的企业中，只有 10% 把全部计划推进到试点之后，其余 90% 的工作仍停滞或困在早期阶段 (Klarus, 2026)。
这个群体并不边缘。Klarus 引用 NatWest 数据指出，英国中型企业仅占企业总数的 0.5%，却贡献了 30% 的总增加值。这一区间 90% 的停滞率不是科技行业的趣闻，而是一项国民生产率账目——更直接地说，是你的运营预算。
信心与能力的倒挂
把两个核心数字放在一起读，一种明确的病症就浮现了。
91% 对内部能力有信心。48% 把能力不足列为试点夭折的原因。39% 把"建设内部能力"列为未来十二个月的优先事项。
这三个数字不可能同时准确描述同一家组织。它们描述的是一支在抽象层面自信、在具体层面即兴发挥的团队——会用 AI 工具，却没有经受过把工具投入生产的检验。信心是真实的，只是它测量的对象错了。会写提示词，不等于会让模型跑在真实的运营数据上，并配备审计轨迹、责任人和回滚方案。
后果是预算错配。当管理层认定约束是能力，他们就去招人：买培训许可、办赋能周、挂出一个 AI 工程师的职位。与此同时，真正的堵点原封不动地留在下一层，下一个试点又死于和上一个完全相同的原因。
没人出钱解决的约束：中型企业 AI 试点为何卡在数据上
当被问到数据而不是人时，同一批高管是这样回答的。
在已试点或部署 AI 的企业中，83% 报告数据质量不佳。69% 表示这正在实质性阻碍或拖延 AI 工作 (IT Brief UK, 2026)。
而当项目确实达到预期时，受访者点出了原因：扎实的数据质量，59% 认为它至关重要——排在治理、安全、隐私与伦理（54%）之前。
这份调查自己回答了自己的问题。数据质量是成功者最常提到的成功要素，也是停滞者近乎普遍的抱怨。它只是没有成为被归咎的对象——因为怪自己的数据，远不如怪劳动力市场来得体面。
两家与中型企业咨询业务毫无利害关系的独立机构指向同一方向。Gartner 预测，至 2026 年，组织将放弃 60% 缺乏"AI 就绪"数据支撑的 AI 项目 (Gartner, 2025)。RAND 在对 65 位资深数据科学家与工程师进行结构化访谈后，把数据不足列入 AI 项目失败的五大根因之一——与误解问题本身、追逐技术而非用例、以及缺乏部署与维护模型的基础设施并列 (RAND Corporation, 2024)。
三组数据。一组来自英国中型企业调查，一组来自分析机构预测，一组来自访谈从业者的美国研究机构。没有一组把人才列为首要约束。
治理是同一个问题的另一个标签
这些企业中 59% 没有完整的 AI 治理框架。48% 把治理、伦理、安全或隐私顾虑列为停滞原因——与归咎能力不足的比例相同 (IT Brief UK, 2026)。
把这两点当成一个发现，而不是两个。没有治理框架的试点，没有通往生产的既定路径，因为没人回答过：谁为模型输出签字，输出错误时怎么办，哪些数据可以离开公司，九十天后谁来负责。缺少这些答案，成功的试点无法晋级，只能重做。
这就是 90% 背后的机制。大多数停滞的 AI 工作并非技术失败。它通过了试点，然后走到一道没人建过的关口前，等在那里。
只有 35% 计划在来年加强 AI 护栏。对大多数企业而言，那道关口依旧没有建起来。
为什么不该照单全收
我想坦诚地谈谈来源，因为对它打折扣的直觉有一半是对的。
Klarus 是一家技术服务公司，销售对象恰恰是这个市场。一份得出"中型企业需要更好的数据基础和更强治理"结论的调查，从商业角度看正是它想发布的调查。样本仅限英国与爱尔兰，因此具体百分比不能不加调整地搬到美国或欧盟的运营场景。而且此处每个数字都是自我报告：「83% 报告数据质量不佳」测的是高管对自身数据的看法，而非对数据的审计。
不过有两点反向的考量。
在这份调查里，自我报告偏差是不利于该结论的，而非有利。会把自身能力高估到 91% 的高管群体，并不倾向于夸大自身弱点。若有偏差，83% 更像是下限。
而且佐证是独立的。Gartner 关于 AI 就绪数据的预测与 RAND 的从业者访谈，产生于不同年份、不同大洲，与 Klarus 没有任何商业关系。当一份厂商赞助的调查、一份分析机构预测和一项学术型访谈研究彼此收敛时，厂商动机值得记下——然后放在一边。
它们都无法告诉你的是：你的试点是否因此停滞。这只有你自己的数据能回答——而以我的经验，几乎没人以这种具体形式提过这个问题。
这对一家 300 至 3000 人的公司意味着什么
这不是你已经读过的"试点炼狱"故事
关于 AI 试点为何停滞，中型企业已经被告知过三种说法：决策权无人拥有；成熟的项目治理过度、扼杀了自己的实验；以及现在这一条——数据层从未准备好。它们并不互相竞争。它们是同一条路上的三道关口，试点必须全部通过。
在运营层面真正重要的是次序。决策权和治理可以靠一个决定解决——有权者指定一名责任人和一条审批路径，这道关口周五就能存在。数据基础不行。跨三个系统对齐实体、回填没人设为必填的字段、为模型真正要读取的表建立血缘，这是一个季度不出彩、结尾没有演示的活儿。
而这恰恰是它在预算之争中一次次输给培训项目的原因。
精修数据的错觉
在这个规模上，你不会有一支还有余力的数据工程团队。你只有两三个知道每个系统里"真相"藏在哪儿的人，而他们早已满负荷。
这才是真正的规模化约束，也解释了大多数运营负责人都会认出的一种模式：试点在精修数据上成功，在生产数据上失败。试点跑的是某人手工准备的干净抽取。生产跑的是记录系统——里面有重复的客户 ID、自由文本的状态字段，以及四年没人校验过的迁移记录。
两次运行之间，模型没有任何变化。变的是数据。
还有一个值得记住的发现：45% 表示 AI 正帮助初级员工把工作做得更好或更快，24% 表示它正在创造新岗位 (Klarus, 2026)。AI 对中型企业劳动力的即时影响，表现为任务支持与岗位重构，而非裁员。如果你的 AI 商业论证建立在人力成本节省之上，而同行报告的是能力提升，那不是你更严谨，而是你在衡量一项这个市场尚未产出的回报。
在为下一个试点拨款前的三步
审计数据，而不是团队
在下一项计划拿到预算之前，取出它真正要消费的三个数据集，检查四件事：完整性、重复率、归属和血缘。不是整个数据仓库——就那三张表。这占用一名分析师一周时间，而它对试点成败的预测力，胜过任何对执行者能力的评估。
在跑试点之前就建好晋级关口
提前写下：试点要达到什么才能进入生产、谁签字、之后谁负责、输出出错时怎么处理。这个市场有 59% 没有这样的框架。没有既定出口的试点不是实验，而是一场有预算科目的演示。
把一英镑培训预算挪成一英镑数据预算
如果你的 2026 年 AI 计划为赋能和招聘拨款，却在数据质量上一分未拨，那你资助的是那个 48% 的解释，而不是 83% 的那个。你不必放弃培训。你需要在账本另一侧加一行，规模按一个季度的实际治理工作来定。
本季度的一个决定
拿出你最近一个没有规模化的 AI 试点，用一句话写清它为何停下。然后把这句话与它当时跑的数据对照。
如果诚实的答案是"模型没问题，管道有问题"，那你缺的从来不是 AI 能力，而是底下那件枯燥、无人愿意拨款、却完全可以修好的东西——那 90% 从未把中型企业 AI 试点做到规模化的人，大多是持续在为问题的错误一半买单。
91% 的信心买不到任何东西。10% 的规模化，才是记分牌上唯一的数字。
