两条曾经同步移动的曲线，今年分开了。年收入超过10亿美元的机构，在至少一个职能中规模化部署AI智能体的比例从27%升至40%。低于这条线的机构，则从22%走到了22% (McKinsey, 2026)。
不是更慢。是纹丝未动。
这是McKinsey于2026年8月25日发布的人工智能现状调查中最值得停下来细看的发现——覆盖97个国家的1,719名受访者，调研期为5月4日至6月8日，并按各国对全球GDP的贡献加权。在智能体从演示走向生产范式的这一年里，一个群体完成了转化，另一个群体完全没有。
第一反应的解释是预算。数据不支持。第二反应的解释是技能。数据同样不支持。剩下的答案更不舒服，也更可执行：规模化部署AI智能体是执行能力问题，而执行能力恰恰是精简的运营团队无法用一张采购单买到的唯一投入。
这项调查究竟测量了什么
先说一个前提，因为它会改变你读这个数字的方式。McKinsey的切分依据是营收，不是员工人数。"较小机构"指年收入低于10亿美元——这个区间里包含大量远大于200人规模的公司。请把22%当作面向中型市场的方向性指标，而不是中型市场的普查结果。
在此前提下，这项发现的结构异常清晰：
- 在一个或多个职能中规模化部署智能体： 收入超10亿美元的机构从27%升至40%。较小机构持平在22%。
- 全企业范围的AI规模化（任何AI，不限于智能体）：大型机构54%，较小机构约三分之一。
- EBIT影响： 全体受访者中37%认为AI至少带来了一定的利润影响——与去年持平。
- AI高绩效者（至少5%的EBIT可归因于AI，且自评影响"显著"）：持平在受访者的约6%。
McKinsey还用同时完成2025年与2026年两轮调查的552名受访者，对同比比较做了验证。这一点很重要：重复横截面调查中扩大的差距，往往只是样本变了。这个差距经受住了面板检验。
所以总体叙事是停滞：EBIT影响不变，高绩效者不变。而在这个平坦的总量之下，一个群体在定义了这一年的那项唯一能力上，拉开了13个百分点。
预算不是真正的约束
我从运营负责人那里最常听到的解释是成本——智能体运行昂贵，推理账单不可预测，大企业能吸收，我们不能。
调查直接检验了这个说法。只有大约五分之一的受访者表示，与AI相关的运营成本（含token成本）限制了他们对AI的使用。60%预计所在机构未来一年会增加AI投资。28%已将超过10%的企业ICT总预算投入AI (McKinsey, 2026)。
一个计划加大支出、且并未把支出列为自身限制的群体，不是被钱卡住的。
还有一个相关发现在悄悄佐证这一点：32%的受访者放弃采购至少一项软件产品或功能，因为他们可以用智能体编码工具在内部自建。规模化部署智能体的机构不只是花钱方式不同。他们正在重新为"自建还是采购"定价。这是能力的位移，不是预算科目。
也不是技能差距
第二种解释是人才——大企业有AI工程师，中型市场没有。
最干净的反证来自一项样本本身就是中型市场的调查，而非把大企业数据向下翻译。CLA于2026年8月发布的Heartbeat Index覆盖722家中小型机构，发现69.9%的领导者认为自家员工已具备未来成功所需的技能。然而只有49.5%报告近期技术或AI投资带来了任何效率改善，仅20.2%报告了明显正向的影响 (CLA, 2026)。
这是一种倒置，不是差距。被研究的人群自己说：能力在，结果不在。
有一点需要保留：自评技能信心是一个较弱的测量工具，69.9%可能测到的是乐观情绪。但即使打折，它仍然说明中型市场领导者相信什么——因此也说明他们没有在哪里找问题。
如果花钱的人排除了预算，拥有技能的人排除了技能，那么剩下的候选答案就是工作本身。
规模化一个智能体，意味着承接一条被重新设计的流程
试点与规模化智能体之间的机械差别在这里，而且与模型质量无关。
试点运行在既有流程旁边。某个人空出来的周四、一份数据副本、一份由人审阅后再重新录入真实系统的输出。下游没有任何东西依赖它。不开会就能放弃。
规模化的智能体就是流程本身。这意味着交接被重写、异常路径被定义并有人负责、审计轨迹能让签字的人放心，以及当智能体在凌晨两点出错时有一个具名的人负责。这些都不是采购。这些全是组织外科手术，由那三个本来就在撑着整个季度的人来做。
研究从两个独立角度指向同一方向。
Deloitte的《State of AI in the Enterprise 2026》——覆盖24个国家的3,235名领导者——发现，对AI的响应明显偏向成本低的那一端。53%在培训员工以提升AI熟练度。只有30%围绕新的AI模式重新构想组织，33%在重新设计职业路径。仅34%在用AI深度改造产品、流程或商业模式；其余三分之二停留在渐进式改良 (Deloitte, 2026)。
Microsoft的《2026 Work Trend Index》——覆盖10个国家的20,000名员工，调研期为2月18日至4月20日——量化了这种失衡的代价。文化、管理者支持、人才实践等组织因素对AI实际影响的解释力，是个体因素的两倍以上：67%对32%。而在AI使用者中，只有26%表示领导层在AI战略上是对齐的 (Microsoft, 2026)。
培训是预算决策。重新设计流程是决策权决策。大型企业有专职做后者的人。中型市场的运营团队只有那三个还要负责月结的人。
这就是执行能力的论点——为了在认知立场上讲清楚：因果链条是我的解读，不是McKinsey的发现。McKinsey确立的是分化确实存在，而成本无法解释它。
诚实的反驳：也许原地不动是对的
认真对待反方论点，因为它有一部分成立。
总体回报没有变化。 EBIT影响停在37%，高绩效者约6%。一家较小的机构在可测回报并未改善的一年里按兵不动，并没有明显损失。等待工具成熟、单位成本下降，是对稀缺注意力的一种可辩护配置。
智能体规模化率不是业务结果。 它是投入指标。因为一项调查说大企业在追它就去追，是最纯粹的"试点病"——为了补一个基准值而非解一个约束去出资制造动作。
大企业的规模化部分是分母效应。 一家4万人的公司职能更多，因此至少有一个职能规模化了智能体的概率，会随规模机械地上升。那13个百分点里有一部分是面积，不是优越性。
反驳失效的地方，在于起步晚的代价。这13个百分点里积累的能力不是智能体专长，而是端到端重构一条流程并承受其后果的那块肌肉——它会复利、会在职能之间迁移，而且事后无法快速买到。今年重构了order-to-cash的竞争对手，明年重构quote-to-contract会更快。而你还在为第一次重构估价。
正确的结论不是"去规模化智能体"，而是：今年做一次真正的重构，让这项能力在回报真正出现时已经存在。
单一流程测试
务实的做法是停止资助一堆试点，在本季度端到端重构恰好一条流程。用四个问题来挑它。任何一个候选流程只要有一条不过关，它就是错的流程——不是因为智能体做不了，而是因为你做不完。
- 是否由一个人拥有完整路径？ 如果流程跨越了需要两位负责人达成一致的边界，你买到的是一场谈判，不是一次上线。第一条流程请留在单一管辖范围内。
- 动手之前是否有已测量的基线？ 周期时间、错误率、单笔成本、业务量。没有部署前的数字，你无法把真实收益和一个听起来合理的故事区分开——最后只会退回到"感觉更快了"。
- 是否有定义清晰、责任到人的异常路径？ 智能体不会大声失败，它们会合理地失败。现在就定好：谁审查多大比例的运行，以及当智能体自信地出错时会发生什么。
- 它是否枯燥、高频、且在内部可见？ 高频带来季度内的统计信号。内部可见意味着第一次失败是一堂课，而不是一次客户事故。
然后设一个决策闸口。季度末，这条流程要么规模化、要么终止、要么带着新假设被明确重新安排。悄无声息的漂移——那种既不死也不上线的试点——正是让曲线在22%上平了一整年的原因。
差距在复利累积，而它并非由金钱构成
真正该让你不安的数字不是40%，而是22%——与去年一模一样的22%，出现在一个声称不受成本约束、并认为自己的人已经准备好的群体里。
有钱可用、技能自评在位，却仍然原地不动，这不是资源问题。这是次序问题。成功规模化AI智能体的机构并没有买得更多：他们承诺把一条重新设计的流程一路做到底，包括异常路径。
在本季度结束之前，指定你要端到端重构的那一条流程，指定为它负责的那个人，并在今天写下起始基线数字——趁它还可测量。
