从“AI价值悖论”到“代理式AI”的产业化落地，麦肯锡的这份洞察不仅揭示了企业在AI部署中的真实困境，也勾勒出下一阶段的技术演进路径。本文将带你系统梳理麦肯锡的核心观点，并结合产业趋势，探讨代理式AI如何重塑组织价值链与决策模式。

麦肯锡9月份密集发布了两篇报告：一份聚焦企业在生成式AI上的「 价值悖论 」，另一份则探讨了Agentic AI（代理式 AI）在先进产业中的应用。

两份报告放在一起看，可以更清晰地理解 AI 在企业中的真正价值点和落地路径，我会着重分享报告中提到的几个实际应用案例。

这两篇报告分别是：Empowering Advanced Industries with Agentic AI 和 Beyond the Hype: Unlocking Value from the AI Revolution，感兴趣的小伙伴可以直接搜索。

一、什么是 AI 的价值悖论

麦肯锡的报告指出，全球超过80%的企业已经开始使用生成式 AI，但同样比例的企业尚未看到明显的营收提升或成本下降。

换句话说，“会用工具”不等于“创造价值”，造成这种现象的原因主要有：

1. 应用零散，缺少端到端流程重构

大多数企业只是在局部环节尝试 AI，用它来生成文档、代码或营销素材，但并没有把 AI 嵌入到完整的业务流程中。结果就是效率提高了一点，但无法真正影响利润表。

例如，如果在生产线上只用 AI 检测缺陷，但后续的分析、派单、整改还是人工断点，就无法形成价值闭环。

2. 缺乏与业务价值挂钩的目标

很多项目停留在“省了多少时间”这样的指标，而没有和收入提升、成本下降等核心财务目标挂钩。管理层自然也难以看到实实在在的效果。

3. 执行和组织机制不足

人才不足：缺少既懂业务又懂 AI 的跨界团队；协同不畅：部门之间壁垒严重，AI 项目难以推广到全公司；使用动力不足：一线员工往往把 AI 当作“额外工具”，缺少强制的应用机制。

4. 技术和数据基础碎片化

很多企业的数据分散在不同系统里，缺乏统一治理和可复用的数据产品；技术架构往往是“一次性搭建”，难以扩展。

5. 缺乏可靠性和治理机制

在一些高风险、高价值场景（比如质检、研发、财务），企业担心 AI 的输出不可控、错误无法追责。因此更多停留在低风险的“试水”，自然难以形成规模价值。

二、案例：AI 如何在企业中创造价值

1. 制造企业的质检闭环

一家制造企业把 AI 应用到生产质检的多个环节。传统做法依赖人工抽检，既耗时又容易漏检。

企业首先引入视觉检测模型，对产品进行全量扫描；随后由 AI 代理自动归因，调用历史数据和案例库，生成初步的“缺陷原因假设”；最后，AI 会自动生成整改报告，并分派到相关责任人，确保问题跟踪到底。

在这个过程中，AI 不再是“辅助”，而是成为闭环系统的一部分。结果是，生产良率明显提升，整体利润率在两年内翻了一倍。

2. 全球电子公司的平台化探索

另一家公司选择从技术底座入手。它没有急着在某个具体环节“炫技”，而是搭建了一个模块化的平台：

统一的数据治理，保证不同部门用的是同一套干净的数据；多模型和评估机制，允许根据场景切换不同模型；开源的编排框架，让代理能够组合起来完成更复杂的任务；混合云 GPU 集群，保证算力的灵活性。

这种“乐高式”架构，让企业能够在不同业务线快速复制成功案例，避免了“一次性大投入、难以扩展”的陷阱。

3. 互联网企业的组织驱动

一家互联网公司不仅在销售、编程、产品设计三大领域引入了生成式 AI，还配套了完整的组织变革措施：

首先，高层主动示范应用 AI，起到带头作用；同时对员工进行体系化培训并设立行为激励，鼓励一线团队在日常工作中应用 AI；用 KPI 和使用率指标来跟踪落地情况。

这种“机制化推动”让 AI 使用不再是“可选项”，而是融入到员工的日常工作中。

4. 汽车供应链中的代理式 AI

在研发环节，一家汽车一级供应商利用多代理系统和 LangGraph 框架，让 AI 自动根据历史需求和测试库生成新的测试用例。对于一些常见的需求类型，生成测试用例的时间缩短了一半，尤其对初级工程师帮助显著。对于“全新场景”则仍由人工主导，以保证可靠性。

在销售环节，一家卡车制造商部署了多代理系统，自动完成“客户筛选—潜客研判—销售话术生成—合规校验”的全链条工作。3–6 个月内，该公司的销售拓客活动翻了一倍，订单量增加了 40%。

从这些案例可以看到，AI 的价值来自三个要素：

1. 流程闭环：让AI参与从发现问题到解决问题的完整链路；
2. 平台化能力：构建可扩展的技术底座，避免重复造轮子；
3. 组织机制：通过培训、激励和考核，把AI融入日常工作；

生成式 AI 打开了想象空间，而代理式 AI 则让“自主行动”和“规模复制”成为可能。最终能否见到价值，取决于企业是否愿意把 AI 当作“组织的一部分”，而不仅仅是一个工具。

三、如何真正从 AI 中获得价值 —— 麦肯锡的建议

1. 以价值为锚，而不是以技术为导向

先明确 AI 要带来什么样的财务效果，例如收入增长、成本下降、库存周转改善，而不是只盯着“能不能用 AI”。

同时，找到对利润表影响最大的环节，把 AI 融入其中。如，把衡量指标从“节省了多少时间”升级为“利润率提升多少、现金流改善多少”。

2. 从零散用例走向端到端流程重构

不要只做几个孤立的试点，而要以业务域为单位，重构完整的流程。让 AI 从监测—分析—决策—执行都能参与，而不是停留在某个环节。

例如：质检流程中，AI 不仅检测缺陷，还能自动归因、生成整改方案，并跟踪执行情况，形成闭环。

3. 构建模块化、可扩展的技术底座

采用“乐高式”架构：数据治理、模型管理、编排与评估、统一用户体验分层解耦。避免厂商锁定，支持多模型、多代理协作，确保平台可以不断扩展。

同时，在算力上采用混合云，降低试错成本并提升灵活性。

4. 通过组织机制推动规模化应用

首先，管理层要亲自使用和推广 AI；体系化培训一线员工，并通过 KPI、激励和考核推动应用；同时，建立懂业务、懂 AI、懂交付的“数字交付工厂”，快速迭代用例。

5. 分阶段落地，而非“一次性大投入”

0–30 天：梳理价值主线，挑出高潜力场景；30–90 天：快速做出 MVP（最小可行产品），搭建初步代理编队并灰度上线；90–180 天：沉淀可复用的能力层（数据产品、评估机制、身份与审计），并把成功经验复制到更多流程。

6. 建立治理和风险控制机制

明确human-on-the-loop（人在环上）的决策边界，关键节点必须人工把关。同时建立日志与审计机制，保证可追溯。

引入验证代理，对 AI 输出进行交叉检查，提升可靠性；分级数据管理，避免敏感数据泄露，同时对齐行业监管。

综上，麦肯锡的两份报告传递出一个共同的信息：AI 正在从“辅助工具”走向“自主合作伙伴”。企业若想从中获益，必须从根本上重新思考业务流程、组织架构和技术基础。

以上，祝你今天开心。