决策者视角下的企业AI应用

AI加速进入生产应用 企业竞争转向价值兑现

德勤中国与香港大学 2026年9月

2026企业AI应用指数 香港大学与德勤中国 | 目录

目录

摘要 3

调研画像 5

• 1. AI应用日益深入，但实际回报低于预期 6
• 2. AI与业务价值兑现之间，缺乏有效的衡量机制 9
• 3. 应用AI的主要挑战在于重新设计工作流，将AI部署融入全链条运营 11
• 4. 未来AI的价值变现将逐步转向运营与创新类职能领域 15
• 5. AI将重塑企业的人力构成，尤其是对入门级岗位要求影响较大 18
• 6. 总结与展望 20

摘要

当前企业对于人工智能技术的应用已逐渐深化，为充分了解企业应用人工智能的状况， 我们对中国大陆及中国香港地区的205位企业高管进行了调研，覆盖包含医疗/制药、工 业/制造、金融服务、消费/零售与汽车在内的多个行业。调研结论体现了大型企业的AI 应用现状，也揭示了AI应用价值兑现的制约因素，以及未来企业AI应用的关注焦点和发 展趋势。

1.企业AI应用日益深入，但实际回报低于预期

• • 企业的AI应用处于生产应用阶段的比例持续提升。处于AI探索与试点阶段的企业占 比已经从2025年的36.7%下降到24.9%，进入生产部署阶段的企业从56.0%上升至 64.4%，提升约8.4个百分点。
• • 企业AI应用的实际回报往往低于预期。企业预期回报率集中在10%-25%区间，而实 际达成的回报更多落在10%以下。44.4%的企业无法明确核算AI项目的实际投资回报 率，该比例高于2025年的35.8%。

2. AI与业务价值兑现之间，缺乏有效的衡量机制

• • 多数企业缺乏有效评估AI应用效益的机制。调研显示，60.4%的企业尚未建立起体系 化的价值衡量框架。没有统一的衡量口径，企业很难判断哪些项目值得复制、哪些项 目应该收缩。企业可从价值评估、分阶段考核与投资管理三方面优化AI项目管理。
• • 当前AI应用效益主要体现在效率提升与成本节约。企业评估AI成效时，87.3%聚焦处 理速度与工时节约，70.7%关注成本节约，59.5%追踪质量改善，而涉及收入与客户层

面的仅占21.5%。收入与客户价值的传导链条更长，转化为价值难度更高。企业需将AI 节省的工时转化为经营收益。

3. 应用AI的主要挑战在于重新设计工作流，将AI部署融入全链条运营

• • 企业组织惯性、数据质量与安全顾虑是企业应用AI的三大障碍。偏向维持现状的流 程与激励机制，以及数据质量与可获得性，并列成为首要障碍，均为32.7%。企业推进 AI应用时，需要思考“是否具备承接AI的组织能力”：既要审视现有流程、职责分工和 激励机制能否支持AI进入日常业务，也要关注数据质量、系统连接、安全边界和合规 要求能否支撑AI在核心场景中稳定运行。
• • AI部署中的主要障碍来自于与现有系统的集成。在企业AI部署过程中，与现有系统的 集成困难是最突出的瓶颈，占56.6%，明显高于其他挑战。人工审核与质量控制，占 38.5%，以及审批、签核与治理流程，占37.6%。

4. 未来AI的价值变现将逐步转向运营与创新类职能领域

• 不同职能领域AI应用的回报水平与价值来源存在显着分化。IT与软件职能的ROI约 45%；产品研发、销售营销、内部知识工作场景整体具备较高回报潜力（20%-30%）； 供应链、HR、客户服务、风险法务、制造运营、财务后台的ROI整体偏低（15%以下）。 多数职能的AI价值仍集中于内部提效降本，依靠AI拉动营收增长、实现风险降低的成 熟落地案例相对有限。

• 未来AI应用重心将转向运营交付与研发创新职能，成熟通用职能进入整合优化期。 从未来AI投入优先级与应用渗透率的对比来看，运营交付、研发创新、销售零售与采购 寻源属于战略优先级较高的职能板块，即企业计划重点加码、持续扩张的方向；而客户 服务、IT技术、营销品牌、财务、人力资源、法务风控合规等职能板块投入优先级相对较 低，战略重心将转向存量项目巩固与整合。

5. AI将重塑企业的人力构成，尤其是对入门级岗位要求影响较大

AI对劳动力结构的影响集中在入门级岗位，中层管理承压，高层岗位相对稳定。入门级和 初级岗位的明显收缩；对中层岗位的影响表现为结构性重组，而不是单向减少，中层管理 岗位面临更大压力，管理角色将从监督转向协调与判断；高层岗位整体保持稳定，战略判 断与责任承担仍难以替代

６.总结与展望

企业AI采用率和生产部署程度不断提升，但AI工具的普及并不代表企业已经完成AI转 型。许多企业虽然已经引入AI，却仍然沿用原有的业务流程和运营模式，因此AI的作用 往往停留在提效层面，尚未充分转化为可衡量的组织绩效和经营成果。

预计至2026年底：

• 企业间AI的差距将更多体现在是否完成工作流重塑。依然沿用旧式流程来运行AI的

企业，很可能会面临更加不利的情况。行业引领者很可能是那些已在至少一个核心职 能中从试点阶段迈向规模化重构的企业，并在决策归属或产出质量方面取得了较为明 显的提升。

• • AI治理能力将成为企业扩大自主应用和建立市场信任的关键。拥有完整评估体系的 组织，将比那些仍依赖人工审批机制的组织更快速地推进AI自主化。治理框架将不再 只是一项合规打勾项，而会成为一种竞争优势信号。
• • AI价值衡量将从成本核算走向董事会层面的战略能力。仅通过成本节约来衡量AI投 资回报率的企业，将越来越难以证明加大AI投入的合理性。

领导者可聚焦以下事项：

• • AI转型重点应是流程变革，而非仅关注工具使用率。在规模化推广之前，先将一个工 作流端到端跑通，同时需要为重构做好准备。
• • 在推动AI治理与AI自主化方面，领导者需要厘清这些问题：哪些风险真正可解决，哪 些必须上报处理？当AI驱动的操作出了问题，谁来为结果负责？什么样的证据才能支 撑我们调整现有的防护机制？
• • 在ROI衡量方面：在部署之前就定义好成功的标准，并从成本节约迈向实际成果衡 量。随着AI从一系列试点项目演变为战略能力，推进董事会层面的AI价值报告将变得 越来越重要。

2026企业AI应用指数 香港大学与德勤中国 | 调研画像

调研画像

为厘清企业人工智能应用格局，本次调研面向中国大陆及中国香港地区、覆盖多个行业 的205位企业高管开展问卷访问。受访管理层群体具备鲜明的战略决策视角：67%的受 访者为首席执行官（CEO）、首席技术官（CTO）、首席信息官（CIO）及其财务、运营、营销 等高管，这类决策者直接定义企业发展优先级，搭建AI投资框架。

图：受访者画像（上）：样本规模与企业规模构成

205 79.5% 53.2%

位高管回复 来自员工人数 超过1,000人的企业

来自员工人数 超过5,000人的企业

本次调研样本以大型企业为主体，员工规模超过5,000人的企业占比达53%。由此，报告 结论主要反映的是大型企业在AI应用现状、价值评估难点、制约因素、发展趋势，以及管 理层对人力结构变化预判等方面的整体特征。行业分布上，医疗/制药（16.1%）、工业/制 造（15.6%）、金融服务（14.6%）、消费/零售（14.6%）与汽车（11.2%）位居前列。这些行 业普遍面临以客户为导向的业务转型与运营效率提升的双重压力，需在二者之间寻求动 态平衡，这也推动其成为AI试点探索与早期落地应用的前沿阵地。

图：受访者画像（下）：受访者职务与行业分布

职务 行业

37.1% 首席技术官/首席信息官 16.1% 医疗保健/制药 33.2% 其他高级管理人员 15.6% 工业/制造业 12.2% 首席执行官/总裁 14.6% 金融服务

• 8.3% 首席财务官 14.6% 消费品/零售
• 9.3% 首席产品官/首席人力资源官、首 席运营官与首席营销官

11.2% 汽车

需要特别强调的是，2025年与2026年的调研并非针对同一批企业的连续追踪研究，而 是每年独立抽取不同受访样本的横截面调查。因此，两年数据不宜直接等同于同一企业 自身的前后变化，仅适用于对比行业整体分布趋势的演进。

2026企业AI应用指数 香港大学与德勤中国 | AI应用日益深入，但实际回报低于预期

1. AI应用日益深入，但实际回报低于预期

1.1 企业的AI应用处于生产应用阶段的比例持续提升

Q1：以下哪项最能描述您所在组织当前的AI落地阶段？

2025

试验阶段 生产阶段 深度采用阶段

8.3%

28.4%

41.3%

14.7%

3.7%

3.7%

2026

12.2%

12.7%

30.7%

33.7%

试点阶段：-15.7 pp 跨多个团队：+19.0 pp

探索阶段 试点阶段 生产阶段：一个/少数团队 生产阶段：多个团队 规模化阶段 转型阶段

6.8%

3.4%

调研数据显示，企业AI应用的重点从探索试点转向规模化生产和深度业务改造。处于AI探索与试点阶段的企业占比从2025年的36.7%下降到24.9%，其中完全处于试点阶段的企业占 整体的比例从28.4%降至12.7%；与此同时，进入生产部署阶段的企业从56.0%上升至64.4%，整体渗透率提升约8.4个百分点。更值得关注的是，跨多个团队实现生产部署的企业占比 从14.7%提升到33.7%，一年内增长了一倍以上，表明AI正在从单点验证走向多部门常态化应用。然而，真正进入深度使用AI阶段的企业仅从7.4%小幅上升到10.2%。这意味着，尽管逾 半数企业已经把AI纳入了真实业务流程，但能够将其作为变革能力、并据此重塑业务模式的，仍仅有十分之一左右。

2026企业AI应用指数 香港大学与德勤中国 | AI应用日益深入，但实际回报低于预期

AI应用普及后，竞争焦点将转向落地价值兑现

推动企业部署AI的核心动力，在很大程度上来自工具性能的持续提升与使用成本的下降。 当AI工具普及之后，企业间的竞争焦点将转向三个方面：首先是数据资产的质量，直接影 响AI的输出效果；其次是流程改造能力，关乎AI在核心业务环节的落地水平；最后是投资 回报（ROI）的管控能力，支撑企业最大化释放AI价值。因为当所有企业都能获取同类AI工 具时，工具层面的先发优势，会被快速抹平；但数据积累与流程改造的深度难以被模仿，由 此形成极强的组织能力壁垒。未来真正拉开竞争差距的，在于谁能让AI在关键业务环节 上，持续产出可衡量与可验证的实际成果。唯有将数据基础、流程改造与ROI管控三者贯 通，才能避免AI投资陷入“普及率高、产出率低”的困境。

思考和启示： 依照自身AI应用成熟度, 分阶段推进AI落地

企业AI应用成熟度存在明显差异，不同阶段企业面临的核心挑战各不相同，从 简单叠加 AI 工具到工作流重塑，需要匹配差异化的推进策略。企业需要思考： 处于探索阶段，如何补齐数据、流程、人才基础，选择合适场景开展试点验证 并搭建价值评估体系；浅层部署阶段，如何聚焦核心业务实施端到端重构，设 定量化指标、定期复盘并及时止损低效项目；应用领先阶段，如何突破规模化 瓶颈，推动AI向供应链预测、工艺优化等高价值复杂场景延伸，最终建立长期 竞争壁垒。

2. AI与业务价值兑现之间，缺乏有效的衡量机制

2.1 多数企业缺乏有效评估AI应用效益的机制

Q3：企业目前如何评估AI应用的效益？

没有正式衡量/无正式评估

15.6%

主要依赖定性反馈

34.6%

仅使用量/采用指标

10.2%

针对选定用例的运营KPI

24.4%

系统化的业务、财务或风险KPI

9.3%

现阶段不适用

4.4%

不确定

1.5%

0% 5% 10% 15% 20% 25% 30% 35% 40%

调研显示，60.4%的企业尚未建立起体系化的价值评估框架，该群体由三类企业构成： 34.6%的企业依靠定性反馈做主观判断，15.6%的企业完全没有正式评估机制，10.2%的企 业仅简单统计产品使用、采纳情况。单纯依靠用户反馈、使用频次这类指标，只能反映工 具是否被使用，无法验证是否产生真实财务收益。评估体系缺失，是大量AI项目难以测算 真实ROI、回报不及预期的核心根源。仅有9.3%的企业使用系统化的业务、财务或风险KPI 来衡量AI价值的真实收益。AI价值评估能力未能跟随应用部署规模同步提升，这也解释了 Q2左图中为何调研中44.4%企业无法核算项目真实ROI的原因。

价值评估成熟度深刻影响AI投资效率

缺乏统一的价值评估口径，企业难以甄别哪些项目值得规模化复制、哪些项目应该收缩止 损。当大量AI应用仅能带来小幅效率提升时，核心挑战不再是拓展更多使用场景，而是识 别具备显著经济优化潜力的项目，并将收益转化为部门KPI与企业财务成果。与此同时，缺 少价值评估体系，极易引发资源错配：部分试点体验好但经济收益有限的项目持续消耗预 算；而长期价值突出、短期回报缓慢的场景，则会因缺少可量化依据被过早削减投入。

思考与启示： AI项目全周期管控，保障投入产出可量化

企业在AI项目部署过程中，需要从价值评估、分阶段考核、资产组合管理三个 维度搭建管控体系。企业需要思考：如何在立项阶段建立价值测算基线，减少 ROI评估的主观偏差；如何匹配项目不同落地阶段设置差异化考核指标；如何 建立项目组合复盘与止损机制，合理调配资源，把零散项目管理升级为资本配 置模式，确保AI投入能够产生可量化的经营价值。

2.2 当前AI应用效益主要体现在效率提升与成本节约

调研显示，企业评估AI成效时，87.3%聚焦处理速度与工时节约，70.7%关注成本节约，59.5%追 Q4：企业目前在哪些方面衡量或估算AI应用的影响？ 踪质量改善，而涉及收入与客户层面的仅占21.5%。这种分布反映出，AI最容易被感知的价值在 于如代码编写、信息检索等任务上的即时提效，使员工和部门能够快速获得正向反馈，成本效 率也便于通过工时、处理量等内部指标估算，因而成为最自然的早期衡量ROI的指标。但需要 注意的是，工时缩短并不自动等同于企业成本下降或经营价值提升；节省下来的时间若未被重 新配置到高价值环节（如直接创造收入的环节），效率收益将无法转化为可量化的财务成果。

速度/节省时间

成本节约/效率

70.7%

收入与客户价值的传导链条更长，转化为价值难度更高

相较于内部效率指标，营收、客户留存等经营结果受市场需求、定价策略及渠道管理等多重外 部因素干扰，AI的价值需要更长观测周期与更精细的分析框架。AI加速销售材料生成，未必直 接带来转化率提升；优化客服响应速度，也不必然等同于客户满意度改善。企业真正需要回答 的是：节省的时间最终去了哪里？是减少人员投入、提高单位产出、缩短交付周期，还是产生了 新的收入？只有完成这一步，生产率才会转化为经营价值。

质量/准确性/减少返工

59.5%

业务量/吞吐量

48.8%

87.3%

思考和启示：依托流程再造，将释放的人力转化为价值增量

工时与效率节省仅仅是起点。企业在部署AI的同时，需要配套设计组织流程，明确如 何重新配置AI释放出的人力时间。例如，客服人员如何从重复应答转向客户关怀与 交叉销售；工程师如何从基础编码转向架构设计与技术攻坚；分析师如何从报表、报 告制作转向市场洞察与决策支撑。倘若缺少这类主动的流程再造，效率提升将仅停 留在员工个人层面，难以转化为可量化的成本下降或收入增量。

员工生产力/体验

收入/客户影响

47.8%

21.5%

0% 20% 40% 60% 80% 100%

组织惯性是当前AI落地的首要障碍

当前制约AI部署的关键问题是企业内部的运行方式是否允许AI发挥作用。许多企业虽然 已经部署了AI工具，但在审批机制、职责划分、绩效考核和决策流程上，仍沿用传统模式， 导致AI难以嵌入核心工作流，只能停留在个别部门或个别场景的局部提效中。这一结果说 明，企业若不调整流程设计和协同方式，AI的能力就难以转化为实际经营成果。换言之，AI 的应用成效，不仅由工具本身决定，更由组织是否具备承接新工作方式的能力决定。

AI部署的深度取决于企业是否具备高质量数据基础

数据质量和可获得性不足同样以32.7%的占比并列第一，反映出企业在AI进入深水区后， 数据问题已从后台支持事项上升为直接影响业务效果的核心变量。对于多数企业而言，数 据仍然分散在多个系统和部门之间，存在口径不一致、完整性不足、实时性不够、授权机 制复杂等问题，这些都会直接影响AI输出的准确性。值得注意的是，数据质量问题与流程 和激励问题并列第一，这意味着AI的规模化落地依赖两类基础能力同时具备。一类是组织 能够改变工作方式，另一类是企业能够提供足够可靠的数据支撑。任何一项能力缺失，都 会使AI停留在难以进入持续运行和规模复制阶段。

安全、隐私和合规能力将直接决定AI应用边界

安全与隐私问题占第三名说明企业对AI的关注重点已经转向是否能够安全合规可控地使 用。尤其在涉及客户信息、商业敏感数据、员工数据或自动化决策的场景中，治理能力不 足将显着限制AI的应用范围。这一趋势说明，AI价值越接近核心业务，治理要求就越高。 若企业缺乏清晰的数据边界、权限控制、责任归属、输出审核和风险分级机制，即使业务 部门具备较强的使用意愿，AI也难以在关键流程中大规模落地。治理不再只是风险控制要 求，也正在成为企业推进AI部署的基础能力之一。

AI落地的关键在于是否有人能将其连接到业务需求并产生实际价值

AI要真正跑通实际业务价值，核心在于由懂业务的人推动落地，让AI工具贴合真实工作场 景，而不是停留在技术演示层面。近四分之一的企业认为缺少懂业务的AI落地人才，是阻 碍AI有效实施的主要原因。可见，多数企业仍缺少兼具业务理解与AI能力的复合型人才， 他们既能洞察真实的业务痛点，明确AI可以解决的具体场景，又能推动方案落地，并根据 实际效果持续迭代优化。否则，即使AI具备强大的技术能力，也很难真正转化为可量化、可 持续的业务提效成果。

思考与启示：企业采用AI的重点在于提升AI转化为业务价值的能力

调研结果表明，AI价值兑现不及预期更多受制于组织流程、数据基础、治理能 力和人才结构等条件是否成熟。企业推进AI应用时，需要思考“是否具备承接AI 的组织能力”：既要审视现有流程、职责分工和激励机制能否支持AI进入日常业 务，也要关注数据质量、系统连接、安全边界和合规要求能否支撑AI在核心场景 中稳定运行。同时，企业还需要思考如何让业务部门更有效地识别场景、定义问 题和判断价值。

3.2 AI部署中的主要障碍来自于与现有系统的集成 Q6：企业将AI引入日常工作流的主要部署瓶颈是什么？

在企业AI部署过程中，与现有系统的集成困难是最突出的瓶颈，占56.6%，明显高于其他挑战。 人工审核与质量控制，占38.5%，以及审批、签核与治理流程，占37.6%；其次是员工采纳度，占 31.7%，以及将AI输出转化为实际行动所需的专业能力不足，占29.8%。相比之下，选择AI部署案 例的重要性相对较低，占24.4%；下游对AI输出的吸收能力不足占11.2%；仅有5.9%认为AI仍然过 早或并不适用。可以看到，企业在AI实施部署中面临的主要挑战，是如何将AI真正集成到现有业 务运行体系。AI部署的重点正在从前期试验，转向与系统、流程、治理和员工行为相适配的运 营整合阶段。

引入AI时遇到的人员与组织瓶颈

与现有系统的集成

56.6%

人工审核与质量控制

38.5%

审批、签核治理

37.6%

系统集成已成为AI实施部署最突出的现实瓶颈

员工采用

31.7%

系统集成之所以成为最主要障碍，根本上在于它决定了AI能否从概念验证转变为稳定运行的业 务能力。对于大多数企业而言，核心业务仍建立在ERP、CRM、财务系统、客服系统、知识管理系 统及其他历史系统之上。如果AI无法顺畅连接这些系统，调用所需数据并嵌入实际流程，其作 用就只能停留在孤立的工具层面。

基于AI输出采取 行动的专业能力

29.8%

选择AI用例

24.4%

下游对输出的 承接/消化

11.2%

为时过早或不适用

5.9%

受访者占比

0% 10% 20% 30% 40% 50% 60%

2026企业AI应用指数 香港大学与德勤中国 | 应用AI的主要挑战在于重新设计工作流，将AI部署融入全链条运营

审核、质量控制与治理要求，表明AI正在进入更关键的业务环节

AI越接近核心业务，企业对准确性、风险控制和责任机制的要求就越高。人工审核与质量控制占38.5%，审批、签核与治 理流程占37.6%，均处于较高水平。企业不再只关注AI是否能够生成结果，更关注这些结果是否准确且符合治理要求等方 面，以及在出现偏差时如何界定责任。这也意味着，AI部署的成熟度正在提高。企业在试验阶段往往更重视功能和效率， 但在进入日常运营后，AI输出必须能够满足业务质量标准，并纳入既有的风控、审批和责任体系。如果缺乏必要的审核和 治理机制，AI即使能够提升效率，也难以被允许进入关键流程。

思考与启示： 企业须建立使AI能够稳定集成到 日常工作的条件

企业推进 AI落地时，重点不应停留在部署更多 工具，而应转向建设能够承接 AI的运营环境。 系统连接、流程适配、治理机制和员工协作能 力，都会影响 AI 能否从独立工具进入真实业 务流程，并将输出转化为实际业务行动。只有 当 AI 能够在既有系统中顺畅调用数据、在清 晰的风险边界内运行，并被员工理解和采纳， 企业才可能通过AI部署，实现持续、稳定的业 务价值。

员工采纳与行动能力，决定AI输出能否真正转化为业务结果

AI产生价值的关键，不只是生成结果，而是员工是否愿意使用并具备据此采取行动的能力。员工采纳度占31.7%，将AI输 出转化为实际行动所需的专业能力不足占29.8%，说明在系统和治理之外，人的因素仍是AI价值释放的重要决定变量。若 员工不信任其输出、不理解如何使用，或缺乏将其转化为判断与行动的能力，AI价值仍将停留在潜力层面。企业需要的不 只是让员工接触AI工具，更要让员工理解其边界、建立使用信任，并具备结合业务语境解读和应用AI输出的能力。只有当 员工能够将AI输出嵌入自身工作判断和决策流程时，AI的作用才会从辅助信息扩展为实际业务成果。

4. 未来AI的价值变现将逐步转向运营与创新类职能领域

4.1 不同职能领域AI应用的回报水平与价值来源存在显着分化

Q7：请列出最多三个迄今为止已产生最高估计ROI的AI支持任务或用例。

对于每一项，受访者需提供该用例、大致年度ROI以及主要回报来源（速度、质量、成本、收入、风险或其他）

ROI中位数（%）

信息技术与软件

50

第一梯队

产品与研发

销售与营销

40

第二梯队

30

内部知识工作

风险与法务

20

客户服务

第三梯队

供应链

人力资源

10

制造与运营

财务与后台职能

0

90/10 80/20 70/30 60/40 50/50 40/60 30/70 20/80 10/90

质量/准确性 风险降低 收入增长

气泡面积=已编码并命名的案例数 15 30 45

成本节约 速度 / 节省时间

调研结果显示，不同职能场景的AI项 目回报差异显著：高ROI场景收益大 多来自工时节省与成本优化；以营收 增长、风险压降为目标的场景落地难 度更高，ROI分化明显。按回报水平可 划分为三大梯队：IT与软件为第一梯 队，ROI表现领先；研发、销售营销、内 部知识工作归为第二梯队，属于中等 回报；供应链、HR、客服、财务后台、 制造运营、风险法务等为第三梯队， 整体ROI偏低。整体来看，多数职能的 AI价值仍集中于内部提效降本，依靠 AI拉动营收增长、实现风险降低的成 熟落地案例相对有限。

第一梯队：IT与软件

IT与软件场景的中位ROI约45%，在所有职能板块中位居首位，回报来源偏向成本节约与工时提速。生成式AI在代码辅 助开发等场景技术成熟度高，场景标准化、可复制性强，隐性投入相对可控，投入产出更容易量化验证。该职能也是调 研中少数项目回报能够超出预期的场景。

第二梯队：产品研发、销售营销、内部知识工作

本组场景整体具备较高回报潜力（20%-30%），但内部价值逻辑存在明显分化。内部知识工作与销售案例数量最多， 依托知识类脑力任务减少重复劳动，收益以工时节约为主。不过AI在其中主要是辅助功能，单项ROI未必达到IT等高 度结构化场景的水平。销售与营销是少数价值来源偏向营收增长、质量改善的职能部门，尽管AI可助力素材生成、 客户挖掘等工作，但业务成果受到市场、渠道等外部因素干扰，回报波动相对更大。整体来看，该梯队项目大多可以达 到预期，但能够超额兑现价值的比例并不高。

第三梯队：供应链、HR、客户服务、风险法务、制造运营、财务后台

这一组职能的ROI整体偏低（15%以下），价值创造以内部运营优化为主。供应链、HR、客户服务可实现15%左右的回 报，核心收益集中在工时节约；制造运营、财务后台等标准化事务场景，仅依靠单点工具提效带来的边际收益有限；风 险法务的价值体现为风险压降、合规质量提升，并不直接创造营收。这类场景普遍存在一个特点：业务链路复杂，单 纯部署AI很难突破收益天花板，想要提升ROI，往往需要配套大范围业务改造。

思考和启示： 区分不同职能场景的AI 投入效益， 差异化推进价值兑现

AI在不同职能场景的回报水平差异显著，这对企 业AI场景选择与资源分配提出新的考验。不同 职能ROI分化明显，高、中、低回报场景需要截然 不同的落地路径，同时多数企业仍依赖工时节 省、局部降本等简易指标评估AI收益，难以完整 衡量AI带来的经营价值。这其中企业需要思考： 如何基于ROI差异实施差异化落地策略，在高回 报场景规模化沉淀AI能力，在中等回报赛道做好 人机分工与工时重配，在低回报场景优先补齐数 据与流程基础；如何搭建覆盖业务、财务、战略 的多维度价值评估框架，理性接纳 AI 较长的回 报周期，完整衡量 AI 创造的经营价值。

• 4.2 未来AI应用重心将转向运营交付与研发创新职能 Q8：组织目前在哪些领域使用AI，哪些领域是未来采用AI的首要优先事项？

增量发展：运营交付和研发创新成为未来重点

60

从未来投入优先级与应用渗透率的对比来看，运营交付、研发创新、销售零售与采购寻源属于 战略优先级高于当前渗透率的职能板块，是企业计划重点加码、持续扩张的方向，也是未来 AI应用的增量发展重心。其中，研发创新、销售零售属于中高ROI（约30%）的价值场景，企业 期望借助AI直接提升营收增长潜力。采购寻源也表现出强劲的增长态势，渗透率由2025年的 20.2%提升至2026年的34.1%。

50

40

对于高优先级职能板块，也需清醒认识到：高优先级不等于高成功率。运营交付、研发创新场景 涉及多系统协同，需要重构数据权限与岗位职责，落地难度远高于普通知识类项目。如果仅把 AI当作辅助工具、业务流程保持不变，收益只能停留在演示层面。运营与研发场景的AI落地，本 质是组织变革能力的检验⸺唯有配套流程再造，才能将战略优先级转化为真实经营价值。

未来优先事项（%)

30

存量整合：成熟通用职能进入整合优化期

20

在渗透率-优先级矩阵中，未来投入优先级低于当前渗透率所对应水平的职能板块，战略重心 转向存量项目巩固与整合，涵盖客户服务、IT技术、营销品牌、财务、人力资源、法务风控合 规。其中，IT技术作为ROI最高（45%）的场景，回报表现最优，已实现较大规模落地，后续工作 重心可能不再是批量上新试点项目，而是沉淀标准化实施模板，放大现有项目价值。财务职能 在前期快速推广，渗透率由2025年的27.5%提升至2026年的44.9%，经过一轮快速扩张后，当 前应用水平已较高。客户服务、营销品牌、人力资源、法务风控合规等板块已有较多AI落地实 践，企业不再追求大范围新增试点，转而聚焦项目治理、收益分析与成本管控，着力解决大量 项目无法核算真实ROI、收益不及预期等突出问题。 当前使用（%）

10

0

10 20 30 40 50 60

2026企业AI应用指数 香港大学与德勤中国 | AI将重塑企业的人力构成，尤其是对入门级岗位要求影响较大

对中层岗位的影响表现为结构性重组，而不是单向减少

中层岗位的变化，核心不在于数量的绝对增减，而在于岗位内容、能力要求和价值定位 的调整。一部分岗位可能因AI提升个人生产率而减少人力需求，另一部分岗位则可能因 业务对AI协作、数据判断、流程优化和跨职能执行能力的需求上升而增加。这意味着，AI 不会简单削弱所有中层岗位，而是会重新定义其中哪些岗位更有价值。那些能够借助AI 提升决策质量、加快执行效率、承担更复杂判断任务的岗位，可能会获得更高需求；而 以信息传递、重复协调和标准执行为主的岗位，则可能面临收缩压力。

中层管理岗位面临更大压力，管理角色将从监督转向协调与判断

中层管理岗位中显示出较为明显的收缩倾向。传统中层管理往往承担任务分配、信息传 递、流程跟进和日常监督等职责，而这些工作中的部分内容正在被AI工具和自动化系统 更高效地支持，甚至替代。但这并不意味着管理重要性的下降，而是管理角色本身正在 变化。未来中层管理者的价值，可能不再主要来自信息控制和流程监督，而更多来自跨 部门协调、复杂问题判断、团队赋能、例外情况处理和资源整合能力。

高层岗位整体保持稳定，战略判断与责任承担仍难以替代

AI在提升分析和辅助决策能力的同时，仍难以取代领导层所承担的战略、责任和组织整 合作用，高层管理和高管岗位的预期变化幅度很小。高层岗位通常涉及战略方向设定与 资源配置，同时需要处理复杂权衡、组织领导及最终责任承担。这些职责不仅依赖信息 处理能力，也依赖经验与判断，并需要情境理解及承担结果责任的能力。

思考与启示： AI对人才金字塔进行重塑，企业需主动调整人才培养 和职业发展模式

AI对企业的人才体系提出了更深层要求，随着入门级岗位承压、中层岗位分化、 管理角色转向更高价值的协调与判断，企业需要重新思考如何设计初级岗位、 培养中层能力、评价管理价值。企业将需要重新思考如何培养未来人才，如何 缩短从入门到胜任的成长路径，以及如何在更少基础岗位的情况下建立持续 的人才供给体系。

3

2026企业AI应用指数 香港大学与德勤中国 | 思考AI转型与未来展望

2 AI治理需要与AI自主化同步推进

领导者可思考以下三个问题：

多数企业对提升AI自主性仍然保持谨慎，治理体系和信任基础尚未完全成 熟。AI越接近客户、财务、供应链、运营和研发等关键领域，企业对准确性、 可追溯性和责任认定的要求就越高。

哪些风险真正可逆，哪些必须上报处理？ 在AI正式投入工作流之前就把这些梳理清楚，而不是等第一次 异常状况来考验系统之后才亡羊补牢。

• 1
• 2
• 3

预计2026年底： AI治理能力将成为企业扩大自主应用和建立市场信任的关键

当AI驱动的操作出了问题，谁来为结果负责？ 权责不清是走不远的。在AI自主性进一步提升之前，责任归属必 须明确。

• • 拥有完整AI评估体系的企业，将能更快攀升AI自主权信任阶梯，从而比那 些仍依赖人工审批机制的企业更快速地推进AI自主化。
• • 到 2026 年底仍未设计好问责机制的组织，届时恐怕会发现这套机制已被 别人替他们设计好了⸺可能是来自监管要求，或是一次公开的 AI 事故。
• • 治理框架将不再只是一项合规打勾项，而会成为一种竞争优势。因为客户 和合作伙伴开始追问的，不再只是”有没有在用AI”，而是”AI的决策是如 何制定、监控和归属责任的”。

什么样的证据才能支撑我们调整现有的防护机制？ 治理机制应当随着实际证据不断演进，真正的瓶颈可能不在于 模型本身是否成熟，而在于缺乏建立信任所需的监控能力。

2026企业AI应用指数 香港大学与德勤中国 | 思考AI转型与未来展望

3ROI衡量应从成本节约转向业务成果

领导者可做出以下三项转变：

AI投资不断增加，但企业对AI价值的衡量能力仍然相对滞后。许多企 业仍然停留在衡量投入、使用量和局部效率的阶段，尚未建立能够反 映AI对业务能力和经营成果影响的完整体系。成本节约和工时减少是 AI最容易被观察到的价值，但并不一定等同于企业整体价值的提升。 例如，员工完成任务的时间缩短后，如果节省的时间没有被重新配置 到客户服务、产品创新、销售拓展或复杂决策等更高价值的工作中， 企业可能并未真正获得相应的财务回报。

在部署之前就定义好成功的标准。 将ROI衡量视为一个学习系统。提前设定成果假设，在工作流 中嵌入价值评估手段，并随着组织逐步了解AI究竟在哪些地方 真正改变了绩效，持续优化追踪指标。

• 1
• 2
• 3

从成本节约迈向成果衡量。 不要只问工作是否完成得更快了，更要问AI是否改变了原本不 可能实现的工作。单纯的成本削减记分卡，很难捕捉到决策质 量、风险态势或竞争定位方面的改善。

预计2026年底： AI价值衡量将从成本核算走向董事会层面的战略能力

• • 那些依然仅通过成本节约来衡量AI投资回报率的企业，将越来越难 以证明加大AI投入的合理性，因为董事会要求看到的不再只是运营 效率的提升，而是战略层面的价值证据。
• • 现在就开始构建多维度AI价值评估体系的企业，将有结构性优势： 它们能清楚地知道AI在哪些环节发挥了作用、下一步该往哪里投 入，以及如何在组织内部有力论证。
• • 董事会层面的AI价值报告，到2026年底将成为上市公司和大型企业 的必备能力。战略层面的度量意愿与董事会层面的实际执行之间，仍存在 很大落差，弥合这一差距需要对价值评估体系进行有意识的投入。

朝着董事会层面的AI价值报告推进。 那些已经在董事会层面汇报AI价值的企业，正在树立早期标 杆。随着AI从一系列试点项目演变为战略能力，董事会对多维 度回报的可见性将变得越来越重要。

关于德勤 德勤中国是一家立足本土、连接全球的综合性专业服务机构，由德勤中国的合伙人共同拥有，始终服务于中国改革开放和经济建设的前沿。我们的办公室遍布中国31个城市，现有超过2万名专业人才，向客户提供审计、税务、咨询等全球领先的一站 式专业服务。

我们诚信为本，坚守质量，勇于创新，以卓越的专业能力、丰富的行业洞察和智慧的技术解决方案，助力各行各业的客户与合作伙伴把握机遇，应对挑战，实现世界一流的高质量发展目标。

德勤品牌始于1845年，其中文名称“德勤”于1978年启用，寓意“敬德修业，业精于勤”。德勤全球专业网络的成员机构遍布150多个国家或地区，以“因我不同，成就不凡”为宗旨，为资本市场增强公众信任，为客户转型升级赋能，为人才激活迎接未 来的能力，为更繁荣的经济、更公平的社会和可持续的世界开拓前行。

Deloitte（“德勤”）泛指一家或多家德勤有限公司，以及其全球成员所网络和它们的关联机构（统称为“德勤组织”）。德勤有限公司（又称“德勤全球”）及其每一家成员所和它们的关联机构均为具有独立法律地位的法律实体，相互之间不因第三方 而承担任何责任或约束对方。德勤有限公司及其每一家成员所和它们的关联机构仅对自身行为承担责任，而对相互的行为不承担任何法律责任。德勤有限公司并不向客户提供服务。请参阅 www.deloitte.com/cn/about了解更多信息。

德勤亚太有限公司（一家担保责任有限公司，是境外设立有限责任公司的其中一种形式，成员以其所担保的金额为限对公司承担责任）是德勤有限公司的成员所。德勤亚太有限公司的每一家成员及其关联机构均为具有独立法律地位的法律实体，在 亚太地区超过100个城市提供专业服务，包括奥克兰、曼谷、北京、班加罗尔、河内、香港、雅加达、吉隆坡、马尼拉、墨尔本、孟买、新德里、大阪、首尔、上海、新加坡、悉尼、台北和东京。

本通讯中所含内容乃一般性信息，任何德勤有限公司、其全球成员所网络或它们的关联机构并不因此构成提供任何专业建议或服务。在作出任何可能影响您的财务或业务的决策或采取任何相关行动前，您应咨询合资格的专业顾问。

我们并未对本通讯所含信息的准确性或完整性作出任何（明示或暗示）陈述、保证或承诺。任何德勤有限公司、其成员所、关联机构、员工或代理方均不对任何方因使用本通讯而直接或间接导致的任何损失或损害承担责任。

© 2026。欲了解更多信息，请联系德勤中国。

Designed by CoRe Creative Services. RITM2641825