德勤。

企业在人工智能中的状态：未开发的优势

2026年1月

deloitte.com/us/state-of-ai

引言 03
概述 04
关于报告 07
关键发现 08
工作者访问权限和试点扩展 08
人工智能转型影响 10
人工智能熟练度与工作重塑 12
主权人工智能 15
代理人工智能 17
物理人工智能 22
人工智能准备情况 28
充分发挥人工智能的潜力 30
缩小访问与激活之间的差距 30
释放人类优势 31
在规模扩大前建立治理 32
解决主权人工智能需求 33
建立“活”的技术与数据基础设施 34
追求战略重塑 35
致谢 36
关于德勤人工智能研究所 39
方法论 40

引言

在历史上，我们最伟大的飞跃之一发生在人类创造力与变革性技术相结合的时候。从利用蒸汽到建立互联网，每个时代最大胆的突破都是从人们利用新工具来放大他们的潜力开始的。人工智能（AI）是这个故事的最新篇章。它已经改变了我们工作和创造的方式，但我们才刚刚开始探索人类专业知识和AI能力结合时可能实现的潜力。

当今商业领袖面临一个前所未有的挑战：超越试点阶段，真正将人工智能融入他们组织的核心。这需要一个明确的转变，人们设定愿景并做出负责任的选择，而人工智能提供洞察力、速度和规模，以实现这一雄心。这意味着用人工智能重新设计核心流程和运营模式，确保人类的优势——如判断力、创造力、同理心和关系建设——得到提升，而不是被自动化。

今年的企业人工智能状态报告捕捉到了这一关键时刻。一方面，我们看到组织明显加速：更广泛的员工可以访问人工智能工具，早期的生产力增长，以及对人工智能潜力日益增长的信心。另一方面，我们看到实验与真正的企业转型之间存在差距。许多组织主要使用人工智能来推动效率，而少数已经开始通过重新想象商业模式、产品、角色和工作方式来脱颖而出。领先的组织正在重新思考如何完成工作，如何构建团队，以及在日常运营中如何使人类和机器能力相互补充。

关键趋势也在重塑人工智能的未来：主权人工智能正在重新定义国家和组织的技术自主性，影响信任和竞争力；代理人工智能正在实现自主推理和行动，提出了新的治理和控制挑战；物理人工智能正在融合数字和物质世界，使得安全和人类监督变得至关重要。这些趋势预示着一个更加变革性的未来，要求组织策略将技术规模与人类指导和意图相协调。

现在是时候成为有远见的人——以可能之前未曾有过的方式重塑组织结构、角色和工作流程。我们希望本报告中的见解能够激励领导者采取实际步骤向前迈进，同时始终将人、目的和信任置于中心。

我们有机会也有责任从根本上重新思考人类和人工智能如何共同工作，以改变工作的未来并创造长期价值。

概述

当今的组织正处于人工智能潜力的未开发边缘。在代理、物理和主权人工智能方面的持续发展带来了新的挑战和机遇。势头正在积聚，然而最大的收益仍然在前方，因为组织将早期进展转化为可扩展的影响。随着人工智能超越数字核心，成功最终将取决于公司从雄心壮志转向实际行动的能力——将实验和潜力转化为大规模的现实世界商业价值。

德勤最新的《企业中人工智能的现状》调查捕获了来自世界各地的3200多名商业和IT领导者的意见，他们直接参与了公司的人工智能计划。本报告详细探讨了调查的见解，分享了领导者在继续他们的AI之旅时需要考虑的关键行动。

主要发现

人工智能正从试点和实验阶段转向企业级扩展，随着工人对人工智能的接触扩大

受访公司在短短一年内将工人对人工智能的接触扩大了50%，从不到40%增长到约60%的工人现在配备了官方批准的人工智能工具。虽然只有25%的受访者表示他们的组织已经将40%或更多的AI实验投入生产，但54%的人预计在未来三到六个月内将达到这一水平。

人工智能转型为大多数人揭示了生产力，为少数人揭示了业务重塑。

AI已经在提升生产力和效率方面发挥作用；只有一小部分公司正在使用它来彻底改变业务。如今，34%的公司开始使用AI来深度转型他们的业务，30%的公司正在围绕AI重新设计关键流程，而剩下的37%的公司仅在表面层次上使用AI，对底层业务流程几乎没有或根本没有改变。虽然每家公司都在获得生产力和效率的收益，但只有第一组公司真正地重新想象他们的业务，而不是优化现有的东西。

公司专注于建立AI熟练度，而不是围绕AI重新设计工作

尽管对自动化有很高的期望，但84%的公司还没有围绕AI能力重新设计工作或工作的本质。技能不足的工人被视为整合AI到业务中的最大障碍，但不到一半的公司正在对其人才战略进行重大调整。大多数公司专注于教育员工，但很少有公司重新架构角色、工作流程和职业路径。

随着主权AI的兴起，技术的构建地点和它能做什么一样重要

主权AI不仅仅是关于技术所有权。它关乎战略独立性。超过四分之三的公司（77%）表示，在选择新技术时，AI开发的位置是一个关键因素，这表明地理主权现在和创新一样重要。

被调查的公司表示，在选择新技术时，AI开发的位置是一个关键因素。

AI代理的增长速度超过了控制措施

自主AI代理正在迅速进入企业，但监督工作却滞后。近四分之三（74%）的公司计划在两年内部署代理式AI。然而，五分之一（21%）的公司报告说他们有一个成熟的自主代理治理模型，这引发了意外风险的担忧。

物理AI已经嵌入到运营中——并且其足迹正在迅速扩大

物理AI正在迅速成为全球运营不可或缺的一部分，58%的公司已经在某种程度上使用它，预计两年内采用率将达到80%。尽管制造业、物流和国防在全球范围内领先，但亚太市场的采用率领先，推动了机器人、自动驾驶汽车和无人机的广泛集成——为下一波工业自动化设定了节奏。

领导者在战略上对AI的准备比在基础设施和人才上的运营准备更为充分。

尽管人工智能（AI）已迅速发展，超越了生成式AI（GenAI）到代理和物理AI，但42%的公司认为他们的战略对AI的采纳高度准备就绪，30%的公司对风险和治理持同样看法——这两项自去年以来都有所上升。对于技术基础设施、数据管理和人才的准备情况感知略有下降，这揭示了在创新速度下现代化系统和技能的持续挑战。

公司认为他们的战略对AI的采纳高度准备就绪。

关于企业AI年度状态报告

这份年度报告是在2025年8月至9月期间对来自六大行业和24个国家的3235名董事级至C级管理层的受访者进行的。行业包括：消费品；能源、资源和工业；金融服务；生命科学与医疗保健；技术、媒体和电信；政府和公共服务。调查数据通过与来自各行各业的大型组织的全球C级高管和AI及数据科学领导者进行的15次访谈进行了补充。有关方法论的详细信息，请参见第40页。这份年度报告是德勤AI研究所™持续系列的一部分，旨在帮助商业、技术和公共部门的领导者跟踪AI变化和采纳的快速步伐。

了解更多。→

关键发现

AI正从试点和实验阶段转向企业规模扩展，因为工人对AI的访问权限在扩大

根据我们最新的调查，工人对AI的访问权限在短短一年内扩大了50%——从不到40%增长到不到60%的工人拥有对AI工具的授权访问权限，目前有11%的领先公司为工人提供接近普遍（超过80%）的授权AI工具访问权限。然而，在拥有访问权限的工人中，不到60%的人在日常工作中使用它——这一模式与去年相比几乎没有变化。这表明，尽管访问权限在扩大，但企业AI仍然被低估，其生产力和创新潜力仍然大部分未被开发。

规模加速已经开始

从试点到生产无疑是捕捉AI价值最重要的一步——然而，这是许多公司停滞不前的地方。尽管企业正在以加速的步伐尝试AI，但许多企业却难以将这些实验扩展成能够交付可衡量业务影响的解决方案。

如今，25%的受访者表示，他们的组织已经将40%或更多的AI实验投入生产（图1）；然而，有54%的受访者预计在未来三到六个月内将达到这一水平，这表明通往价值的道路是清晰且可行的。这些早期的规模化者凸显了从试点到企业规模的加速转变。

图1：AI实验部署比例（百分比）

问题：据您估计，迄今为止，您的AI实验（例如，试点项目、测试案例等）有多少已经部署到您的组织中（即已投入生产）？N=3,235

关键发现

概念验证陷阱

为什么这么多的试点项目无法进入生产阶段？答案在于试点和生产需求之间存在根本性的不匹配。试点项目通常可以在几个月内由一个小团队在隔离环境中使用清洗过的数据运行。然而，生产部署通常需要基础设施投资、与现有系统的集成、安全审查、合规性检查、监控系统以及持续的维护——每一项都需要显著更多的资源和协调。

生产还暴露了试点可能隐藏的现实情况。在测试中达到高准确性的模型在处理大规模边缘案例时可能证明是不足够的。预计三个月可以完成的用例在出现集成复杂性时可能会延长到18个月。在试点中作为学习机会的失败在生产中变成了商业风险。

在控制条件下进行AI实验的组织通常会看到积极的结果，但无法始终预测哪些用例将带来最高的投资回报率。这种缺乏明确的价值实现创造了一个恶性循环，其中公司继续资助新的试点项目——这些项目相对成本低、风险低——而不是面对将现有成功扩大规模的更艰难工作。

“如果组织中没有连贯的AI战略，你可能会看到试点疲劳。”

缺乏明确的价值实现创造了一个恶性循环，公司继续资助新的试点项目——这些项目相对成本低、风险低——而不是面对将现有成功扩大规模的更艰难工作。

从孤立的试点项目转变为真正的企业影响的挑战得到了实际领导AI工作的人们的共鸣。一位医疗AI领导者表示：“如果组织中没有连贯的AI战略，你可能会看到试点疲劳。你追逐下一个闪亮的对象，被迫做一些与AI相关的事情，但没有一个真正的计划。我见过很多这样的情况，人们开始进行试点项目，但当被问及如果成功他们将如何扩大规模时，他们往往没有答案。没有明确的路线图，执行一百个试点项目只会导致结果不佳和价值创造失败。”

AI转型揭示了对大多数人来说的生产力，对少数人来说的业务重新想象

AI在现实世界中的商业影响正在迅速上升，有25%的领导者现在报告说AI正在对其公司产生变革性的影响——比一年前的12%翻了一倍多。信任和投资也在激增，有84%的组织增加了他们的AI投资，78%的领导者报告对这项技术有更大的信心。然而，大多数公司仅处于大规模AI驱动转型的边缘。

超越生产力和效率

AI已经在效率和生产力方面带来了广泛的收益；然而，在其他领域的收益实现起来则需要更长时间。特别是，收入增长在很大程度上仍然是一个期望，有74%的组织希望将来通过他们的AI计划实现收入增长，相比之下，只有20%的组织已经做到了这一点（图2）。

这些数字表明，AI即将突破并带来一系列远远超出效率和生产力改进的广泛收益。然而，最终，AI的成功不仅仅在于提高效率，甚至也不仅仅是增长收入。它关乎在市场中实现战略差异化和持久的竞争优势。

图2：今天实现的AI收益与希望实现的收益（百分比）

问题：关于您从AI努力中获得的收益：您今天实现了哪些收益？您希望实现哪些收益？N=3,235

组织正在重新定义他们的工作方式，但并非所有组织都达到了相同的深度。在被调查的公司中，有三分之一（34%）已经开始使用AI深入地转变他们的业务——创造新产品和服务，重新发明核心流程，甚至根本改变他们的商业模式。另外三分之一（30%）正在围绕AI重新设计关键流程，但保持他们的商业模式不变。剩下的三分之一（37%）正在以更表面的方式使用AI，对现有流程几乎没有或根本没有改变（图3）。虽然每种方式都在获得生产力和效率的收益，但只有第一组组织真正地重新想象他们的业务，而不是优化已经存在的东西。

一家矿业公司的AI和自动化以及全球工程负责人解释了他们如何采取大胆、战略性的方法进行AI转型，将AI嵌入到公司的核心产品和服务中，最值得注意的是将传统的采矿设备转变为具有传感器和预测分析的智能、互联平台。“AI不仅仅是一项技术……我们希望它能够被每个人用于日常使用，并且无处不在。但我们还想颠覆市场。”该组织不仅专注于内部改进，而是通过使用AI为自身和客户解锁新的价值，并创造新的数字解决方案和收入来源，重新想象其业务。

图3：当前使用AI进行转型的方法*

"AI不仅仅是一项技术……我们希望它能够被每个人用于日常使用，并且无处不在。但我们还想颠覆市场。"

公司专注于建立AI熟练度，而不是围绕AI重新设计工作。

在一年内，超过三分之一的受访公司（36%）预计至少有10%的工作将完全自动化。当展望三年后的情况时，大多数受访公司（82%）预计至少有10%的工作将完全自动化。

这些变化需要仔细思考职业道路。在定性访谈中的领导者表达了对由于自动化而导致的专业发展管道潜在中断的担忧。他们公司的入门级工作，如数据录入、对账和初级客户支持，正在优先考虑自动化，但这些工作通常是更长职业生涯的起点。组织可能需要开发替代的职业晋升途径，确保员工拥有包括基础流程在内的专业知识。

36%的工作在一年内将完全自动化。

大多数公司尚未围绕AI重新设计工作。

尽管对自动化有很高的期望，但84%的公司尚未围绕AI能力重新设计工作。

AI不仅仅是增强现有流程。它通常需要从根本上重新思考运营模式和工作完成方式。一个一直使用判断和经验来批准贷款的贷款官员现在必须与提供推荐的AI系统合作。这引发了问题：他们何时应该忽略AI？如何向客户解释决策？他们的专业知识和职业轨迹会发生什么变化？

入门级和任务对齐的角色可能最受影响，因为自动化可能会取代常见且耗时的任务。然而，随着前线工作变得更加自动化，监督者和管理角色可能会转向人类-Al团队的协调。这促使许多组织探索更扁平的结构：53%的公司自考虑豆荚式或非层级模型以来，因为越来越少的角色需要监督大型团队；然而，只有16%的公司已经大幅度或最大程度地转向这些模型。

84%

受访公司尚未围绕AI能力重新设计工作。

关键发现

人才策略不足

员工对AI的感觉是混合的，但谨慎乐观。虽然13%的非技术工人对AI非常热情，并积极寻求使用它——55%至少愿意探索它——但怀疑仍然存在：21%的人宁愿不使用AI，但如果需要也会使用；4%的人积极不信任并避免它。

根据被调查的领导者所言，工人技能不足是将人工智能融入现有工作流程的最大障碍。然而，不到一半的公司正在对其人才战略进行重大调整，其中大多数（53%）仅仅专注于教育员工以提高人工智能的熟练度（图4）。虽然大多数人都专注于教育员工，但很少有公司重新构建角色、工作流程和职业路径。

提升劳动力技能并支持业务团队适应新的AI技术：“我们正在对业务部门的人员进行再培训——投入大量资源以确保他们采用新的AI工具，以便他们能够提供更大、更好、更智能的服务。”公司对劳动力转型的愿景不仅仅局限于基础的技能提升。相反，重点是确保员工能够从传统角色转变为更多战略性的职位——这些职位将得到AI工具的支持。“例如，将来我们希望看到AI能够使今天的定价分析师成为定价策略师。”

一家大型物流组织的AI和创新总监强调了

图4：因AI而调整的人才战略（百分比）

教育更广泛的劳动力以提高整体AI熟练度

结合或重新构想基于AI使用产生的新工作模式的组织

设计和实施提升技能和再培训策略
测量工人对AI的信任和参与度
评估目标人才招聘水平并招聘专门人才以推动AI计划
重新设计职业路径和职业流动性策略
评估技能供需预期的变化
改变全职、合同和临时工之间的平衡
提供基于绩效的激励措施以利用AI
问题：由于采用AI工具/能力，您的组织如何调整其人才战略？N=3,235

随着主权AI的兴起，技术的构建地点与它能做什么一样重要

主权AI是指一个国家——以及在其境内运营的公司——在自己的法律下设计、训练和部署AI，使用他们控制的基础设施，使用本地治理的数据。目标是减少对外国供应商在关键AI能力上的依赖。

一个新的董事会问题

超过八成的公司（83%）认为主权AI至少对他们的战略规划有中等程度的重要性，近一半（43%）认为非常重要或极其重要（图5）。

同样，66%的公司至少对依赖外国拥有的AI技术和基础设施表示中等程度的担忧，有22%表示非常担忧或极其担忧（图6）。
图5：在战略规划中数据居住地限制和计算考虑的重要性（百分比）

问题：数据驻留限制以及在国家/地区的计算考虑对贵组织的战略规划有多重要？*由于四舍五入，数字可能不会加起来等于100%。N=3,235

图6：对依赖外国拥有的人工智能的担忧程度（百分比）

问题：您在多大程度上担心贵组织依赖外国拥有的人工智能技术和计算能力？N=3,235

主权人工智能的实际应用

主权人工智能的兴起立即带来了实际影响。跨国公司必须应对不同国家的复杂要求，迫使它们为不同市场构建定制解决方案。现在有超过四分之三的公司（77%）在选择供应商时会考虑人工智能解决方案的来源国，近三分之二的公司（58%）主要使用本地供应商构建其人工智能堆栈。这表明地理主权现在和创新一样重要。

正如一家大型电信公司的前可观测性副总裁所指出的，“我最近与许多国际公司合作，他们坚持我们必须使用国内基础设施。对于一些客户，我们采取的方法是为他们构建一个小型语言模型，以满足进出口控制规则，因为我们是在他们的国家构建的。”对于国有企业来说，当你使用国外的东西时，他们会有怀疑。

主权人工智能的压力因地理和行业而异。美洲只有11%的公司依赖外国来源的解决方案来构建他们大部分的人工智能堆栈，而在欧洲/中东/非洲（EMEA）这一比例为32%。在美国，州级部署考虑因素正在日益塑造格局。

最终，主权人工智能不仅仅是关于技术所有权。它关乎战略独立。通过构建在其自身控制下的基础设施（由其自身数据、模型、人才和生态系统驱动），公司能够安全且负责任地进行创新。

现在有超过一半的受访公司会在选择供应商时考虑人工智能解决方案的来源国。

77%

人工智能代理的增长速度超过了安全措施

经过多年非人工智能聊天机器人回答基本问题之后，公司现在正在部署能够设定目标、通过多步骤任务进行推理、使用工具和应用程序编程接口（APIs）以及与人或其他代理协调工作的高级人工智能代理。这一转变将人工智能从信息和洞察的来源转变为能够以不同方式执行任务的系统。

代理人工智能将激增

Agentic Al will surge

在去年的《Al状态报告》中，26%的受访者表示他们的组织已经在很大程度上或非常大程度上探索自主代理开发。这些早期的探索努力现在开始转化为现实世界的使用，并有望在不久的将来推动预期的采纳率急剧上升。

如今，23%的公司至少在一定程度上使用代理Al。然而，在未来两年内，代理Al预计将变得几乎无处不在，近四分之三的公司（74%）至少在一定程度上使用它，23%的公司广泛使用它，5%的公司将其完全整合为核心运营组成部分（图7）。

图7：代理Al使用程度（百分比）

问题：您的组织在运营中在多大程度上使用代理Al？N=3,235

关键发现

Al代理解锁了广泛的应用案例

虽然预计代理Al在客户服务方面将产生最大影响，但供应链管理、研发、知识管理、网络安全等领域的应用案例也被视为具有特别高的潜力。我们采访的企业已经在多个职能中部署了Al代理：

一家金融服务公司正在构建代理工作流程，以自动捕捉视频会议中的会议行动，起草提醒参与者下一步行动的通信，并跟踪后续情况。

一家航空公司正在使用Al代理帮助客户完成最常见的交易，如重新预订航班或重新路由行李，从而释放人类代理的时间来处理更复杂的事务。

一家制造商正在使用Al代理支持新产品开发倡议，利用Al在成本和上市时间等竞争目标之间找到最佳平衡。

在公共部门，Al代理被用来应对劳动力短缺，与人类工人合作完成关键流程。

多数公司期望定制代理以适应其业务的独特需求。

Al代理并不消除人类的价值。

采用代理型人工智能可能会在短期内增加对独特人类优势的需求，例如适应性和判断力。一家大型电信公司的前可观测性副总裁说：“我们原以为我们会自动化工作，但事实并非如此。你不会的。你将会给现有工人提供力量倍增器，让他们能够更有效率。也许有一天，这些事物将开始变得无头，它们只是依赖于仪表盘指标，你可以撤回工作人员，等待一个警报唤醒某人，或者如果发生严重问题，屏幕上会闪烁红色。但在初期，这将是那些人的更多工作。他们不会闲着；他们将观察这些代理，确保量度指标正确，确保定性指标正确，并在它们遇到需要与人类互动的人工智能环节时，准备与人类互动，以确保问责。”

“我们原以为我们会自动化工作。但事实并非如此。你不会的。你将会给现有工人提供力量倍增器，让他们能够更有效率。”

管理代理型人工智能的风险

大约五分之一（21%）的受访公司报告称，目前拥有成熟的自主代理治理模型。鉴于技术的快速采用轨迹，这可能是一个重大限制。随着代理型人工智能从试点项目扩展到生产部署，建立健全的治理应该是捕获价值同时管理风险的关键。

管理代理型人工智能需要超越传统人工智能监督的新方法。与提供推荐供人类采取行动的传统人工智能系统不同，代理直接采取行动——进行购买、发送通信或修改系统。组织需要为代理的自主性设定明确的界限，定义哪些决策代理可以独立做出，哪些需要人类批准。实时监控系统对于跟踪代理行为并标记异常至关重要，同样重要的是审计跟踪，它记录了代理行动的完整链条，以帮助确保问责并促进持续改进。

那些取得最大成功的企业正在采取一种审慎的方法——从低风险用例开始，建立治理能力，并有目的地扩展规模。这包括建立跨职能治理结构，将IT、法律、合规和业务单元领导聚集在一起，制定政策、监控绩效和管理升级。在建立这些治理基础之前急于广泛部署代理可能会使组织面临重大风险。

21%

报告称目前拥有成熟的自主代理治理模型。

关键发现

深入了解治理

人工智能治理作为增长的催化剂

当人工智能从实验阶段转向部署时，治理是成功扩展与停滞不前之间的区别。在人工智能时代，治理不仅仅是防护措施——它是负责任增长的催化剂。

公司最担心的人工智能风险都与治理有关。数据隐私和安全以73%的比例位居首位，其次是法律、知识产权和合规性（50%），治理能力和监督（46%），以及模型质量、一致性和可解释性（46%）（图8）。

在与人工智能领导者进行的定性访谈中收集到的见解揭示了治理是一个令人关注的问题。在一些组织中，领导者发现人工智能模型已经被部署到生产中，而没有正式的监督或监控流程。特别是，一位人工智能领导者发现没有一个清晰的清单，列出所有当前活跃的人工智能工具和模型，因为开发工作是在没有系统跟踪或对生产中运行的内容进行集中可见性的情况下进行的。

对于那些认真想要获取人工智能价值的组织来说，应该将治理视为一种战略能力，而不是事后考虑。那些现在就建立强大的治理框架的组织将能够快速且安全地扩展人工智能。另一方面，那些将治理视为一项检查清单练习的组织可能会发现自己无法将人工智能从试点阶段推进到生产阶段，被他们未能解决的风险所阻碍。

图8：最令人关注的人工智能风险（百分比）

实体人工智能已经嵌入到运营中——并且其足迹正在快速扩大

实体人工智能是感知现实世界、做出决策并通过机器或控制系统驱动物理动作的人工智能系统类别。它位于人工智能与机器学习、传感器、控制和机器人技术的交汇处。

实体人工智能的整合已经在扩展，有58%的公司报告至少有限地使用实体人工智能，在这些公司中，有18%正在以中等或更大的程度利用它。然而，预计在两年内，任何规模上使用实体人工智能的公司比例将达到80%——其中15%将广泛使用实体人工智能，3%将完全将其作为运营的核心元素进行整合（图9）。

图9：实体人工智能使用程度（百分比）

问题：您的组织目前在运营中使用实体人工智能（例如，机器人技术、自动化机械）的程度有多大？N=3,235

Question: To what extent is your organization currently utilizing physical Al (e.g., robotics, automated machinery) in its operations? N=3,235

调查结果显示，亚太地区的组织在物理人工智能（AI）的早期实施方面处于领先地位。71%的亚太地区受访者报告至少有最小程度的物理AI使用，而在美洲和EMEA（欧洲、中东和非洲）这一比例分别为56%。亚太地区不仅采用率最广，而且报告中等或更高程度使用的组织比例也最高（亚太地区为20%，美洲为17%，EMEA为18%）。展望未来，90%的亚太地区受访者预计至少会有最小程度的物理AI使用，而美洲为77%，EMEA为81%。这是一个有意义的增长预期。然而，物理AI的预期采用曲线明显比基于软件的代理AI慢，后者在同一时间段内预计将从23%增长到74%。这种差异反映了物理部署固有的挑战：更高的成本和资本要求、更长的开发周期、更严格的安规要求，以及对专用硬件和维护的需求。

图10：物理AI使用程度（百分比）

问题：您的组织目前在运营中使用物理AI（例如，机器人、自动化机械）的程度如何？美洲N=3,235，EMEA N=1,170，亚太地区N=475

控制环境处于领先地位

物理AI的应用覆盖了广泛的工业和商业环境。例如，我们采访的一家公司正在自动化包裹分拣和路由，同时赋予仓库机器人更多的自主权，以决定如何存储物品以最大化地面空间。其他常见的用例包括装配线上的协作机器人（cobots）、具有自动响应能力的检查无人机、机械臂和无人驾驶叉车。在制造、物流和国防等领域，采用尤其先进，机器人、自动驾驶车辆和无人机已经开始重塑运营。

早期采用的一个关键因素是环境控制。在工厂和仓库等受控领域进行的物理AI用例往往比在开放的现实世界环境中进行的用例进展得更快，因为在开放环境中面临的挑战和风险要复杂得多且不可预测。

预期影响最大的物理AI类型

随着物理AI的更广泛采用，某些类型预计将产生更大的长期影响：智能安全系统和/或智能监控（21%）；协作机器人（20%）；数字孪生（19%）（图11）。

接受访谈的人工智能领导者分享，智能监控器和数字孪生技术已经在显著改变运营流程。例如，公司正在使用3D店内地图来支持室内设计和虚拟现实培训。这些详细的数字复制品允许设计团队根据实际店内扫描创建定制环境，并为面向客户和零售员工提供真实的培训体验。

图11：预计将产生最大影响的物理人工智能类型（百分比）

在餐饮业务中，人工智能技术被用于目标营销和自动化库存管理。例如，计算机视觉使得在整个餐厅工作流程中自动跟踪食品和饮料项目成为可能——从下单到交付，优化库存控制，并使员工摆脱重复性任务。

为了帮助确保公众接受和信任这些解决方案，公司应专注于使它们安全、可互操作，并能抵御中断和网络威胁。与在数字环境中操作的软件人工智能不同，物理人工智能系统与人、设备和基础设施的互动方式可能会在发生故障或被破坏时带来安全风险。这提高了测试、认证和持续监控的重要性。

公司还必须应对复杂的监管环境，这些环境因行业和地理位置而异。物理人工智能系统通常需要获得安全监管机构的批准，遵守特定行业的标准，并遵循可能没有考虑到自主系统的责任框架。这些要求增加了部署的时间和成本，但对于负责任的采用是必不可少的。

在我们的调查中，成本被频繁提及为物理人工智能部署的主要障碍。在评估物理人工智能的商业案例时，决策者应考虑总拥有成本，而不仅仅是初始设备成本。完整的成本图景包括为适应新设备进行的设施改造、传感器和机器人本身、与现有系统和工作流程的集成、维护和备件，以及在实施和故障排除期间的潜在停机时间。

这些成本可能会显著超过对人工智能模型和软件的初始投资。一个仓库自动化项目可能需要数十万美元进行人工智能开发，但需要数百万美元的物理基础设施、机器人系统和设施改造。那些低估这些成本的公司可能会面临项目延期或在实施过程中半途而废的风险。

领导者们感觉在人工智能方面，他们在战略上比在基础设施和人才方面准备得更充分。

尽管人工智能（AI）已经从通用人工智能（GenAI）迅速发展到具有代理和物理形态的人工智能，但42%的公司认为他们的战略对人工智能的采用高度准备就绪，30%的公司对风险和治理持同样看法，这两个数字自去年报告以来分别增加了3个百分点和6个百分点（图12）。这些领域可能已经更快速地发展，因为它们主要依赖于高层的决策和政策制定。

图12：对人工智能采用的准备程度（百分比）

未准备好稍微准备好中度准备好高度准备好

与此同时，与去年相比，对于技术基础设施（43%）、数据管理（40%）和人才（20%）的高准备度感知有所下降，这揭示了在创新速度下现代化系统和技能的持续挑战。实际上，大多数受访者认为解决其组织优先人工智能计划的关键挑战将需要超过一年的时间——在当今快速发展的高度竞争市场中，这已经太久了。

正如一家大型欧洲银行的AI战略负责人所解释的：“许多组织为人工智能的未来做准备，通过为传统人工智能模型建立基础设施和治理。随着大型语言模型（LLMs）的出现，这些努力被颠覆了。突然间，出现了一种新的能力，与以往的人工智能不同。现在，传统的人工智能用例——从头开始训练模型、定制界面——已经减少。几乎80%到90%的新用例是生成式人工智能。所以是的，公司准备好了，但却是为了一个不同的未来。生成式人工智能需要一套新的能力。”

“几乎80-90%的新用例是生成式人工智能。所以是的，公司准备好了，但却是为了一个不同的未来。生成式人工智能需要一套新的能力。”

挖掘人工智能的全部潜力

研究表明：人工智能的变革潜力是真实的，但要抓住它，需要的远不止技术投资。组织应该将人工智能视为基础。最成功的企业不是那些拥有最多人工智能项目或最大预算的企业，而是那些将人工智能融入其运营、竞争和增长基础的企业。

下面是六个关键领域，帮助您的企业抓住人工智能未被开发的优势：

缩小访问与激活之间的差距

大多数组织已经部署了人工智能工具，但真正实现有意义使用的却很少。可用性与采用之间的差距现在是价值实现的主要障碍。成功的企业专注于激活，而不仅仅是访问。

高绩效的实施始于授权员工进行实验、分享早期成果，并成为内部倡导者。仅靠自上而下的指令很少能推动有意义的变革。由高级赞助支持的草根采用创造了动力，并有助于确保解决方案与真实的业务流程相一致。

激活需要早期关注实际限制：系统集成、数据权限和操作可靠性。对于将人工智能应用于数字流程以及物理系统（如机器人、物联网设备或机械）的组织来说，早期规划这些运营现实尤为重要。那些从一开始就为部署而设计的组织，而不是将规模视为事后考虑的组织，采纳率要高得多。亲身体验、特定角色的培训和高层管理的明确支持，实际上会改变员工的行为。将试点项目视为通往生产的阶梯，而不是孤立的实验，这样的领导者更有可能实现更快、更持久的影响。

通过围绕人工智能重新设计工作来释放人类优势

人工智能正在各个层面上重塑工作。虽然大多数组织目前关注个人生产力，但领导者正在围绕扩展的人工智能能力重建流程、角色和职业路径。

最成功的组织重新构想工作，将人类的优势和人工智能的能力无缝结合，确保两者都发挥出最大的潜力。新的角色——人工智能运营经理、人机交互专家、质量守护者等——标志着更深层次的转变：人工智能现在是组织工作方式的结构性组成部分。先进的组织简化了人工智能可以全流程执行的工作流程，而人类则专注于判断、异常处理和战略监督。目标不是

替代人类或仅仅协助他们，而是创造人类和人工智能之间的互补工作关系，在这种关系中，结合的产出超过了任何一方单独能实现的。

随着人工智能吸收了常规执行任务，组织结构开始变得扁平化。一些公司正在合并技术和人员领导职能，以确保系统和劳动力设计一起发展。速度因行业而异，但方向一致：角色、技能和职业路径应该重建，而不仅仅是调整。组织应该采取人工智能原生方法，全面重新设计工作，而不是在遗留流程上叠加人工智能。

在扩展之前建立治理，并使其成为每个人的角色

治理不再是合规性练习；它是实现快速、自信扩展的机制。那些高级领导层积极塑造人工智能治理的企业的商业价值显著高于那些将工作仅委托给技术团队的企业。真正的治理使监督成为每个人的角色，将其嵌入绩效标准中，以便随着人工智能处理更多任务，人类承担起积极的监督责任。这种共享责任赋予员工帮助识别挑战和指导安全、可信的人工智能使用的权力。

有效的治理与现有的风险和监督结构相结合，而不是并行的“影子”功能。它侧重于识别高风险应用，强制执行负责任的设计实践，并在适当的情况下确保独立验证。领先的组织会主动监控法律要求的变化，并建立可以证明安全、公平和合规的系统。

自主系统增加了对数据和网络安全治理的需求。组织需要定义人类应保持控制的地方，如何审计自动化决策和数据使用，以及应保留哪些系统行为记录。跨职能团队——技术、法律、合规和业务——早期建立治理框架，以便规模不会超过控制。同时，治理应调整以平衡风险管理与创新，确保监督能够促进实验而不是限制它。目标不是增加官僚主义，而是创建清晰、适应性强的护栏，允许在速度下负责任地进步。

以专注和纪律应对主权AI要求

随着国家政府加速建立主权AI能力，企业可能会面临越来越复杂的期望，包括数据控制、模型透明度、合规性和本地化。主权AI不再仅限于公共部门；它正在重塑每个处理敏感数据或在不同司法管辖区运营的组织的要求。同时，计算策略成为核心组成部分，需要仔细评估数据驻留和处理位置（例如，在云、本地、混合或边缘环境中）以保持与不断发展的法规和性能需求的一致性。

领先的公司采取专注的方法：评估哪些数据和工作负载必须保留在国家或地区边界内，确定在哪里本地模型托管是强制性的，以及如何在不同市场中明确透明度、可审计性和文档标准的差异。他们为数据驻留、模型重新训练和跨境流动建立明确的政策，由能够同时满足多个监管制度的基础设施支持。

忽视主权AI限制的企业将面临日益严重的运营中断、更高的合规风险和对关键市场的访问受限。那些积极应对的企业会建立战略优势：他们可以减少监管不确定性，增强客户信任，并在主权问题占主导地位的行业中定位自己为首选合作伙伴。主权AI的准备现在是企业韧性和全球竞争力的核心要素，而不是一个专门的合规任务。

为明天的人工智能构建一个“活的”技术和数据基础设施。

传统的数据和基础设施架构无法为实时、自主的人工智能提供动力。随着人工智能的能力从软件扩展到设备、机械和边缘位置，组织需要评估他们的技术基础是否准备好支持潜在的物理人工智能部署。现代化应该创建一个活生生的人工智能骨干：一个全组织的实时系统，能够动态适应商业和监管变化，将基础设施从IT项目提升为战略能力。

领导者正在启用模块化、云原生平台，这些平台可以安全地连接、管理和整合所有数据类型，促进快速实验和无缝扩展。他们通过领域拥有的数据产品打破孤岛，并嵌入隐私、主权和安全设计，同时执行企业标准以保证质量、互操作性和血统。这种平衡的方法提供了由集中控制支持的分散创新。

统一、可信的数据战略是不可或缺的。糟糕或碎片化的数据会增加风险并破坏每一个AI计划。有远见的组织汇聚运营、体验和外部数据流，并投资于发展平台，以预见新兴AI的需求。基础设施决定了企业的速度；那些早期进行现代化改造的可能会加速，而其他企业则会受到限制。

追求战略性的重新发明，而不是渐进的效率提升。

一个日益扩大的性能差距将那些将AI视为战略核心的公司与那些将AI视为成本节约工具的公司区分开来。领先的组织大量投资于使用AI重塑运营并创造新的收入流，抵制追逐每一种流行技术的压力，而是选择真正推进战略目标并带来实际价值的举措。

这些组织在多个层面上追求增长：加强当前运营、扩展到相邻市场，以及建立完全由AI支持的新业务。他们从基础开始重新思考组织，并想象如何在没有遗留约束的情况下构建，而不是数字化旧流程。这还包括重新想象商业模式并适应新兴趋势，如主权AI。这种有意的重新发明是实现超额回报的最强预测因素之一。

主权AI。这种有意的重新发明是实现超额回报的最强预测因素之一。

自主人工智能系统正在加速这一转变。在知识密集型产业中，它们可以吸收大量的常规工作，使人们能够专注于更高层次的活动。高绩效企业正在围绕能够感知环境、做出决策并独立行动的系统进行重组，平衡大胆的转型与运营连续性。它们以适合组织准备就绪的速度前进，做出深思熟虑的权衡，并培养基于证据而非炒作的明智决策。战略机遇在于发现竞争对手难以轻易复制的新价值来源。

随着代理型、物理型和主权人工智能的快速发展，不断扩展了可能的边界，今天的公司正处于挖掘人工智能全部潜力的边缘。无论是弄清楚如何利用最新的尖端创新，从试点项目跃升到大规模部署，还是使用人工智能创造持久的竞争优势，全球的企业都处于用人工智能自我转型的边缘。现在的挑战是激活：弥合从工具访问到有意义采用的差距，从实验阶段走向规模化运营人工智能，将人工智能嵌入核心业务流程——将技术潜力转化为企业价值。

德勤。

企业在人工智能中的状态：未开发的优势

目录

引言

概述

主要发现

公司专注于建立AI熟练度，而不是围绕AI重新设计工作

随着主权AI的兴起，技术的构建地点和它能做什么一样重要

AI代理的增长速度超过了控制措施

物理AI已经嵌入到运营中——并且其足迹正在迅速扩大

领导者在战略上对AI的准备比在基础设施和人才上的运营准备更为充分。

关于企业AI年度状态报告

关键发现

规模加速已经开始

关键发现

概念验证陷阱

AI转型揭示了对大多数人来说的生产力，对少数人来说的业务重新想象

超越生产力和效率

"AI不仅仅是一项技术……我们希望它能够被每个人用于日常使用，并且无处不在。但我们还想颠覆市场。"

公司专注于建立AI熟练度，而不是围绕AI重新设计工作。

大多数公司尚未围绕AI重新设计工作。

84%

关键发现

人才策略不足

随着主权AI的兴起，技术的构建地点与它能做什么一样重要

一个新的董事会问题

主权人工智能的实际应用

77%

Agentic Al will surge

关键发现

Al代理解锁了广泛的应用案例

Al代理并不消除人类的价值。

管理代理型人工智能的风险

21%

关键发现

人工智能治理作为增长的催化剂

实体人工智能是感知现实世界、做出决策并通过机器或控制系统驱动物理动作的人工智能系统类别。它位于人工智能与机器学习、传感器、控制和机器人技术的交汇处。

控制环境处于领先地位

预期影响最大的物理AI类型

领导者们感觉在人工智能方面，他们在战略上比在基础设施和人才方面准备得更充分。

挖掘人工智能的全部潜力

下面是六个关键领域，帮助您的企业抓住人工智能未被开发的优势：

缩小访问与激活之间的差距

通过围绕人工智能重新设计工作来释放人类优势

在扩展之前建立治理，并使其成为每个人的角色

以专注和纪律应对主权AI要求

为明天的人工智能构建一个“活的”技术和数据基础设施。

追求战略性的重新发明，而不是渐进的效率提升。

新时代代理人工智能转型下的运营重塑：COO的4大领导优先事项

常见问题