一份2699人的调研，把企业AI的差距从模型上挪开了

设想这样一个工作场景。

一位银行风控专员早上打开系统，AI 已经把当天可疑交易里的三十多笔标了红。她皱了一下眉头，在其中一笔上点了"推翻"。

不是因为她认定系统判错了。恰恰相反，她大概率也觉得这笔交易有问题。真正让她停下来的，是系统没有告诉她依据是什么。于是她自己翻了四十分钟流水，在原有判断之外补了两条理由，重新提交。

只看结果，这个决定几乎没有什么损失——结论没变，只是员工多花了四十分钟。

而这并不是个例。SAS 联合 IDC 在 2026 年 9 月发布的《数据与 AI 影响力报告：信任的新经济学》（Data and AI Impact Report: The New Economics of Trust）显示，受访的使用者中，有 97.2% 至少在某些情况下推翻过 AI 给出的建议。而推翻的首要原因，不是员工认定答案有问题，而是系统解释不了自己怎么得出的结论。

这份调研覆盖 28 个国家、2,699 名对企业数据与 AI 策略具备了解或影响力的决策者，横跨银行、保险、生命科学与公共部门。它最扎眼的数字是另一个：在可信 AI 五个维度上得分最高的组织，报告 AI 项目获得强劲或高 ROI 的概率，是落后者的 15 倍——62% 对 4%。

被推翻的 AI：一笔没人记账的损失

97.2% 数字本身说明不了什么。人在回路的设计本来就默认会有人为干预，很多场景里甚至鼓励干预。

真正值得关注的是理由：推翻的首要原因，不是员工认定答案有问题，而是系统解释不了自己怎么得出的结论。

过去两年，企业 AI 的投资逻辑很大程度建立在准确率上——模型越准，人越确信，用得越多。但这份数据指向的是另一条瓶颈：一个无法解释的正确答案，同样会被丢掉。

而每一次丢弃，都是算力已经付了、价值没有回收。它不会出现在任何一张财务报表上，因为从结果看那个决定并没有出错，它只表现为员工多花掉的”四十分钟”，以及一套本该被信任、最终仍被当成草稿对待的系统。

SAS 首席技术官 Bryan Harris 提到了另一组数字，可以佐证这种谨慎的现实基础：他指出，当前最先进的智能体在复杂任务上的错误率仍可能超过 25%，这个水平在高风险决策中不可接受。

换句话说，在"说不清"的前提下，员工选择推翻，其实是一种理性。问题在于，当这种理性成为常态，AI 的投入产出就永远卡在了半路上——钱花出去了，系统也用起来了，价值却在最终被人工重新核算了一遍。

AI 越能干，人越不敢放手

另一个发现把这个问题指向了智能体时代：受访者对生成式 AI 的信任度是 76%，对自主程度更高的智能体 AI 则降到 66%。

方向很明确，系统越自主，人越不安。

这构成一个有点尴尬的悖论。企业上智能体的全部意义，在于让它多干一点、让人少管一点；可信任度恰恰随着自主性的提升而下降。技术能力在往上走，授权意愿却没跟上。

于是，智能体落地的真正瓶颈浮出了水面：它不是"Agent 能不能做到"，而是"组织敢不敢让它做"。这也解释了 Gartner 在 2025 年 6 月发布的预测——到 2027 年底将有超过 40% 的智能体 AI 项目被取消。而它给出的三条理由，成本失控、商业价值不明确、风险控制不足，没有一条指向模型本身。

17.5%：卡住智能体的不是模型，是数据基础

那么，信任从哪来？

报告给出的结论不算新，但分量确很重：只有 17.5% 的企业拥有成熟度足以支撑智能体 AI 需求的、完全优化的数据基础设施。而那些数据“地基”扎实的组织，预期从 AI 项目获得高 ROI 的概率高出 4 倍，强制实施"数据质量与可解释性控制机制"的可能性高出 6 倍。

这里有一条清晰的因果链：数据基建的成熟度决定可解释性的上限，可解释性的上限决定组织愿意授予多少自主权，而自主权最终决定 AI 的价值天花板。

反过来看，数据治理恰恰是最难在立项时被批准的那笔预算：周期长、见效慢，而且不产生任何可以放在汇报里演示的效果。于是多数项目选择绕开它先跑起来，然后在规模化那一步集体卡住。

这也是整份报告最有价值的一句判断：获得最大价值的组织，未必部署了不同的技术，而是以不同的方式管理 AI。

合规先行，“基建”欠账

对于企业来说，有一组数据更需要对号入座。

大中华区有 61.5% 的组织已将自身 AI 成熟度评为"整合"或"转型"阶段，但数据基础设施达到"受管理"或"已优化"阶段的比例只有 43.4%。报告的判断是：这一地区治理体系的推进速度快于底层数据基础设施建设，而且这一进程在本轮周期中快于其他任何市场。

这几乎是中国企业 AI 现状的一幅精准速写：合规先行，基建欠账。

国家网信办数据显示，截至 2026 年 4 月，全国已有 868 款生成式 AI 服务完成备案、530 款应用完成登记。治理框架可以在半年内搞定——成立 AI 治理委员会、发布负责任 AI 政策、完成算法与大模型备案。但数据来源的可追溯性、数据质量的稳定性、血缘关系的清晰度，这些都没法轻易解决。

风险在于，治理一旦跑得太快，容易滑向纸面上的合规：制度写在文档里，底下的数据撑不起来，可解释性就成了无源之水。2026 年以来，从 3 月起施行的《人工智能科技伦理审查与服务办法（试行）》，到人工智能生成式服务安全评估相关指南，要求正在往更具体的环节下沉。当监管的颗粒度开始从"模型"细化到"功能"与"场景"————基建欠账就不再只是技术问题，它正在变成合规问题。

企业的答案：差距不在于用在哪，在于敢放多开

报告里最显著的一组对比来自银行业。

报告显示，领先银行中 85% 已建立 AI 治理框架，落后者只有 29%；66% 的领先银行预期获得强劲或高 ROI，是落后者的 6.6 倍。两个群体对 AI 最重要应用场景的判断几乎一致：信贷、风险、资格审核、金融犯罪侦测。

分歧出现在别处。41% 的领先银行把"自动化调查与案件管理"列为关键任务，落后者中这一比例只有 7%。

同样是反洗钱，一类银行的 AI 只负责把可疑交易挑出来交给人工，另一类让 AI 把调查和案件处置跑完。场景相同，自主程度不同，价值差了一个数量级。

这说明差距从来不是"想让 AI 干什么"，而是"敢让它自己干到什么程度"。而"敢"这个字，是用治理能力换来的。

信任正在变成一门会计

正如这份报告的名字——信任的新经济学。在可信 AI 实践上得分最高的组织，在收入增长、成本节约、客户体验等 13 项业务指标上的收益平均高出 1.85 倍。而 85% 的领先者今年正在把这方面的投入增加 10% 以上，他们在主动拉大差距。

过去谈可信 AI，语气往往是伦理的、防御的、合规的：不该让 AI 做出歧视性决策，不能接受黑箱。这套话语没错，但它把信任放在了成本那一栏。

如今，数据开始把它挪到收益那一栏。可解释性、可审计性、数据质量，正从"不得不履行的合规义务"，变成"决定 AI 投入能不能收回来的生产要素"。

对还在犹豫的企业，有三个问题可以现在就问问自己：AI 给出建议时，能不能说清依据？它调用的数据，能不能一路追溯到源头？当它出错，谁负责、怎么回滚？

答不上来，也不用急着换模型。