📖 精译自原文 · 已获取报告全文（10 段）按章节忠实精译；数字与原文逐字一致
2025年AI现状：智能体、创新与转型
The state of AI in 2025: Agents, innovation, and transformation
几乎所有受访者都表示其所在组织正在使用AI，其中许多已开始使用AI智能体（AI agents）。但大多数组织仍处于规模化部署AI并获取企业级价值的早期阶段。
关键发现
- 多数组织仍处于实验或试点阶段： 近三分之二的受访者表示，其组织尚未开始在整个企业范围内规模化部署AI。
- 对AI智能体的高度好奇： 62%的受访者表示，其组织至少正在尝试使用AI智能体。
- AI影响力的积极先行指标： 受访者报告了用例层面的成本和收入效益，64%的人表示AI正在推动其创新。然而，仅39%的人报告了企业层面的息税前利润（EBIT）影响。
- 高绩效者利用AI驱动增长、创新与成本优化： 80%的受访者表示其公司将效率设为AI计划的目标之一，但从AI中获得最大价值的公司通常将增长或创新设为额外目标。
- 重新设计工作流程是关键成功因素： 半数AI高绩效者打算利用AI来转型其业务，且大多数正在重新设计工作流程。
- 对就业影响的不同观点： 受访者对AI在未来一年内对其组织整体员工规模的影响预期各不相同：32%预期减少，43%预期不变，13%预期增加。
自生成式AI（gen AI）工具问世开启人工智能新时代以来已过去三年，近九成受访者表示其组织正在定期使用AI——但进展速度仍不均衡。尽管AI工具现已普及，但大多数组织尚未将其足够深入地嵌入工作流程和流程中，以实现实质性的企业级收益。最新的麦肯锡全球AI现状调查揭示了一幅图景：一方面使用范围更广——包括代理式AI（agentic AI）的日益普及——另一方面则面临顽固的增长阵痛，从试点到规模化影响的转型在大多数组织中仍是一项进行中的工作。
AI使用持续扩大，但仍主要处于试点阶段 我们最新的调查显示，报告其组织使用AI的受访者比例有所上升，尽管大多数组织尚未规模化部署这些技术。自去年研究以来，表示其组织在至少一个业务职能中使用AI的受访者比例有所增加：88%的人报告在至少一个业务职能中定期使用AI，而一年前这一比例为78%。但在企业层面，大多数人仍处于实验或试点阶段（图表1），约三分之一的人报告其公司已开始规模化AI项目。
图表1显示，在至少一个业务职能中使用AI的组织比例持续上升。2025年，在至少一个业务职能中使用AI的受访者比例为88%（2024年为78%，2023年为72%，2022年为55%，2021年为56%，2020年为58%，2019年为47%，2018年为20%）。在2025年使用AI的组织中，AI使用阶段分布为：完全规模化（Fully scaled）占7%，规模化（Scaling）占30%，试点（Piloting）占31%，实验（Experimenting）占32%。
许多组织已在尝试AI智能体 组织也开始探索AI智能体的机会——这些系统基于基础模型（foundation models），能够在现实世界中行动，规划并执行工作流程中的多个步骤。23%的受访者报告其组织正在企业内部的某个地方规模化部署代理式AI系统（即，在至少一个业务职能内扩大该技术的部署和采用），另有39%的人表示已开始尝试AI智能体。但智能体的使用尚未普及：大多数正在规模化智能体的人表示，他们仅在一到两个职能中这样做。在任何特定业务职能中，报告其组织正在规模化AI智能体的受访者比例均不超过10%（图表2）。
图表2显示，按业务职能划分的AI智能体使用阶段。在软件工程（Software engineering）职能中，规模化（Scaling）比例为10%，试点（Piloting）为5%，实验（Experimenting）为15%，计划一年内使用（Planning to use within year）为6%，完全不使用（Not at all）为62%，不知道（Don’t know）为2%。在产品与/或服务开发（Product and/or service development）职能中，规模化比例为9%，试点为6%，实验为16%，计划一年内使用为6%，完全不使用为61%，不知道为2%。在营销与销售（Marketing and sales）职能中，规模化比例为8%，试点为5%，实验为13%，计划一年内使用为4%，完全不使用为68%，不知道为2%。在服务运营（Service operations）职能中，规模化比例为8%，试点为4%，实验为14%，计划一年内使用为5%，完全不使用为67%，不知道为2%。在知识管理（Knowledge management）职能中，规模化比例为8%，试点为4%，实验为13%，计划一年内使用为4%，完全不使用为69%，不知道为2%。在信息技术（IT）职能中，规模化比例为7%，试点为3%，实验为12%，计划一年内使用为3%，完全不使用为73%，不知道为2%。在制造（Manufacturing）职能中，规模化比例为6%，试点为4%，实验为7%，计划一年内使用为4%，完全不使用为74%，不知道为5%。在供应链/库存管理（Supply chain/inventory management）职能中，规模化比例为5%，试点为6%，实验为7%，计划一年内使用为6%，完全不使用为72%，不知道为4%。在战略与公司财务（Strategy and corporate finance）职能中，规模化比例为5%，试点为6%，实验为6%，计划一年内使用为5%，完全不使用为76%，不知道为2%。在人力资源（Human resources）职能中，规模化比例为5%，试点为7%，实验为6%，计划一年内使用为5%，完全不使用为75%，不知道为2%。在风险（Risk）职能中，规模化比例为4%，试点为6%，实验为5%，计划一年内使用为5%，完全不使用为78%，不知道为2%。
各业务职能与行业的智能体应用现状
Individual Business Functions and Industries
从具体业务职能来看，智能体（agent）的使用在IT和知识管理（knowledge management）领域最为常见——IT中的服务台管理（service-desk management）和知识管理中的深度研究（deep research）等智能体用例已迅速发展。按行业划分，AI智能体的使用在科技、媒体与电信以及医疗保健行业中最为广泛（图表3）。
麦肯锡评论（McKinsey Commentary） Michael Chui，高级研究员
AI智能体一直是热议与兴奋的焦点。目前，约四分之一的受访者报告称，其所在组织已开始至少扩展一个智能体AI系统（agentic AI system），但通常仅在一两个业务职能中实施。纵观整个企业格局，智能体的使用尚未普及。这一差距凸显了“炒作周期”（hype cycle）中展现的巨大潜力与当前现实之间的反差：对于那些受访者表示已在某个业务职能中开始使用智能体的公司而言，大多数仍处于探索阶段。正如我们近期在另一篇关于构建智能体AI工具一年经验教训的文章中所记录的：在智能体方面，要做好它需要付出艰苦努力。
23%的受访者报告其组织正在企业内部的某个环节扩展智能体AI系统。
多数组织的AI使用仍处于试点阶段
AI Use Remains in Pilot Phases for Most Organizations
AI的整体使用正在组织内部不断扩展。受访者越来越多地报告其组织在更多业务职能中使用AI（图表4）。超过三分之二的受访者现在表示，其组织在不止一个职能中使用AI；半数受访者报告在三个或更多职能中使用AI（按行业细分，见边栏“几乎所有行业的AI使用报告均呈上升趋势”）。
边栏：几乎所有行业的AI使用报告均呈上升趋势（Reported AI Use Ticks Upward in Nearly Every Industry）
除科技行业（此前已超过90%报告使用AI）外，自上次调查以来，所有行业中表示其组织至少在一个业务职能中定期使用AI的受访者比例均有显著上升。在去年的研究中，科技公司受访者报告其在AI使用方面领先于其他行业。如今，媒体与电信以及保险行业的受访者报告AI使用的可能性与科技行业相当（见图表）。在长达八年的AI研究中，我们始终发现IT以及市场营销与销售是受访者最常报告使用AI的业务职能。但我们最新的研究结果显示，知识管理现在也成为报告AI使用最多的职能之一。
从业务职能内的具体用例来看，受访者最常报告使用AI来捕获信息以及处理和交付信息——例如通过对话界面（conversational interface）；在营销策略的内容支持中，包括起草、生成创意以及呈现用于制定营销策略的知识；以及在联络中心或客户服务自动化中。
各行业AI应用普遍上升
Reported AI use ticks upward in nearly every industry
图表：各行业受访企业定期使用AI的业务职能分布¹（受访者占比%）
¹选择“不知道”或“其他”的受访者未显示。各行业样本量：媒体与电信98，保险61，科技249，医疗101，消费品与零售129，专业服务291，旅游、物流与基础设施66，能源与材料191，银行及其他金融机构152，先进制造（含先进电子、航空航天、汽车与装配、半导体）136，工程、建筑与建材90，制药与医疗产品77。 来源：麦肯锡全球AI现状调研，2025年6月25日–7月29日，覆盖组织各层级共1,993名参与者。
媒体与电信、保险及科技行业的受访者报告AI使用率最高。
| 行业 | 至少使用1项业务职能的占比 | 市场营销与销售 | IT | 知识管理 | 服务运营 | 软件工程 | 产品/服务开发 | 人力资源 | 风险、法律与合规 | 战略与公司财务 | 供应链/库存管理 | 制造 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 总计 | 88 | 40 | 39 | 34 | 33 | 31 | 26 | 21 | 17 | 17 | 12 | 10 |
| 保险 | 96 | 34 | 45 | 38 | 46 | 32 | 33 | 28 | 17 | 17 | 6 | 5 |
| 医疗 | 95 | 64 | 52 | 55 | 60 | 40 | 39 | 16 | 46 | 6 | 4 | 0 |
| 能源与材料 | 95 | 46 | 49 | 56 | 45 | 49 | 58 | 28 | 18 | 20 | 10 | 9 |
| 专业服务 | 92 | 54 | 31 | 32 | 27 | 33 | 22 | 22 | 15 | 17 | 11 | 6 |
| 先进制造 | 91 | 28 | 51 | 32 | 34 | 21 | 19 | 22 | 11 | 9 | 22 | 13 |
| 工程与建筑 | 89 | 33 | 33 | 39 | 32 | 28 | 30 | 22 | 17 | 20 | 19 | 21 |
| 媒体与电信 | 90 | 36 | 34 | 32 | 47 | 34 | 19 | 9 | 19 | 22 | 19 | 1 |
| 科技 | 91 | 58 | 46 | 21 | 32 | 33 | 13 | 20 | 15 | 22 | 4 | 1 |
| 消费品与零售 | 86 | 34 | 35 | 32 | 34 | 29 | 22 | 19 | 47 | 15 | 3 | 1 |
| 旅游与物流 | 86 | 29 | 29 | 40 | 22 | 30 | 32 | 18 | 7 | 16 | 25 | 26 |
| 金融机构 | 83 | 35 | 46 | 29 | 21 | 41 | 19 | 29 | 9 | 19 | 34 | 17 |
| 制药与医疗产品 | 84 | 39 | 26 | 25 | 28 | 23 | 13 | 15 | 13 | 15 | 12 | 14 |
然而，许多公司——尤其是规模较小的企业——尚未将AI深度整合到其工作流程中。虽然只有三分之一的受访者表示他们正在整个组织中规模化推广AI项目，但规模较大的公司（无论是按营收还是员工数量衡量）更有可能已进入规模化阶段。在营收超过50亿美元的公司中，近一半的受访者表示已进入规模化阶段，而营收低于1亿美元的公司中这一比例仅为29%（图表5）。
图表5：按公司营收划分的AI使用阶段¹（受访者占比%）
注：由于四舍五入，百分比之和可能不等于100%。 ¹选择“不知道”的受访者未显示，但占总数的比例<2%。 来源：麦肯锡全球AI现状调研，2025年6月25日–7月29日，覆盖组织各层级共1,993名参与者。
大型企业在将AI从试点推向规模化方面处于领先地位。
| 营收规模 | 完全规模化 | 规模化中 | 试点中 | 实验中 | 未使用 |
|---|---|---|---|---|---|
| <1亿美元 | 9 | 39 | 22 | 25 | 5 |
| 1亿–4.99亿美元 | 5 | 8 | 33 | 32 | 23 |
| 5亿–9.99亿美元 | 4 | 31 | 32 | 29 | 3 |
| 10亿–49亿美元 | 6 | 22 | 31 | 32 | 9 |
| 50亿美元及以上 | 1 | 17 | 31 | 39 | 10 |
虽然只有三分之一的受访者表示他们正在整个组织中规模化推广AI项目，但大型企业更有可能已进入规模化阶段。
AI作为创新催化剂
AI as a catalyst for innovation
调研反馈表明，对大多数组织而言，AI的使用尚未显著影响企业层面的息税前利润（EBIT）。39%的受访者认为AI对EBIT产生了某种程度的影响，而这些受访者中的大多数表示，AI带来的EBIT贡献不到其组织总EBIT的5%。然而，受访者看到了其他全公司范围内的定性成果：多数人表示，其组织对AI的使用改善了创新，近一半的人报告客户满意度和竞争差异化有所提升（图表6）。
图表6：过去一年AI使用对组织各项指标的影响程度¹（受访者占比%，n=1,753）
注：由于四舍五入，百分比之和可能不等于100%。 ¹仅询问了表示其组织在至少一个业务职能中定期使用AI的受访者。 来源：麦肯锡全球AI现状调研，2025年6月25日–7月29日，覆盖组织各层级共1,993名参与者。
受访者最常提及AI带来的益处体现在创新、员工与客户满意度以及竞争差异化方面。
| 指标 | 改善 | 无影响 | 不知道 | 恶化 |
|---|---|---|---|---|
| 创新 | 64 | 21 | 14 | 1 |
| 员工满意度 | 45 | 31 | 19 | 4 |
| 客户满意度 | 45 | 32 | 22 | 1 |
| 竞争差异化 | 45 | 33 | 20 | 1 |
| 成本 | 38 | 31 | 24 | 7 |
| 盈利能力 | 36 | 36 | 26 | 2 |
| 有机收入增长 | 33 | 39 | 27 | 1 |
| 人才吸引与留存 | 33 | 42 | 23 | 3 |
| 市场份额变化 | 25 | 49 | 25 | 1 |
成本与收入的双重图景
Cost and Revenue: A Dual Picture
虽然报告企业级息税前利润（EBIT）影响的情况仍然有限，但许多受访者表示，他们从单个 AI 用例中看到了成本效益——尤其是在软件工程、制造和 IT 领域（图表 7）。受访者最常报告在软件工程、制造和 IT 领域的 AI 活动中获得成本收益。
麦肯锡评论（McKinsey commentary） Alex Singla，资深合伙人 去年我们曾指出，生成式 AI 已不再是新鲜事物，随着企业进行重组以帮助实现价值，企业级采用正在蔓延。今年的数据证实了这一趋势——AI 的使用范围正在扩大，但规模化仍然滞后。我们发现，虽然企业可能已经推出了 AI 工具，但大多数尚未将用例产品化、围绕 AI 和智能体能力（agentic capabilities）重新设计工作流程，或构建大规模运行这些工具所需的平台/护栏（platforms/guardrails）。在与组织合作的过程中，我们发现，规模最大的企业有能力投资 AI 以更快推进。那些报告 EBIT 影响的公司往往在其规模化进程中走得更远。所有业务领导者都在寻求提高公司效率，但真正的成果出现在领导者也能利用技术进行创新之时。
AI 使用带来的收入增长最常被报告在营销与销售、战略与公司财务以及产品与服务开发领域的用例中，这与我们多年来进行此项调查所观察到的情况一致（图表 8）。受访者报告称，AI 在营销与销售、战略与公司财务以及产品与服务开发领域带来的收入收益最大。
雄心勃勃的 AI 议程带来最大收益
Organizations with Ambitious AI Agendas Are Seeing the Most Benefit
有意义的、企业级的 AI 使用对利润的影响仍然罕见，尽管我们的调查结果表明，大胆思考可以带来回报。那些将 5% 或以上的 EBIT 影响归因于 AI 使用，并表示其组织从 AI 使用中看到了“显著”价值的受访者——我们将其定义为 AI 高绩效者（AI high performers），约占受访者的 6%——报告称，他们正在通过 AI 推动变革性创新、重新设计工作流程、更快地规模化、实施转型最佳实践并增加投资。
高绩效者拥有改造业务的雄心壮志：AI 高绩效者表示其组织打算利用 AI 对其业务带来变革性改变的可能性是其他受访者的三倍以上（图表 9）。高绩效者比其他人更有可能期望其组织利用 AI 进行企业级的变革性转型。
从AI中获得最大影响的组织，其目标往往不止于成本削减
English Heading
我们发现，虽然大多数受访者表示效率提升是其所在组织使用AI的目标之一，但高绩效者（high performers） 比其他组织更有可能将增长和/或创新也列为AI工作的目标（Exhibit 10）。
无论是否被归类为高绩效者，那些表示所在组织正在利用AI推动增长和/或创新的受访者，比其他受访者更有可能报告从AI使用中获得了一系列定性的企业级收益——例如客户满意度提升、竞争差异化、盈利能力增强、收入增长以及市场份额变化。
Exhibit 10 关键结论：高绩效者（n=109）中，84%将效率（如通过自动化工作流降低成本）设为目标，80%将增长（如通过改善客户定位或新功能增加收入）设为目标，79%将创新（如创建新业务、转型商业模式）设为目标；而其他所有受访者（n=1,644）中，这三项比例分别为82%、50%和14%。高绩效者在设定效率目标之外，更倾向于同时设定创新或增长目标。
麦肯锡评论（McKinsey Commentary）
Tara Balakrishnan，合伙人（Associate Partner）
高绩效者最突出的特点是他们的雄心水平。他们的AI议程超越了推动渐进式效率提升：高绩效者正在着手从根本上重新构想其业务。这种雄心水平成为组织变革的关键差异化因素和催化剂。当领导者为AI描绘出变革性愿景时，我们看到这会在组织内部激发起在战略对齐、投资和整体能量上的巨大动力。结果，领先的组织不仅看到了自动化成果的改善，它们还在重新设计工作流和客户体验，以捕捉新形式的价值。
通常，组织会以成本优先的心态来对待AI。虽然许多组织从效率提升中看到了领先指标，但只关注成本可能会限制AI的影响力。将AI定位为增长和创新的赋能者，反而为组织内部创造了空间，使其能够更有效地追求成本与效率改进。而且对许多组织而言，仅靠效率策略不足以应对AI带来的颠覆。它们需要考虑如何利用AI向利益相关者讲述一个变革故事。这样做也有助于内部变革管理——员工往往会在一个共同的机遇愿景下团结起来。根据我们的经验，许多利用AI激发增长和创新的组织，也正是那些更容易规模化AI应用并最终实现可持续生产力提升的组织。
Exhibit 11 关键结论：高绩效者中，55%的受访者表示其组织在部署AI时对工作流进行了根本性重新设计（fundamental redesign of workflows）；而其他所有受访者中，这一比例仅为20%。高绩效者进行根本性工作流重新设计的可能性是其他组织的近三倍（2.8倍）。在所有被测试的因素中，这种有意识的工作流重新设计对实现有意义的业务影响贡献最为显著之一。
高绩效者的 AI 应用广度与领导力驱动
AI high performers are also regularly using AI in more business functions than their peers.
我们发现，AI 高绩效者（AI high performers）在更多业务职能中常态化使用 AI。例如，这些受访者在市场营销与销售、战略与公司财务、产品与服务开发等领域的 AI 使用率远高于其他企业。此外，高绩效者在 AI 智能体（AI agents）的应用推进上也走得更远。在大多数业务职能中，AI 高绩效者报告其正在规模化部署智能体的可能性至少是其他企业的三倍（图表 12）。
图表 12 关键数据：在制造、供应链/库存管理、人力资源、战略与公司财务、软件工程、服务运营、风险、市场营销与销售、产品/服务开发、知识管理、IT 这 11 个职能中，高绩效者（n=109）报告智能体应用处于“规模化”或“完全规模化”的比例分别为 33%、31%、29%、29%、26%、25%、24%、21%、14%、5%、8%；而其他企业（n=1,884）的对应比例仅为 5%、5%、7%、6%、6%、6%、3%、3%、3%、2%、1%。高绩效者将智能体推进到规模化阶段的可能性远高于其他企业。
调研结果还显示，AI 高绩效者的 AI 应用更常得到领导层的支持。高绩效者强烈认同“其组织高层领导对 AI 计划展现出所有权与承诺”的可能性是其他企业的三倍（图表 13）。这些受访者也更倾向于表示，高层领导积极推动 AI 采纳，包括以身作则使用 AI。
图表 13 关键数据：在“强烈同意”高层领导对 AI 计划展现所有权与承诺的选项中，高绩效者（n=109）占比 48%，而其他受访者（n=1,644）仅占 16%；高绩效者“同意”的比例为 31%，其他企业为 39%；高绩效者“强烈不同意”的比例为 3%，其他企业为 12%。高绩效者拥有展现强烈所有权与承诺的高层领导的可能性是其他企业的 3.0 倍。
除了高层领导的所有权与承诺，AI 高绩效者还更倾向于采用一系列管理实践来从 AI 使用中实现价值。例如，高绩效者更可能表示其组织已制定明确流程，以确定模型输出在何时以及如何需要人工验证来确保准确性（图表 14）。这是我们测试的、最能区分高绩效者的首要因素之一。整套管理实践与我们更广泛的 Rewired 研究（基于 200 多个规模化 AI 转型案例）相一致，涵盖从 AI 中获取价值的六个关键维度：战略、人才、运营模式、技术、数据以及采纳与规模化。我们测试的所有管理实践都与 AI 带来的价值正相关。这些实践使组织能够大规模创新并从 AI 中获取价值。
最佳实践驱动 AI 高回报
Exhibit 14: Practices That Differentiate AI High Performers
我们发现，从 AI 中获得最大回报的组织，比其他组织更有可能遵循一系列最佳实践。¹ 为识别哪些组织实践能区分出高绩效者，我们进行了相对权重分析（relative weights analysis），该方法在考虑各预测变量间相关性的前提下，估算每个变量对解释高绩效状态的独特贡献。² AI 高绩效者（AI high performers）指那些报告其组织超过 5% 的息税前利润（EBIT）以及“显著价值”可归因于 AI 使用的受访者。
人机协同（Human in the loop）：65% 的高绩效者已定义明确流程，以确定模型输出在何时、以何种方式需要人工验证来确保准确性，而其他受访者中这一比例仅为 24%。
技术基础设施（Technology infrastructure）：60% 的高绩效者拥有允许使用最新技术实施核心 AI 举措的技术基础设施与架构，其他受访者中为 22%。
清晰的 AI 路线图（Clearly defined AI road map）：60% 的高绩效者已制定包含具体 AI 举措和跨优先业务领域用例的路线图，并与更广泛的 AI 战略保持一致，其他受访者中为 19%。
领导层对价值创造的一致认同（Leadership alignment on value creation）：60% 的高绩效者的高层领导者理解 AI 如何为企业创造价值，其他受访者中为 20%。
重塑业务流程（Rewiring business processes）：58% 的高绩效者能有效将 AI 解决方案嵌入业务流程（例如改变一线员工流程、创建用户界面），其他受访者中为 33%。
高级领导层参与（Senior leadership engagement）：57% 的高绩效者的高级领导者积极参与推动 AI 采用，包括以身作则使用 AI，其他受访者中为 20%。
产品交付（Product delivery）：54% 的高绩效者拥有敏捷产品交付组织或企业级敏捷组织，并配有定义明确的敏捷团队交付流程，其他受访者中为 41%。
战略性劳动力规划（Strategic workforce planning）：54% 的高绩效者已制定清晰的劳动力计划（涵盖技术与非技术岗位），纳入了 AI 带来的预期变化，其他受访者中为 31%。
迭代式解决方案开发（Iterative solution development）：54% 的高绩效者建立了构建 AI 解决方案并迭代改进的既定流程（例如护栏、开发方法），其他受访者中为 23%。
快速开发周期（Rapid development cycles）：54% 的高绩效者的 AI 工作进展迅速且具有适应性（以快速决策和迭代学习为特征），其他受访者中为 23%。
治理（Governance）：65% 的高绩效者设有中央团队来协调和连接整个组织的 AI 工作，其他受访者中为 46%。
愿景与战略（Vision and strategy）：60% 的高绩效者已明确定义 AI 愿景与战略，其他受访者中为 44%。
数据产品（Data products）：58% 的高绩效者创建了可复用的、面向业务的数据产品，其他受访者中为 25%。
AI 技能提升（AI upskilling）：54% 的高绩效者为技术人才（如数据科学家、数据工程师）策划了按角色定制的学习路径，以培养关键 AI 技能，其他受访者中为 34%。
AI 人才战略（AI talent strategy）：54% 的高绩效者制定了人才战略，能够有效招聘、入职和整合 AI 相关人才，其他受访者中为 22%。
高级领导者对 AI 举措的所有权与承诺：高绩效者中，48% 的受访者强烈同意其高级领导者对 AI 举措表现出真正的所有权与承诺（例如长期在全组织范围内倡导、以身作则、持续提供资金并定期参与预算重新排序），31% 表示同意，17% 持中立态度，3% 不同意，2% 强烈不同意。相比之下，其他受访者中，仅 16% 强烈同意，39% 同意，27% 中立，12% 不同意，4% 强烈不同意，另有 2% 表示不知道。高绩效者中高级领导者表现出强烈所有权与承诺的比例是其他受访者的 3.0 倍。
敏捷交付与人才战略：高绩效组织的关键实践
Agile Delivery, Talent Strategy, and Infrastructure
拥有敏捷产品交付组织，或具备明确定义交付流程的企业级敏捷组织，也与实现价值高度相关。建立稳健的人才战略、实施技术与数据基础设施，同样对AI成功有显著贡献。将AI嵌入业务流程、追踪AI解决方案的关键绩效指标（KPI）等实践，进一步助力实现重大价值。
最后，高绩效组织正在加大对AI能力的投入。超过三分之一的高绩效者表示，其组织将超过20%的数字预算投入AI技术（Exhibit 15）。这些资源正帮助他们将AI技术规模化推广至整个业务：约四分之三的高绩效者表示，其组织正在或已经规模化应用AI，而其他组织中这一比例仅为三分之一。
Exhibit 15 关键结论：高绩效者中，35%将超过20%的数字预算投入AI，而其他受访者中这一比例仅为10%。高绩效者中仅20%投入≤5%，其他受访者中这一比例为44%。
麦肯锡评论（McKinsey Commentary） Bryce Hall，合伙人
特别是在AI领域巨额投资与众多AI公司高估值的背景下，高管们正在认真审视AI实际创造价值之处，以及AI领导者如何成功从投资中获取价值，这合情合理。今年的调研表明，领先组织成功实施了一套连接AI与人类用户界面的实践。事实上，领先实践之一就是有效确定如何及何时引入“人在回路中（human in the loop）”，例如在AI解决方案的开发、测试和部署阶段。这也与我们与企业的实际经验一致：AI很少是独立解决方案。相反，当企业有效赋能具备真实领域经验的员工，使其在正确节点与AI解决方案互动时，价值才得以实现。AI解决方案与人类判断及专业知识的结合，才创造出真正的“混合智能（hybrid intelligence）”超能力与真实价值捕获。AI领导者还采纳了其他指向同一方向的实践，包括将AI解决方案完全嵌入业务流程，以及让高级领导者积极参与推动规模化采用。
有趣的是，今年调研强调的十项领先管理实践，包含了麦肯锡《Rewired》数字化转型指南的全部六大要素。尽管我们每年都会测试新实践，但有一条永恒原则始终成立：有效落实六大核心要素（战略、人才、运营模式、技术、数据、采用与规模化）的企业，正是那些从AI投资中报告显著价值创造的企业。
对劳动力规模影响的预期存在差异
Expectations Vary on AI’s Effect on Workforce Size
随着组织扩大AI应用，受访者对AI未来一年可能如何影响其劳动力规模持有不同看法。从组织使用AI的职能来看，多数受访者观察到，过去一年因组织使用AI而导致的员工数量变化微乎其微。在大多数职能中，不到20%的受访者报告员工减少3%或更多，而更小比例的受访者表示AI使用导致其职能内增加了员工。
然而，更大比例的受访者预期未来一年这些职能的员工数量将发生变化（Exhibit 16）。跨业务职能来看，中位数为17%的受访者报告过去一年因AI使用导致职能劳动力规模下降，但中位数为30%的受访者预期未来一年将出现下降。
Exhibit 16 关键结论：更大比例的受访者预期AI将在未来一年影响其组织业务职能的劳动力规模，而非过去一年观察到的变化。例如，在战略与公司财务职能中，过去一年因AI导致员工减少的比例为18%，但预期未来一年减少的比例升至31%；在知识管理职能中，过去一年减少比例为22%，预期未来一年升至39%。
对 AI 影响员工规模的预期存在分歧
Expectations differ on the impact of AI on the size of respondents’ enterprise-wide total workforce
受访者对 AI 影响其所在企业整体员工规模的预期存在分歧。虽然相对多数受访者预计未来一年 AI 对其组织员工总数影响甚微或没有影响，但 32% 的人预测总体将减少 3% 或更多，13% 的人预测将增加同等幅度（图表 17）。大型组织的受访者比小型组织的受访者更可能预期 AI 会导致企业整体员工规模缩减，而 AI 高绩效者比其他人更可能预期出现显著变化——无论是员工减少还是增加。
图表 17：未来一年因 AI 导致的企业员工数量预期变化¹（受访者占比，%） 注：由于四舍五入，数字之和可能不为 100%。 ¹仅询问其组织至少在一个业务职能中经常使用 AI 的受访者；n = 1,753。 来源：麦肯锡全球 AI 状况调查，2025 年 6 月 25 日至 7 月 29 日，1,993 名各级别组织参与者。
相对多数受访者预计未来一年 AI 对其组织员工总数影响甚微或没有影响。与此同时，大多数受访者——大型公司中这一比例更高——指出其组织在过去一年中招聘了与 AI 相关的职位（图表 18）。虽然总体而言人才需求因公司规模而异，但软件工程师和数据工程师的需求最为旺盛。
图表 18：过去一年内招聘过以下职位的组织占比¹（受访者占比，%） ¹仅询问其组织至少在一个业务职能中经常使用 AI 的受访者；未显示回答“其他”或“不知道”的受访者。 来源：麦肯锡全球 AI 状况调查，2025 年 6 月 25 日至 7 月 29 日，1,993 名各级别组织参与者。
大型组织的受访者比小型组织的同行更可能报告过去一年中进行了与 AI 相关的招聘。
麦肯锡评论 Lareina Yee，高级合伙人兼麦肯锡全球研究院院长
由于许多公司仍处于 AI 应用的试点和早期生产阶段，AI 对工作岗位数量和性质的影响尚不明确。然而，即使在采用初期，我们也看到一系列岗位所需技能正在发生变化。在理赔员、数字营销人员和财富管理经理等职位中，对 AI 技能的需求日益增长；这通常意味着将 AI 融入现有角色或工作流程。关于 AI 将如何影响员工总数，约三分之一的受访者表示他们预计其组织的员工规模将缩减——但有趣的是，一小部分受访者表示他们预计其组织的员工数量将增加，并且一些受访者报告过去一年中在 IT、供应链和销售等不同职能领域员工数量有所增长。随着 AI 采用率的提高，其中一些岗位将变得更加关键。例如，AI 的成功需要数据就绪（data readiness）和 MLOps。我们发现大型公司尤其倾向于招聘这些技能的人才；他们招聘整合、建模和工业化数据相关岗位的可能性是其他公司的两倍。
随着挑战显现，缓解 AI 风险的努力日益普遍
Efforts to mitigate AI risks are becoming more common as challenges materialize
过去六年来，我们的研究一致发现，大多数受访者的组织很少能缓解与 AI 使用相关的风险。在我们最新的发现中，自 2022 年我们上次询问与 AI 整体相关的风险以来，报告针对个人隐私、可解释性（explainability）、组织声誉和监管合规等风险采取缓解措施的受访者比例有所增长。（2023 年和 2024 年，我们专门询问了与生成式 AI 相关的风险。）回溯 2022 年，受访者报告平均管理了两种 AI 相关风险，而今天这一数字是四种。
我们还发现，组织正在经历并努力缓解的风险在很大程度上是相互关联的：受访者更可能表示其组织正在缓解他们已遭受后果的每一种风险。总体而言，在使用 AI 的组织中，51% 的受访者表示其组织至少经历过一次负面后果，近三分之一的受访者报告了因 AI 不准确性（inaccuracy）导致的后果（图表 19）。不准确性是大多数受访者表示其组织正在努力缓解的两种风险之一。然而，第二常见的风险——可解释性——并不在最常被缓解的风险之列。
负面后果与风险缓解
Negative consequences and risk mitigation in the past year
来自AI高绩效者（AI high performers）——即那些表示其组织从AI使用中获得更高收益的受访者——更倾向于报告负面后果，尤其是在知识产权侵权（intellectual property infringement）和监管合规（regulatory compliance）方面。高绩效者还尝试防范更多类型的风险。
我们发现，AI高绩效者往往比同行拥有更雄心勃勃的议程。有趣的是，他们也比同行更倾向于报告更多、而非更少的AI使用负面后果。这并不像表面看起来那样反直觉。毕竟，正因为目标更宏大，AI高绩效者更可能在需要敏感监控的关键任务场景（mission-critical contexts）中使用这项技术。同时，由于他们意识到了这些风险，他们缓解这些风险的比率也高于其他组织。
这种雄心也带来了可观的上行空间：它有助于解释为什么这些组织往往表现更优——并为那些仍在努力从AI投入中获取价值的组织提供了重要启示。我们的调研表明，仅从效率（efficiency）的视角看待AI是不够的。要取得可衡量的成果，领导者必须追求一个由创新和转型（innovation and transformation）驱动的宏大议程。我们正在认识到，这或许才是通往高绩效的真正路径。
麦肯锡评论（McKinsey commentary）
Alexander Sukharevsky，资深合伙人
尽管AI的使用现已普及，但我们最新的调研表明，其全部潜力仍在前方。大多数组织仍在从实验阶段向规模化部署（scaled deployment）过渡，虽然它们可能在组织的某些部分捕获了价值，但尚未实现企业级的财务影响。表现最优公司的经验指明了一条前进道路。这些组织的突出之处在于，它们超越了渐进式的效率提升：它们将AI视为转型组织的催化剂，重新设计工作流程并加速创新。随着包括智能体（agents）在内的AI工具不断改进，以及企业能力的日趋成熟，将AI更全面地嵌入企业的机会将为组织提供捕获价值、创造竞争优势的新途径。
Alex Singla 是QuantumBlack（麦肯锡旗下AI业务）的全球负责人，常驻麦肯锡芝加哥办公室；Alexander Sukharevsky 是伦敦办公室的资深合伙人；Lareina Yee 是湾区办公室的资深合伙人，Michael Chui 是该办公室的高级研究员；Bryce Hall 是华盛顿特区办公室的副合伙人；Tara Balakrishnan 是西雅图办公室的副合伙人。
作者感谢Hailey Bobsein、Hannah Wagner、Larry Kanter、Robert Levin和Santi Canedo对本报告的贡献。
本文由亚特兰大办公室的高级编辑Heather Hanselman编辑。
关于调研
本次在线调研于2025年6月25日至7月29日进行，共收到来自105个国家、涵盖各地区、行业、公司规模、职能领域和任职年限的1,993名参与者的回复。38%的受访者表示其所在组织的年收入超过10亿美元。为调整回复率的差异，数据根据每位受访者所在国家对全球GDP的贡献进行了加权。
2025年11月 版权所有 © McKinsey & Company 由McKinsey Global Publishing设计 McKinsey.com