你公司里的 AI，可能是个 “花瓶”

老板花几十万上的 AI 系统，最后只用来写周报、生成会议纪要 —— 这不是段子，是大多数公司的现实。AI 行业热火朝天，真正靠 AI 赚到钱的公司却凤毛麟角。

问题出在哪？不是 AI 不行，是你把它当成了摆设。

每个人都声称自己 “拥抱了 AI”，可 “AI 帮你省了多少钱、赚了多少钱” 时，大多数人会沉默。AI 成了昂贵的装饰品，挂在公司墙上，谁路过都夸两句，却没人真拿它干活。外界的轰轰烈烈，和行业内部的真实生存之间，隔着巨大的落差。

01/算力的狂欢，应用的冷清

今年 5 月，英伟达市值突破 5.5 万亿美元，刷新全球上市公司历史纪录。从 2022 年底算起，这家芯片巨头的股价涨了 14 倍。同一时期，台积电预计全年营收增长超 40%，鸿海上半年营收同比增长 35%，台达电子一季度净利润翻倍，中国台湾地区官方预测今年 GDP 增长超一成、创近 40 年新高，增量主要来自 IT 产业。

卖铲子的人，赚走了最多的钱。

大批人涌向金矿，总有人负责卖水、卖铲子。算力企业就是卖铲子的。软件服务可以免费，但 AI 业务一旦开跑，算力就是硬性刚需：没有算力，业务就转不起来，企业也愿意为此付费。需求爆发式上涨，供给扩张却跟不上，直接推高产品价格。以内存为例，过去一年价格大涨，三星、SK 海力士，还有国内的长鑫存储、长江存储，相关企业业绩随之大幅增长。

算力赛道的护城河其实是极深的，往往需要十年以上技术积累，格局成型后形成很强的马太效应与锁定优势 —— 英伟达底层的 CUDA 生态，竞争对手想替代难如上青天。这种 “赢家通吃” 的特性，让算力成为 AI 产业链中最确定的获益环节。

这就是今天的现实：算力是刚需，应用是选配。没有 GPU，AI 根本跑不起来；有了 AI 应用，企业未必愿意持续付费。

【动态资讯】就在本文定稿日（8 月 31 日），工信部办公厅发布《关于开展人工智能应用服务商培育专项行动的通知》，提出到 2026 年底全国服务商资源池突破 2000 家、2027 年底不少于 3000 家，探索以 “首购首用”“风险补偿” 等方式加大大模型、智能体、Token 等服务采购力度，并支持用好 “算力券” 对接国家算力网络、降低算力成本。有意思的是，官方给 “人工智能应用服务商” 下的定义 —— 咨询规划、交付实施、运营管理、安全治理 —— 恰好对应前文的那个落差：政策想解决的，不是 “有没有 AI”，而是 “AI 有没有被真正用起来”。

AI 从来不是一个行业，而是一个庞大的领域。算力、算法、数据、应用四大核心要素，各自的生存状态天差地别。行业内部的人都知道，这四条赛道之间的差距，比传统行业之间的差距还要大。

• 算力赛道，护城河深，既挣钱、估值也高。挣钱体现在营收利润双暴涨；资本市场上，市值涨幅甚至比业绩增长还夸张。英伟达、台积电、SK 海力士、长鑫存储、长江存储 —— 这些名字背后是数十家上市公司，分属不同细分赛道，共同点是都在赚真金白银。

• 算法赛道，估值火热，盈利难觅。Kimi 的估值从 2024 年 2 月的 25 亿美元，一路飙到 2026 年 5 月的 200 亿美元；DeepSeek 首轮融资投后估值约 520 亿美元，时隔约一个月，第二轮投前估值已达 710 亿美元，较首轮上涨 37%；Anthropic 年化收入从 2025 年底的约 90 亿美元，冲到 2026 年 4 月的约 300 亿美元，4 个月增长 233%。数字一个比一个烫手，账本却一个比一个难看：DeepSeek 年化收入（ARR）约 4—5 亿美元，API 业务毛利率据称高达 80% 以上，可面对数百亿美元的估值，这点收入依然是杯水车薪；Anthropic 训练开支极其庞大，距盈利依然遥远。更要命的是，国内用户为 AI 付费的整体意识弱于海外，能付费的场景和用户规模也不及海外。这些公司普遍大额亏损，估值却一路走高。

• 数据赛道，隐于幕后。海外已发展出成熟的数据产业链，也长出了一批高估值的创业公司；但国内的数据赛道大多握在互联网巨头手中，很难独立长出大批公开的创业公司，行业里几乎没有家喻户晓的数据服务商。这背后有版权、个人隐私等合规问题，本就不适合大肆宣传；此外还有大量私域数据，很多企业选择自建团队做内部治理、清洗，不对外公开。这其实是个体量巨大的潜在市场，但至今没有形成标准化、成熟的行业，高度分散，属于不被大众看见的隐形市场。

• 应用赛道，人人谈 AI，赚钱最难。市场极度分散，难成规模效应 —— 每家企业的项目落地，都要实地沟通、定制实施，消耗大量人力时间。行业壁垒不高，能力更多来自对垂直行业的理解，看似门槛不低，价值却难被客户直观感知，拉高了商务交易成本。再加上客户的认知误区：不少企业主观认为靠通用 AI 工具自己就能完成改造，不愿采购外部服务，哪怕自身团队专业能力不足，很多人也意识不到。好在行业正在形成新的分工：大厂掌控算力与通用模型，垂类企业扎根高壁垒细分行业、做完整解决方案 —— 把 “懂行业” 变成真正的护城河。

这就造成从业者的双重困境。

第一层是 AI 替代焦虑：哪些工作归人、哪些交给 AI，边界持续变化 —— 很多企业想的不是用 AI 提升人的效率，而是直接用 AI 替代人力。

第二层是付费意愿难题：中小企业基本不预留 B 端 AI 项目预算，却愿意每月花几百块用面向个人的 AI 工具。

于是出现一个很矛盾的现状：人人都在谈论 AI，都想借 AI 提效，可身处应用赛道的很多企业，营收增长并不理想。

03/你买的是生产力，还是装饰品？

企业 AI 落地最常见的误区，是把 “上了 AI” 等同于 “用了 AI”。买一套系统、部署一个模型、开一次全员培训，然后呢？

然后就没有然后了。

一家制造企业，花两百万部署 AI 质检系统，上线三个月后，质检员还是用肉眼在看产品。问为什么不用，答：“AI 判定不合格，我们还得复核一遍，更麻烦。”

两百万买回一个 “技术可行” 的证明，从没进入 “业务有价值” 的阶段。质检员不信任 AI 的判断，管理层没强制使用，供应商交付完就撤了。结果：AI 系统在后台安静地跑着，每天产出一堆没人看的报告。

另一家零售企业，给每家门店装了 AI 客流分析系统。回访店长，“那个大屏挺好看的，客人来了会抬头看一眼。” 至于客流数据有没有用来调整排班、优化陈列？没有。大屏成了店里的科技装饰，和绿植没什么两样。

总部花了几十万，买的是 “我们数字化了” 的心理安慰。

还有一家规模性企业，花大价钱采购了一套 AI 智能办公系统，含会议纪要、邮件分类、日程管理。使用率最高的 “智能会议纪要”，也仅限于生成初稿、再由行政手动修改；其余功能全部闲置。IT 部门的解释是：“AI 的邮件分类不准确，日程管理总把重要会议放错优先级，员工用了两周就放弃了。”

“技术上可行” 与 “业务上有价值” 之间，隔着一条大多数企业没跨过去的河。河的名字叫 “流程重构”—— 不是把 AI 塞进旧流程，而是围绕 AI 重新设计流程。跨不过这条河，AI 就是花瓶；跨过去，AI 才是生产力。

04/AI 最先取代的不是你，是 “像专家” 的那部分工作

AI 正在让 “专业感” 迅速贬值。过去，一份像样的行业报告要团队调研数周、报价十万起步；现在，懂行的人借助 AI，几个小时就能生成一版结构完整、数据翔实的初稿。行业分析、商业计划书、培训课件、法律文书、品牌方案、短视频脚本，AI 都能快速生成。

这当然是效率进步，但另一面是：客户不再愿意为 “看起来专业” 的东西付费了。免费 AI 能完成 75 分，专业顾问做到 90分，为这 15 分的差距付高额费用的意愿，正在快速蒸发。

更尴尬的是，客户未必看得出 15 分的差别。当所有人都能拿 AI 生成一份像模像样的方案，专业从业者的经验、洞见和判断力，反而被淹没在大量 “看起来不错” 的 AI 产物里。AI 最先取代的不是专家，而是 “像专家” 的那部分工作。

笔者经常遇到这样的客户：看完我们交付的方案，第一句话是问“你用了哪款 AI 工具？”。大家习惯性高估工具本身，却忽略了人独有的思考、创造与判断。即便笔者如实相告，他人也复刻不出同等质量的成果：整套产出需要长时间的人机反复配合，中间离不开专业判断和事后多层校对，成品里具独创性、创新性的内核，全部来自人的思考，AI 只是提速增效的辅助载体。

这就是今天的困局：AI 让信息差消失，客户对专业价值的判断力却没有同步提升，于是 “看起来差不多” 就成了 “真的差不多”。当客户判断不了专业差距，只会用价格来决策，或用拖延来回避决策。这个局不破，AI 应用层的公司很难真正赚到钱。

05/冰火两重天，以及那条 K 型曲线

AI 正在让 K 型曲线更加分化。曲线上端，是算力硬件的暴利、大模型公司的估值狂欢、头部企业的资本盛宴；下端，是应用层公司的生存挣扎、传统行业的转型阵痛、普通人的收入停滞。

不是每个站在风口上的人都能飞起来，风口的聚光灯，往往只照亮最顶端的一小撮。

不过，这条 K 型曲线正在被政策和市场合力改写。就在今天（8月31日），工信部专项行动落地，明确要锻造一支 “懂行业痛点、通技术机理、知安全风险、善交付运营” 的服务商队伍，并推动优质 AI 项目沿 “一带一路”、金砖、中国 — 东盟等机制出海。

2026年迎来了 AI “商业化兑现元年”—— 投资逻辑正从模型能力与资本开支的竞赛，转向订单、收入与盈利的验证。Token 消耗量，正在成为衡量一家公司智能化成色的新标尺。AI 应用层的冷清，或许正是黎明前的冷清。

但无论选择哪个赛道，都要回答一个根本问题：你创造的价值，是否有人愿意为之付费？技术再先进，如果不能转成商业闭环，终究只是空中楼阁。

AI 的浪潮还在向前推进，但潮水退去之后，才能看清谁在裸泳。在 K 型分化的时代，保持清醒、找准定位、构建壁垒，或许比追逐风口更加重要。

【下篇预告】

站在K型曲线上端的，到底是一群什么样的公司？下一篇《 AI 原生公司，和你想的完全不一样》，我们拆开这些 "AI 长出来的公司"—— 它们不是给旧流程加个 AI 工具，而是从第一天起就围绕 AI 重新设计岗位和组织。15 个工程师、每人配 5 个 AI 智能体当同事，干出几百人的活；传统企业也想抄作业，却发现最难的从来不是买模型，而是愿不愿意重写组织基因。 下篇见。