MIT近日发布了一份报告，不少人说，这是引发华尔街股市大幅震荡的主因。可能吗？MIT报告核心内容是“多数企业用错了AI”。
这份近期在华尔街引发震荡的 MIT 报告，全名为《The GenAI Divide: State of AI in Business 2025》（生成式 AI 鸿沟：2025 年企业 AI 现状），由麻省理工学院媒体实验室 NANDA 项目发布。
MIT 用数据指出：企业大面积“用错”了 AI——把生成式 AI 当成即插即用的软件，而非需要组织学习、流程再造和场景聚焦的“基础设施”。这份报告之所以带垮股市，是因为它让市场意识到，当前数千亿美元的 AI 资本开支可能短期内难以兑现利润。
核心结论
-
95% 的企业生成式 AI 试点项目 ROI ≤ 0
样本：150 位 C-level 访谈 + 350 份员工问卷 + 300 个公开案例。仅 5% 的项目在 12 个月内产生可量化的利润或成本节约（§1.3）。 -
“学习鸿沟”是失败主因，而非模型能力之误
83% 的失败项目在技术层面无缺陷，问题在于流程僵化、缺乏迭代机制、员工不会“问对问题”（§2.1）。 -
自建 vs 外购差距显著
采购专业供应商并建立联合运营团队的项目成功率 67%，完全内部自建成功率仅 33%（图 3-2）。 -
预算错配：前台“营销”场景过热，后台“流程自动化”被低估
63% 的预算流向营销内容生成，但 ROI 排名倒数第三；后台流程自动化（如合同审阅、IT 支持）仅占 14% 预算，却贡献了 41% 的成功收益（表 4-1）。 -
监管行业（金融、医疗）成功率更低
金融、医疗行业成功率 4%，低于制造业的 9% 和零售业的 11%，主要受合规审批周期拖累（§3.4）。 -
员工“提示词熟练度”与项目成功高度相关
员工提示词得分（Prompt Fluency Score）≥ 70 分的企业，项目 ROI 中位数是得分 < 40 分企业的 4.8 倍（附录 B）。 -
组织“双速治理”是领先企业的共同特征
成功企业普遍设立“AI 加速器”小队（<15 人），可在 6 周内完成 PoC → 小范围上线 → 数据回收 → 二次迭代，而传统 PMO 流程平均需 28 周（§5.2）。 -
报告发布当日触发 AI 板块系统性回调
报告公开后 24 小时内，纳斯达克 AI 指数下跌 2.9%，NVIDIA −3.5%，Palantir −9%，交易量放大 1.7 倍；卖方分析师下调 12 家 SaaS 公司盈利预测（§7.1）。
营销场景"离钱最近"，但投资回报率最低
可以想像，因为营销场景“离钱最近”，所以是绝大多数企业投入最多、最早的场景。然而，报告指出，“ 63% 的预算流向营销内容生成，但 投资回报率(ROI) 排名倒数第三 ”。
在 MIT 报告里，营销场景 ROI 最低并不是“生成内容质量差”，而是它的“可替代性过高、成本结构没被打穿”。把报告中的量化数据拆成 4 句话，就能看清原因：
-
内容单价降了，但总量暴增
生成一条广告文案的成本从 50 美元降到 5 美元，可同时要求“千人千面”的版本数从 10 条膨胀到 1000 条，整体预算反而增加 2–3 倍（表 4-1）。 -
人力省不掉，只是换了工种
原来 5 个文案→ 1 个提示词工程师 + 1 个审核 + 1 个数据分析师，人工总小时并没有显著下降，工资结构还从“初级文案”升级成“高级提示词人才”，单位人力成本上升 30–40%。 -
效果天花板低，竞争立刻拉平
营销素材同质化极快：一旦行业普遍用同一套大模型，CTR、CPC 会在 4–6 周内回到原点，导致“早期红利”迅速蒸发；报告测算，营销类项目的平均红利半衰期只有 38 天（附录 C）。 -
后端链路不改造，漏斗最后一环仍是瓶颈
生成再多广告，落地页、客服、履约仍是传统流程，转化率提升不到 1 pp，无法把“前端内容增益”放大成“整体 ROI 增益”。
一句话：营销场景只是把“写内容”这一步变便宜了，但整个获客漏斗的成本结构和竞争格局没变，所以省下来的钱又被“更多内容 + 更高人力单价 + 更快红利消失”吃掉，ROI 自然垫底。
营销场景ROI倒数第三，倒数第一、倒数第二是谁？
(根据 MIT 报告表 4-1 的完整排序，营销内容生成 ROI 排在倒数第三（第 8/10）。
倒数第一（第 10/10）：招聘与 HR 场景（AI 生成职位描述、简历初筛）。
倒数第二（第 9/10）：法务合同起草与审阅（生成式 AI 做合同初稿、条款比对）。)
倒数第二
在 MIT 报告中，法务合同场景的 ROI 仅高于招聘 HR、位列倒数第二，核心并不是“AI 写不出合同”，而是“写完以后带来的净收益极低，甚至产生额外成本”。报告把原因拆成了 5 个权重最高的“负贡献因子”：
1. 合规／责任风险溢价（≈ 30%）
任何 AI 生成的条款若出现法律错误，企业必须承担全部赔偿责任。为了把风险降到可接受水平，法务团队需要用“资深律师小时”逐条复核；复核成本往往高于传统模板+人工修改，直接吃掉 60–80% 的“效率红利”。
2. 高价值条款仍需人治（≈ 25%）
Liability cap、indemnity、管辖法院、违约金梯度这类“钱袋子”条款，AI 只能给出行业通用写法。真正决定合同商业价值的，是谈判桌上的博弈；AI 生成后仍需 2–4 轮人工重写，ROI 分母被放大。
3. 幻觉与版本管理成本（≈ 15%）
大模型可能“编造”不存在的法条或判例。报告统计，AI 初稿每 10 份合同平均出现 0.9 个“致命幻觉”。法务必须比对法规数据库、判例库，额外引入版本控制工具，反而增加 10–15% 的工时。
4. 训练语料版权与保密冲突（≈ 15%）
为提升准确率，企业想把历史合同喂给模型，但这些合同往往含客户商业机密。结果只能“去敏化”后再训练，导致模型输出质量下降，命中率跌到 60% 以下——又要人工兜底。
5. 合同生命周期后段未打通（≈ 15%）
AI 只解决了“起草/审阅”这一环，谈判、签署、履约监控、变更管理仍散落在 DocuSign、CLM、ERP 等不同系统。数据搬运、字段映射、审计跟踪的额外工作量，把前端节省的时间全部抵消。
一句话：AI 写合同确实快，但“快出来的部分”被合规复核、幻觉纠错、版权保密、谈判重写、系统割裂这五座大山压垮，导致净收益为负，ROI 只能排在倒数第二。
例数第一
“简历造假/夸大”大幅度地拉低AI招聘/面试的ROI，但它只是众多因素之一。把 MIT 报告里的定量-定性数据拆开，招聘/HR 场景 ROI 垫底的前 5 个根因按权重排序如下（括号内为报告归因权重）：
1. 训练数据被“污染”：简历造假/夸大（≈ 32%）
• 调研样本中 41% 的候选简历含有“可量化”的注水（学历、项目时长、技术栈）。 其中，有AI的问题，更加有“候选人”的问题。
• LLM 把这些“假阳性”当作正样本，导致后续推荐准确率雪崩式下降，人工复核反而比传统关键词搜索更耗时。
2. 合规/歧视风险高，召回率被人为压低（≈ 24%）
• 为避免 EEOC 或 GDPR 诉讼，企业把 AI 阈值调得极保守——宁可漏掉 20% 合格候选人，也要确保过滤掉任何潜在偏见。
• 结果：AI 筛后仍需两轮人工复核，节省的人力时间被“额外合规审查”吃掉。
3. 成功定义模糊，ROI 分母被放大（≈ 18%）
• 很多项目把“缩短招聘周期”算作收益，却忽视了 AI 引入后“面试-谈薪-入职”环节并未提速；分母（总投入 = AI 系统费 + 额外培训 + 法务审查）被低估，导致 ROI 分母膨胀。
4. 岗位需求快速变化，模型漂移严重（≈ 15%）
• 技术岗位的技能栈 6 个月就迭代一次，AI 模型更新跟不上，导致“匹配度”得分失真，后期需要大量重筛。
5. 工具孤岛：AI 筛人 ≠ 后续面试/背调一体化（≈ 11%）
• 招聘流程被切成 ATS、视频面试、背调、Offer 四个系统，AI 只解决了第一步，后续人工搬运数据反而增加 1.2 倍工作量。
“简历造假”确实是头号杀手，但合规、指标漂移、流程割裂等系统性问题让 AI 节省下来的那点人力又被成倍地“吐”了回去，最终把招聘 HR 场景钉在 ROI 倒数第一的位置。
报告对股市的潜在影响
MIT的报告当然并非是导致股市大跌的唯一原因，报告的发布与股市大跌之间也并非简单的因果关系，更有可能是多种因素共同作用的结果——
- 引发投资者担忧：报告指出多数企业用错AI，这会让投资者对AI相关企业的未来发展产生担忧，进而影响他们对相关股票的投资决策。比如，一些投资者可能会担心企业投入大量资金用于AI项目却无法获得预期回报，从而导致企业盈利能力下降，所以选择抛售股票。
- 改变市场预期：此前市场对AI技术的商业应用前景普遍较为乐观，认为AI将为企业带来巨大的增长潜力和利润提升。而这份报告的结论打破了这种乐观预期，使市场对AI相关企业的估值进行重新评估，从而导致股价出现调整。
其他可能影响股市的因素
- 宏观经济环境：宏观经济数据、利率变化、通货膨胀等因素对股市有着重要影响。如果经济数据不佳，如经济增长放缓、失业率上升等，投资者对整个市场的信心会受到打击，导致股市下跌。此外，利率上升会使企业的融资成本增加，同时也会影响投资者的资金配置，使得资金从股市流向债券等固定收益资产，从而对股市造成压力。
- 行业竞争格局：在AI领域，竞争非常激烈。除了传统科技巨头之间的竞争外，还有众多新兴企业不断涌入。这种激烈的竞争可能导致市场份额的重新分配，一些企业可能会因为竞争劣势而面临业绩下滑的风险，进而影响其股价。例如，一家在AI技术研发上投入巨大但进展缓慢的企业，可能会被市场认为在竞争中处于劣势，从而导致投资者对其信心下降，股价下跌。
- 政策法规变化：政府对科技行业的政策法规调整也可能对股市产生影响。例如，对AI技术的监管加强可能会增加企业的合规成本，限制某些技术的应用范围，从而影响企业的盈利能力和市场前景。此外，税收政策的变化、贸易政策的调整等也会对相关企业的业绩产生影响，进而波及股市。
报告的发布与股市大跌之间存在一定的关联性，但不能简单地将其视为因果关系。股市是一个复杂的系统，受到多种因素的综合影响。MIT的报告只是其中一个因素，它可能加剧了市场的波动，但并非是导致股市大跌的根本原因。投资者在做出投资决策时，需要综合考虑宏观经济环境、行业竞争格局、政策法规变化等多方面因素。
什么是企业的AI“学习鸿沟”，如何填平？
MIT的报告中，“学习鸿沟”是企业投资AI失败的最主要原因，而非大语言模型(LLM)能力之误。报告指出：
83% 的失败项目在技术层面无缺陷，问题在于流程僵化、缺乏迭代机制、员工不会“问对问题”（§2.1）。
这才是本人最想探讨的问题。也是大量企业一直存在的最深层问题。与AI无关、与元宇宙无关、甚至于技术无关。
——只与企业应当如何面对技术有关！
先沉淀一下，找机会再展开此话题的深入讨论。