九成半企业生成式AI试点项目，最终未能为损益表带来任何可量化的影响。这不是评论员的猜测，而是麻省理工学院NANDA研究计划在2025年《State of AI in Business》报告中的结论，基于150次领袖访谈、350名员工调查，以及300个公开AI部署案例的分析。当中涉及的投资金额，估计达300至400亿美元，而大部分项目从未成功扩展。
为什么九成企业AI试点项目无法成功扩展？
大多数企业AI试点失败，并非因为模型能力不足，而是因为企业从未建立起模型运作所需的流程、数据与治理架构。麻省理工的研究人员将此称为「学习落差」：通用工具在个人使用层面表现良好，但一旦碰上从未为AI重新设计过的企业流程，便会停滞不前。
企业主管往往将失败归咎于法规、预算或模型表现，但数据指向另一个方向。受测工具在原始能力上其实相差不远，真正决定成败的，是企业把试点当成一次性技术采购，还是当成一次运营模式的改变。
什么是「GenAI鸿沟」？对香港企业有何意义？
「GenAI鸿沟」描述的，是少数能将AI试点扩展为可量化业务成效的企业，与大多数试点永远停留在概念验证阶段的企业之间，日益扩大的差距。对香港的中型企业而言，这道鸿沟叠加了原有的劣势：内部AI团队规模较小，也没有太多空间去承受一次失败的50万港元试点而不被董事会追问。
一间200人物流公司的数字化转型主管，与一间跨国银行的同级主管，面对的都是同一个九成半失败率，但银行可以把失败的试点当作误差范围内的损失，中型企业却不能，正因如此，这篇文章提出的框架对香港企业板块而言更加重要。
成功扩展的一成试点，跟其他项目有什么分别？
能够成功扩展的AI试点，有一个共通的结构性特征：由供应商伙伴主导的部署，成功率约为67%，纯内部自行开发的则只有33%，原因是伙伴带来了可重复使用的整合模式、治理范本，以及跨行业的实战经验，而内部团队往往要从零开始摸索。
第二个特征是量度的纪律。能够成功扩展的企业，会在试点开始前，而不是在管理层要求汇报时，先定义试点必须推动的具体业务指标，例如每笔交易成本、处理周期或错误率。
第三个特征是问责。试点的成败由一位业务方负责人承担，而不是单靠IT部门。根据麦肯锡2026年对企业AI扩展的分析，只有39%的企业表示AI为其EBIT带来任何影响，而问责结构正是有汇报成效与没有成效的企业之间，最明显的分野之一。
如何设计一个从第一天起就为扩展而生的AI试点框架？
一个为扩展而设计的AI试点框架，在试点动工之前，先回答四个问题：试点要推动哪一个具体指标、由谁负责这个指标、AI需要哪些企业目前尚未具备可用格式的数据，以及若试点成功，全企业推行的路径是什么。
第一个问题逼使企业具体化目标。「改善客户服务」不是一个指标，「将一线WhatsApp查询的平均处理时间缩短20%」才是。
第二个问题指定一位业务负责人，通常是试点所影响KPI的部门主管，与IT部门并肩合作，而不是把责任全盘交给IT。
第三个问题及早揭示数据缺口。Gartner 2026年针对智能体AI的研究发现，52%的企业指出数据质量是扩展AI智能体的首要障碍，排名在预算与模型选择之前。
第四个问题是大多数试点完全略过的部分：推广到接下来的10个部门，实际需要多少人手、培训与系统权限，这些资源是否已在试点开始前到位。
这个框架套用在真实香港企业会是什么情况？
设想一间300人的物业管理集团，正在试行AI处理租户查询。试点在演示阶段表现亮眼，回复草拟时间大幅缩短。三个月后，采用率却只有15%，原因是AI生成的内容仍需人手重新排版，以符合公司合规要求的回复模板，这正是试点过程中无人梳理的数据与流程缺口。
若一开始就套用四问框架，这项模板整合需求本应在第一周就被发现，而不是拖到第三个月。真正需要的并非更强的模型，而是三周的流程工程，理应在试点预算中一并计算。
这种模式在香港的金融服务、专业服务与零售连锁企业中不断重演。根据麦肯锡的数据，金融服务企业的生成式AI回报率最高，达投入资本的4.2倍，原因正是它们在流程与治理层面投入更多。
哪些常见陷阱会在AI试点扩展之前就将其扼杀？
最常见的陷阱，是把试点当成一次性IT项目，而不是一次运营模式的改变，结果一旦最初的热度消退，就没有业务负责人为其问责，试点便悄然停摆。
第二个陷阱，是选择试点用例时着眼于能见度而非可量度性。看起来吸睛却无法量度的试点，只能产出漂亮的演示，却无法向董事会提供站得住脚的理据。
第三个陷阱是低估变革管理的重要性。Gartner预测，到2027年将有超过四成的智能体AI项目遭到取消，主因是业务价值不明确与风险控制不足，而非技术本身失效。
第四个陷阱是香港中型企业特有的：为节省成本而完全自行开发，结果发现内部成功率只有伙伴模式的一半，此时重新开始的成本早已超过当初找伙伴合作的费用。
怎样判断试点已经准备好在全企业推行？
当试点已连续一个完整业务周期推动预先定义的指标、负责部门无需试点团队手把手支持也能自行操作工具、而且试点期间发现的数据与流程缺口已被真正修补而非暂时绕过时，这个试点才算准备好在全企业推行。
只要三个条件中有任何一项缺失，扩展试点只会等于扩展那个权宜之计，而失败只是延后出现，成本更高，牵连的部门也更多。
策略结语
九成半的失败率，不是企业放慢AI步伐的理由，而是重新定义「启动试点」意味着什么的理由：更少的演示、更明确的指标、指定的业务负责人，以及在写下第一句提示词之前，一次诚实的数据准备度检查。
UD在香港董事会走过28年，见证由ERP到云端再到AI的每一次技术浪潮，而这个道理始终不变：能够成功扩展的企业，都是把技术当成运营模式改变，而不是一次采购的企业。懂AI，更懂你，UD相伴，AI不冷。
了解了框架，下一步是在投入预算之前，先找出你的企业试点会在哪里卡关。UD团队手把手带你完成每一步，从AI准备度评估、指标设计、数据缺口诊断，到为扩展而生的推行计划，凭借28年香港企业服务经验，全程陪你走。