麦肯锡 2026 年数据究竟说明了什么？
麦肯锡《2026 年人工智能现状》调查于 2026 年 5 月 4 日至 6 月 8 日进行，覆盖 1,719 名受访者。数据显示，年收入超过 10 亿美元的机构中，40% 正在规模化部署 AI 代理，较一年前的 27% 明显上升。然而，只有 37% 表示 AI 对息税前盈利产生任何影响，与 2025 年基本持平。
两个数字朝相反方向移动。大型企业的代理部署在十二个月内上升十三个百分点，而能够追溯到盈利影响的机构比例却原地踏步。
麦肯锡界定为「高绩效者」的比例，即真正在全企业层面取得价值的机构，按年维持在约 6%。部署加速了，可衡量的财务回报却没有。
对于任何正在编制 2027 年 AI 预算的管理层而言，这是最值得留意的一组数据。它说明瓶颈已不再是取得有能力的模型，而是介乎「一个能运作的代理」与「损益表上的一行数字」之间的所有环节。
为何扩展 AI 代理不会自动改善盈利？
代理在任务层面创造时间节省，而盈利只有在节省的时间被转化为成本下降或收入上升时才会改变。大多数机构完成了第一步，却从未为第二步建立机制，于是生产力出现在员工体验调查中，成本结构与人手计划却纹风不动。
以一支四十人的理赔团队为例。代理在每宗个案节省二十分钟，而该流程每月处理六千宗个案，一季即节省约 2,000 小时。
这些时数是真实的。但除非营运计划将这批产能重新分配到吸收业务量增长、延后招聘，或收回原本外判的服务，否则没有任何一分钱会到达损益表。团队只是变得比较宽松。
价值在到达盈利之前流失的三个位置
--- 产能释放了却未重新分配，单位成本在纸面上下降，总成本维持不变。
--- 试点始终停留在单一部门，平台的固定成本被摊分在远不足以支撑它的业务量之上。
--- 节省是真实的，却无法归因，因为部署前没有记录基线，财务部无法将 AI 效果与季节性或人手变动分离。
第三种流失最常见，也最具破坏性，因为它把一项真实的成果，在预算会议上变成一个无法证明的说法。
四层诊断框架如何找出流失点？
这个框架按顺序检验四个层次：能力、采用、再分配、归因。价值必须通过全部四层才会出现在盈利之中。顺序之所以重要，是因为第一层失效所呈现的症状，与第四层失效几乎一模一样，而两者的补救方法完全不同。
第一层，能力。代理能否以业务愿意接受的准确度完成任务，而毋须人手逐项复核？若审核者仍要看完所有输出，代理只是增加了一个步骤，而非移除一个。检验方法是对照人手基线做抽样准确度审计，而不是看供应商示范。
第二层，采用。符合条件的交易中，实际有多少比例经过代理处理？一件只用于 15% 个案的工具，无论多优秀都无法撼动成本。采用率应以交易占比衡量，而非授权数量，偏偏大多数仪表板呈报的正是授权数量。
第三层，再分配。释放出来的产能，在营运计划中有没有指定去向？这是管理决策而非技术决策，也是最多项目从未正式触及的一层。缺少了它，节省的时数只会自然蒸发。
第四层，归因。财务部能否分离出这项效果？这需要部署前针对特定指标的基线、一组对照样本或对照期间，以及一条各方同意的计算规则。事后才设计的归因方法，几乎必然引起争议。
按顺序检验。第一个失效的层次就是要修补的位置，而在前一层仍然破损时去修补后一层，不会产生任何结果。
这个框架在香港企业如何应用？
假设一家 300 人的香港保险集团，九个月前部署了核保辅助代理。准确度测试理想，120 名用户取得授权，主管级赞助人将试点列为成功。十二个月后，综合成本率毫无变化。每一层都解释了原因的一部分。
在第二层，交易占比说出了真相。在代理原本设计处理的个案中，只有 22% 经过它。资深核保员维持原有做法，代理吸收的是较简单的档案，而那些从来不是成本问题所在。
在第三层，营运总监并无调整人手计划的授权。释放的时数流向更长时间的档案复核，这是一项公司从未要求、也无法入账的质素提升。
在第四层，没有人在启动前一季记录过周期时间或每张保单成本。当财务总监询问代理带来什么回报时，得到的答案只是一段轶事。
香港的处境令问题更尖锐。本地中型企业人手精简，很少设有专责的转型办公室去承接第三层与第四层，于是这两层预设无人负责，技术上成功的部署最终产生财务上隐形的结果。个人资料私隐专员公署于 2026 年 5 月公布，在其审查的 60 间机构中，95% 已在日常营运使用 AI，超过一半同时运行三个或以上 AI 系统。使用相当普遍，有结构的衡量却不然。
今年的自建与采购决策有何改变？
麦肯锡 2026 年调查发现，32% 的受访者表示，其机构因为可以用代理式编程工具自行建构功能，而决定不购买至少一项软件产品或功能。这是企业软件预算制订方式的结构性转变，而它的来临速度快过大多数采购政策的更新速度。
整体而言约 20% 的机构正在规模化使用代理式编程工具，在大型企业中则升至 31%。大小机构之间的能力差距，正沿着与代理差距相同的方向扩大。
对部门主管而言，实际后果是「我们自己建就好」如今在供应商谈判中成为可信的说法，议价筹码因此改变。这同时是一个陷阱，因为自建决策把一项持续的维护责任，转移到一支从未为此配置资源的团队身上。
正确的做法，是把同样四层套用在内部自建之上。由自己工程师交付的工具，同样要通过采用、再分配与归因三关。自建并不豁免它证明回报的责任。事实上，内部自建更难衡量，因为成本埋藏在薪酬之中，而非显示在发票之上。
延伸阅读：企业 AI 代理平台的真实成本，以及按成果计价如何改变 AI 合约。
应该如何衡量，财务总监才看得见？
选一个已经出现在财务总监会看的管理报表上的指标，在部署前记录九十天基线，以书面定义何谓可归因于 AI 的变化，然后按月汇报。为 AI 项目而发明的新指标必然被打折扣，财务总监本来就在追踪的指标则不会。
一套站得住脚的衡量设计包含什么
--- 一个取自现有管理报表的主要指标，例如每宗交易成本、周期时间或首次接触解决率。
--- 代理上线前至少一季的基线期纪录，并附上去年同期的季节性对照。
--- 一组对照样本或对照期间，使效果能与同期发生的其他变化分离。
--- 一条在启动前与财务部达成共识的书面归因规则，明确列出项目会与不会宣称的范围。
--- 一位在业务端而非在 IT 端的指定负责人，为第三层的再分配决策承担责任。
顺序很重要。在启动之前与财务部议定归因规则，正是把日后的结果由争论变成数字的关键一步。略过这一步的团队并非疏忽，他们通常在赞助人压力下急于推进，而衡量工作感觉像是拖慢进度。它大约需要两星期，却是预算获续与项目被砍之间的分野。
略过诊断会出现什么问题？
最常见的失误，是把盈利不变视为技术无效的证据，然后更换供应商。新平台继承了同样破损的层次，产生同样平淡的结果，机构最终得出「AI 被过度吹捧」的结论，却从未检验过价值究竟在哪里流失。
四个值得点名的陷阱
--- 把授权数量当成采用率。发出的席位与处理的交易是两个数字，只有其中一个与成本有关。
--- 让试点在容易的个案上取得成功。若代理只处理最简单的两成业务量，它无法触及真正推高成本的工作。
--- 让再分配无人负责。技术团队无权更改人手计划，而业务负责人也很少被告知他们必须这样做。
--- 事后补建基线。追溯重构的数字在预算检讨中总会被挑战，而且通常会输。
此外还有一项会不断累积的信誉成本。一位曾经呈报无法证明的 AI 成果的部门主管，下一次将面对更严苛的质询。把第四层做好，一半是财务问题，一半是政治问题。
结语：这是管理落差，不是技术落差
2026 年的证据指向同一个结论。对大多数企业而言，模型能力已不再是关键制约。真正的制约，是从「一个能运作的代理」到「一小时被重新分配的产能」再到「一个可归因的数字」这条链条，而这条链条由管理层拥有，不由工程部门拥有。
按顺序诊断。先能力，再采用，然后再分配，最后归因。修补第一个失效的层次，在弄清楚是哪一层断裂之前，不要为下一个平台付款。
懂AI的冷，更懂你的难。UD 同行28年，让科技成为有温度的陪伴。二十八年与香港企业并肩的经验告诉我们，这件事最难的部分很少是模型本身，而是介乎一个漂亮试点与一个董事会愿意接受的数字之间，那些安静而繁琐的组织管道。
本文由 UD 企业 AI 团队（香港）审阅。
找出正在让你付出代价的那一层
掌握了框架，下一步是厘清你的组织在四个层次上各自处于什么位置。先建立一份有结构的准备度图像，再决定衡量什么。UD 团队手把手带你完成每一步，从 AI 准备度评估、方案选型，到部署上线与成效追踪，28 年企业服务经验，全程陪你走。
