国金证券：企业视角下 AI渗透面临哪些现实制约？

发布时间：2026-07-17 06:39:09 来源：安智兰德资讯网 作者：综合

智通财经APP获悉，国金国金证券发布最新研报指出，证券AI渗透速度已成为衡量泡沫风险与就业风险的企业核心变量。

• 渗透加速：意味着AI深入核心工作流，视角I渗实制成本节约与收入兑现路径清晰，透面AI投资回报率（ROI）担忧降低，临现但代价是国金就业结构冲击与收入分配压力加剧。
• 渗透放缓：为劳动力市场提供缓冲期，证券但资本开支回报周期拉长，企业导致市场对AI泡沫的视角I渗实制担忧可能卷土重来。

短期来看，透面AI产业链将维持“微观乐观、临现宏观谨慎”的国金格局。技术革命的证券关键拐点，往往不在于“技术更强”，企业而在于社会与企业能否找到与新技术相匹配的新组织形态。

核心观点：从“技术可用”到“经济可用”的鸿沟

作为“AI洪流”系列第三篇报告，国金证券聚焦于企业视角下AI渗透面临的现实制约。尽管大语言模型（LLM）通用能力日益增强，但这并不直接等同于企业利润、组织效率或生产率的提升。

决定性因素已转移：不再取决于模型能力本身，而是企业能否跨越由非标化数据、旧系统流程、过时激励机制构成的三重鸿沟。

历次通用技术革命均遵循“技术可用”→“组织可用”→“经济可用”的演进路径。当前，AI多被用于生成文档、话术、代码等素材，属于“用AI做旧事”，虽能提升单点效率，但真正的生产率跃升需围绕AI重新设计数据流、审批流及岗位权责边界。

一、生产力提升的关键：企业重构而非人力替代

生产力提升的核心不在于AI能否替代人力，而在于企业是否被AI重构。发明不等于生产率，只有当AI改变企业的工作流、数据流和决策流时，模型能力才能沉淀为可持续的企业ROI。

1. 观察维度的转变

评估AI对经济的影响，不应仅关注模型跑分、日活数、订阅收入或员工使用率，而应聚焦以下四个维度：
* AI是否进入核心工作流？
* AI是否改变组织流程？
* AI是否形成可度量的收入或利润贡献？
* AI是否最终推升宏观生产率？

2. 就业冲击与渗透速度的博弈

企业面临的就业冲击构成了AI渗透路径的约束条件：
* 快渗透：缓解资本市场对泡沫的担忧，但强化就业结构冲击（尤其是年轻高技能群体）。若“新卢德运动”加剧，AI扩散可能面临反噬。
* 慢渗透：缓和短期失业压力，但易引发回报率质疑。

3. 历史镜鉴：电力与互联网的组织重构

• 电力革命：早期电机仅被视为更清洁的蒸汽机，工厂布局未变。直到分布式电机出现，允许机器重新布局、流水线重构及管理层级再造，效率红利才集中释放。
• 互联网早期：初期仅为邮件、网页和信息检索工具。直到供应链、渠道、支付、广告及组织协同全面线上化，才创造新商业模式。
• 当前AI现状：生成PPT、Word等本质是在旧组织中完成旧任务。未来若由Agent协作完成工作流，将无需“中间文件”，判断与执行将在系统间直联。真正的效率释放来自任务分解、汇报方式、审批权限和责任归属的重构。

二、企业应用AI面临的三道“鸿沟”

1. 数据鸿沟：非标化数据的治理难题

大量行业数据、流程数据和专有数据难以标准化、调用及合规共享。与企业价值相关的分散数据（ERP、CRM、供应链、风控、客服、合同、设备日志等）具有三大特征：
* 非标准化：不同企业、部门甚至系统间口径、流程及历史记录不一致。
* 强上下文依赖：脱离业务规则、审批逻辑及风控规则后，模型难以正确释意。
* 高合规成本：金融、医疗、政务等行业涉及隐私、商业秘密及监管要求，无法像互联网文本般大规模共享。

结论：AI从通用走向垂直，难点在于将非标准、带制度约束的数据改造为可被AI稳定理解的生产资料。数据治理、权限体系、接口改造及责任边界是前置工程。

案例：具身智能
根据VOXEL51 2026年视觉AI年度调查，训练数据中72%来自专有数据，50%来自公开数据集，40%使用合成数据。行业越垂直、流程越复杂，数据越难成为直接训练资产，AI使用成本越高。

2. 技术债鸿沟：旧系统的惯性阻力

现实企业系统并非白纸，而是过去几十年信息化建设的叠加结果。为保业务连续性，系统不断打补丁、加接口，形成冗余代码、碎片化数据库及不兼容接口。
* 典型案例：美国社会保障署（SSA）
* 长期依赖COBOL遗留代码，核心系统自80年代未实质更新。
* 2016年国会证词显示，系统中仍有超6000万行COBOL代码。
* 马斯克领导的DOGE曾推动快速改造，但引发数据丢失、安全漏洞及福利中断风险担忧。

结论：旧代码、旧接口、旧流程本身就是AI渗透的硬约束。AI能力强不等于能快速进入现实世界。

3. 决策与激励鸿沟：从“Token繁荣”到真实ROI

科技企业经历“先鼓励多用、后重新计量”的过程。
* 现象：以Uber为例，内部鼓励使用AI后，Token支出膨胀并耗尽预算，被迫设置月度上限。
* 误区：个人任务效率提升 $\neq$ 企业整体效率提升。若流程仍层层审批、关键决策仍依赖人工，组织并未被改造。
* Token虚假繁荣：高热度可能源于重复生成、低成本试错或格式包装，实质是将人力成本转化为算力和订阅成本。

数据佐证：对标普500企业过去14个季度财报统计，仅6%的样本明确表示AI带来收入提升。“节流”而非“开源”仍是主要反馈。

AI原生 vs 传统企业：
* AI原生企业：从源头嵌入数据结构、工具调用、权限边界及Agent协作。
* 传统企业：需在既有岗位、预算、考核体系中改造。难点不在于“员工会不会用”，而在于“组织愿不愿意让AI改变权力、流程和岗位”。

效率空间所在：
AI真正的效率空间往往不在前台（智能客服、搜索问答），而在中后台（财务对账、合同审查、风险合规、供应链预测、采购管理、库存调度、法务审核）。若AI“经济账”模糊，企业拥抱AI的决策将趋于犹豫。

三、微观乐观，宏观谨慎

1. 微观层面：资本开支链条清晰

部分企业通过AI实现降本增效，资本市场给予高估值。模型、云、芯片、数据中心及垂直软件公司已形成清晰的AI资本开支链条，大模型“性价比”持续提升。

2. 宏观层面：规模尚小，价值形态多元

• 规模数据：AI全球实际收入（除中国外）占美国GDP比重仅0.42%（2025Q1为0.13%，2024Q1为0.04%），占美国企业总利润仅3%。
• 价值形态：许多AI价值以消费者剩余形式存在（如搜索、地图、百科），不完全计入GDP。
• 估值约束：资本市场最终需可货币化的收入、利润率及现金流支撑估值。理想上限对应的社会代价（失业）沉重，反过来限制了AI技术的渗透速率。

3. 观察AI的四个关键维度

不应仅看产品发布、用户增长、ARR或个别公司利润弹性，而应观察：
1. AI是否进入企业核心生产阶段，而非仅办公辅助？
2. AI是否改变组织流程，而非仅提高个人效率？
3. AI是否形成可持续ROI，而非仅降低局部任务成本？
4. AI是否带来宏观层面生产率改善，而非仅重估部分资产价格？

总结：模型能力是快变量，组织结构是慢变量；资本诉求是快变量，全要素生产率是慢变量。AI扩散不由模型能力单独决定，更取决于企业的吸纳速度。技术革命的关键拐点，是社会和企业找到与新技术相匹配的新组织形态。

风险提示

1. 数据统计偏差：AI技术暴露度更新不够及时全面。
2. 能力发展不及预期：AI Agent能力发展弱于预期，导致劳动力规模变化超出预期。
3. 宏观政策风险：全球央行快速转向引发二轮通胀风险，压制全球需求；若劳动力裁员效应超过AI影响，降本增效属性被淡化，可能引发更大规模的AI投资回报率担忧。

相关文章