6 月 16 日，Scale AI 联合 Reuters Insights 发布了一份名为"The Six Percent Report"的研究报告，调研对象为全球近 500 名高级 AI 决策者。报告的核心数字只有一个：6%。
仅 6% 的企业真正实现了 AI 的规模化部署，并从中获得了可衡量的商业回报。而在此之前，行业数据不断描绘一幅截然不同的图景——McKinsey 2026 年 Q1 调查显示 72% 的企业至少有一个 AI 工作负载在生产环境中运行；Gartner 统计称 80% 的 2026 年 Q1 企业应用嵌入了至少一个 AI Agent；91% 的企业在至少一个业务场景中使用了 AI。
88% 到 91% 的采用率，与 6% 的成功率之间，横着一条被 Scale AI 称为"规模化断层"的鸿沟。
6% 到底意味着什么
Scale AI 对"成功"的定义比"在用 AI"严厉得多：它要求企业在整个组织范围内大规模部署 AI，并且产生了 可衡量的、企业级的商业价值。不是某个部门的试点，不是 CTO 实验室里的概念验证，而是嵌入核心业务流程、持续创造可量化回报的 AI 系统。
这个定义将大量"在用 AI"的企业筛了出去。一家银行的合规部门用 LLM 自动审查合同、节省了三个分析师的人力——这在 McKinsey 的统计口径里算"已部署 AI"，但在 Scale AI 的标准下仍不构成"规模化成功"。
报告还引用了一个纵向对比：一年前，MIT 研究发现只有 5% 的商业 AI 试点产生了可衡量的 ROI。两套研究测量的是不同的东西——MIT 聚焦试点转化率，Scale AI 聚焦规模化部署——但两个数字的接近揭示了一个稳定的模式：无论从哪个节点开始测量，AI 在企业中的真实成功率都在个位数徘徊。
这并不是因为模型不够好。2025-2026 年间，前沿模型在推理、多模态和 Agent 能力上经历了飞跃式进步。Scale AI 报告的关键结论是：瓶颈从来不在模型层。
6% 做对了什么，94% 做错了什么
报告提炼了 6% 成功者的三个一致特征。
第一，数据基础设施是硬前提。 成功企业将数据质量、标注、治理和反馈循环视为 AI 的核心基础设施，而不是事后补救。这一发现与其他研究高度吻合：VaaSBlock 综合 Gartner、McKinsey 和 Deloitte 的 2026 年调查数据后指出，AI 试点无法进入生产的首要原因不是模型能力不足，而是"数据质量、集成复杂性、变革管理和所有权不清晰"——每一项都与数据治理相关。
第二，前置组织变革，而非后置补救。 6% 的企业在 AI 项目启动初期就投入变革管理、员工培训、工作流重新设计和高层领导力支持。他们没有走"先把技术搭好再让人适应"的老路。Writer 2026 年的企业 AI 采用调查从反面印证了这个结论：54% 的 C-suite 高管承认 AI 采用正在"撕裂公司"，79% 的组织面临 AI 采用挑战（较 2025 年两位数增长）。当技术部署跑在组织能力前面，AI 带来的不是效率提升，而是内部摩擦。
第三，它们不走纯"买现成"路线。 6% 的企业不依赖单一的现成 AI 工具。它们将内部专业能力与外部专业供应商结合，构建适配自身工作流、数据和业务目标的系统。Scale AI 报告指出，仅靠内部自建的成功率只有前者的三分之一，而纯靠外部通用工具的企业则无法建立差异化优势。
另外值得注意的是，报告在 scale.com/six-percent 页面补充了一个时间维度的特征：6% 的企业能够在 6 个月内从 AI 投资中看到可衡量的业务结果。这不是"快速见效"的鸡汤——它说明成功者选择的是能够最快验证价值的场景，而非最有野心的场景。
"试点炼狱"的规模
6% 的另一面，是 94% 的企业困在行业所称的"试点炼狱"（pilot purgatory）中。这是一个有充足数据支撑的行业现象：
- RAND Corporation 2024 年基于对 65 名资深数据科学家和工程师的访谈发现，超过 80% 的 AI 项目失败，失败率约为非 AI IT 项目的两倍。
- BCG 2024 年报告称，74% 的企业未能从 AI 投资中实现任何有形价值，尽管当年全球企业 AI 支出已达 2523 亿美元。
- S&P Global Market Intelligence 2025 年调查发现，42% 的企业在 2025 年中期已放弃了大部分 AI 项目，高于前一年的 17%。
- Gartner 预测，超过 40% 的新 Agentic AI 项目将在 2027 年前被取消。
这些数据指向同一个现实：企业 AI 的试错成本正在累积到一个临界点。2026 年全球企业 AI 支出据 IDC 估计已达 3010 亿美元，Gartner 预计到年底将达 2.59 万亿美元。如果 94% 的资金最终流向的是无法规模化的试点和半途而废的项目，那么 AI 行业面向企业市场的增长叙事需要一个严肃的修正。
Scale AI 的站位与报告的局限
必须指出的是，这份报告并非来自中立的学术机构。Scale AI 的核心业务是为企业提供数据标注、数据治理和 AI 基础设施服务——报告提出的三大成功要素（数据基础、组织变革、build+buy 策略）恰好精准对齐了 Scale AI 的产品矩阵。
这并不否定数据的价值。Reuters Insights 作为联合发布方提供了一定的方法论背书，报告的调研样本（近 500 名全球高级 AI 决策者）也具备基本的统计意义。但读者应将报告的诊断（"问题在数据和组织"）与报告的处方（"你需要更好的数据基础设施"）区分对待——前者有跨来源的证据支持，后者则带有明确的自利动机。
此外，报告全文目前仅通过填写表单下载，公开可访问的只有博客摘要和 landing page。报告中的详细方法论、行业细分数据和"八大行动步骤"尚未公开可独立审查。这些限制意味着，6% 这个数字的精确构成——它如何定义"规模化"、如何排除中间地带——外界目前还无法完全验证。
断层线正在扩大
Scale AI 报告最大的价值或许不在于 6% 这个具体数字，而在于它揭示的结构性不对称：AI 模型能力的增长速度与企业内部消化 AI 的速度之间，差距不是在缩小，而是在拉大。
2025-2026 年间，前沿模型在多步推理、工具使用和自主任务执行上取得了实质性突破，但这些能力进入企业实际工作流的速度远慢于技术迭代。Writer 的调查显示，企业面临的 AI 采用挑战在一年内增长了两位数百分比。Kyndryl 的全球调研发现，认为自己 workforce 充分准备好迎接 AI 的商业领袖比例在过去一年中下降了 6 个百分点，降至 23%。
这意味着，即使模型继续变强，能够真正从中获益的企业比例可能不会同步增长——甚至会因为模型越来越复杂、集成门槛越来越高而进一步收窄。Scale AI 的 6% 不是一个静态的终点，而是一个正在形成的分化格局：少数跑通的企业加速拉开差距，多数企业则在试点-放弃-再试点的循环中消耗预算和耐心。
企业 AI 的真正分水岭，已经从"你有没有用上 AI"，变成了"你有没有能力让 AI 真正为你工作"。
