6 月 16 日，Scale AI 联合 Reuters Insights 发布"The Six Percent Report"，调研了全球近 500 名高级 AI 决策者。按报告的分类，受访企业中只有 6% 已让 AI 在企业范围内实现规模化应用。
这与常见的 AI 采用率回答的是不同问题。McKinsey 的 2025 年调查显示，88% 的受访者称所在组织已在至少一个业务职能中经常使用 AI。Gartner 则在 2025 年预测，到 2026 年底，40% 的企业应用将嵌入面向特定任务的 AI Agent。前者统计使用情况，后者预测应用功能，都没有直接衡量全公司的投资回报。
因此，88% 的采用率和 Scale AI 的 6% 不能直接相减，得出同一批企业从采用到成功的转化率。但这些研究共同提出了一个问题：部门内开始使用 AI，之后如何扩展到更多业务，并衡量效果。
6% 衡量企业范围的应用，不等于只有这些企业获得收益
从公开摘要看，Scale AI 关注的是企业范围的 AI 应用，以及 可衡量的业务结果。某个部门开展试点、员工使用聊天工具，和 AI 被纳入多个业务流程，是不同阶段。没有进入这 6% 的企业，也可能已经获得局部收益。
举一个假设的例子：一家银行的合规部门用 LLM 辅助审查合同，节省了相当于三个分析师的工作时间。它已经体现了部门收益，但仅凭这一例子，还不能判断 AI 是否已在全行规模化应用。
Scale AI 的摘要还引用了 MIT 的研究，称仅 5% 的商业 AI 试点取得可衡量结果。摘要同时说明，两项研究测量的对象不同。试点是否见效、企业是否规模化应用，需要分别判断；两个数字接近，并不足以说明所有企业 AI 项目都有统一的个位数成功率。
2025—2026 年，模型的推理、多模态和工具使用能力持续进步。Scale AI 将分析重点放在数据和组织条件上：模型能力改善之后，企业仍需要解决数据接入、流程改造和人员协作。这些障碍与模型自身的可靠性问题可以同时存在。
领先企业更早处理数据、培训和工作流改造
报告摘要为这 6% 企业归纳了三个共同特征。
第一，持续投入数据基础。 这些企业重视数据质量、标注、治理和反馈。VaaSBlock 对其他研究的综述也列出了"数据质量、集成复杂性、变革管理和所有权不清晰"等问题。这些因素分别涉及数据、系统和责任分工，需要相关团队共同处理。
第二，尽早调整组织和流程。 这些企业在项目初期就投入员工培训、工作流重设计和变革管理，并争取高层支持。Writer 的 2026 年调查也记录了组织压力：54% 的受访高管认为 AI 采用正在"撕裂公司"，79% 的受访组织面临采用挑战，后者较 2025 年上升。技术部署与人员、职责调整不同步，可能增加内部摩擦。
第三，结合内部经验和专业供应商。 这些企业不会只依赖现成工具，而是将内部专业能力与外部合作结合，适配自身工作流、数据和业务目标。哪些部分自建、哪些部分采购，需要结合团队能力、数据要求和维护成本选择。
报告在 scale.com/six-percent 页面还介绍，这组企业能够在 6 个月内取得可衡量的业务结果。这提示企业在推进项目时，需要预先确定评价指标和观察周期。不过，摘要没有说明这一时间标准如何应用于不同行业和项目。
多项研究记录落地困难，但失败率的统计对象不同
其余 94% 未进入 Scale AI 定义的领先组，不能一概归为停在试点或项目失败。其他研究也记录了 AI 落地困难，但各自采用的样本和指标不同：
- RAND Corporation 2024 年报告引用既有估计称，超过 80% 的 AI 项目失败，约为非 AI IT 项目失败率的两倍；它另访谈 65 名资深数据科学家和工程师，用于分析失败原因，而非用这组访谈计算上述比例。
- BCG 2024 年调查称，74% 的受访企业尚未展现可衡量的 AI 价值；这是一项企业能力与成果调查。
- S&P Global Market Intelligence 2025 年发布的调查显示，42% 的受访企业表示多数 AI 项目在进入生产前已被放弃，高于上一次调查的 17%。
- Gartner 预测，到 2027 年底，超过 40% 的 Agentic AI 项目将因成本、价值或风险控制问题被取消。这是预测，并非已经发生的取消率。
投入规模也要区分口径。斯坦福 AI Index 统计，2024 年全球企业对 AI 的投资约为 2523 亿美元，包含并购、私募和公开发行等交易；Gartner 预计 2026 年全球 AI 支出约为 2.59 万亿美元，覆盖基础设施、软件和服务等类别。它们都不是只用于企业试点的预算。Scale AI 的 94% 是企业占比，也无法用来推算有多少资金没有获得回报。
报告由服务商参与制作，公开摘要不足以复核全部方法
Scale AI 本身为企业提供数据标注、数据治理和 AI 服务。报告强调的数据基础、组织调整以及内部能力与外部供应商结合，也与其业务方向相关。理解报告建议时，需要考虑这一背景。
Reuters Insights 与 Scale AI 合作制作了报告，但合作机构和近 500 人的样本量，本身不足以证明样本代表所有企业。数据和组织问题值得分析；至于应采购何种服务，还需要根据企业的实际障碍评估。
公开页面提供了博客摘要和填写表单的下载入口，也列出了"八大行动步骤"等章节，但未展示详细方法、行业细分和完整判定标准。仅凭这些页面，尚不能复核 6% 如何计算，也不能确定处在不同应用阶段的企业如何归类。
模型能力提高后，企业仍需培训员工并调整流程
这份报告提供的一个有用提醒是：模型能力提高，并不会自动完成企业内部的流程和组织调整。 要判断两者之间的差距是否扩大，还需要持续使用可比较的指标，而非并列不同研究的百分比。
2025—2026 年，模型不断增加多步推理、工具调用和自主执行能力，企业也需要相应培训员工、调整监督方式。Writer 的调查显示，报告 AI 采用挑战的组织占比较上一年上升。Kyndryl 的全球调研则发现，认为员工已充分准备好使用 AI 的商业领袖比例下降了 6 个百分点，降至 23%。这是管理者对准备程度的评价，提示了人员适应方面的压力。
因此，企业除了比较模型能力，也需要明确谁负责数据质量、哪些流程先改、怎样培训使用者，以及何时检查业务结果。Scale AI 提出的三类做法可以作为检查项目的线索；是否有效，仍要在具体业务中验证。
判断 AI 投资进展时，既要记录使用范围，也要看实际收益、维护成本和组织能否持续承担这些工作。
