2025 年 8 月，一份來自 MIT Media Lab 的《GenAI Divide》報告在市場掀起波瀾。
報告指出，雖然全球企業在生成式 AI 上的投入高達數百億美元，但僅有 5% 的專案能真正帶來可量化的財務成效，導致媒體將其形容為「95% 投資 ROI = 0」。
這份結論迅速引發兩極反應：部分分析師與媒體認同「AI 應用難落地」的現況，另一派則強調長期前景仍然樂觀。受消息影響，NVIDIA、Palantir 等 AI 概念股在 8 月中旬出現明顯回檔，顯示資本市場對 AI 商業化進度的敏感度正快速升高。
這份報告在說什麼？
2025 年 8 月，MIT Media Lab 的《GenAI Divide》引發市場爭論。報告統整上百個企業用例、專家訪談與問卷後指出：
全球企業對生成式 AI 的投入高達數百億美元，但只有約 5% 的「整合型」AI 試點能成功規模化並在損益表上產生數百萬美元級別的可量化價值。多數專案卡在「看不到對損益表(P&L)影響」。
報告同時點出部署瓶頸：只有約 5% 的企業客製化 AI 工具能進入生產環境。障礙並非模型太笨或硬體太弱，而是「學習缺口（learning gap）」——工具缺乏記憶與情境自適應，難以在真實流程中持續演進；聊天機器人能幫腦力激盪，卻常在「要帶來營收」的工作流失靈。
行業落差也十分明顯：目前結構性改變主要集中在科技、媒體／電信，其餘（專業服務、醫療藥業、消費零售、金融、先進製造、能源／材料）多停在「大量嘗試、未轉型」。
另一個關鍵發現是資源錯配——約一半預算投向前台的行銷與銷售，但最容易回本的其實是後台自動化（例如取代 BPO 外包、降低代理支出、風控流程自動化）。此外，多達 90% 的員工私下使用 LLM／聊天機器人協助工作，卻未被 IT 與治理納管（所謂「陰影 AI」現象）。
誰贊同？誰保留？分歧其實是「時間維度」
贊同一方（強調當下落地難）：
《Fortune》率先擴散「95% 試點失敗」的標題；《The Register》延伸了行業差異與預算錯配；《Axios》以具體案例強調後台自動化的投報遠高於前台應用。
大量二次報導整體調性一致：此刻多數企業尚未看到企業層級的財務成效。
保留與反向觀點（長期仍樂觀）：
《McKinsey State of AI 2025》指出，功能別層級的收入提升與成本下降比例在上升，但超過 80% 的公司仍未見 enterprise-level EBIT 明確改善，等於間接支持「短期 P&L 不明顯」；
賣方機構如 Morgan Stanley、UBS 則著墨 2025–2028 年的淨利與產業收入貢獻，屬中長期看好。兩派並不衝突，差異在於觀察窗口：當下的落地差 vs. 未來幾年的變現潛力。
一些可被驗證的案例：誰「符合」與「不符合」
-
較符合「尚未見 P&L」： 多數非 TMT 行業仍停在試點或效率層級，用例多、可帶來營收的少；大型金融機構（例：JPMorgan）公開的 GenAI 應用多聚焦後台效率與客服／風控工作流，對企業層級 EBIT的量化仍稀少。
-
較不符合（已有量化回報）： Klarna 宣稱 AI 助理處理 2/3 客服對話、單年利潤改善可達數千萬美元；Walmart 將 GenAI 用於搜尋、商品頁、庫存與門市助手，對效率與成長帶來可觀提升。
市場反應：事件如何被「定價」
報告發布後的 8/19–8/20（美東），AI／科網股出現回檔，那指約 -1.5%、S&P 500 約 -0.6%；NVIDIA 約 -3.5%、Palantir 約 -9.4%、Meta 約 -2.1%。
多家即時稿把「95% 無回報」視為疑慮升溫的催化之一；同時也有報導強調估值拉回、獲利了結與宏觀情緒等共伴因素。重點是：市場對「AI 何時進 P&L」的敏感度顯著提高。
決策者應該怎麼做？把 ROI 從「好概念」變成「能帶來營收」
聚焦能量化的後台場景先打穿
報告點名最容易回本的部位包括：取消部分 BPO／代理商支出（客服、審單、對帳、KYC/AML 等）、風控／財務／法務的文檔處理與工作流自動化，這些都能在 P&L 上留下可核對的節省。其後再推向前台的銷售與行銷生產力，讓收益曲線先跑起來。
先買後建、強化「記憶＋學習」
在治理許可下，優先採購可插拔、可記憶、可持續學習的解決方案，再逐步內製整合。許多失敗源自「硬上自建」，卻卡在學習能力不足、流程不貼合。
用 KPI 說話。 建議建立 3 組可驗證指標：
-
成本面： BPO 替代率、代理支出縮減、每單處理成本（Cost per Case）。
-
效率面： TAT（處理時間）、一次解決率、錯誤率／重工率、客服自動化覆蓋率。
-
成長面： 轉化率 uplift、交叉銷售率、NRR／ARR 來自 GenAI 觸發的貢獻度（能分帳、能審計）。
結論：把「能學、會記、可驗證」刻進你的 GenAI 路線圖
《GenAI Divide》提醒的是落地與記憶能力，不是否定技術本身。
若要進入那「5%」：先做能帶來營收的後台自動化，建立治理與數據底座，再用可持續學習、具記憶的模組推進到前台；同時以成本、效率、成長三組 KPI 做持續驗證。
對市場而言，爭論會持續，但「何時在 P&L 看見證據」才是接下來真正會被定價的東西。
