AI 泡沫化危機真的來臨？為何 MIT 報告指出多數企業未獲利？

Question

Accepted Answer

AI 泡沫化危機真的來臨？為何多數企業未獲利？
目前市場確實出現「AI 熱潮可能降溫」的討論，但更精準的解讀是：生成式 AI 仍在由概念走向商業化的過程中，因此出現大量「投入多、可量化獲利少」的落差。MIT 指出多數企業未獲利，反映的通常不是單一技術失敗，而是導入成本、落地難度與衡量口徑等因素在早期階段疊加所造成的結果。
生成式 AI 未獲利的核心落差：從試點到商業成果的鏈條斷裂
多數企業在導入生成式 AI 後，最常卡在「能不能用」到「能不能賺」的落差。即使模型能力提升，企業仍要面對系統整合、流程改造與資料治理等成本，若使用率不足或未形成穩定工作流，收入端往往難以在短期內放大，而成本端（算力、軟硬體、維運與人力）卻可能持續存在。當企業用「是否使用」來替代「是否帶來淨利」時，就容易出現高曝光、低獲利的現象。
95% 未獲利的統計意義：需要先釐清「獲利」的定義與時點
MIT 提到「高達 95% 企業的生成式 AI 沒有帶來實際獲利」，這類結論最關鍵的判讀在於「實際獲利」如何界定。一般而言，獲利可能被定義為收入增加、成本節省、淨利改善，或其他可衡量的商業成果；若調查期間包含導入或試點階段，企業即使已經在跑 PoC，也可能尚未把成效轉成可見的財務結果。就算有營收貢獻，也可能因為導入期投入（例如資料整理、模型調校、法遵風險控管）使淨利尚未顯現，導致統計呈現「未獲利」。
為何會拖慢獲利：成本結構與風險成本往往比想像更早發生
生成式 AI 的成本通常不只在訓練端，更包含推論端（持續運算）、資料與模型管理、以及風險控管。當企業導入到客服、行銷、內部助理或知識管理等場景時，還會遇到品質一致性、幻覺風險、以及合規要求，這些都會帶來額外的人力審核與流程設計成本。若企業缺乏清楚的 KPI（例如節省工時是否能折算成成本、或轉換率是否能歸因到模型輸出），就容易出現「有成效但難以獲利化」的情況，從而讓統計落入未獲利群組。
「泡沫化」討論怎麼看：市場情緒與企業基本面可能不同步
市場出現「泡沫化」新聞，常見的判讀框架是把估值與情緒，和企業基本面（收入、毛利、現金流、客戶採用與續約）分開看。若把 2000 年網路泡沫作為參照，目前市場雖然熱烈，仍可能存在差異；因為 AI 產業鏈確實出現現金流與成長敘事，例如 OpenAI 提到收入從約 40～50 億美金成長到約 130 億美金的規模，並談到 ARR 可能在明年後接近 200 億的水準，顯示供給端與部分商業模式正在往成熟走。相對地，MIT 觀察到的「多數企業未獲利」更像是需求端落地尚未完成：不是所有企業都能在同一時間把模型能力轉成財務結果。
判斷結論：不是「全體崩盤」，而是「獲利分化」正在加速
因此，「泡沫化危機」若要成立，通常需要看到的不只是市場熱度下降，而是更多企業在後續期間仍無法把導入成果轉成收入或成本改善。MIT 的數字提供了風險輪廓：生成式 AI 在企業端可能仍處於商業化前半段，導致大量公司尚未獲利。真正的分水嶺會落在企業是否能在流程整合、資料品質、使用率與可衡量 KPI 上建立閉環，並把成效追溯到財務指標上。

閱讀紀錄

隱藏 →

此記錄會在頁面關閉後消失

AI 泡沫化危機真的來臨？為何 MIT 報告指出多數企業未獲利？

Loading

你覺得這篇文章有幫助嗎？

有幫助

沒幫助

回報問題

1

0

0

分享給好友