文｜任晓渔
编｜徐鑫
AI 行业正在面临难以回避的价值拷问：过去大半年，需求侧和模型智能供给侧都在加速，但到企业端的效益层面却出现了明显的断层。
用的企业越来越多，算得出收益的依然寥寥。这一幕似曾相识。
1987 年，诺贝尔经济学奖得主索洛留下一句名言：" 计算机到处可见，唯独没有体现在生产率统计里。" 四十年后，这个以他名字命名的悖论在 AI 领域原样重演——全球 88% 的企业在常态化使用 AI，却只有 6% 能统计到可测量的收益。
8 月 12 日的西普会上，美团核心本地商业 CEO 王莆中深入剖析了这一行业困境。王莆中认为，企业 AI 变革是业务设计、组织变革与技术应用的系统性工程，企业要用好 AI 需要跨越五重错配，而美团在过去几个月用真金白银蹚出了 AI 在企业级落地的方法论。
这也是美团首次对外披露企业级 AI 变革的完整实践。基于美团自身的实践，王莆中进一步宣布将内部实战的整套 AI 系统向全行业开放。这套内生外化的系统级能力，为广大行业场景里 AI 落地困境提供了可供借鉴的解法，也让美团在当下的 AI 落地比拼里占据了一个独特的位置。
01
AI 落地困境，卡点不在模型
用不用 AI，今年对许多企业而言已不再成为一个问题。你可以从今年智能体渗透率的变化以及企业 AI 支出的变化里窥见一些端倪。
在渗透率上，今年智能体浪潮狂飙猛进，AI 在企业内的渗透趋势正在加速。麦肯锡数据显示，全球 88% 的企业已在常态化使用 AI。IDC 同样证实，AI 在生产环境中已彻底进入主流化阶段。截至 2026 年初，全球有约三分之二的企业已经将 AI 工具正式接入了实时生产系统。国内也是同样，根据赛迪的一份报告，97.4% 的企业听说过 AI，超过 50% 的大中型企业已将 AI 融入工作流。
在企业的软硬件采购中，AI 也不再是边缘的尝试性开支，而是正在重塑企业整体 IT 支出的 " 压舱石 "。Gartner 将 2026 年全球全栈 AI 采购支出预测调高至 2.59 万亿美元，同比大幅增长 47%。同时，企业在 AI 平台与大模型上的终端用户采购额预计在今年突破 640 亿美元，相比去年暴增 63.4%。
业界认为，AI 正在完成了从 " 技术极客试验 " 向 " 企业常态化生产流 " 的全面渗透。
然而，高渗透率却无法掩盖一个尴尬的现实：可量化收益的缺失。
同样来自麦肯锡的数据，全球仅 6% 的企业能从 AI 应用中统计到可测量的收益；在国内，真正持续使用 AI 的企业只有 33%，小微企业将 AI 融入工作流的比例仅 5.1%，与大中型企业之间隔着十倍鸿沟。
MIT 的一份报告也佐证了这一点——高达 95% 的企业在财务损益表上完全看不到 AI 带来的全局 Measurable 财务红利；IDC 也在 2026 报告中发出预警，今年将有近半数的 AI 项目因算不清账、拿不到 ROI 而面临未达标风险。
用了 AI 却算不出赚了什么，已经成为当下 AI 落地里的企业面临的真实痛点，尤其是对广大中小企业而言，这更是 AI 落地中的一个大挑战。
从供给侧指标来看，业界认为很难将问题归结到模型智能上来。有观点认为，大模型已经完成了向技术成熟和低成本的跃迁。
一方面，模型的迭代发布已经是按周更新，技术收敛速度极快。行业内感慨基模赛道里的竞争已经从各领风骚一百天到当下仅剩一到两个月的 SOTA 周期。今天最先进的开源模型，已经打平六个月前最好、最贵的闭源模型。
同时，模型的性价比也越来越高。根据海外机构 AICC 与 FinOps 基金会的一项统计，全球混合平均 Token 单价从去年的 18.4 美元断崖式下跌至今年的 6.07 美元，同比大跌 67%。而如果横向对比三年前的 GPT-4 级模型到如今的 DeepSeek V4/Flash 或 OpenAI 同等算力模型，单位算力成本累计跌幅已超 95%。
钱花出去，模型接进来，月底的财务报表却没有反应，王莆中在西普会的演讲中将之与 40 年前经济学家罗伯特 · 索洛提出的" 索洛悖论 "相类比。
王莆中认为，这里面存在五个错配——
第一是认知错配。企业对 AI 的认知走向正两个极端：要么把 AI 神化成无所不能，以为上了 AI 什么都解决了；要么因为幻觉和谬误全盘否定，觉得 AI 一无是处。用王莆中的话说，" 不要把它弄得特别高，也不要觉得一无是处 "。
第二是效率错配。" 用最好的模型发邮件、改邮件、做 PPT"，大量高性能模型被消耗在低价值场景里，钱花在了刀背上。第三，场景错配。AI 在经营外围打转，进不了内核。企业很难找到真正有价值的场景把 AI 融进去，它发挥作用的地方往往离经营核心很远。
第四是考核错配。像买了一批原材料就要求立刻见效，忽略了 AI 真正产生效果所需要的内部流程与组织改造——人和机器怎么协作、流程怎么重新设计，这些都不是接一个 API 就能自动完成的。
第五是流程错配。人和机器、人和设计的适配并非易事。
这五个坑都与模型智能无关，真正的问题在于企业用 AI 的方式和方法。
02
企业 AI 变革不是技术问题，
是三位一体的系统性工程
要跨越五重错配，从单点技术出发已经很难看到效果。中小企业不是不想用，也不是用不起，而是不知道怎么用，从哪儿用。
为什么同样用最强的模型，有的企业两天跑通一个方案，有的烧钱看不到效果？差别不在发动机，而在组织底盘上。业务流程是否理顺、组织是否配套、目标是否清晰，会极大地影响最终呈现出来的效果。要解决问题，换一个更强的模型、买一套更贵的工具、招几个算法工程师都不是解法。
王莆中认为，当下 AI 落地应该遵循一条公式化的判断：AI 是指数级技术，但企业享受红利的前提是组织底数大于 1。AI 能力是指数，组织管理是底数，底数大于 1，AI 越强跑得越快；小于 1。本质上，" 发动机越强劲，底盘越容易散架 "。
这一判断，背后凝结着美团用真金白银蹚出来的 AI 实践方法论。美团过去大半年用 AI 的方式也在经历一场从个人提效到组织提效的升级，王莆中在演讲中第一次对外披露这一企业级 AI 变革的完整实践路径。
年初 " 养虾热潮 " 席卷大江南北，在这股浪潮下，今年 2 到 3 月，美团内部也掀起了养虾运动。公司内 10 万人配了 8 万只虾。当时最狂热的时候，美团内部两周产出了 10 万个 skill。对员工养虾的支持也很多，比如美团内部对员工的 Token 消耗无上限限制，大家能用上最贵的模型。上至管理层下至基层员工，每天都跟 AI 助手聊天、发文件、做分析。可以说，龙虾成了所有人的 AI 助手。
但这只是是美团 AI 变革的第一阶段。王莆中坦言，全员养虾热潮在公司内普及了智能体，完成了一场声势浩大的全员科普。但它的代价也非常突出，一天一千万的账单和失控的安全权限，各种谬误对真实经营的破坏开始显现出来。
之后，美团管理层开始思考怎样才能真正推进这场 AI 变革。他们意识到，必须从上至下开始提出一些真正的变革方案出来，由此美团的企业级 AI 变革进入了第二个阶段。
从 4 月起，美团从顶层设计入手，成立了一系列跨事业部 AI 组织，体系化推进组织的 AI 转型——每个大的事业部都有对应的 AI 组织，把全员对 AI 的积极性，纳入一套行之有效的转型步骤里，有序地把全员对 AI 的积极性转化为生产力。
六七月是美团 AI 变革的第三个阶段。有了自上而下的组织支持，经过几个月积累，王莆中称初步有不少项目跑了出来，也沉淀出一套流程和方法。
这一阶段，美团内部上线了上千个项目赛马，仅在医药事业部，就跑出了 25 个落地案例。这个过程里，美团发现，企业的 AI 变革需要从搭底盘开始，人力资源、技术和业务负责人都要全面参与，整个 AI 变革的过程也是流程新生的过程。
具体来说，企业内先要做评估诊断，之后要做工作流程梳理，再做优先级排序，之后是配套的组织方式变革，比如激励晋升等机制要跟上，最后才是技术实施方案的敲定和落地。
在王莆中看来，企业做 AI 转型，难度一点不亚于甚至远超过上个时代从传统企业转型到数字化企业。数字化转型是一号工程，AI 变革也是同样，表面是技术问题，实质是 " 业务设计 + 组织变革 + 技术应用 " 的三位一体系统性一号工程。
他以美团自身的实践为例指出光依靠美团两万名产品研发人员完成不了这场变革，对于广大传统企业而言，" 不要把 AI 变革寄希望于 CTO、CIO 或数字化总监 "，必须一把手牵头，业务、HR、技术组成铁三角。
而具体的落地策略上，王莆中建议广大企业要遵循 " 从高价值场景切入，积小胜为大胜 " 的路径。
第一步是先要找到 "AI 能帮你省最多钱 " 的环节。不是先买工具，而是先想清楚企业的经营里有多少花在重复性工作上。从最痛点环节切入，不论是咨询、库存还是巡检，可以先让 AI 帮忙省出时间再谈增长。
第二步则是非常务实的提醒。对于中小企业而言，核心是找一个已经懂你行业的 AI 平台，而不是自己去调教通用模型，选对平台比选对模型更重要。
03
美团经验内生外化，助力行业 AI 落地
美团用 10 万人的组织、日烧千万的试错和上千个项目的赛马蹚出了一套方法论和经验，作为科技大厂，这样的投入也算不菲。对于广大中小企业而言，如何跨越 AI 应用的鸿沟？
在西普会上，王莆中给出了美团的答案：把自己踩坑换来的方法和能力封装成系统，开放出去，让广大中小企业和行业用户不用走弯路。
美团开放的不是单一的孤立工具，而是一整套企业级 AI 系统能力。
它既包含行业模型底座，也包括面向行业端和消费者端的垂直领域应用。通过与美团经营数据的打通，美团正在将 " 企业 AI 落地 " 从不可复制的大厂内部工程，转化为传统行业可直接调用的标准化能力。
在基模底座上，美团的企业级 AI 系统以基于 LongCat 训练的行业模型为底座。相比通用工具，在一些重点的垂类领域如在医药健康领域，这个底座融合了千万次高质量问诊会话、15 万份药品说明书以及千万级医学知识图谱，能大幅提升垂直领域的智能水平。
在产品层面，美团面向消费者和面向合作伙伴推出了专门 AI 助手及商家工作台。以医药行业应用为例，面向消费者的小团健康管家是 ToC 级产品，提供用药咨询、问诊、健康管理等服务，背后对接药店和医生资源；ToB 的布局则包含了面向合作伙伴的 CatPaw + 商家 AI 工作台，内含经营助手、库存管家、智能客服等模块都是从美团自身经营中总结提炼和抽象出来的能力。
王莆中认为，广大中小企业接入这套系统，不只是算力和模型，还有一个平台在真实经营里验证过的行业 know-how。这套系统已经在美团内部的真实经营里跑出了结果，也已经在一些头部先锋企业里验证了效果。
在美团内部，流程改造带来了明显的效果。过去靠人来驱动流程，一个方案要耗时一到两个月。而把人的经验提取出来之后沉淀到 AI 里面，重新设计人和流程的协作方式之后，现在两天就能跑出一个新方案。
而在合作伙伴端，一批连锁药企通过与美团的 AI 合作，在消费者洞察、日常经营等多个环节正切实实现提效。
比如美团与老百姓大药房在需求洞察场景共建，让 AI 基于数据分析识别需求上涨的机会，推动了高温季藿香正气月销增长 150%。而医药零售连锁企业漱玉平民则与美团合作打造了经营专家智能体，它帮助漱玉平民把 68 个城市的经营数据分析，从每次 2 小时压缩到自动推送日报、5 分钟通览。药企科赴则基于美团 AI 能力在生意复盘与异动预警场景，提升了人效和补货效率。一线人员可直接接收重点门店的库存异常预警，人效提升超三成，补货速度提升 70.9%。
可以观察到，美团与这些先锋伙伴的合作场景多围绕咨询问答、库存、巡检和经营分析等展开，它也是几乎所有零售连锁生意经营的普遍痛点场景。
这也意味着，医药只是这套系统能力落地的第一站，目前在医药行业里率先落地的能力未来有望复制和迁移到更大更广的行业场景。
作为一个深耕本地生活服务的平台，美团对自身的定位也非常明确。王莆中在西普会上明确表示，" 美团不会做线下药店，我们永远是行业的数字化和 AI 的小帮手。"
当下 AI 产业的竞争如火如荼。基模层激烈的军备竞赛还在继续。而对千行百业的企业而言，落地战更关乎切身生存及发展命脉。在愈演愈烈的落地战场上，竞争的主题不再是基模的参数，也不再单纯比拼模型有多聪明 , 更重要的是比谁能把模型、企业知识、业务工具和管理流程，组织成一套稳定运行的生产系统。
那些能帮传统行业把底盘建好，帮助他们能更低成本用上并用好 AI 能力的平台无疑将吃到更多的红利。而美团以自己的切身实践给行业提供了一种内生外化的解法，很自然地也在这场落地比拼里占据一个独特的位置。
