大多数关于企业 AI 落地的讨论都是定性调研或自我报告。Kimberly Tan（a16z 合伙人）用内部数据和与企业高管的对话，给出了一份硬数字。

核心数据

  • 29% 的 Fortune 500 已签定自上而下的合同、成功完成 pilot、在组织内正式上线某家 AI 创业公司的产品
  • ~19% 的 Global 2000 同样已上线
  • 从 OpenAI 2022 年 11 月发布到现在，不过三年出头。这个渗透速度在企业技术采购历史上极为罕见——Fortune 500 向来不是 early adopter。

用例分布：Coding 以外的世界

按营收权重排序，企业 AI 落地的用例高度集中：

Coding：比所有其他用例高出一个数量级，是绝对的主导用例。背后逻辑很清晰——代码是完美的 AI 任务：数据密度高、文本格式、无歧义、可执行验证、紧密的 human-in-the-loop 反馈循环。最好的工程师用 AI 工具后生产力提升 10-20x，ROI 清晰到不需要解释。

Support：与 Coding 处于用例光谱的两端。Support 是被外包给 BPO 的后台工作——高容量、高周转、有清晰的 SOP 定义。AI 在这里天然适配：有自然的人类接管出口（escalate to manager），ROI 可量化（ticket 量、CSAT、解决率），且客户对服务方是机器还是人不敏感。

Search：企业内部的跨系统信息检索。Glean 是这个领域的主要创业公司。法律搜索（Relius）、医疗搜索是更细分的赛道。

行业分布：意外的早鸟

Tech：最不出意外的 adoption 领先者。ChatGPT 报告 50% 的收入来自 tech 公司。

Legal：真正的意外。法律行业历来以采购周期长、不接受新技术闻名。但 AI 的文本解析、推理、总结和起草能力与律师的日常工作高度匹配。Eve、Harvey 等公司在 3 年内 ARR 做到惊人水平。

Healthcare：对传统软件响应迟缓，但对 AI 表现出前所未有的热情。医疗 scribes、医疗搜索、行政自动化——这些离散用例绕过了 EHR 系统，不需要 rip-and-replace，因此能快速扩展。

为什么有些能力强的领域落地慢？

Kimberly Tan 的分析框架：GDPval 衡量模型相对人类专家的胜率，但胜率和经济价值之间不是线性关系。

落地顺利的行业有一个共同特征：

  • 基于文本
  • 包含重复性工作
  • 有自然的人类介入点
  • 监管有限
  • 输出可验证（代码能跑、ticket 能解决）

不满足这些条件的领域，即使模型能力理论上很强，落地也慢。会计和审计在最近 4 个月 GDPval 跳升 20%，预示着新一波机会。

对 AI 创业者的含义

  • Coding 是上游：所有软件都依赖代码构建，AI 对代码的加速会向下游所有领域传导
  • Legal 和 Healthcare 不是赢家通吃：不同类型律师（in-house、law firm、patent、plaintiff）有完全不同的工作流，Healthcare 的医生种类更多，细分机会远未饱和
  • 关注能力到位但还没有 breakout 公司出现的领域：这些领域的基础设施和客户认知已经就绪，等模型能力到位就会爆发
  • Long-horizon agents、computer use、跨模态（spreadsheets、presentations）是下一波基础设施