一万亿美元买了个寂寞。
钱这个东西，有时候真的是气死人不偿命。
你往一个地方砸了一万亿美元，整整一万亿，后来回头一看，发现里面有 40%的企业省下来的成本，连 10%都没到。这就有点像你花了一百万装修，最后发现房子漏水少了那么一点点，然后承包商还跟你说，"技术跑通了，价值没到来。"
贝恩咨询今年 4 月出的那份报告，现在看来是今年最扎心的商业文件之一。
它调查了全球 951 家年收入过亿的企业，横跨九个行业，把整件事的结论写得斯斯文文，但意思非常凶残。
翻过来说就是，AI 这波投资热，其实有相当大一部分是在给未来开空头支票。

最让人坐不住的，不是那个 40%，而是后面那个 44%。
贝恩发现，有 44%的大型企业，拿上一轮 AI 投资 "预计节约的成本"，作为这一轮继续投的依据。注意，是 "预计节约"，不是 "已经省下来的钱"。
就是说，钱还没真到账，就已经拿来背书下一张支票了。
贝恩把这叫做 "结构性循环赌注"。
这个词起得很克制，实际意思是，这套逻辑跑起来，本质上跟庞氏没什么区别。用没兑现的未来回报，撑起现在继续投的理由，再用这一轮的 "预期回报"，准备好下一轮的资金来源。
每一层都建在预测上，没有一层踩在实际结果里。
它能撑多久，取决于市场什么时候开始认真问那个最普通的问题。
投了这么多，到底省了多少钱？

有意思的是，数据问题才是 AI 项目失败最常见的根源。
不是算法不够强，不是模型不聪明，而是企业拿不到自己的数据。
贝恩说，全球在数据现代化上投了十年，累计花了数千亿美元，结果 AI 项目跑不起来的头号原因，仍然是数据访问不稳定。这事听上去有点荒唐，却是真实的困境。数据分散在各个系统里，各有各的格式，各有各的权限，整合起来麻烦得离谱。
MIT 去年的研究更直接，95%的企业 AI 试点失败，主要原因就是 "工具不能学习、集成效果差，或者根本跟工作流程对不上"。
换句话说，AI 本身没问题。
是企业内部那些年久失修的数字地基，把大量的 AI 预算给活生生拖死了。

Gartner 同期的报告把这个问题说得更冷，他们预测超过 40%的智能体 AI 项目会在 2027 年底之前被砍掉。
理由是，成本一直在涨，商业价值一直不清楚，风险管控一直没跟上。
Gartner 分析师 Anushree Verma 说了句很准的话，现在大多数智能体 AI 项目还在早期实验阶段，主要是 "由市场炒作驱动"。这话背后的潜台词是，很多企业做 AI，不是因为想清楚了它能解决什么问题，而是因为看见竞争对手在做，不做心里不安稳。
市场炒作驱动的投资，从来不擅长在遇到挫折时耐心等待。

这件事还有另一层值得琢磨的地方。
就是那些已经达成节约目标的企业，反而在数据障碍上遭遇的问题更多，但在组织资源和预算上报告的困难更少。
这个反直觉的发现，说明一件事，AI 项目能不能出结果，跟花了多少钱关系不大，跟内部有没有人真正在推、有没有实际的组织支撑，关系大得多。
贝恩给的建议是，先用现有数据跑起来，别等数据全部整理完再开始。这话听着像常识，但常识往往是最贵的东西。因为大多数企业的本能是先把基础打好，再往上建，结果基础工程还没完，AI 的热度已经经历了好几轮起伏。

所以现在局势是这样的。
OpenAI、Anthropic 这些头部 AI 公司正在加快 IPO 节奏，贝恩的报告里有一句话点破了原因，当前 AI 公司的估值建立在 "预测值" 而非 "实际值" 上，跟它们批评的那些企业投资决策逻辑如出一辙，都是在跑赢市场问真问题之前先把故事讲出去。
Token 成本一直在涨，越来越多的企业从智能体 AI 的宏大承诺里慢慢清醒，开始算账。贝恩把最后的结论说得很平，很冷静，但刺进去挺深，"那些不用自动化实际回报来验证再投资逻辑的企业，是在叠加风险，而非管理风险。"
一万亿美元买了个寂寞，这句话说起来很轻巧。
只是那个寂寞，代价不太轻。