MIT 针对企业客户的调研，关于 Gen AI 的投资预算分配。销售与营销获得了 50% 的预算，中后台运营类获得 25% 左右，客户服务也获得了 25% 左右。

一般来说，中后台自动化是比较容易在指标上凸显投资回报（ROI）的。但 MIT 研究团队认为这种 “指标显性化” 容易让决策者搞错投入的优先级。

MIT 针对企业客户的调研，企业客户管理层从哪些途径来知晓 Gen AI 解决方案。

(1) 现有供应商 20%；

(2) 新的集成商及合作伙伴推荐 15%；

(3) 同行点对点推荐 13%；

(4) 董事会或外部顾问的推荐 10%；

(4) 展会和媒体活动 9%；

(5) 行业刊物或研讨会 6%。

MIT 的一项关于 AI 应用的调研，关于任务分配时，哪些受访者倾向于让 AI 做，哪些请i吸纳高于给初级员工（同事）做 ？

写邮件、归纳摘要、基础分析等，70% 受访者倾向于找 AI 工具，而复杂的 “项目” 类（持续几个兴起的工作、客户管理等）90% 受访者都会倾向于找同事。

AI 对人类工作（尤其是白领类）的替代已经在逐步成为现实。而 AI 时代，个体如何寻求职业发展是热门话题。

有能力胜任有一定复杂度的工作，是区别 AI 的（暂时）有效手段。即便是初级员工，也应考虑这个角度。

MIT 最近发布的一份报告，关于企业客户在使用大模型工具的成功（部署）的比例。

如果是 ChatGPT 类的通用工具，成功部署的比例为 40%；而如果是面向企业特定的专属任务则成功率只有 5%。

这个现象由来已久，也不仅是 AI 主题。以白领办公常用的即时消息 IM 为例，微信等通用工具的应用体验一定是远好于企业自己开发的专属 IM 的。

就大模型应用而言，OpenAI 的技术实力和研发投入，任何企业客户个体都是无法比拟的。

以训练数据为例，企业把自己手头哪些 PDF 资料给 “搞整齐”，就是一件非常之困难的事情，尤其是考虑到有限的 IT 成本条

IoT Analytics 咨询公司对 530 个生成式 AI 的真实项目进行了分析，归纳出来 Top 10 应用分别是：

(1) 客户支持之问题解决（35%）；

(2) 客户支持之问询（34%）；

(3) 客户支持之售后支持（19%）；

(4) 营销内容生成（17%）；

(5) 软件开发（15%）；

(6) 运营过程优化（11%）；

(7) IT 支持（8%）；

(8) 研发产品设计（8%）；

(9) 研发原型制作（8%）；

(10) 研发可行性研究（8%）。

Gartner 针对全球性跨国企业的调研显示，影响未来增长的外部威胁和制约因素中，经济环境的不确定性、全球性或区域性衰退是排名前两位的因素。监管、网络安全和地缘政治风险位列风险的第 3-5 位。

对于跨国企业在中国区的分部而言，长期以来都面临 IT 应用的建设上，是直接沿用全球总部的软件，还是本地化等问题。从 IT 应用的需求角度，既面临本地需求的差别化，又面临不同的法律和给规性要求。

图二是 Gartner 给出的三种方案：(1) 使用全球应用； (2) 混合使用；(3) 使用本土应用。由于应用的复杂性（大型企业很多都有上千款应用），而每类应用面临的监管要求是不同的（

企业在部署 SaaS 应用时，通常会从第三方 SaaS 商购买若干个账号，并发放给员工。与此同时，员工数也是典型的企业规模划分的维度。

如果把企业在 SaaS 的总支出除以总员工数，可达到每位员工平均 SaaS 的支出。根据 Productiv 的调研，大企业的单位支出是最低的，只有每年 7,500 美元左右，而中小企业的平均的单位支出为 11,000 美元左右，显著高于大型企业。

从这个角度也可以看出大型企业的规模优势。

Productiv 针对国际市场的调研显示，不同企业在使用 SaaS 的程度正在分化。

虽然整体都在上升，但大型企业（员工数大于 2000 人）的强度明显不同。2021 年大型企业平均使用 SaaS 的数量为是 317 项，2023 年攀升到 473 项。

SMB（中小企业）则仅仅从 242 提升到 253 项，整体趋稳。

大企业数量大增的原因可能是，大企业本来内部就是非常多的应用，不断在经历 SaaS 化的过程。

Menlo Venture 针对 450 家北美和欧洲的企业调研显示 “不能证明投入产出 ROI”、“数据隐私担忧”、“企业的数据使用困难” 位居关键障碍的前三位。

人才问题和投资预算问题，反倒位居第四五位。

启示就是：如果可以 “面向管理层展示清楚价值亮点”，其他问题就不是问题。