49% 的企业决策者表示，旧有本地软件已经延迟、缩减、暂停或取消 AI 项目。这组数字来自 Google Cloud 与 Hypothesis Group 对 1250 名美国企业 IT 及业务决策者的调查，它揭示的判断很明确：企业采用 AI 的主要障碍，正在从模型能力不足转向旧系统拖累。

这是什么

这里的“旧软件”主要指运行在企业自有电脑和服务器上、并非原生部署于云端的系统。Google Cloud 将旧系统维护称为一种“创新税”：补丁更新、安全修复和日常运维持续占用 IT 预算与工程时间。

矛盾在于，AI 正在提高发现旧代码漏洞的速度，但安全团队未必有足够人手处理新增告警。调查还提到供应商锁定：企业若更换底层技术，可能付出较高迁移成本。因此，新工具即使单独表现良好，进入由旧系统、权限流程和数据接口组成的生产环境后，也容易失去推进速度。

值得注意的是，Google Cloud 称《财富》100 强中近 90% 已在使用 Gemini Enterprise 构建、扩展或治理智能体。智能体（能规划并执行多步骤任务的 AI 软件）已进入企业，但“使用”不等于已改造核心流程。

行业怎么看

我们认为，这项调查对 AI 应用落地的意义，比又一个模型性能榜单更实际。企业真正的竞争，不只是选择哪个大模型，而是能否让 AI 接入现有数据、权限和业务系统。模型能力趋同后，系统集成、数据治理和运维能力会更直接决定项目回报。

但风险也来自调查本身的边界。数据仅覆盖美国受访者，且由 Google Cloud 委托研究，结论天然有利于强调云端迁移与统一平台的价值。旧系统也并非都应被替换，其中不少承载着审计、稳定性或特殊业务逻辑；仓促迁移可能带来合规中断、成本上升和安全敞口。

更稳妥的路径通常是渐进替换：先从可度量、风险较低的流程切入，再逐步打通核心系统。企业若只是把旧系统原样接入 AI，也可能把历史低效一并放大。

对普通人的影响

对企业 IT：AI 项目的竞争焦点正从演示效果转向上线后的稳定性、权限控制与旧系统改造成本，IT 部门会更重视接口治理和全生命周期维护。

对个人职场：智能体承担流程任务后，重复操作会减少，但跨系统核对、异常处理和结果复核仍需要员工参与；能说明业务规则、验证 AI 输出的能力会更重要。

对消费市场：企业智能化改造通常先发生在客服、销售、后台运营等环节，消费者感受到的可能是办理业务更快，也可能是流程更自动，但错误决策被系统放大时，申诉与人工介入仍不可缺少。