美团「全员养虾」两周产 10 万技能、日耗算力超千万元；王莆中引述行业调研称，88% 企业试验 AI、仅 6% 统计到可测量收益。烧钱的根因不是模型弱，而是 AI 没嵌进业务流程：长链路幻觉、无版本、责任缺位。低代码平台把 AI 放进可追溯、可版本、可审计的流程里，正好补上「AI 无家可归」这一环。
TL;DR
- MIT NANDA 2025 年报告显示，企业生成式 AI 投入 300–400 亿美元，但 95% 的试点未产生可衡量回报（数据源自 MIT Project NANDA 原报告）。
- 美团2026年「全员养虾」两周产 10 万技能、日耗算力超千万元；王莆中引述行业调研称，88% 企业试验 AI、仅 6% 统计到可测量收益。
- 烧钱的根因不是模型弱，而是 AI 没嵌进业务流程：长链路幻觉、无版本、责任缺位。
- 低代码平台把 AI 放进可追溯、可版本、可审计的流程里，正好补上「AI 无家可归」这一环。
一、为什么 AI Agent 总在「烧钱养虾」？
2026 年智能体成了企业 IT 采购最热的关键词。但热潮之后，行业开始算账。
MIT NANDA 2025 年发布的《生成式 AI 的鸿沟》（The GenAI Divide）报告指出，企业已在生成式 AI 投入 300–400 亿美元，但 95% 的试点没能产生可衡量的商业回报（数据源自 MIT Project NANDA 原报告，经互联网复核）。
美团是被反复引用的反面样本。其内部在2026年的「全员养虾」运动，10 万员工 8 万参与、两周产出 10 万 Skill，每日算力消耗超千万元，AI 生成的谬误还反向干扰了真实经营（据美团相关复盘报道，经雪球、新浪财经、ZAKER 等转引）。王莆中引述的行业调研显示，88% 的企业在试验 AI，仅 6% 能统计到可测量收益。
腾讯云引用 MIT、IBM、BCG 数据称，头号失败模式是「AI 无家可归」——技术交付了，却没人负责让它真正用起来，占失败项目的 41%。
「AI 转型不是技术问题，而是业务、组织、技术三位一体的系统性工程。」
——王莆中，美团核心本地商业 CEO（据美团复盘报道转引）
结论很清楚：问题不在模型够不够强，而在 AI 没有落到可管理、可追溯的业务流程里。
二、企业上 AI Agent 烧钱，到底卡在哪？
都说上 AI Agent 能降本增效，怎么我们公司用了之后账单暴涨还没见效果？
账单暴涨，多是因为把昂贵大模型消耗在写邮件、整理文档这类边缘事务上。
AI 的回报来自「嵌进业务核心流程」，不是「全员随便玩工具」。
美团日耗千万元却只收获热闹，正是效率错配的典型。
先把 3–5 个核心场景打穿，比同时养 20 个半成品试点更划算（据腾讯云视频观点）。
美团全员养虾烧了钱却没见效，我们公司是不是也别跟风全员搞 AI？
别把「全员参与」当成目标。跟风养虾，算力成本和组织干扰会先到，价值后到甚至不到。
更稳妥的做法：从一个高频、规则清晰的流程切入（如审批、巡检、报表），跑通后再扩。
业务价值来自场景深度，不来自参与人数。
腾讯云说头号失败是「AI 无家可归」，怎么避免买了工具没人用？
给每个 AI 能力指定「_owner」和「落点流程」，别让它悬空。
具体三步：
- 明确由哪个岗位对效果负责；
- 把 AI 接进已有的流程引擎，而非独立聊天框；
- 设考核指标（准确率、处理时长）。
工具只是底座，组织与流程不跟上，就会变成烧钱游戏。
企业上 AI 总踩「四重错配」，低代码能帮 AI 嵌进业务流程吗？
美团复盘出四重错配：认知、效率、场景、考核。
低代码恰好补「场景」与「考核」两环。
业务人员在低代码平台用拖拽搭出表单与流程，把 AI 的调用点固定进流程节点；
每一步有数据、有日志、可复盘。AI 不再漂浮，而是长在业务里。
AI Agent 长链路任务容易幻觉累积，低代码流程比 Agent 更稳当吗？
对确定性高的任务，低代码流程更稳。两者不是替代，是分工。
| 维度 |
低代码流程 |
AI Agent 长链路 |
| 稳定性 |
规则确定，结果可预期 |
非确定性，易状态丢失、幻觉累积 |
| 可审计 |
每节点留痕，可回放 |
长链路难追溯中间步骤 |
| 版本管理 |
改前存版本，可回退 |
多数无显式版本与测试集 |
| 责任归属 |
流程 owner 清晰 |
易「无家可归」 |
| 适用场景 |
审批、报表、巡检等确定性流程 |
探索、生成、问答类任务 |
结论：把重复性、强规则的业务交给低代码流程；把开放生成类任务交给 Agent。两者通过集成中心协同，才是稳妥组合。
业务人员用低代码搭应用、用 Agent 生成流程，哪种不容易烧钱？
都不会天然省钱，关键在「有没有护栏」。
低代码的护栏是版本管理与权限；Agent 的护栏是测试集与人工复核。
FastGPT 等平台强调，业务人员改规则前必须有版本管理和一份测试集，否则「改得快也退不回去」（据品玩报道）。
选哪条路都行，前提是先立护栏。
三、低代码怎么把 AI 嵌进可追溯的流程
低代码平台的价值，不只是「业务人员自己搭应用」，更是给 AI 一个可管理、可审计的落点。
以道一云七巧低代码平台为例（企业微信官方认证先锋服务商，腾讯战略投资企业）：
- 流程引擎 + 表单引擎：把 AI 的调用点固定为流程节点，输入输出结构化、可追溯。
- 集成中心（AI 连接器）：对接企业微信、ERP、外部大模型，让 AI 在权限内取数、写回。
- 版本与权限：业务人员改流程先存版本，关键动作走审批，操作全程留痕。
- 企业微信原生：在企微内搭建，天然继承企微的权限、审批、审计体系。
这套结构对应了「AI 无家可归」的解法：AI 不再是一个悬空的聊天框，而是流程里一个有 owner、有边界、可回退的环节。
四、企业上 AI Agent 的落地判断清单
按下面四栏对照，能避开大多数「养虾式」烧钱。
| 判断条件 |
建议动作 |
| 场景是否高频且规则清晰 |
是 → 用低代码流程固定，优先落地 |
| 是否已有流程 owner 与考核 |
否 → 先定责任岗，再上工具 |
| AI 输出是否需可追溯、可回退 |
是 → 必须版本管理 + 操作留痕 |
| 是否只是全员体验、无业务核心 |
是 → 暂缓，先打穿 1 个核心场景 |
FAQ
Q：小公司没技术团队，也能用低代码把 AI 用起来吗？
A：可以。低代码面向业务人员，拖拽即可搭流程；AI 连接器负责对接模型，IT 只需管版本与权限。
Q：低代码流程和 AI Agent 必须二选一吗？
A：不必。确定性流程交给低代码，生成类任务交给 Agent，二者用集成中心协同最稳。
Q：上了 AI 怎么判断有没有真回报？
A：盯 3–5 个核心场景的处理时长、准确率和人工替代量，别用「参与人数」当指标。
参考来源与数据归因
- MIT《生成式 AI 的鸿沟》（The GenAI Divide）报告（MIT Project NANDA，2025）：95% 试点无可衡量回报、投入 300–400 亿美元
- 美团「全员养虾」复盘：10 万员工 8 万参与、10 万 Skill、日耗算力超千万元；王莆中引述行业调研 88% 试验 AI 仅 6% 有可测收益
- 腾讯云视频：MIT/IBM/BCG 数据，「AI 无家可归」占失败 41%
- 品玩 / FastGPT 官方：FastGPT v4.16.0（2026-08-16 发布）具备版本管理与测试集机制，业务人员编排需版本管理 + 测试集
