企業(yè)級AI應(yīng)用行業(yè)丨研究報告

前言：

應(yīng)用現(xiàn)狀： 隨著“百模大戰(zhàn)”逐漸落幕，行業(yè)競爭重心轉(zhuǎn)變，企業(yè)級AI從技術(shù)探索期全面轉(zhuǎn)向規(guī)?；瘧?yīng)用期。得益于大語言模型能力的快速躍升，新一代AI應(yīng)用已在智能客服、知識庫問答、內(nèi)容生成等知識密集且交互相對開放的場景中率先取得規(guī)?；黄?。

關(guān)鍵問題： 在新一代AI應(yīng)用的規(guī)?；涞剡^程中，企業(yè)也面臨著更加復(fù)雜的挑戰(zhàn)。其應(yīng)用成果不僅依賴于單一的技術(shù)突破，更在于構(gòu)建系統(tǒng)性、端到端的落地能力。

應(yīng)用層：Agent成為當(dāng)前企業(yè)級AI應(yīng)用落地的核心載體，拆解最小任務(wù)單元，利用Function Call、MCP、Skills等方式，促進Agent與企業(yè)業(yè)務(wù)流程的深度整合。

支撐層：以場景為中心進行模型選型，構(gòu)建Data+AI的數(shù)據(jù)底座與面向AI的數(shù)據(jù)安全體系。

基礎(chǔ)設(shè)施層：AI算力基建向多元異構(gòu)演進，國產(chǎn)替代背景下軟硬件深度協(xié)同優(yōu)化重要性凸顯。

組織層：高 層推動的頂 層設(shè)計、員工維度的角色升級共同推動企業(yè)的AI轉(zhuǎn)型。

廠商落位： 目前企業(yè)級AI應(yīng)用領(lǐng)域主要有應(yīng)用軟件、技術(shù)服務(wù)及解決方案、云服務(wù)和AI模型四類廠商，部分深耕垂直場景，部分聚集平臺能力，形成分層協(xié)作、動態(tài)競合的格局。

發(fā)展趨勢： 1）大模型 由單一的Transformer架 構(gòu) 向多架構(gòu)并行迭代演進 ，未來可通過組合架構(gòu)靈活、高效適配不同場景；2）A I有望深度 介入并重 構(gòu)企業(yè)流程，人機協(xié)作模式將發(fā)生轉(zhuǎn)變；3）AI在科研領(lǐng)域可形成技 術(shù)底座、核心 能力、 科研流程、價值輸出的閉環(huán)，幫助企業(yè)提升競爭力； 4 ）物理AI演進將拓寬AI應(yīng)用的價值邊界，形成更完整的智能業(yè)務(wù)鏈；5）AI原生應(yīng)用將向全新的流量入口、交互方式、應(yīng)用架構(gòu)和業(yè)務(wù)邏輯演變。

研究范疇界定

重點關(guān)注企業(yè)作為采購和使用主體，以GenAI技術(shù)驅(qū)動的新一代AI應(yīng)用

在大模型、AI Agent等技術(shù)快速發(fā)展的當(dāng)下，越來越多的企業(yè)將數(shù)智化轉(zhuǎn)型作為提升核心競爭力的關(guān)鍵，AI技術(shù)在企業(yè)級場景中的落地應(yīng)用也成為各方關(guān)注的焦點話題。本報告所指企業(yè)級AI應(yīng)用，重點關(guān)注由企業(yè)統(tǒng)一采購、部署和管理的AI應(yīng)用，兼顧由員工個人采購或選擇、但實際服務(wù)于工作場景的情況。技術(shù)層面，本報告聚焦以大語言模型為代表的生成式人工智能即GenAI為核心驅(qū)動的新一代AI應(yīng)用，旨在探究AI技術(shù)如何幫助企業(yè)精準(zhǔn)解決特定業(yè)務(wù)痛點、重塑工作流程，并最終轉(zhuǎn)化為可量化的商業(yè)價值。

企業(yè)級AI應(yīng)用發(fā)展背景-政策導(dǎo)向

以高質(zhì)量數(shù)據(jù)集為支撐，推動人工智能由單點突破向全域賦能轉(zhuǎn)變

企業(yè)級AI應(yīng)用發(fā)展背景-落地政策支持

公共服務(wù)、能源、交通運輸、醫(yī)療衛(wèi)生等人工智能+行業(yè)政策持續(xù)加碼

2025年，我國圍繞“人工智能+”密集出臺系列政策，在能源、交通運輸、醫(yī)療衛(wèi)生等重點領(lǐng)域全面推動人工智能技術(shù)融合與應(yīng)用落地。政策聚焦于釋放數(shù)據(jù)要素價值、構(gòu)建行業(yè)大模型體系、推廣智能體應(yīng)用等方向，并設(shè)定了到2027年在各領(lǐng)域?qū)崿F(xiàn)典型場景廣泛覆蓋與深度賦能的具體目標(biāo)，旨在以人工智能為核心引擎，驅(qū)動相關(guān)產(chǎn)業(yè)創(chuàng)新升級與高質(zhì)量發(fā)展。

企業(yè)級AI應(yīng)用發(fā)展背景-技術(shù)路線

從模型中心轉(zhuǎn)向Agent驅(qū)動，工程化能力成為持續(xù)交付關(guān)鍵

對比2025年與2024年人工智能成熟度曲線，AI-Ready數(shù)據(jù)和AI Agents是當(dāng)前發(fā)展最快的兩項技術(shù)，前者為AI應(yīng)用提供高質(zhì)量的數(shù)據(jù)，后者讓AI在理解人類意圖的基礎(chǔ)上具備執(zhí)行復(fù)雜任務(wù)的能力，標(biāo)志著AI應(yīng)用正在從輔助工具向自主決策躍遷。在實際落地的過程中企業(yè)的關(guān)注重心正逐漸由GenAI、基礎(chǔ)模型等底層技術(shù)向可持續(xù)的AI應(yīng)用交付轉(zhuǎn)變。

企業(yè)級AI應(yīng)用發(fā)展背景-投融資

應(yīng)用層融資事件占人工智能行業(yè)比例超五成，AI+醫(yī)療成熱門吸金賽道

根據(jù)IT桔子數(shù)據(jù)，截至2025年12月15日，中國人工智能產(chǎn)業(yè)領(lǐng)域全年共有融資事件772起，融資輪次偏早期。同時人工智能產(chǎn)業(yè)的投資熱點正在從底層模型轉(zhuǎn)向應(yīng)用層，AI應(yīng)用層融資事件數(shù)量占比超50%，資本更青睞能將AI技術(shù)落地到具體場景的項目。從行業(yè)應(yīng)用情況來看，2025年AI+醫(yī)療成為熱門吸金賽道。

企業(yè)級AI應(yīng)用現(xiàn)狀

政策、技術(shù)、需求三重驅(qū)動下，企業(yè)級AI應(yīng)用進入商業(yè)價值驗證期

隨著“百模大戰(zhàn)”逐漸進入后半場，人工智能產(chǎn)業(yè)的競爭重心轉(zhuǎn)變，企業(yè)級AI應(yīng)用也由從技術(shù)探索階段全面轉(zhuǎn)向規(guī)?；涞仉A段。政策、技術(shù)和企業(yè)真實需求是本次轉(zhuǎn)型的核心驅(qū)動，“人工智能+”國家行動形成強力牽引，技術(shù)突破使得AI應(yīng)用成本大幅降低，經(jīng)濟與競爭壓力迫使企業(yè)利用AI提質(zhì)、降本、增效。供需雙方的關(guān)注點從單點技術(shù)試點，深入到與核心業(yè)務(wù)流程的深度集成和可衡量的投資回報，市場重心從可行性驗證轉(zhuǎn)向商業(yè)價值驗證。

企業(yè)級AI應(yīng)用的核心價值

現(xiàn)階段重點聚焦流程增效、知識增幅和價值創(chuàng)新三大方向

當(dāng)前，企業(yè)級AI應(yīng)用主要聚焦于價值遞進的三大核心方向。一是流程增效，通過替代重復(fù)勞動直接降本，技術(shù)成熟且ROI明確，是規(guī)?；涞氐闹髁Α６侵R增幅，借助AI激活企業(yè)知識資產(chǎn)，賦能人才進行高效決策與分析，雖實施門檻較高，但正成為價值創(chuàng)造的新高地。三是價值創(chuàng)新，以GenAI重塑產(chǎn)品與客戶體驗，探索全新商業(yè)模式。企業(yè)需對自身業(yè)務(wù)痛點與數(shù)據(jù)可用度進行綜合判斷，決定不同場景AI落地的優(yōu)先級。

企業(yè)級AI應(yīng)用成熟度分析

率先在知識密集型場景規(guī)?；涞?，推動辦公效率提升與服務(wù)體驗增強

得益于大語言模型能力的快速躍升，新一代AI應(yīng)用已在智能客服、知識庫問答、內(nèi)容生成等知識密集且交互相對開放的場景中率先取得規(guī)?；黄?。而在更加嚴(yán)肅的企業(yè)級場景中，GenAI技術(shù)往往面臨可靠性挑戰(zhàn)。將其推理規(guī)劃、多模態(tài)感知優(yōu)勢，與傳統(tǒng)機器學(xué)習(xí)、規(guī)則引擎等相結(jié)合，將推動AI技術(shù)向企業(yè)核心運營與分析決策環(huán)節(jié)的滲透。

企業(yè)級AI應(yīng)用規(guī)模化落地痛點

數(shù)據(jù)、人才與價值量化等問題是制約規(guī)?；涞氐娜笃款i

企業(yè)級AI應(yīng)用在規(guī)?；涞剡^程中，普遍面臨系統(tǒng)性痛點。一方面，數(shù)據(jù)基礎(chǔ)薄弱與治理體系缺失，導(dǎo)致模型訓(xùn)練缺乏可靠基礎(chǔ)。另一方面， 業(yè)務(wù)價值缺乏可量化度量體系，無法與企業(yè)核心經(jīng)營指標(biāo)掛鉤，難以支撐企業(yè)的長期投資決策。而缺乏兼具技術(shù)能力與業(yè)務(wù)洞察的復(fù)合型人才，則阻礙了技術(shù)能力向業(yè)務(wù)場景的價值轉(zhuǎn)化。

企業(yè)級AI應(yīng)用產(chǎn)業(yè)圖譜

企業(yè)級AI應(yīng)用的總體框架

隨著AI技術(shù)的爆發(fā)式發(fā)展，AI技術(shù)正從錦上添花的輔助工具，演變?yōu)轵?qū)動企業(yè)業(yè)務(wù)創(chuàng)新與效率變革的關(guān)鍵力量。但在新一代AI應(yīng)用的規(guī)?；涞剡^程中，企業(yè)也面臨著更加復(fù)雜的挑戰(zhàn)。其應(yīng)用成果不僅依賴于單一的技術(shù)突破，更在于構(gòu)建系統(tǒng)性、端到端的落地能力。

本報告將從應(yīng)用層、支撐層、基礎(chǔ)設(shè)施層和組織層四個維度，對企業(yè)級AI應(yīng)用落地中的關(guān)鍵問題展開研究，力求幫助企業(yè)將AI技術(shù)轉(zhuǎn)化為實際的商業(yè)價值。

企業(yè)級AI應(yīng)用的關(guān)鍵載體：Agent

多推理框架與工具調(diào)用，實現(xiàn)從思考到行動的跨越

AI Agent以大語言模型為核心推理引擎，利用其對話、推理、規(guī)劃能力，通過與外部工具調(diào)用相結(jié)合，形成能夠感知環(huán)境、自主決策并執(zhí)行行動的智能體。它突破了模型僅能被動回答的局限，將模型的推理能力轉(zhuǎn)化為對業(yè)務(wù)流程的實際操作能力，因而成為當(dāng)前企業(yè)級AI應(yīng)用落地的重要載體。由Anthropic推出的Model Context Protocol（MCP）開放協(xié)議，提供Agent與外部數(shù)據(jù)源、工具通信的標(biāo)準(zhǔn)化方案，極大降低了集成開發(fā)的復(fù)雜性，進一步加速了Agent在企業(yè)端的落地。

AI Agent應(yīng)用落地框架

構(gòu)建“AI+工程+人工”三元體系，通過流程切分保障Agent可靠性

由于GenAI技術(shù)在準(zhǔn)確率的瓶頸，AI Agent應(yīng)用如自主執(zhí)行超過5步的連續(xù)復(fù)雜流程，在對可靠性要求嚴(yán)苛的企業(yè)級場景中往往會直接失效。因而企業(yè)級Agent落地需構(gòu)建“AI技術(shù)+軟件工程+人工干預(yù)”的三元支撐體系，合理平衡自主性與可控性。在初期階段，企業(yè)可優(yōu)先考慮價值明確的場景，如步驟繁瑣、重復(fù)性高的勞動密集型場景，信息過載、易出現(xiàn)處理延遲的效率瓶頸型場景。在融入Agent人機協(xié)作機制的基礎(chǔ)上，同步推進企業(yè)流程的優(yōu)化與重構(gòu)。通過將復(fù)雜流程切分為可驗證的最小任務(wù)單元，降低單一環(huán)節(jié)誤差的傳導(dǎo)風(fēng)險。對于ERP、CRM等既 有業(yè)務(wù)系統(tǒng)，可將其功能封裝為API或MCP Server，供Agent工作 流調(diào)用 。

AI Agent的知識與記憶系統(tǒng)

兩者協(xié)同構(gòu)建Agent的認(rèn)知底座，為情境化理解與持續(xù)學(xué)習(xí)提供支撐

知識系統(tǒng)與記憶系統(tǒng)共同構(gòu)建起 AI Agent 的認(rèn)知底座，為其賦予情景化理解與持續(xù)學(xué)習(xí)能力，提升 Agent 在業(yè)務(wù)場景中的應(yīng)用效果。知識系統(tǒng)以 RAG （檢索增強生成）結(jié)合企業(yè)知識庫，為 Agent 注入垂直領(lǐng)域?qū)I(yè)知 識等事實性信息，解決大模型知識靜態(tài)、過時缺乏企業(yè)私有信息的痛點。記憶系統(tǒng)則通過分層、結(jié)構(gòu)化的生命周期管理，為 Agent 保留與用戶的交互經(jīng)驗、任務(wù)執(zhí)行狀態(tài)及場景化偏好等。海量工具調(diào)用與長鏈推理上下文不僅嚴(yán)重制約 Agent 的性能與成本，更會導(dǎo)致模型能力的下降。利用上下文 工程對知識、記憶進行最優(yōu)組合與精簡提煉，將能夠幫助 Agent 精準(zhǔn)獲取所需的信息。

AI Agent能力進化方向

從模型綁定向Skills模塊化演進，提升Agent在復(fù)雜任務(wù)中的確定性

從Function Calling到MCP，再到AgentSkills（智能體技能），AI Agent的能力經(jīng)歷了從緊耦合、模型綁定向模塊化、可復(fù)用的變遷。Skills通過打包結(jié)構(gòu)化的指令、腳本和資源文件夾，允許Agent在場景匹配時自動調(diào)用，從而提升在處理特定、復(fù)雜任務(wù)時的表現(xiàn)。其核心價值在于，將復(fù)雜的業(yè)務(wù)流程和領(lǐng)域知識封裝為穩(wěn)定可靠的自動化單元，進一步讓AI Agent從黑盒模型向可編程系統(tǒng)轉(zhuǎn)變，從而能夠更靈活、更精準(zhǔn)，也更深入地集成到企業(yè)的核心業(yè)務(wù)流程中，為企業(yè)在效率、決策、創(chuàng)新等多個層面創(chuàng)造競爭優(yōu)勢。

GenAI模型的選擇

以場景需求為導(dǎo)向，多維度權(quán)衡模型效果、性能與成本

在AI應(yīng)用的實際落地過程中，多為AI應(yīng)用廠商幫助企業(yè)客戶進行的GenAI模型的選擇。模型能力的評估涉及應(yīng)用效果、性能指標(biāo)以及使用成本三個維度。模型能力的強弱需結(jié)合企業(yè)的具體場景進行綜合判斷，在保證效果和性能達標(biāo)的基礎(chǔ)上，追求最優(yōu)性價比。

同時，考慮GenAI存在的幻覺問題和不可解釋性，應(yīng)優(yōu)先將GenAI應(yīng)用于對語言理解、意圖識別及推理規(guī)劃等優(yōu)勢領(lǐng)域，而在準(zhǔn)確性要求更高的場景與決策式AI結(jié)合，從而提升在企業(yè)級場景的可用性。

AI-Ready的高質(zhì)量數(shù)據(jù)集

高質(zhì)量數(shù)據(jù)集筑基，將業(yè)務(wù)數(shù)據(jù)與知識轉(zhuǎn)化為企業(yè)獨特的AI競爭力

AI-Ready的數(shù)據(jù)集是指經(jīng)過采集、加工等數(shù)據(jù)處理，可直接用于人工智能模型開發(fā)和訓(xùn)練，能有效提升模型表現(xiàn)的數(shù)據(jù)集合。在企業(yè)落地AI應(yīng)用的過程中，往往面臨著數(shù)據(jù)碎片化、應(yīng)用難度高的痛點，即使擁有數(shù)據(jù)，也難以將原始數(shù)據(jù)轉(zhuǎn)化為可用的數(shù)據(jù)資產(chǎn)相比于傳統(tǒng)數(shù)據(jù)管理，面向AI時代的高質(zhì)量數(shù)據(jù)集更具體高價值應(yīng)用（緊密貼合場景）、高知識密度（信息濃縮有效）、高技術(shù)含量（處理過程專業(yè)）的特征，尤其是來自于企業(yè)內(nèi)部、承載業(yè)務(wù)知識的高質(zhì)量數(shù)據(jù)，將成為企業(yè)構(gòu)建獨特AI競爭力的關(guān)鍵。

AI-Ready數(shù)據(jù)平臺搭建

重構(gòu)數(shù)據(jù)管理體系，構(gòu)建多模態(tài)、實時響應(yīng)的Data+AI一體化平臺

AI時代數(shù)據(jù)治理正呈現(xiàn)出被動跟隨到主動規(guī)劃、靜態(tài)管理到實時響應(yīng)、單一結(jié)構(gòu)化到多模態(tài)管控的三大趨勢，倒逼企業(yè)重構(gòu)數(shù)據(jù)管理體系。當(dāng)前企業(yè)數(shù)據(jù)平臺建設(shè)面臨傳統(tǒng)數(shù)據(jù)平臺對非結(jié)構(gòu)化數(shù)據(jù)支持不完善、數(shù)據(jù)互聯(lián)互通困難、數(shù)據(jù)質(zhì)量參差不齊等問題。AI-Ready數(shù)據(jù)平臺搭建通過夯實多模態(tài)、實時數(shù)據(jù)處理基礎(chǔ)，構(gòu)建打通Data與AI的一體化平臺，最終依托AI應(yīng)用將數(shù)據(jù)價值賦能于業(yè)務(wù)場景。

面向AI的數(shù)據(jù)安全體系

防范數(shù)據(jù)風(fēng)險傳導(dǎo)，構(gòu)建從輸入到輸出的全生命周期主動安全治理體系

在人工智能安全體系中，數(shù)據(jù)層的安全至關(guān)重要，數(shù)據(jù)層的任何風(fēng)險都將直接內(nèi)化為模型的風(fēng)險。數(shù)據(jù)層風(fēng)險主要包括數(shù)據(jù)的合規(guī)性與完整性缺失、數(shù)據(jù)污染、敏感信息殘留、標(biāo)注質(zhì)量缺陷等，貫穿數(shù)據(jù)采集、清洗、標(biāo)注等多個環(huán)節(jié)，而AI應(yīng)用還將引入智能體交互、多樣化通信協(xié)議等全新的風(fēng)險入口。面向AI的數(shù)據(jù)安全體系需實現(xiàn)從被動防護轉(zhuǎn)向主動治理的轉(zhuǎn)變，將技術(shù)手段與管理措施結(jié)合，構(gòu)建覆蓋數(shù)據(jù)輸入、處理、輸出的全鏈條防護能力。企業(yè)應(yīng)根據(jù)自身業(yè)務(wù)場景與數(shù)據(jù)特點，識別優(yōu)先級高的數(shù)據(jù)風(fēng)險，采取分階段實施策略。

AI算力芯片

GPU主導(dǎo)地位穩(wěn)固，國產(chǎn)芯片聚焦互聯(lián)與推理優(yōu)化實現(xiàn)差異化突破

當(dāng)前，GPU芯片已經(jīng)從面向通用計算場景的圖形處理器發(fā)展為驅(qū)動AI訓(xùn)練與推理的智能算力載體。盡管亦有Google TPU、AWS Trainium/Inferentia等非GPU芯片出現(xiàn)，但GPU仍然占據(jù)AI芯片的主導(dǎo)地位。同時，行業(yè)競爭的焦點由單芯片算力轉(zhuǎn)向超大規(guī)模集群的系統(tǒng)級效率。國際領(lǐng)先的AI芯片大廠憑借前沿制程、全棧軟件生態(tài)和全場景覆蓋，構(gòu)建了強大的先發(fā)優(yōu)勢與市場壁壘。國內(nèi)廠商則聚焦自主可控，在特定技術(shù)維度如互聯(lián)帶寬、集群規(guī)模、推理優(yōu)化等方面進行突破，通過差異化能力與國際大廠形成錯位競爭。中外產(chǎn)業(yè)在基礎(chǔ)工藝、市場需求與供應(yīng)鏈安全上的差異，共同推動著全球AI算力基礎(chǔ)設(shè)施的多元化發(fā)展。

AI基礎(chǔ)設(shè)施（AI Infra）

軟硬一體協(xié)同優(yōu)化，AI Infra成為提升國產(chǎn)算力可用性的關(guān)鍵

AI Infra強調(diào)通過軟硬件一體化的協(xié)同設(shè)計，對計算、存儲、網(wǎng)絡(luò)資源進行系統(tǒng)級調(diào)優(yōu)，將原始算力高效、穩(wěn)定地轉(zhuǎn)化為模型性能與業(yè)務(wù)價值。相比傳統(tǒng)IT Infra的支撐工具屬性，AI Infra對于大模型的效果上限和成本下限有著決定性作用，因而成為AI時代競爭的關(guān)鍵要素之一。在國產(chǎn)化背景下，其重要性不僅體現(xiàn)在對模型性能的極致壓榨，更在于連接底層國產(chǎn)化算力與上層模型應(yīng)用，提高國產(chǎn)芯片的可用性，加速推動國產(chǎn)化替代。

管理層的戰(zhàn)略引領(lǐng)與資源投入

企業(yè)管理層的投入深度與決心直接決定AI應(yīng)用的成敗與價值高度

麥肯錫2025年研究報告指出，在AI高績效組織（即AI為息稅前利潤貢獻超5%的企業(yè) ）中，高達48%的高層管理者展現(xiàn)出對AI戰(zhàn)略的強烈“主人翁”式承諾，這一比例為普通組織的三倍?！豆鹕虡I(yè)評論》的相關(guān)調(diào)研同樣表明，近半數(shù)受訪高管認(rèn)為領(lǐng)導(dǎo)力是驅(qū)動AI投資回報的首要因素。

企業(yè)能否將AI從技術(shù)試點轉(zhuǎn)化為規(guī)模化價值，關(guān)鍵取決于高層管理者的深度參與和有效領(lǐng)導(dǎo)。究其根本，AI轉(zhuǎn)型是涉及戰(zhàn)略、資源與組織的系統(tǒng)性變革。管理層應(yīng)能推動戰(zhàn)略與業(yè)務(wù)的深度融合，統(tǒng)籌調(diào)配關(guān)鍵資源，并主導(dǎo)流程再造與文化重塑，引導(dǎo)企業(yè)跨越從實驗到規(guī)模化應(yīng)用的“死亡谷”，實現(xiàn)可持續(xù)的商業(yè)回報。

以員工為本的價值運營

從技術(shù)交付轉(zhuǎn)向員工賦能，通過提升用戶采納度釋放AI實際價值

現(xiàn)階段，AI應(yīng)用的成敗關(guān)鍵已從技術(shù)可行性轉(zhuǎn)向用戶采納度。于企業(yè)而言，即便AI技術(shù)本身具備優(yōu)勢，若企業(yè)員工不愿使用、不掌握使用方法或無法有效運用，該技術(shù)仍難以創(chuàng)造實際價值。因此，企業(yè)需要從以技術(shù)為中心的項目交付轉(zhuǎn)向以員工價值為中心的運營，切實從員工視角出發(fā)，回應(yīng)員工在使用中的顧慮、滿足其核心需求。同時通過長期的技術(shù)賦能促進員工個人能力成長，讓員工在積極擁抱AI應(yīng)用的基礎(chǔ)上，自發(fā)地推動企業(yè)的流程優(yōu)化與創(chuàng)新。

團隊人才角色升級

業(yè)務(wù)人員向AI協(xié)作者轉(zhuǎn)型，技術(shù)團隊從后臺支撐走向前臺價值賦能

為成功推動企業(yè)級AI應(yīng)用的落地，組織內(nèi)部人員的角色與能力需實現(xiàn)根本性轉(zhuǎn)變。業(yè)務(wù)人員應(yīng)能夠精準(zhǔn)識別業(yè)務(wù)痛點，并將其轉(zhuǎn)化為可被AI解決的具體問題，從而超越被動的工具使用，成為主動的AI協(xié)作者。這不僅要求業(yè)務(wù)人員懂業(yè)務(wù)，更要求其掌握必要的協(xié)同技能，以推動方案的落地實施。技術(shù)團隊則需從后臺的開發(fā)交付角色，走向前臺，成為價值賦能者。其任務(wù)不僅是提供技術(shù)工具，更需要深度融入業(yè)務(wù)場景，參與設(shè)計端到端的智能化流程，并通過全程陪跑確保技術(shù)能力切實轉(zhuǎn)化為業(yè)務(wù)成果。

企業(yè)級AI應(yīng)用ROI評估體系

超越傳統(tǒng)財務(wù)模型，建立分層、動態(tài)評估戰(zhàn)略收益與全周期成本

AI項目ROI評估的核心挑戰(zhàn)在于其價值難以用傳統(tǒng)財務(wù)模型精確衡量。間接與戰(zhàn)略收益難以量化，全生命周期的隱性成本容易被低估，評估本身需要從追求精確數(shù)字轉(zhuǎn)向應(yīng)對管理價值實現(xiàn)過程中的不確定性?，F(xiàn)階段針對企業(yè)級AI應(yīng)用，可以考慮放棄追求單一、精確的ROI數(shù)字，轉(zhuǎn)而采用分層、動態(tài)的評估框架，通過對AI投資組合的評估，審視企業(yè)整體AI投資的價值回報。

企業(yè)級AI應(yīng)用廠商落位

部分深耕垂直場景，部分聚集平臺能力，形成分層協(xié)作、動態(tài)競合格局

目前企業(yè)級AI應(yīng)用領(lǐng)域主要有應(yīng)用軟件、技術(shù)服務(wù)及解決方案、云服務(wù)和AI模型四類廠商，形成分層協(xié)作的動態(tài)競合格局。

應(yīng)用軟件廠商中，成熟企業(yè)如深演智能、云徙科技等依托特定業(yè)務(wù)或行業(yè)深耕優(yōu)勢，延伸布局AI應(yīng)用及Agent開發(fā)平臺；初創(chuàng)企業(yè)如海納AI等圍繞單點場景進行AI能力突破，形成對企業(yè)既有系統(tǒng)的有效補充。技術(shù)服務(wù)與解決方案商服務(wù)屬性更強，通過定制、實施到應(yīng)用的一體化解決方案撬動大中型客戶。

阿里云、百度智能云、火山引擎等云服務(wù)商與AI模型廠商在模型能力方面存在交叉，但兩者發(fā)展路徑有所區(qū)別：云服務(wù)商以模型+平臺拉動底層資源消耗，應(yīng)用側(cè)主打標(biāo)準(zhǔn)化產(chǎn)品，AI模型廠商則以服務(wù)+應(yīng)用推動模型商業(yè)化，更偏向提供定制化服務(wù)。

企業(yè)級AI應(yīng)用商業(yè)模式分析

算力與研發(fā)是主要成本來源，探索由訂閱制向效果付費的轉(zhuǎn)變

企業(yè)級AI應(yīng)用廠商的投入主要集中在算力與研發(fā)兩個層面，兩者合計占比通常可達70%及以上。其次為數(shù)據(jù)準(zhǔn)備成本，部分廠商需采購?fù)獠繑?shù)據(jù)，該部分占比與廠商類型、業(yè)務(wù)場景存在強相關(guān)。

收費模式方面，永久許可與訂閱是應(yīng)用軟件最為成熟的兩種模式。考慮到私有化部署的定制項目中涉及持續(xù)調(diào)優(yōu)服務(wù)，當(dāng)前訂閱模式的占比最高。部分廠商將 AI 能力融入既有產(chǎn)品功能，通過提升客單價向存量客戶推廣；部分則將 AI 應(yīng)用設(shè)為獨立收費模塊，供客戶靈活選購?，F(xiàn)階段，效果付費模式在中國企業(yè)級市場仍面臨較大落地阻力，僅在營銷、運營等少數(shù)結(jié)果導(dǎo)向型場景中有所應(yīng)用。由于 AI 應(yīng)用的價值評估是其落地的核心瓶頸，廠商與客戶需共同構(gòu)建價值評估體系。隨著該體系的逐步完善，未來效果付費的滲透率將有望得到提升

AI業(yè)界專家觀點

大模型規(guī)模效應(yīng)趨緩，Agent、空間智能與高效算法成為關(guān)注新焦點

蘇茨克維指出大模型的規(guī)模堆砌已近瓶頸，且存在實際應(yīng)用的“鋸齒狀”缺陷，認(rèn)為超級智能應(yīng)是高效學(xué)習(xí)算法而非成品心智；卡帕斯預(yù)判2025-2035年是智能體的十年，同時批評當(dāng)前AI靠“暴力破解”提效，AGI落地仍需約十年；李飛飛強調(diào)構(gòu)建世界模型以實現(xiàn)AI對物理世界的交互，并預(yù)測Transformer架構(gòu)或五年內(nèi)被替代，看好空間智能作為全新模型架構(gòu)的潛力。

后Transformer時代的模型架構(gòu)

模型架構(gòu)走向多元化，RNN、CNN創(chuàng)新架構(gòu)助力實現(xiàn)效率與性能的平衡

當(dāng)前大模型呈現(xiàn)出多元架構(gòu)并行迭代的趨勢。過去大模型高度依賴Transformer的注意力機制，而新型的RNN架構(gòu)（如Mamba-2、DenseMamba）通過狀態(tài)空間模型、門控機制突破長序列建模效率，CNN架構(gòu)（如OverLoCK）則以卷積創(chuàng)新兼顧精度與輕量化。模型架構(gòu)的百花齊放發(fā)展，將使得企業(yè)能夠面向不同場景靈活搭建高效的架構(gòu)組合，實現(xiàn)效率與性能的平衡。

AI驅(qū)動的流程自動化

從任務(wù)自動到流程自主，重新定義企業(yè)流程與人機協(xié)作模式

當(dāng)前，企業(yè)流程自動化正在從基于預(yù)設(shè)規(guī)則的、靜態(tài)自動化，邁向由AI驅(qū)動的、動態(tài)自主化。隨著AI技術(shù)與流程的深度融合，AI應(yīng)用將逐漸演變?yōu)槟軌蚶斫?、?zhí)行、優(yōu)化乃至重構(gòu)端到端業(yè)務(wù)流程的智能體。 從局部效率提升（L1）到跨系統(tǒng)協(xié)同（L3），到自主重構(gòu)流程（L5），本質(zhì)是AI從工具屬性向流程管理者屬性的轉(zhuǎn)變。未來，AI將具備自主啟動流程、自主重構(gòu)與編排的能力，在運行中實現(xiàn)風(fēng)險自治與持續(xù)優(yōu)化，并通過閉環(huán)反饋不斷迭代。在此模式下，人類將被從繁瑣的操作中解放出來，聚焦目標(biāo)設(shè)定與結(jié)果監(jiān)控，成為整個流程中的戰(zhàn)略決策者。

AI賦能科研全流程

實驗室里的AI革命，通過降本、提速與跨界融合重塑企業(yè)研發(fā)競爭力

AI在科研領(lǐng)域的價值可落地為降本、提速和破界三個方面。1）降本：利用AI的虛擬實驗平臺替代部分實體實驗，可以有效減少實驗室耗材、設(shè)備投入，降低研發(fā)試錯成本。2）提速：由AI自動完成文獻調(diào)研、實驗數(shù)據(jù)降噪、分子/材料設(shè)計，將傳統(tǒng)數(shù)月級的研發(fā)周期壓縮至周甚至日級。3）破界：借助AI的跨學(xué)科知識融合能力突破單一領(lǐng)域的研發(fā)瓶頸，通過AI構(gòu)建科學(xué)知識圖譜，沉淀內(nèi)部研發(fā)數(shù)據(jù)與行業(yè)知識，實現(xiàn)研發(fā)經(jīng)驗的跨項目、跨團隊復(fù)用。未來，AIfor Science將成為科技型、研發(fā)驅(qū)動型企業(yè)的核心競爭力。

從數(shù)字AI到物理AI

從信息處理邁向物理交互，物理AI連接數(shù)字智能與實體業(yè)務(wù)閉環(huán)

現(xiàn)階段以語言大模型為代表的數(shù)字AI屬于信息處理型AI，聚焦文本、圖像等的理解與生成，而物理AI則是物理交互型AI，依托空間智能的感知能力、世界模型的物理規(guī)律認(rèn)知，實現(xiàn)現(xiàn)實世界的任務(wù)執(zhí)行。企業(yè)的生產(chǎn)（如制造裝配）、服務(wù)（如倉儲物流）、運維（如巡檢維修）等核心環(huán)節(jié)都是物理實體交互場景，多數(shù)業(yè)務(wù)價值也最終落在物理世界中的執(zhí)行。物理AI作為連接數(shù)字智能與實體業(yè)務(wù)的橋梁，能夠覆蓋更加完整的智能業(yè)務(wù)鏈，形成感知、決策、行動一體化的閉環(huán)。

AI原生應(yīng)用的范式探討

流量、交互、架構(gòu)與邏輯的轉(zhuǎn)變，將推動企業(yè)級AI應(yīng)用的價值重構(gòu)

我們目前對AI原生（AI-Native）的理解，是一種以大語言模型為核心驅(qū)動力，以Agent架構(gòu)為實現(xiàn)范式，以自然語言和多模態(tài)交互為主要體驗，旨在通過意圖理解和生成式能力，為用戶提供高度個性化、目標(biāo)導(dǎo)向服務(wù)的全新應(yīng)用形態(tài)。其中，大語言模型+Agent是實現(xiàn)復(fù)雜任務(wù)和工具調(diào)用的關(guān)鍵，而自然語言和多模態(tài)交互改變了用戶體驗，能夠提供高度個性化、目標(biāo)導(dǎo)向的服務(wù)，將推動企業(yè)級AI應(yīng)用由固定化工具向定制化解決方案轉(zhuǎn)變。

歡迎關(guān)注艾瑞數(shù)智獲取更多內(nèi)容