企業AI落地，還差一口“氣兒”

文｜白 鴿

編｜王一粟

今年的中關村，AI熱度依然很高。

“無論怎么樣看，人工智能未來發展最重要的下一步，就是怎么樣能夠達到大家都滿意的AGI，就是通用人工智能。”圖靈獎得主、中國科學院院士、清華大學交叉信息研究院及人工智能學院院長姚期智在2025人工智能+大會主論壇上如此說道。

圖注：圖靈獎得主、中國科學院院士、清華大學交叉信息研究院及人工智能學院院長姚期智

他還強調AGI：“不但是科學上，而且是戰略上和各國經濟上的科技高地”。

盡管AGI是整個行業發展目標，但從現實來看，AGI還比較遙遠，行業中更關注的，往往是AI大模型在企業中真正落地應用效果。

“從今年整個大會來看，尤其是跟去年對比，大家普遍關注的方向已經轉向AI大模型真正面向產業的落地應用，包括科創企業、頭部大廠等，都已經關注到這個方向來。”中數睿智CEO韓涵如此說道，而這已經成為行業共識。

在2025人工智能+大會主論壇上，多位嘉賓也同時指出，應用落地正在真正成為推動AI前進的力量，技術與產業結合的契機正在逼近，“場景驅動”則是AI從技術革命走向產業革命的關鍵躍點。

但是，企業級AI真實落地現狀，似乎卻并未如行業熱度所展現的一樣。

很多企業對AI大模型的應用還始終保持著謹慎的態度。“現階段整個行業用一個詞形容，就是亂，但混亂中，也在欣欣向榮。”新希望集團首席數字官李旭昶對光錐智能說道。

可以看到，現階段AI早已走出實驗室，大模型從“百模大戰”走向分化，智能體概念遍地開花，可一落到實際業務，總像差了最后一口“氣”，眼看要沖線卻卡在半路。

那么，AI大模型真正走向千行百業，到底還面臨著哪些問題？又該如何解決這些問題？

AI落地真相：不是所有企業都在“狂飆”

當前，企業AI落地的真實現狀，一半是海水，一半是火焰。

據崔牛會數據顯示，當前已有43%的企業部門或崗位進入規模化使用階段，27%仍處在試點期，28%實現了廣泛滲透，還有1.9%尚未確定是否應用。

這意味著，AI在企業內部的落地已經具備了相當的基礎。

但是，在AI崗位分布中，往往是營銷、客服、研發、數據、運營等場景占比比較高，反而涉及到企業管理和中臺等核心業務場景，AI所使用的情況更少。

可以看到，企業級AI落地，更多是從邊緣業務推進，現階段很難應用到企業核心業務場景中。

更為重要的是，很多傳統企業盡管也在推進AI業務，但整體進展情況則相對緩慢。

如新希望集團，“我們還沒完全看清楚AI跟場景具體結合情況，但對AI保持隨時跟進的狀態，不是無腦子All in AI，而是保持有節奏、有分寸的跟進。”李旭昶說道，“先讓子彈飛一會兒。”

這背后最重要的一點原因，就是大模型真實落地效果并未達到企業預期。而影響大模型落地效果的關鍵，就在于大模型自身的準確性上。

“歸根到底就一個問題，就是準確率的問題。”帆軟聯合創始人、副總裁張馳深有感觸，“很多客戶一開始覺得AI不能出錯，必須交付100%可靠的結果。”畢竟，在AI之前，帆軟交付的數據分析工具都是精準無誤的，客戶早已習慣了“零誤差”的交付標準。

但現階段沒有一家公司能保證AI給的結果是100%準確，AI的本質是概率性模型，就像人會犯錯一樣，它也存在變量，這讓習慣了確定性工具的客戶難以接受。

也正因此，企業級AI落地的第一道坎，就始于認知的鴻溝。

一邊是企業決策層對AI的無限期待，一邊是技術團隊和業務部門的現實困境，這種錯位讓很多AI項目從一開始就埋下隱患。

另外也有不少企業決策者被AI概念裹挾，盲目追求“高大上”的技術，卻不清楚自己真實需求。

阿里云智能集團副總裁霍嘉在觀察一線落地效果時發現：“當前行業現狀往往是領導對大模型充滿絕對信心，反而做技術的人對如何落地感到非常擔憂。”

這種上下認知的脫節，導致很多AI項目要么目標模糊，要么急于求成。

李旭昶用一句玩笑話概括了當前的混亂狀態：“智能體廠家不知道賣什么，企業不知道買什么”，這背后正是整個行業對AI能力邊界、應用場景、價值回報的認知缺失。

另外還有一點，“現在AI技術迭代太快，今天覺得先進的方案，明天可能就落后了。”李旭昶說道，而這種不確定性讓很多企業不敢大規模投入，只能小步試點、謹慎推進。

很多時候，在企業內部，認知也需要一個培育過程。

張馳為了挖掘真實需求，在公司內部搞了個“提需求兌奶茶”的活動，讓2000多名員工填報日常工作中的痛點。后來又推出“買AI產品報銷”活動，哪怕是AI美顏軟件也能報銷，就是為了讓大家先接觸AI、理解AI。

如果說認知偏差是思想上的障礙，那么數據、組織、技術的協同問題，就是企業級AI落地路上的“硬骨頭”，這三重壁壘相互交織，讓很多項目卡在中途。

李旭昶提到，新希望在數字化階段就花了四年時間打通數據，“沒有數字化打下的基礎，AI就是無源之水”。而數據流通更是難上加難，很多企業的核心數據是競爭優勢，不會輕易共享，即便是行業內的龍頭企業，也很難自發形成數據生態。

“高質量數據集對AI發展至關重要，但企業自發共享很難，需要政府引導和脫敏處理。”他說。

協同阻力則是很多AI項目失敗的隱形殺手。李旭昶坦言，新希望在推進數字化和AI轉型時，花了大部分時間和精力處理跨部門、跨產業、跨實體協同的問題，從ERP時代到數字化時代，再到AI時代，每一次信息化/數字化變革都會重構組織和流程，而協同往往是最大的阻力。

技術適配的“最后一公里”同樣棘手。AI不是萬能的，不同場景需要不同的技術方案，盲目套用通用模型往往效果不佳。

“AI擅長的領域能提升幾十倍、幾百倍效率，但不擅長的領域強行使用只會適得其反。”李旭昶舉例，大模型在多模態生成方面表現突出，但在嚴密的文書工作中經常“胡說八道”，需要人工復核。

中數睿智CEO韓涵

中數睿智則選擇聚焦核心戰略型支柱產業，韓涵表示：“我們不做容易實現的場景，而是專注于工業、能源、國防等技術難度大、戰略價值高的領域，這些領域需要把大模型與進化算法深度結合。”

可以看到，從大會的熱鬧到企業的冷靜，從技術的狂飆到落地的審慎，2025年的AI行業，正在經歷一場從“熱炒”到“實干”的轉變。那么，企業又該如何推動AI真正走向落地應用？

AI的下一個十年：如何解決企業落地難題？

“AI下一個十年，不是比誰的模型更大，而是比誰能把技術扎進產業里。”在大會的圓桌論壇上，智譜華章董事長劉德兵說道。

企業級AI落地的最終目標是創造價值，但很多企業還停留在“交付工具”的階段，未能形成從技術到價值的閉環，這也是企業級AI落地“差口氣”的關鍵所在。

如中數睿智不做基礎模型，只深耕多智能體協同自進化技術。在大型化工廠，其智能體能實現催化劑安放、工藝診斷、風險預測和流程優化的全流程調控；在能源行業，極端天氣應急指揮智能體一年能為客戶有效規避經濟損失。

“我們交付的不是工具，而是可衡量的價值與成果，客戶能直接看到效率提升30%以上，安全風險降低40%-50%。”韓涵說。

但實現這種價值閉環并不容易，需要企業長期深耕。

新希望在AI轉型上采取了“有節奏的all in”策略，去年試點了100多個場景，今年開始歸攏聚焦，明確了AI+管理、AI+運營、AI+業務創新三條路線。

“我們不急于求成，AI+業務創新需要把生意重新做一遍，這需要時間沉淀。”李旭昶提到，新希望正在推進的“AI+全鏈節糧”計劃，涉及育種、精準飼喂、疫病防疫等多個環節，目標是每年節省1%的飼料，這背后是AI與產業知識的深度融合。

對于AI落地的價值回報，行業普遍認為需要長期主義。

“做好軟件的秘訣就是創造價值，并且長期堅持。”張馳坦言，但他相信，隨著AI與業務的深度融合，尤其是在戰略洞察、商機推薦等高端場景的應用，未來會帶來很高的溢價。

基于此，可以看出，面對AI落地的多重挑戰，企業并非無計可施。

從帆軟、新希望、中數睿智等企業的實踐來看，想要補上最后一口“氣”，需要遵循“先立后破、協同共生”的原則，在認知、技術、生態三個層面同時發力。

在認知層面，要“先試點后推廣”，用實踐教育市場。

帆軟的“內部先交貨”、新希望的“100個場景試點”，都是通過小范圍成功案例建立信心，逐步擴散。“不要一開始就追求大而全，先從重復勞動多、痛點明確的場景入手，讓大家看到實實在在的效果。”霍嘉建議，場景選擇要避免標新立異，從重復性工作切入更容易獲得回報。

在技術層面，要“不貪大求全，聚焦核心能力”。企業不必非要自己訓練大模型，像帆軟那樣專注于上下文工程，讓通用大模型更好地理解企業業務，同樣能實現價值。

“我們不做行業大模型，而是用市面上最強的通用大模型，通過上下文工程讓它更懂企業、更懂我們的工具。”張馳說。

中數睿智則通過“基礎設施層、能力支撐層、應用構建層、場景應用層”的全鏈貫通，實現了大型項目幾個星期內落地，客單價達到數百萬到千萬級別。

在生態層面，要“開放協同，破解資源壁壘”。

如數據流通需要政府引導和行業協作，新希望李旭昶建議通過政府牽頭，建立脫敏的數據共享機制；技術落地需要產學研協同，帆軟與幾百家企業共創，中數睿智與央企、科研院所深度合作，都是通過協同破解單點突破的局限。

“AI落地不是一家企業的事，需要技術方、企業、政府、科研機構共同努力。”韓涵說。

基于此，不難看出，當前在推動AI在企業中的落地，既需要企業沉下心來打磨產品和場景，也需要整個行業建立清晰的價值標準和協同機制。

當認知不再錯位、數據不再割裂、技術不再脫節、價值不再模糊，企業AI落地才能真正“喘勻氣”，從概念走向實效。

而對于那些還卡在半路的企業來說，最缺的那口“氣兒”，其實是“耐心+聚焦”。就像李旭昶所說：“不要過分夸大AI的當下，也不能小看AI的未來。”

AI落地不是一蹴而就的革命，而是循序漸進的進化。

畢竟，真正的AI革命，從來不是發生在實驗室里，而是發生在工廠的車間里、農場的豬舍里、物流的倉庫里，發生在每一個讓技術服務于產業的角落里。