當參數不再是唯一壁壘，企業如何跨越AI落地的“最后一公里”？

過去兩年，隨著技術突破不斷刷新邊界，AI行業正呈現出一個愈發清晰的變化：行業的注意力正從參數競賽回到真實場景。技術性討論仍然重要，但越來越多企業開始意識到，模型的價值不在于理論性能能做到什么，而在于能否真正融入業務，帶來可持續的生產力。

因此，場景落地、系統協同與跨生態合作等逐漸成為企業端討論的主線邏輯。智譜董事長劉德兵就曾在2025人工智能+大會上提到：“智譜作為一家基座模型廠商，我們的愿景是讓機器像人一樣思考，并且在邁向AGI的發展進程中，讓大模型在企業端產生具體場景價值。”

智譜是國內最早投入通用大模型體系化研發的企業之一，也深度參與多個行業的大模型應用，既站在技術演進的前沿，也切身感知企業端最真實的需求變化。在劉德兵看來，大模型的下半場或許將由三項能力決定，即從參數迷思回歸到模型本身的體感、攻克模型應用價值的“最后一公里”、以及走向以“tokens效果付費”為標志的商業模式躍遷。

告別參數焦慮

大模型進入效率時代

“盲目追求參數規模的軍備競賽時代已經過去。”劉德兵指出，行業正逐漸擺脫對參數規模的單一追求，技術競爭的焦點正向更具實際效能的方向轉移。

他以智譜最新發布的GLM-4.5模型為例，解釋其核心突破在于首次在一個模型中融合了推理、編碼與智能體三項能力。這樣的多能力融合，不再以犧牲單項性能為代價，也是為未來實現“1+1>2”的智能協同創造先決條件。

這類“原生融合”并非技術炫技，而是下一階段復雜應用，如自動化決策、多模態協作、跨場景智能體的基礎，使模型從工具躍遷為系統級能力。

在他看來，模型是“技能基座”，其底層能力決定了應用的效率邊界。因此，模型設計正在從更大參數逐步轉為更可部署、更高性價比，即匹配行業真實場景、算力條件與落地節奏。

這場范式轉變，也正逐漸滲透至企業客戶的認知中。

過去，模型的參數規模被視為衡量模型優劣的核心指標；而現在，越來越多企業在經過初期嘗試后，更看重模型在自身業務流程中的真實表現。劉德兵提到，企業更關注模型實際效果，即是否能在所需的場景里發揮出更好的性能。

這種變化與企業對AI效率的期待高度契合。麥肯錫在2025年發布的《State of AI》報告中指出，88%的受訪者表示，其所在企業已在至少一個業務職能中應用AI，但真正進入規模化階段的企業仍是少數，僅有約三分之一表示AI項目已在組織層面實現規模應用。

在實際應用中，大多數企業仍在摸索從試驗走向系統性效率提升的路徑。

場景適配與組織重構

AI落地的“最后一公里”

但對多數企業來說，更難的一步才剛剛開始：如何讓模型在企業內部高效、安全地運行起來？在劉德兵看來，算力、算法、數據等，這些都重要，但行業里最容易被忽視的，其實是場景適配。

許多企業將AI理解為一種技術“插件”，誤認為接入一個API就能產生價值。但現實其實更為復雜：AI只有真正融入業務流程，參與決策與執行，才能帶來效率提升與創新突破。

這種落差也體現在調研數據中，麥肯錫的報告《Seizing the agentic AI advantage》指出，盡管近80%的企業已經在業務環節中部署生成式AI，實際上，超過八成的企業仍未看到實質性的收益提升。

問題往往不在于技術能力，而在于組織沒有為AI做出足夠的準備。缺乏對業務場景的理解、流程設計不匹配、團隊培訓與系統改造也不到位時，模型很難創造價值。

更進一步地說，場景適配不僅是技術挑戰，更要求對行業運作模式和流程細節有深刻理解。“很多企業投入重金引入先進模型，但如果沒有深入理解業務的場景，再好的模型也無法發揮價值。”劉德兵指出，AI真正融入工作流，需要企業具備重構業務流程的能力，這恰恰是AI落地成敗的關鍵。

在更底層的系統能力上，劉德兵也特別提到國產算力的適配挑戰。國產算力現階段已經基本可用，但如何與模型架構、主網建設、部署效率結合，是許多企業在落地中需要直面的工程復雜度。這些基礎設施環節往往比算法本身更決定企業能否真正把AI跑起來。

與此同時，開源生態的發展也在改變AI的組織形態。越來越多的“一人公司”開始出現：借助開源大模型和對垂直場景的深刻理解，個人開發者就能完成原本需要一個小團隊才能完成的系統。這種變化，不僅降低了AI創業的門檻，也預示著組織邊界的重構與超級個體的崛起。

在這樣的背景下，企業對于大模型服務商的期待也在發生變化：不僅需要提供性能領先的模型，更要能夠協助企業完成技術到場景的有效銜接。在實踐中，服務商的邊界正在擴展，從交付模型能力到協同推動組織轉型。因此，智譜提出了高度靈活、可擴展的MaaS（模型即服務）商業模式：既有API、場景化接口和訂閱制為主的標準化產品線，也有“模型驅動”的企業級服務模式。

商業模式躍遷起點

從模型工具到“以效果付費”

當技術能力趨穩，企業對AI價值的衡量方式也在發生結構性的改變。

過去，大模型的商業模式更多停留在“按調用量”或“按用戶數”計費，本質仍是“工具型付費”；但隨著AI逐步深入業務流程，企業開始更明確地追問一個長期被忽略的問題：AI究竟為我創造了多少實際價值？

劉德兵判斷，未來的付費方式可能會出現從“按部署計費”向“按效果計費”的躍遷。企業將越來越不滿足于購買模型能力，而是希望根據節省的人力、減少的運營成本、提升的轉化效率或新增營收來衡量AI的價值。

這種趨勢在全球科技企業中亦已顯現。部分頭部廠商在公開討論未來商業模式時，已經不再強調“按用戶授權”，而是探索以“智能體”為單位、根據任務結果與實際產出付費的方式。

隨著智能體能力不斷提升，AI有望承擔更多自主決策與執行的任務，催生出真正意義上的“AI原生業務形態”。這些業務將不依賴于傳統人工流程，而能夠依托智能體的自學習、自優化能力實現規模化增長。一旦這種模式得到驗證，AI產業的價值創造體系也許將迎來真正的重構。

從更長周期來看，技術與商業也在同步走向成熟。

在技術側，隨著大模型邁向具備自學習能力的階段，AI將真正具備規模化承擔業務的能力；在商業側，當企業開始按照可量化的結果而非調用量付費，AI原生業務形態將迎來第一次大規模驗證。兩者疊加，將決定行業是否真正迎來“應用兌現期”。

這也意味著，AI的競爭力正在從技術本身延伸為一套更綜合的系統能力，也將如劉德兵所判斷的：“未來三年的拐點不再是單一維度的突破，而是技術突破與商業模式驗證的共振。”

薛純 | 文

劉玥 | 編輯

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org