2025年中國企業級AI應用行業研究報告

企業級AI應用行業丨研究報告

前言：

應用現狀： 隨著“百模大戰”逐漸落幕，行業競爭重心轉變，企業級AI從技術探索期全面轉向規模化應用期。得益于大語言模型能力的快速躍升，新一代AI應用已在智能客服、知識庫問答、內容生成等知識密集且交互相對開放的場景中率先取得規模化突破。

關鍵問題： 在新一代AI應用的規模化落地過程中，企業也面臨著更加復雜的挑戰。其應用成果不僅依賴于單一的技術突破，更在于構建系統性、端到端的落地能力。

應用層：Agent成為當前企業級AI應用落地的核心載體，拆解最小任務單元，利用Function Call、MCP、Skills等方式，促進Agent與企業業務流程的深度整合。

支撐層：以場景為中心進行模型選型，構建Data+AI的數據底座與面向AI的數據安全體系。

基礎設施層：AI算力基建向多元異構演進，國產替代背景下軟硬件深度協同優化重要性凸顯。

組織層：高 層推動的頂 層設計、員工維度的角色升級共同推動企業的AI轉型。

廠商落位： 目前企業級AI應用領域主要有應用軟件、技術服務及解決方案、云服務和AI模型四類廠商，部分深耕垂直場景，部分聚集平臺能力，形成分層協作、動態競合的格局。

發展趨勢： 1）大模型 由單一的Transformer架 構 向多架構并行迭代演進 ，未來可通過組合架構靈活、高效適配不同場景；2）A I有望深度 介入并重 構企業流程，人機協作模式將發生轉變；3）AI在科研領域可形成技 術底座、核心 能力、 科研流程、價值輸出的閉環，幫助企業提升競爭力； 4 ）物理AI演進將拓寬AI應用的價值邊界，形成更完整的智能業務鏈；5）AI原生應用將向全新的流量入口、交互方式、應用架構和業務邏輯演變。

研究范疇界定

重點關注企業作為采購和使用主體，以GenAI技術驅動的新一代AI應用

在大模型、AI Agent等技術快速發展的當下，越來越多的企業將數智化轉型作為提升核心競爭力的關鍵，AI技術在企業級場景中的落地應用也成為各方關注的焦點話題。本報告所指企業級AI應用，重點關注由企業統一采購、部署和管理的AI應用，兼顧由員工個人采購或選擇、但實際服務于工作場景的情況。技術層面，本報告聚焦以大語言模型為代表的生成式人工智能即GenAI為核心驅動的新一代AI應用，旨在探究AI技術如何幫助企業精準解決特定業務痛點、重塑工作流程，并最終轉化為可量化的商業價值。

企業級AI應用發展背景-政策導向

以高質量數據集為支撐，推動人工智能由單點突破向全域賦能轉變

企業級AI應用發展背景-落地政策支持

公共服務、能源、交通運輸、醫療衛生等人工智能+行業政策持續加碼

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、醫療衛生等重點領域全面推動人工智能技術融合與應用落地。政策聚焦于釋放數據要素價值、構建行業大模型體系、推廣智能體應用等方向，并設定了到2027年在各領域實現典型場景廣泛覆蓋與深度賦能的具體目標，旨在以人工智能為核心引擎，驅動相關產業創新升級與高質量發展。

企業級AI應用發展背景-技術路線

從模型中心轉向Agent驅動，工程化能力成為持續交付關鍵

對比2025年與2024年人工智能成熟度曲線，AI-Ready數據和AI Agents是當前發展最快的兩項技術，前者為AI應用提供高質量的數據，后者讓AI在理解人類意圖的基礎上具備執行復雜任務的能力，標志著AI應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的關注重心正逐漸由GenAI、基礎模型等底層技術向可持續的AI應用交付轉變。

企業級AI應用發展背景-投融資

應用層融資事件占人工智能行業比例超五成，AI+醫療成熱門吸金賽道

根據IT桔子數據，截至2025年12月15日，中國人工智能產業領域全年共有融資事件772起，融資輪次偏早期。同時人工智能產業的投資熱點正在從底層模型轉向應用層，AI應用層融資事件數量占比超50%，資本更青睞能將AI技術落地到具體場景的項目。從行業應用情況來看，2025年AI+醫療成為熱門吸金賽道。

企業級AI應用現狀

政策、技術、需求三重驅動下，企業級AI應用進入商業價值驗證期

隨著“百模大戰”逐漸進入后半場，人工智能產業的競爭重心轉變，企業級AI應用也由從技術探索階段全面轉向規模化落地階段。政策、技術和企業真實需求是本次轉型的核心驅動，“人工智能+”國家行動形成強力牽引，技術突破使得AI應用成本大幅降低，經濟與競爭壓力迫使企業利用AI提質、降本、增效。供需雙方的關注點從單點技術試點，深入到與核心業務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向商業價值驗證。

企業級AI應用的核心價值

現階段重點聚焦流程增效、知識增幅和價值創新三大方向

當前，企業級AI應用主要聚焦于價值遞進的三大核心方向。一是流程增效，通過替代重復勞動直接降本，技術成熟且ROI明確，是規模化落地的主力。二是知識增幅，借助AI激活企業知識資產，賦能人才進行高效決策與分析，雖實施門檻較高，但正成為價值創造的新高地。三是價值創新，以GenAI重塑產品與客戶體驗，探索全新商業模式。企業需對自身業務痛點與數據可用度進行綜合判斷，決定不同場景AI落地的優先級。

企業級AI應用成熟度分析

率先在知識密集型場景規模化落地，推動辦公效率提升與服務體驗增強

得益于大語言模型能力的快速躍升，新一代AI應用已在智能客服、知識庫問答、內容生成等知識密集且交互相對開放的場景中率先取得規模化突破。而在更加嚴肅的企業級場景中，GenAI技術往往面臨可靠性挑戰。將其推理規劃、多模態感知優勢，與傳統機器學習、規則引擎等相結合，將推動AI技術向企業核心運營與分析決策環節的滲透。

企業級AI應用規模化落地痛點

數據、人才與價值量化等問題是制約規模化落地的三大瓶頸

企業級AI應用在規模化落地過程中，普遍面臨系統性痛點。一方面，數據基礎薄弱與治理體系缺失，導致模型訓練缺乏可靠基礎。另一方面， 業務價值缺乏可量化度量體系，無法與企業核心經營指標掛鉤，難以支撐企業的長期投資決策。而缺乏兼具技術能力與業務洞察的復合型人才，則阻礙了技術能力向業務場景的價值轉化。

企業級AI應用產業圖譜

企業級AI應用的總體框架

隨著AI技術的爆發式發展，AI技術正從錦上添花的輔助工具，演變為驅動企業業務創新與效率變革的關鍵力量。但在新一代AI應用的規模化落地過程中，企業也面臨著更加復雜的挑戰。其應用成果不僅依賴于單一的技術突破，更在于構建系統性、端到端的落地能力。

本報告將從應用層、支撐層、基礎設施層和組織層四個維度，對企業級AI應用落地中的關鍵問題展開研究，力求幫助企業將AI技術轉化為實際的商業價值。

企業級AI應用的關鍵載體：Agent

多推理框架與工具調用，實現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、規劃能力，通過與外部工具調用相結合，形成能夠感知環境、自主決策并執行行動的智能體。它突破了模型僅能被動回答的局限，將模型的推理能力轉化為對業務流程的實際操作能力，因而成為當前企業級AI應用落地的重要載體。由Anthropic推出的Model Context Protocol（MCP）開放協議，提供Agent與外部數據源、工具通信的標準化方案，極大降低了集成開發的復雜性，進一步加速了Agent在企業端的落地。

AI Agent應用落地框架

構建“AI+工程+人工”三元體系，通過流程切分保障Agent可靠性

由于GenAI技術在準確率的瓶頸，AI Agent應用如自主執行超過5步的連續復雜流程，在對可靠性要求嚴苛的企業級場景中往往會直接失效。因而企業級Agent落地需構建“AI技術+軟件工程+人工干預”的三元支撐體系，合理平衡自主性與可控性。在初期階段，企業可優先考慮價值明確的場景，如步驟繁瑣、重復性高的勞動密集型場景，信息過載、易出現處理延遲的效率瓶頸型場景。在融入Agent人機協作機制的基礎上，同步推進企業流程的優化與重構。通過將復雜流程切分為可驗證的最小任務單元，降低單一環節誤差的傳導風險。對于ERP、CRM等既 有業務系統，可將其功能封裝為API或MCP Server，供Agent工作 流調用 。

AI Agent的知識與記憶系統

兩者協同構建Agent的認知底座，為情境化理解與持續學習提供支撐

知識系統與記憶系統共同構建起 AI Agent 的認知底座，為其賦予情景化理解與持續學習能力，提升 Agent 在業務場景中的應用效果。知識系統以 RAG （檢索增強生成）結合企業知識庫，為 Agent 注入垂直領域專業知 識等事實性信息，解決大模型知識靜態、過時缺乏企業私有信息的痛點。記憶系統則通過分層、結構化的生命周期管理，為 Agent 保留與用戶的交互經驗、任務執行狀態及場景化偏好等。海量工具調用與長鏈推理上下文不僅嚴重制約 Agent 的性能與成本，更會導致模型能力的下降。利用上下文 工程對知識、記憶進行最優組合與精簡提煉，將能夠幫助 Agent 精準獲取所需的信息。

AI Agent能力進化方向

從模型綁定向Skills模塊化演進，提升Agent在復雜任務中的確定性

從Function Calling到MCP，再到AgentSkills（智能體技能），AI Agent的能力經歷了從緊耦合、模型綁定向模塊化、可復用的變遷。Skills通過打包結構化的指令、腳本和資源文件夾，允許Agent在場景匹配時自動調用，從而提升在處理特定、復雜任務時的表現。其核心價值在于，將復雜的業務流程和領域知識封裝為穩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轉變，從而能夠更靈活、更精準，也更深入地集成到企業的核心業務流程中，為企業在效率、決策、創新等多個層面創造競爭優勢。

GenAI模型的選擇

以場景需求為導向，多維度權衡模型效果、性能與成本

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

同時，考慮GenAI存在的幻覺問題和不可解釋性，應優先將GenAI應用于對語言理解、意圖識別及推理規劃等優勢領域，而在準確性要求更高的場景與決策式AI結合，從而提升在企業級場景的可用性。

AI-Ready的高質量數據集

高質量數據集筑基，將業務數據與知識轉化為企業獨特的AI競爭力

AI-Ready的數據集是指經過采集、加工等數據處理，可直接用于人工智能模型開發和訓練，能有效提升模型表現的數據集合。在企業落地AI應用的過程中，往往面臨著數據碎片化、應用難度高的痛點，即使擁有數據，也難以將原始數據轉化為可用的數據資產相比于傳統數據管理，面向AI時代的高質量數據集更具體高價值應用（緊密貼合場景）、高知識密度（信息濃縮有效）、高技術含量（處理過程專業）的特征，尤其是來自于企業內部、承載業務知識的高質量數據，將成為企業構建獨特AI競爭力的關鍵。

AI-Ready數據平臺搭建

重構數據管理體系，構建多模態、實時響應的Data+AI一體化平臺

AI時代數據治理正呈現出被動跟隨到主動規劃、靜態管理到實時響應、單一結構化到多模態管控的三大趨勢，倒逼企業重構數據管理體系。當前企業數據平臺建設面臨傳統數據平臺對非結構化數據支持不完善、數據互聯互通困難、數據質量參差不齊等問題。AI-Ready數據平臺搭建通過夯實多模態、實時數據處理基礎，構建打通Data與AI的一體化平臺，最終依托AI應用將數據價值賦能于業務場景。

面向AI的數據安全體系

防范數據風險傳導，構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，數據層的安全至關重要，數據層的任何風險都將直接內化為模型的風險。數據層風險主要包括數據的合規性與完整性缺失、數據污染、敏感信息殘留、標注質量缺陷等，貫穿數據采集、清洗、標注等多個環節，而AI應用還將引入智能體交互、多樣化通信協議等全新的風險入口。面向AI的數據安全體系需實現從被動防護轉向主動治理的轉變，將技術手段與管理措施結合，構建覆蓋數據輸入、處理、輸出的全鏈條防護能力。企業應根據自身業務場景與數據特點，識別優先級高的數據風險，采取分階段實施策略。

AI算力芯片

GPU主導地位穩固，國產芯片聚焦互聯與推理優化實現差異化突破

當前，GPU芯片已經從面向通用計算場景的圖形處理器發展為驅動AI訓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，但GPU仍然占據AI芯片的主導地位。同時，行業競爭的焦點由單芯片算力轉向超大規模集群的系統級效率。國際領先的AI芯片大廠憑借前沿制程、全棧軟件生態和全場景覆蓋，構建了強大的先發優勢與市場壁壘。國內廠商則聚焦自主可控，在特定技術維度如互聯帶寬、集群規模、推理優化等方面進行突破，通過差異化能力與國際大廠形成錯位競爭。中外產業在基礎工藝、市場需求與供應鏈安全上的差異，共同推動著全球AI算力基礎設施的多元化發展。

AI基礎設施（AI Infra）

軟硬一體協同優化，AI Infra成為提升國產算力可用性的關鍵

AI Infra強調通過軟硬件一體化的協同設計，對計算、存儲、網絡資源進行系統級調優，將原始算力高效、穩定地轉化為模型性能與業務價值。相比傳統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時代競爭的關鍵要素之一。在國產化背景下，其重要性不僅體現在對模型性能的極致壓榨，更在于連接底層國產化算力與上層模型應用，提高國產芯片的可用性，加速推動國產化替代。

管理層的戰略引領與資源投入

企業管理層的投入深度與決心直接決定AI應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 ）中，高達48%的高層管理者展現出對AI戰略的強烈“主人翁”式承諾，這一比例為普通組織的三倍。《哈佛商業評論》的相關調研同樣表明，近半數受訪高管認為領導力是驅動AI投資回報的首要因素。

企業能否將AI從技術試點轉化為規模化價值，關鍵取決于高層管理者的深度參與和有效領導。究其根本，AI轉型是涉及戰略、資源與組織的系統性變革。管理層應能推動戰略與業務的深度融合，統籌調配關鍵資源，并主導流程再造與文化重塑，引導企業跨越從實驗到規模化應用的“死亡谷”，實現可持續的商業回報。

以員工為本的價值運營

從技術交付轉向員工賦能，通過提升用戶采納度釋放AI實際價值

現階段，AI應用的成敗關鍵已從技術可行性轉向用戶采納度。于企業而言，即便AI技術本身具備優勢，若企業員工不愿使用、不掌握使用方法或無法有效運用，該技術仍難以創造實際價值。因此，企業需要從以技術為中心的項目交付轉向以員工價值為中心的運營，切實從員工視角出發，回應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賦能促進員工個人能力成長，讓員工在積極擁抱AI應用的基礎上，自發地推動企業的流程優化與創新。

團隊人才角色升級

業務人員向AI協作者轉型，技術團隊從后臺支撐走向前臺價值賦能

為成功推動企業級AI應用的落地，組織內部人員的角色與能力需實現根本性轉變。業務人員應能夠精準識別業務痛點，并將其轉化為可被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協作者。這不僅要求業務人員懂業務，更要求其掌握必要的協同技能，以推動方案的落地實施。技術團隊則需從后臺的開發交付角色，走向前臺，成為價值賦能者。其任務不僅是提供技術工具，更需要深度融入業務場景，參與設計端到端的智能化流程，并通過全程陪跑確保技術能力切實轉化為業務成果。

企業級AI應用ROI評估體系

超越傳統財務模型，建立分層、動態評估戰略收益與全周期成本

AI項目ROI評估的核心挑戰在于其價值難以用傳統財務模型精確衡量。間接與戰略收益難以量化，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字轉向應對管理價值實現過程中的不確定性。現階段針對企業級AI應用，可以考慮放棄追求單一、精確的ROI數字，轉而采用分層、動態的評估框架，通過對AI投資組合的評估，審視企業整體AI投資的價值回報。

企業級AI應用廠商落位

部分深耕垂直場景，部分聚集平臺能力，形成分層協作、動態競合格局

目前企業級AI應用領域主要有應用軟件、技術服務及解決方案、云服務和AI模型四類廠商，形成分層協作的動態競合格局。

應用軟件廠商中，成熟企業如深演智能、云徙科技等依托特定業務或行業深耕優勢，延伸布局AI應用及Agent開發平臺；初創企業如海納AI等圍繞單點場景進行AI能力突破，形成對企業既有系統的有效補充。技術服務與解決方案商服務屬性更強，通過定制、實施到應用的一體化解決方案撬動大中型客戶。

阿里云、百度智能云、火山引擎等云服務商與AI模型廠商在模型能力方面存在交叉，但兩者發展路徑有所區別：云服務商以模型+平臺拉動底層資源消耗，應用側主打標準化產品，AI模型廠商則以服務+應用推動模型商業化，更偏向提供定制化服務。

企業級AI應用商業模式分析

算力與研發是主要成本來源，探索由訂閱制向效果付費的轉變

企業級AI應用廠商的投入主要集中在算力與研發兩個層面，兩者合計占比通常可達70%及以上。其次為數據準備成本，部分廠商需采購外部數據，該部分占比與廠商類型、業務場景存在強相關。

收費模式方面，永久許可與訂閱是應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調優服務，當前訂閱模式的占比最高。部分廠商將 AI 能力融入既有產品功能，通過提升客單價向存量客戶推廣；部分則將 AI 應用設為獨立收費模塊，供客戶靈活選購。現階段，效果付費模式在中國企業級市場仍面臨較大落地阻力，僅在營銷、運營等少數結果導向型場景中有所應用。由于 AI 應用的價值評估是其落地的核心瓶頸，廠商與客戶需共同構建價值評估體系。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業界專家觀點

大模型規模效應趨緩，Agent、空間智能與高效算法成為關注新焦點

蘇茨克維指出大模型的規模堆砌已近瓶頸，且存在實際應用的“鋸齒狀”缺陷，認為超級智能應是高效學習算法而非成品心智；卡帕斯預判2025-2035年是智能體的十年，同時批評當前AI靠“暴力破解”提效，AGI落地仍需約十年；李飛飛強調構建世界模型以實現AI對物理世界的交互，并預測Transformer架構或五年內被替代，看好空間智能作為全新模型架構的潛力。

后Transformer時代的模型架構

模型架構走向多元化，RNN、CNN創新架構助力實現效率與性能的平衡

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

AI驅動的流程自動化

從任務自動到流程自主，重新定義企業流程與人機協作模式

當前，企業流程自動化正在從基于預設規則的、靜態自動化，邁向由AI驅動的、動態自主化。隨著AI技術與流程的深度融合，AI應用將逐漸演變為能夠理解、執行、優化乃至重構端到端業務流程的智能體。 從局部效率提升（L1）到跨系統協同（L3），到自主重構流程（L5），本質是AI從工具屬性向流程管理者屬性的轉變。未來，AI將具備自主啟動流程、自主重構與編排的能力，在運行中實現風險自治與持續優化，并通過閉環反饋不斷迭代。在此模式下，人類將被從繁瑣的操作中解放出來，聚焦目標設定與結果監控，成為整個流程中的戰略決策者。

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研發競爭力

AI在科研領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、設備投入，降低研發試錯成本。2）提速：由AI自動完成文獻調研、實驗數據降噪、分子/材料設計，將傳統數月級的研發周期壓縮至周甚至日級。3）破界：借助AI的跨學科知識融合能力突破單一領域的研發瓶頸，通過AI構建科學知識圖譜，沉淀內部研發數據與行業知識，實現研發經驗的跨項目、跨團隊復用。未來，AIfor Science將成為科技型、研發驅動型企業的核心競爭力。

從數字AI到物理AI

從信息處理邁向物理交互，物理AI連接數字智能與實體業務閉環

現階段以語言大模型為代表的數字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、世界模型的物理規律認知，實現現實世界的任務執行。企業的生產（如制造裝配）、服務（如倉儲物流）、運維（如巡檢維修）等核心環節都是物理實體交互場景，多數業務價值也最終落在物理世界中的執行。物理AI作為連接數字智能與實體業務的橋梁，能夠覆蓋更加完整的智能業務鏈，形成感知、決策、行動一體化的閉環。

AI原生應用的范式探討

流量、交互、架構與邏輯的轉變，將推動企業級AI應用的價值重構

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動力，以Agent架構為實現范式，以自然語言和多模態交互為主要體驗，旨在通過意圖理解和生成式能力，為用戶提供高度個性化、目標導向服務的全新應用形態。其中，大語言模型+Agent是實現復雜任務和工具調用的關鍵，而自然語言和多模態交互改變了用戶體驗，能夠提供高度個性化、目標導向的服務，將推動企業級AI應用由固定化工具向定制化解決方案轉變。

歡迎關注艾瑞數智獲取更多內容