從“技術實驗”走向“價值落地”，企業級AI規模化應用破局丨ToB產業觀察

2025年企業級AI是一個十分火熱的詞匯，各行各業的企業都在爭先恐后的落地AI應用，聯想與IDC聯合發布的《全球首席信息官報告》顯示，2025年全球企業AI支出將是2024年的近三倍，但37%的企業對AI價值持懷疑態度，低質量數據、模糊ROI、合規風險成為三大攔路虎。可以說，2025年是企業級AI從“技術實驗”走向“價值落地”的轉型之年，只有要企業真正看見了AI的在業務側的價值，才能更好的落地應用。

而隨著技術與架構的不斷優化，以及企業對于AI認知的不斷完善，2026年注定將是企業級AI規模化應用落地的一年。

從“技術實驗”走向“價值落地”，務實成主旋律

IDC 2024年《全球企業級AI應用白皮書》顯示，2024年全球企業級AI市場規模突破1200億美元，其中中國市場增速達38.7%，遠超全球平均水平。

但與消費級AI的“全民狂歡”不同，企業級AI的落地呈現出鮮明的“務實主義”特征。當生成式AI的熱潮逐漸退去，企業開始冷靜審視AI的實際價值。

一個明顯的現象可以佐證上述觀點——2023年的企業級AI市場，還充斥著大量“問答式智能助手”；而到2024年下半年，IBM大中華區技術銷售總經理、首席技術官翟峰表示，IBM技術團隊發現一個顯著變化：80%的客戶需求已轉向“業務域智能體”，即深度綁定財務、供應鏈、研發等具體場景，具備工具調用與流程閉環能力的專用智能體。

無獨有偶，紅帽此前發布的《2025中國企業級AI實踐調研分析年度報告》（以下簡稱《報告》）中有數據披露，將AI視為“戰略核心”的企業占比為26.07%，這些企業通常集中在科技、金融和高端制造等數據密集型和技術驅動型行業，它們已將AI作為驅動業務增長和構建競爭壁壘的主要引擎。

與此同時，《報告》數據顯示，“重要支撐”（占比 26.07%），“試點探索”（占比 27.49%），這三類幾乎均衡的格局，但后兩類的占比合計超過 54%，這表明市場上的絕大多數企業（超過一半）正處于一個關鍵的過渡階段：它們已經認識到 AI 的重要性，并開始進行投入，但仍在從概念驗證向體系化落地的艱難過程中跋涉。

“我的AI項目為什么沒效果？”

企業級AI發展的速度雖然超乎想象，但在其背后，距離規模化落地仍面臨諸多挑戰，而企業對于AI的態度也從“要不要用”，轉變為“如何用好”。對此，IBM大中華區科技事業部數據與人工智能資深技術專家吳敏達對筆者表示，“今天企業問得最多的不是‘要不要上AI’，而是‘我的AI項目為什么沒效果’。”這種困惑的背后，是企業級AI落地面臨的系統性障礙，可概括為數據、技術、組織、合規四重枷鎖，這其中，數據與技術挑戰是當下企業最需要關注的。

首當其沖的就是數據的困局。“低質量數據是AI項目失敗的首要因素”，聯想與IDC的報告明確指出這一核心問題。另一方面，Gartner調研顯示，57%的企業數據尚未達到AI應用標準，數據質量直接決定智能體決策準確性。

當前，企業數據方面主要面臨著分散化、異構化和數據獲取成本高等難題。IBM大中華區科技事業部存儲資深技術專家饒有清表示，以制造業企業為例，其數據分散在不同的十幾個系統中，結構化的生產數據與非結構化的用戶反饋無法互通，導致AI模型訓練周期從預期的2周延長至3個月。

與此同時，企業同時存在ERP系統的結構化數據、工業傳感器的時序數據、社交媒體的文本數據，傳統存儲系統難以兼容，且在企業內部，因原先數字化水平參差不齊，各個系統之間的數據質量也不盡相同，這就造成了企業在訓練AI模型的過程中，獲取高質量數據集的成本顯著上升。

除此之外，在基礎設施層面，企業也面臨了高昂的成本支出。算力成本高企制約企業AI規模化應用的痛點，尤其對中小企業形成顯著門檻。據硅基流動的運營數據顯示，單一企業大模型訓練單次成本常超百萬，而推理階段的算力消耗更是持續產生的“剛性支出”。

以教育機構為例，據測算，為100萬用戶提供AI個性化學習服務，僅GPU租賃費用每年就需數千萬元，遠超其營收承受能力。

成本壓力來自“低效使用”與“結構失衡”雙重因素。一方面，算力資源利用率偏低。多數企業采用固定算力配置，無法根據業務潮汐波動動態調整，導致白天高峰期算力不足、夜間閑置期資源浪費。

技術層面，曾有企業CIO對筆者表示，“我們用開源模型做的客服AI，在實驗室準確率達92%，放到真實場景里連60%都不到。”這種“實驗室與生產環境的鴻溝”，本質是技術落地的系統性能力缺失。

首先是模型適配難題。企業往往盲目追求大模型參數規模，卻忽視場景匹配度。吳敏達指出：“以金融機構的風險控制模型為例，其更需要的是精準的小樣本學習能力，而非千億參數的通用模型。”Gartner的趨勢研判印證了這一點：領域專用的小模型因其可以有效地規避“幻覺”風險，正成為金融、醫療等行業的首選。

除此之外，系統集成也是很多企業面臨的挑戰。IBM大中華區科技事業部自動化資深技術專家張誠將其稱為“最后一公里難題”，他指出，很多企業AI項目無法調用傳統MES、ERP系統數據，導致智能決策難以落地。張誠透露，IBM客戶中，僅30%的企業實現了AI系統與傳統IT架構的深度集成。

“技術債”則成為組織轉型的隱性障礙。翟峰指出，多數民營企業仍處于“傳統系統”向“智能系統”轉型的初級階段，老舊的IT架構、分散的業務流程，使得AI無法發揮協同效應。

除了數據與技術的阻礙之外，組織也是阻礙企業級AI落地的關鍵。原先，企業內部各個部門之間大多互不相通，即便是有一些數字化的產品將部門之間形成了聯通，但這種聯通的程度在AI時代是完全不夠的。AI時代需要的完全打通企業內部所有部門之間的“部門墻”。在翟峰看來，企業在應用AI過程中，將企業系統打通、集成是極為關鍵的一步。“企業系統的打通集成，目的是為了協同，讓流程能夠加速，是跨業務域部門打通，”翟峰指出。

原先，部門領導會提出“我為什么要打通，我的數據為什么讓其他部門看到，為什么要自動化”的靈魂拷問，其顧慮是：自動化之后，部門領導會失去權限。在翟峰看來，這個問題不是技術問題，而是企業管理、文化、組織。而在這個過程中，就體現了為什么AI是企業“一把手工程”的原因。需要企業管理者站出來，推動各個部門系統之間的打通，才能讓AI更好的落地。

近年來，除了AI之外，出海已經成為幾乎所有企業都在熱議并追逐的方向。當企業將AI應用延伸至全球市場，合規風險呈指數級增長。IDC報告顯示，超半數企業尚未建立AI治理與合規（GRC）框架，歐洲-中東-非洲地區因監管復雜，治理挑戰更為突出。對此，吳敏達強調，今天的AI合規不是“事后補救”，而是“事前嵌入”。

如何破局？

現階段企業數智化轉型的進程就像是一枚硬幣，一面是以四大枷鎖為代表的重重阻礙；另一面是不得不為之的企業級AI落地需求。面對此，企業應如何破局，實現用AI賦能業務的目標呢？

IBM與Anthropic聯合發布的《智能體生命周期管理與治理框架》（簡稱《框架》）中給出了一種“解題思路”。《框架》中提出了“評估優先”的開發范式——在智能體開發初期即定義業務KPI與風險指標，將可觀測性模塊嵌入開發流程，形成“設計-測試-監控-迭代”的內循環。

Gartner 2024年預測顯示，到2026年，缺乏有效治理的企業將有60%面臨AI相關的合規訴訟，而采用“前置管控”模式的企業，風險發生率將降低82%。IBM Guardium AI Security解決方案的落地數據印證了這一趨勢——該方案通過AI驅動的威脅檢測與數據分類，幫助金融客戶將GDPR合規報告生成效率提升300%，審計準備時間縮短60%。

面對眾多中小型企業在AI應用過程中ROI的焦慮，翟峰表示，中小型企業在應用AI過程中應采用“場景深耕、小步快跑”的落地策略——不追求企業級的全面AI轉型，而是選擇核心痛點場景，快速試點、快速見效，再復制推廣。這種策略的核心是“以業務價值為導向”。翟峰強調：“我們不是賣軟件，而是幫客戶解決問題。”

“小步快跑”還體現在技術選型上。IBM會根據企業規模推薦合適的方案：中小企業優先使用云上Model Service，按token付費；大型企業則采用本地部署+混合云架構，平衡安全與成本。對此，翟峰表示，IBM的技術戰略始終圍繞“解決實際問題”展開。“通過一系列收購與研發，IBM已經構建了從數據層到應用層的全棧能力。”翟峰如是說。

為了更好地推動企業級AI在企業，尤其是中小型企業中的落地，并在AI競賽中處于“不敗之地”，IBM近年來一方面加大了混合云與AI方面的研發投入，另一方面則是通過收購的方式不斷的補充“彈藥”。比如，前不久，IBM就以110億美元收購了數據基礎設施公司Confluent，從而加強其云計算產品，以利用人工智能驅動的需求熱潮。

兩家公司的高管表示，此次合并源于復雜混合云環境中對可信實時數據需求的增長。IBM首席執行官Arvind Krishna在LinkedIn帖子中寫道：“它擴展了我們幫助客戶在復雜混合環境中從洞察即時到行動的能力。”“我們利用有機增長和有針對性的并購，強化客戶最依賴的平臺——混合云、自動化、集成、安全和人工智能。”Confluent聯合創始人兼首席執行官Jay Kreps表示，加入IBM是加速Confluent全球戰略的契機。

而這僅僅是近幾年IBM眾多收購案例中的一筆，在集成層面，IBM通過收購webMethods與自有技術結合，形成“全棧集成”能力。

有分析師表示，此次收購Confluent符合IBM近期通過戰略易擴大其在云基礎設施和人工智能領域的布局，始于2019年收購紅帽公司，最近則延續了2024年收購基礎設施自動化專家HashiCorp。

Gartner預測，到2026年，AI將成為企業出海的“標配能力”，全球60%的跨國企業將依賴AI實現本地化運營。從IBM的技術布局與行業實踐來看，未來企業級AI將呈現三大發展方向。

一是“多模型協同”成為主流。單一模型無法滿足企業復雜需求，大模型負責自然語言交互與邏輯推理，小模型與基理模型解決垂直領域問題，如石化企業用小模型優化生產工藝，金融企業用大模型處理客服咨詢。

二是“邊緣智能”加速滲透。隨著車、無人機等具身智能的發展，邊緣側的AI計算需求激增。

三是“AI與業務的深度融合”。未來的AI將不再是獨立的系統，而是融入研發、生產、供應鏈等每個環節的“隱形能力”，將AI能力內置到每個軟件模塊中，讓企業在使用ERP、MES系統時，無需額外部署AI，即可獲得智能分析與決策支持。

展望未來，那些能將AI技術與業務需求深度融合、能打破組織壁壘、能平衡安全與效率的企業，將在全球市場的競爭中占據先機。（本文作者｜張申宇，編輯丨蓋虹達）