AI企业落地：从概念热炒到产业实干的转型之路

当前，在中关村地区，人工智能的热度依旧持续高涨，成为科技领域备受瞩目的焦点。

图灵奖得主、中国科学院院士、清华大学交叉信息研究院及人工智能学院院长姚期智在2025人工智能+大会主论坛上强调：“无论从何种角度审视，人工智能未来发展的核心方向是实现令各方满意的通用人工智能（AGI）。”他进一步指出，AGI不仅是科学前沿的突破，更是各国战略竞争与经济升级的关键科技高地。

图灵奖得主、中国科学院院士、清华大学交叉信息研究院及人工智能学院院长姚期智

尽管AGI被视为行业终极目标，但从现实层面看，其实现仍较为遥远。目前，行业更关注的是AI大模型在企业中的实际应用效果与落地情况。

中数睿智CEO韩涵表示：“与去年相比，今年大会的普遍趋势是关注点转向AI大模型面向产业的真实落地应用，包括科创企业与头部厂商均已聚焦这一方向。”这已成为行业广泛共识。

在2025人工智能+大会主论坛上，多位嘉宾共同指出，应用落地正成为推动AI前进的核心动力，技术与产业融合的契机日益临近，“场景驱动”则是AI从技术革新迈向产业革命的关键跃升点。

然而，企业级AI的真实落地现状并未完全匹配行业热度所展现的乐观景象。

许多企业对AI大模型的应用仍持审慎态度。新希望集团首席数字官李旭昶对光锥智能坦言：“现阶段行业整体可用一个词形容——混乱，但在混乱之中，也孕育着蓬勃生机。”

显而易见，AI已走出实验室阶段，大模型从“百模大战”走向市场分化，智能体概念遍地开花，可一旦涉及实际业务，总像欠缺最后一口“气”，眼看接近终点却卡在半途。

那么，AI大模型真正渗透千行百业，究竟面临哪些障碍？又该如何破解这些难题？

AI落地真相：不是所有企业都在“狂飙”

当前，企业AI落地的真实图景，呈现出冰火两重天的局面。

据崔牛会数据显示，目前已有43%的企业部门或岗位进入规模化使用阶段，27%仍处于试点期，28%实现了广泛渗透，还有1.9%尚未确定是否应用。

这表明，AI在企业内部的落地已具备一定基础。

但在AI岗位分布中，营销、客服、研发、数据、运营等场景占比相对较高，而涉及企业管理与中台等核心业务场景，AI的应用则较为有限。

由此可见，企业级AI落地更多从边缘业务切入，现阶段难以深入企业核心业务场景。

更为关键的是，许多传统企业虽在推进AI业务，但整体进展相对缓慢。

以新希望集团为例，“我们尚未完全厘清AI与场景的具体结合路径，但对AI保持持续跟进状态，并非盲目全面投入，而是采取有节奏、有分寸的跟进策略。”李旭昶说道，“先让子弹飞一会儿。”

这背后最核心的原因，在于大模型真实落地效果未达企业预期。而影响落地效果的关键，在于大模型自身的准确性。

帆软联合创始人、副总裁张驰深有体会：“归根结底是准确率问题。许多客户起初要求AI不能出错，必须交付100%可靠的结果。”毕竟，在AI之前，帆软交付的数据分析工具均精准无误，客户已习惯“零误差”交付标准。

但现阶段尚无企业能保证AI结果100%准确，AI本质是概率性模型，如同人会犯错，它也存在变量，这让习惯确定性工具的客户难以接纳。

正因如此，企业级AI落地的首道坎，始于认知鸿沟。

一边是企业决策层对AI的无限憧憬，一边是技术团队与业务部门的现实困境，这种错位让许多AI项目从起步便埋下隐患。

此外，不少企业决策者被AI概念裹挟，盲目追求“高大上”技术，却不清晰自身真实需求。

阿里云智能集团副总裁霍嘉在观察一线落地效果时发现：“当前行业现状常是领导对大模型充满绝对信心，而技术人员对如何落地感到忧心忡忡。”

这种上下认知脱节，导致许多AI项目要么目标模糊，要么急于求成。

李旭昶以一句玩笑概括当前混乱状态：“智能体厂商不知卖什么，企业不知买什么”，这背后正是行业对AI能力边界、应用场景与价值回报的认知缺失。

另一点在于，“当前AI技术迭代过快，今日看似先进的方案，明日可能就已落后。”李旭昶说道，这种不确定性让许多企业不敢大规模投入，只能小步试点、谨慎推进。

在企业内部，认知往往需要一个培育过程。

张驰为挖掘真实需求，在公司内部发起“提需求兑奶茶”活动，让2000多名员工填报日常工作痛点。后又推出“买AI产品报销”活动，连AI美颜软件也可报销，旨在让员工先接触AI、理解AI。

若说认知偏差是思想障碍，那么数据、组织、技术的协同问题，便是企业级AI落地路上的“硬骨头”，这三重壁垒相互交织，让许多项目卡在半途。

李旭昶提到，新希望在数字化阶段花费四年打通数据，“没有数字化奠定的基础，AI便是无源之水”。而数据流通更是难上加难，许多企业的核心数据是竞争优势，不会轻易共享，即便是行业龙头，也难以自发形成数据生态。

“高质量数据集对AI发展至关重要，但企业自发共享很难，需要政府引导与脱敏处理。”他说。

协同阻力是许多AI项目失败的隐形杀手。李旭昶坦言，新希望在推进数字化与AI转型时，耗费大量时间精力处理跨部门、跨产业、跨实体协同问题，从ERP时代到数字化时代，再到AI时代，每次信息化/数字化变革都会重构组织与流程，而协同往往是最大阻力。

技术适配的“最后一公里”同样棘手。AI并非万能，不同场景需不同技术方案，盲目套用通用模型往往效果不佳。

“AI擅长领域能提升几十倍、几百倍效率，但不擅长领域强行使用只会适得其反。”李旭昶举例，大模型在多模态生成方面表现突出，但在严密文书工作中常“胡言乱语”，需人工复核。

中数睿智CEO韩涵

中数睿智选择聚焦核心战略型支柱产业，韩涵表示：“我们不做易实现场景，而专注于工业、能源、国防等技术难度大、战略价值高的领域，这些领域需将大模型与进化算法深度结合。”

可见，从大会热闹到企业冷静，从技术狂飙到落地审慎，2025年AI行业正经历从“热炒”到“实干”的转变。那么，企业该如何推动AI真正走向落地应用？

AI的下一个十年：如何解决企业落地难题？

“AI下一个十年，非比谁的模型更大，而是比谁能将技术扎进产业。”在大会圆桌论坛上，智谱华章董事长刘德兵说道。

企业级AI落地的终极目标是创造价值，但许多企业仍停留在“交付工具”阶段，未能形成从技术到价值的闭环，这也是企业级AI落地“差口气”的关键所在。

如中数睿智不涉足基础模型，只深耕多智能体协同自进化技术。在大型化工厂，其智能体能实现催化剂安放、工艺诊断、风险预测与流程优化的全流程调控；在能源行业，极端天气应急指挥智能体一年能为客户有效规避经济损失。

“我们交付的不是工具，而是可衡量的价值与成果，客户能直接看到效率提升30%以上，安全风险降低40%-50%。”韩涵说。

但实现这种价值闭环并非易事，需企业长期深耕。

新希望在AI转型上采取“有节奏的全面投入”策略，去年试点100多个场景，今年开始归拢聚焦，明确AI+管理、AI+运营、AI+业务创新三条路线。

“我们不急于求成，AI+业务创新需将生意重新做一遍，这需时间沉淀。”李旭昶提到，新希望正推进的“AI+全链节粮”计划，涉及育种、精准饲喂、疫病防疫等多环节，目标是每年节省1%饲料，这背后是AI与产业知识的深度融合。

对于AI落地的价值回报，行业普遍认为需长期主义。

“做好软件的秘诀是创造价值，并长期坚持。”张驰坦言，但他相信，随着AI与业务深度融合，尤其在战略洞察、商机推荐等高端场景的应用，未来将带来高溢价。

基于此，可见面对AI落地的多重挑战，企业并非无计可施。

从帆软、新希望、中数睿智等企业实践看，欲补上最后一口“气”，需遵循“先立后破、协同共生”原则，在认知、技术、生态三层面同时发力。

在认知层面，要“先试点后推广”，以实践教育市场。

帆软的“内部先交货”、新希望的“100个场景试点”，皆通过小范围成功案例建立信心，逐步扩散。“勿一开始追求大而全，先从重复劳动多、痛点明确的场景入手，让大家看到实实在在的效果。”霍嘉建议，场景选择应避免标新立异，从重复性工作切入更易获得回报。

在技术层面，要“不贪大求全，聚焦核心能力”。企业不必非要自训大模型，像帆软那样专注上下文工程，让通用大模型更好地理解企业业务，同样能实现价值。

“我们不做行业大模型，而用市面上最强的通用大模型，通过上下文工程让它更懂企业、更懂我们的工具。”张驰说。

中数睿智则通过“基础设施层、能力支撑层、应用构建层、场景应用层”的全链贯通，实现大型项目几周内落地，客单价达数百万到千万级别。

在生态层面，要“开放协同，破解资源壁垒”。

如数据流通需政府引导与行业协作，新希望李旭昶建议通过政府牵头，建立脱敏的数据共享机制；技术落地需产学研协同，帆软与数百家企业共创，中数睿智与央企、科研院所深度合作，皆通过协同破解单点突破局限。

“AI落地非一家企业之事，需技术方、企业、政府、科研机构共同努力。”韩涵说。

基于此，不难看出，当前推动AI在企业中落地，既需企业沉心打磨产品与场景，也需整个行业建立清晰的价值标准与协同机制。

当认知不再错位、数据不再割裂、技术不再脱节、价值不再模糊，企业AI落地才能真正“喘匀气”，从概念走向实效。

而对于那些卡在半途的企业，最缺的那口“气儿”，实则是“耐心+聚焦”。正如李旭昶所言：“勿过分夸大AI的当下，亦不能小看AI的未来。”

AI落地非一蹴而就的革命，而是循序渐进的进化。

毕竟，真正的AI革命，从不发生在实验室里，而是发生在工厂车间、农场猪舍、物流仓库，发生在每一个让技术服务于产业的角落。