AI技术走向成熟：挑战与机遇并存

在最近两年的飞速发展中，生成式人工智能正经历从“技术可行”到“价值可行”的关键验证阶段。围绕人工智能如何落地，行业内已形成一些共识，但在更关键的实施路径上仍存在显著分歧。这些分歧的走向，将决定AI能否真正成为新质生产力。

三大共识

（一）落地瓶颈已从供给侧转向需求侧

过去两年，“人工智能+”的讨论主要集中在算力、模型和数据等供给侧要素。进入2026年，这些问题虽未完全解决，但已不再是规模化落地的唯一核心矛盾。真正制约AI扩展应用的，转向为需求侧：真实业务需求是否成立，组织是否愿意为AI调整流程，以及AI带来的效率增量能否覆盖引入与改造成本。

麦肯锡2025年调研显示，受访的中大型企业中，88%已在至少一个业务职能中使用AI，但仅三分之一实现规模化部署；62%的企业在试验AI智能体，仅23%完成规模化落地。目标不明确、集成准备不足、难以证明商业价值位列阻碍因素前三，均指向需求侧。

（二）企业级AI落地面临定制化困局

数据显示，当前AI解决方案约70%需要定制，仅30%可标准化复制。定制化比例偏高本身不是问题，关键在于定制化投入既难以有效变现，又难以持续沉淀为可复用的产品能力。

从技术与业务结构看，对话界面、基础工作流等交互层能力相对容易标准化，但一旦进入核心业务逻辑、数据语义与系统集成层，企业差异迅速放大，通用化难度显著上升。这决定了当前企业级AI落地仍主要依赖“API调用+定制服务”的交付模式，实施过程高度依赖人力投入。

（三）商业模式尚未跑通，价格竞争加剧压力

C端AI应用依托移动互联网生态快速获客，头部产品月活已达亿级，但用户规模尚未有效转化为收入，订阅付费转化率远低于海外，商业模式仍在探索中。B端情况更具挑战。2024年以来，国内头部厂商API价格降幅高达95%-99%，部分产品甚至免费开放。

三大分歧

（一）智能体 2026 年能走多远？

从技术演进看，智能体正从“回答问题”升级为“完成任务”，在长程任务执行、工具调用、规划与纠错能力上均取得显著进展。落地层面，智能体已在电商、客服、内容生产等可控场景开始规模化部署。但也应看到，当前智能体在中等复杂任务中的准确率仍有明显波动。

（二）分歧二：算力竞争的主战场在哪里？

过去两年，算力竞争焦点集中在预训练阶段。随着基础模型能力趋于收敛，竞争焦点正转向推理侧。这意味着芯片格局、云服务定价、企业采购逻辑都将围绕推理效率重构。

（三）分歧三：AI时代的生态结构将如何演进？

现有移动生态以独立App为基本单元，每个应用各自管理用户数据、构建服务闭环。随着手机厂商推进系统级AI、AI硬件需要跨设备、跨应用获取上下文，这一张力将在2026年集中显现。

下一步该怎么走？

（一）以真实价值为导向，审慎选择落地场景

人工智能应用场景复杂多样，落地效果差异显著。建议避免简单以“是否使用AI”“覆盖率低”等指标作为评价依据。

（二）推动标准化降低定制成本，培育可复制的产品化能力

企业级人工智能落地普遍面临定制化程度高、复制成本大的问题。推动行业级数据接口、业务流程、集成规范的标准化。

（三）强化高风险场景的质量监督与安全审计

人工智能在金融、医疗、法律、端侧应用等高风险领域的应用，具有明显的外部性和风险外溢特征。

（四）引导多元商业模式，避免低价内卷

当前国内大模型商业模式高度趋同于低价API。建议引导行业探索差异化商业模式：对技术能力强的企业，支持其基础平台费+按使用量付费的复合定价模式。