文｜白 鴿
編｜王一粟
今年的中關村，ai熱度依然很高。
「無論怎麼樣看，人工智慧未來發展最重要的下一步，就是怎麼樣能夠達到大家都滿意的agi，就是通用人工智慧。」圖靈獎得主、中國科學院院士、清華大學交叉信息研究院及人工智慧學院院長姚期智在2025人工智慧+大會主論壇上如此說道。
他還強調agi：「不但是科學上，而且是戰略上和各國經濟上的科技高地」。
儘管agi是整個行業發展目標，但從現實來看，agi還比較遙遠，行業中更關注的，往往是ai大模型在企業中真正落地應用效果。
「從今年整個大會來看，尤其是跟去年對比，大家普遍關注的方向已經轉向ai大模型真正面向產業的落地應用，包括科創企業、頭部大廠等，都已經關注到這個方向來。」中數睿智ceo韓涵如此說道，而這已經成為行業共識。
在2025人工智慧+大會主論壇上，多位嘉賓也同時指出，應用落地正在真正成為推動ai前進的力量，技術與產業結合的契機正在逼近，「場景驅動」則是ai從技術革命走向產業革命的關鍵躍點。
但是，企業級ai真實落地現狀，似乎卻並未如行業熱度所展現的一樣。
很多企業對ai大模型的應用還始終保持著謹慎的態度。「現階段整個行業用一個詞形容，就是亂，但混亂中，也在欣欣向榮。」新希望集團首席數字官李旭昶對光錐智能說道。
可以看到，現階段ai早已走出實驗室，大模型從「百模大戰」走向分化，智能體概念遍地開花，可一落到實際業務，總像差了最後一口「氣」，眼看要衝線卻卡在半路。
那麼，ai大模型真正走向千行百業，到底還面臨著哪些問題？又該如何解決這些問題？
ai落地真相：不是所有企業都在「狂飆」
當前，企業ai落地的真實現狀，一半是海水，一半是火焰。
據崔牛會數據顯示，當前已有43%的企業部門或崗位進入規模化使用階段，27%仍處在試點期，28%實現了廣泛滲透，還有1.9%尚未確定是否應用。
這意味著，ai在企業內部的落地已經具備了相當的基礎。
但是，在ai崗位分布中，往往是營銷、客服、研發、數據、運營等場景佔比比較高，反而涉及到企業管理和中台等核心業務場景，ai所使用的情況更少。
可以看到，企業級ai落地，更多是從邊緣業務推進，現階段很難應用到企業核心業務場景中。
更為重要的是，很多傳統企業儘管也在推進ai業務，但整體進展情況則相對緩慢。
如新希望集團，「我們還沒完全看清楚ai跟場景具體結合情況，但對ai保持隨時跟進的狀態，不是無腦子all in ai，而是保持有節奏、有分寸的跟進。」李旭昶說道，「先讓子彈飛一會兒。」
這背後最重要的一點原因，就是大模型真實落地效果並未達到企業預期。而影響大模型落地效果的關鍵，就在於大模型自身的準確性上。
「歸根到底就一個問題，就是準確率的問題。」帆軟聯合創始人、副總裁張馳深有感觸，「很多客戶一開始覺得ai不能出錯，必須交付100%可靠的結果。」畢竟，在ai之前，帆軟交付的數據分析工具都是精準無誤的，客戶早已習慣了「零誤差」的交付標準。
但現階段沒有一家公司能保證ai給的結果是100%準確，ai的本質是概率性模型，就像人會犯錯一樣，它也存在變數，這讓習慣了確定性工具的客戶難以接受。
也正因此，企業級ai落地的第一道坎，就始於認知的鴻溝。
一邊是企業決策層對ai的無限期待，一邊是技術團隊和業務部門的現實困境，這種錯位讓很多ai項目從一開始就埋下隱患。
另外也有不少企業決策者被ai概念裹挾，盲目追求「高大上」的技術，卻不清楚自己真實需求。
阿里雲智能集團副總裁霍嘉在觀察一線落地效果時發現：「當前行業現狀往往是領導對大模型充滿絕對信心，反而做技術的人對如何落地感到非常擔憂。」
這種上下認知的脫節，導致很多ai項目要麼目標模糊，要麼急於求成。
李旭昶用一句玩笑話概括了當前的混亂狀態：「智能體廠家不知道賣什麼，企業不知道買什麼」，這背後正是整個行業對ai能力邊界、應用場景、價值回報的認知缺失。
另外還有一點，「現在ai技術迭代太快，今天覺得先進的方案，明天可能就落後了。」李旭昶說道，而這種不確定性讓很多企業不敢大規模投入，只能小步試點、謹慎推進。
很多時候，在企業內部，認知也需要一個培育過程。
張馳為了挖掘真實需求，在公司內部搞了個「提需求兌奶茶」的活動，讓2000多名員工填報日常工作中的痛點。後來又推出「買ai產品報銷」活動，哪怕是ai美顏軟體也能報銷，就是為了讓大家先接觸ai、理解ai。
如果說認知偏差是思想上的障礙，那麼數據、組織、技術的協同問題，就是企業級ai落地路上的「硬骨頭」，這三重壁壘相互交織，讓很多項目卡在中途。
李旭昶提到，新希望在數字化階段就花了四年時間打通數據，「沒有數字化打下的基礎，ai就是無源之水」。而數據流通更是難上加難，很多企業的核心數據是競爭優勢，不會輕易共享，即便是行業內的龍頭企業，也很難自發形成數據生態。
「高質量數據集對ai發展至關重要，但企業自發共享很難，需要政府引導和脫敏處理。」他說。
協同阻力則是很多ai項目失敗的隱形殺手。李旭昶坦言，新希望在推進數字化和ai轉型時，花了大部分時間和精力處理跨部門、跨產業、跨實體協同的問題，從erp時代到數字化時代，再到ai時代，每一次信息化/數字化變革都會重構組織和流程，而協同往往是最大的阻力。
技術適配的「最後一公里」同樣棘手。ai不是萬能的，不同場景需要不同的技術方案，盲目套用通用模型往往效果不佳。
「ai擅長的領域能提升幾十倍、幾百倍效率，但不擅長的領域強行使用只會適得其反。」李旭昶舉例，大模型在多模態生成方面表現突出，但在嚴密的文書工作中經常「胡說八道」，需要人工複核。
中數睿智則選擇聚焦核心戰略型支柱產業，韓涵表示：「我們不做容易實現的場景，而是專註於工業、能源、國防等技術難度大、戰略價值高的領域，這些領域需要把大模型與進化演算法深度結合。」
可以看到，從大會的熱鬧到企業的冷靜，從技術的狂飆到落地的審慎，2025年的ai行業，正在經歷一場從「熱炒」到「實幹」的轉變。那麼，企業又該如何推動ai真正走向落地應用？
ai的下一個十年：如何解決企業落地難題？
「ai下一個十年，不是比誰的模型更大，而是比誰能把技術扎進產業里。」在大會的圓桌論壇上，智譜華章董事長劉德兵說道。
企業級ai落地的最終目標是創造價值，但很多企業還停留在「交付工具」的階段，未能形成從技術到價值的閉環，這也是企業級ai落地「差口氣」的關鍵所在。
如中數睿智不做基礎模型，只深耕多智能體協同自進化技術。在大型化工廠，其智能體能實現催化劑安放、工藝診斷、風險預測和流程優化的全流程調控；在能源行業，極端天氣應急指揮智能體一年能為客戶有效規避經濟損失。
「我們交付的不是工具，而是可衡量的價值與成果，客戶能直接看到效率提升30%以上，安全風險降低40%-50%。」韓涵說。
但實現這種價值閉環並不容易，需要企業長期深耕。
新希望在ai轉型上採取了「有節奏的all in」策略，去年試點了100多個場景，今年開始歸攏聚焦，明確了ai+管理、ai+運營、ai+業務創新三條路線。
「我們不急於求成，ai+業務創新需要把生意重新做一遍，這需要時間沉澱。」李旭昶提到，新希望正在推進的「ai+全鏈節糧」計劃，涉及育種、精準飼餵、疫病防疫等多個環節，目標是每年節省1%的飼料，這背後是ai與產業知識的深度融合。
對於ai落地的價值回報，行業普遍認為需要長期主義。
「做好軟體的秘訣就是創造價值，並且長期堅持。」張馳坦言，但他相信，隨著ai與業務的深度融合，尤其是在戰略洞察、商機推薦等高端場景的應用，未來會帶來很高的溢價。
基於此，可以看出，面對ai落地的多重挑戰，企業並非無計可施。
從帆軟、新希望、中數睿智等企業的實踐來看，想要補上最後一口「氣」，需要遵循「先立後破、協同共生」的原則，在認知、技術、生態三個層面同時發力。
在認知層面，要「先試點後推廣」，用實踐教育市場。
帆軟的「內部先交貨」、新希望的「100個場景試點」，都是通過小範圍成功案例建立信心，逐步擴散。「不要一開始就追求大而全，先從重複勞動多、痛點明確的場景入手，讓大家看到實實在在的效果。」霍嘉建議，場景選擇要避免標新立異，從重複性工作切入更容易獲得回報。
在技術層面，要「不貪大求全，聚焦核心能力」。企業不必非要自己訓練大模型，像帆軟那樣專註於上下文工程，讓通用大模型更好地理解企業業務，同樣能實現價值。
「我們不做行業大模型，而是用市面上最強的通用大模型，通過上下文工程讓它更懂企業、更懂我們的工具。」張馳說。
中數睿智則通過「基礎設施層、能力支撐層、應用構建層、場景應用層」的全鏈貫通，實現了大型項目幾個星期內落地，客單價達到數百萬到千萬級別。
在生態層面，要「開放協同，破解資源壁壘」。
如數據流通需要政府引導和行業協作，新希望李旭昶建議通過政府牽頭，建立脫敏的數據共享機制；技術落地需要產學研協同，帆軟與幾百家企業共創，中數睿智與央企、科研院所深度合作，都是通過協同破解單點突破的局限。
「ai落地不是一家企業的事，需要技術方、企業、政府、科研機構共同努力。」韓涵說。
基於此，不難看出，當前在推動ai在企業中的落地，既需要企業沉下心來打磨產品和場景，也需要整個行業建立清晰的價值標準和協同機制。
當認知不再錯位、數據不再割裂、技術不再脫節、價值不再模糊，企業ai落地才能真正「喘勻氣」，從概念走向實效。
而對於那些還卡在半路的企業來說，最缺的那口「氣兒」，其實是「耐心+聚焦」。就像李旭昶所說：「不要過分誇大ai的當下，也不能小看ai的未來。」
ai落地不是一蹴而就的革命，而是循序漸進的進化。
畢竟，真正的ai革命，從來不是發生在實驗室里，而是發生在工廠的車間里、農場的豬舍里、物流的倉庫里，發生在每一個讓技術服務於產業的角落裡。
-
-
-
-
-
-
-
-
-
-