企业都在谈AI落地,但具体用在哪、怎么用、效果如何,一直缺少清晰的答案。
全球顶尖的AI大模型公司Anthropic联合研究机构Material在2025年底调研了500多家美国企业,发布了一份应用报告。报告见:https://assets.anthropic.com/m/66daaa23018ab0fd/original/Anthropic-enterprise-ebook-digital.pdf
这份报告回答一个问题:企业现在到底怎么用AI智能体的?
数据很直接:80%企业已从AI获得真实回报,90%在用AI辅助编程,57%用AI处理多步骤工作流。
报告最有价值的部分是记录了这些企业具体怎么做的。

1Doctolib:300个工程师怎么统一用AI
Doctolib是欧洲最大医疗科技公司,服务42万医疗专业人员。300个工程师如果各自摸索AI用法,质量无法保证,经验也传承不了。
他们建了一个Git仓库,往里面放三类资源:
通用提示词模板,比如"审查这段代码的安全问题""为这个函数写单元测试",这些是团队反复验证过的高质量提示词。
自定义命令,针对Doctolib特定场景开发,比如处理医疗数据的特殊格式、符合GDPR要求的数据处理流程。
子智能体,预配置好的专用智能体,每个都包含特定的上下文、规则和最佳实践。比如专门处理遗留代码的智能体、专门做安全审查的智能体。
所有开发者安装时自动从中央仓库拉取最新配置,5分钟就能在任何IDE上手。
用的都是团队验证过的工作流,不需要每个人重新摸索。
更进一步,他们把AI通过headless模式嵌入CI流程。每次代码变更自动触发任务更新技术文档,完全不需要人工维护。
结果是300工程师日活,功能交付速度提升40%。
这个做法本质上是把AI使用方法当代码管理——Git版本控制、团队共享、持续迭代。
2欧莱雅:让44000员工直接问数据
欧莱雅在150多个国家运营,37个品牌。员工要查数据,传统方式是排队等IT部门做报表。
他们让AI当总指挥,背后协调多个专业智能体。这个架构的关键是智能体分工明确:
当员工用自然语言提问"上个月法国市场口红销售前十的SKU",AI首先判断需要调用哪些智能体。
语义API智能体理解问题意图,数据检索系统去相应数据库拉数据,计算智能体做排序和统计,产品主数据智能体补充SKU详细信息,地理主数据智能体确认"法国市场"的准确范围。
整个过程是AI协调编排,每个智能体专注做自己擅长的事。最后AI综合所有智能体的结果,生成答案和可视化图表。
技术难点在准确率。之前的GenAI方案只有90%,员工不敢信。严格测试后达到99.9%才上线。
现在44000员工每月生成250万次查询,销售市场运营团队直接问数据,不依赖IT。
这个案例的关键是AI不是替代某个岗位,而是像经验丰富的项目协调者,知道该找谁、怎么整合、如何呈现。
多智能体协同工作,比单个AI处理所有任务更准确。
3eSentire:1000个案例验证才上线
eSentire在80多个国家保护关键基础设施,做网络安全。安全分析师每次威胁调查要花5小时。
他们用1000个真实历史案例验证AI能力。具体做法是让AI和最资深安全专家同时分析同一个案例,对比决策过程和结论。
不只看最终答案,还要看推理路径、证据选择、风险判断是否一致。
AI能从日志、网络流量、终端行为等多个来源综合证据,像专家一样关联不同安全事件形成完整结论。95%与最资深专家对齐才部署。
结果是威胁分析从5小时压缩到7分钟,威胁抑制率99.3%。
Parcha为金融科技提供合规工具,AI通过了银行级合规认证(行业最严格的模型治理评估之一),客户尽调从3个月降到5分钟。
4诺和诺德:让产品经理也能做原型
诺和诺德生产Ozempic,做临床研究报告。一份300页的文档,传统方式一年只能完成2.3份,每延迟一天损失1500万美元。
他们建立了专家审核文本库,把领域专家已批准的标准文本、术语全部入库作为RAG数据源。
然后定义变量模板,每个报告结构类似,只是药物名称、剂量、试验数据等变量不同。
AI从文本库提取内容填充变量生成草稿,但必须经领域专家确认才发布。
结果是临床报告从10周降到10分钟,设备验证协议资源减少95%。
意外收获是让非技术人员也能做原型开发。产品经理验证想法从等几天排期变成几小时自己动手,11人开发团队能力扩展了数倍。
5从350万次对话看到的规律
Anthropic分析了350万次对话,发现一个稳定规律:输入上下文长度每增加1%,输出质量和长度提升0.38%。
这意味着如果企业数据分散在多个系统、格式不统一、访问权限复杂,AI再强也发挥不出来。
另一个规律是使用模式在变。8个月内,指令式对话(用户直接委托完整任务)从27%跃升到39%,首次超过辅助式使用。
企业API使用77%显示自动化模式,远高于消费者的50%。
还有一个打破常识的发现:最昂贵的任务使用率最高。企业在模型能力强、自动化创造真实价值的地方部署,不在乎成本。近一半API流量(44%)是计算机和数学任务。
6企业使用AI中遇到的障碍
报告显示,46%企业遇到系统集成困难,42%卡在数据质量,43%被实施成本困扰。中小企业51%最大障碍是员工抵制,远高于大企业。
N26是持牌银行,从实施到测试只需1-2周,一年实现70%流程自动化。
选择AWS Bedrock因为需要处理多语言文档、满足GDPR监管要求、企业级安全已验证。
Doctolib从30人试点开始,NBIM主权基金管理1.7万亿美元资产,从初期用户到600人使用。分析师每周节省20%时间用在更高价值的投资判断上。
7接下来会怎样
81%企业计划处理更复杂的AI项目,39%开发多步骤流程智能体,29%做跨部门协作。
应用场景在扩散,更多企业计划部署研究报告智能体,其次是供应链优化、产品开发、财务规划。
这也影响了员工工作时间分配,BCG认为2026年智能体将驱动真实业务影响,Deloitte指出劳动力转型决定谁赢,技术部署只是一半。
如果这篇对你有帮助,欢迎点赞转发。
想学习更多AI应用落地案例,在工作中高效运用AI的技能?加下方联系方式咨询,赠送3万字的《AI新手入门手册】,备注【118】。



