出品 | 陈博观察 (ID: Drchenobservation)
编辑 | Will Chan
随着AI技术的爆发式发展，AI技术正从锦上添花的辅助工具，演变为驱动企业业务创新与效率变革的关键力量，但在新一代AI应用的规模化落地过程中，企业也面临着更加复杂的挑战。最近，艾瑞咨询发布了《2025年中国企业级AI应用行业研究报告》，从应用层、支撑层、基础设施层和组织层四个维度，对企业级AI应用落地中的关键问题展开研究，力求帮助企业将AI技术转化为实际的商业价值。
来源：陈博观察AI工作站（Doubao AI）创作
1.1 研究范畴界定
报告所指企业级 AI 应用，重点关注由企业统一采购、部署和管理的 AI 应用，同时兼顾由员工个人采购或选择、但实际服务于工作场景的相关应用。技术层面聚焦以大语言模型为代表的生成式人工智能为核心驱动的新一代 AI 应用，核心目标是探究 AI 技术如何帮助企业精准解决特定业务痛点、重塑工作流程，并最终转化为可量化的商业价值。
从服务场景划分，企业级 AI 应用涵盖融入 AI 能力的 ERP、CRM 等各类业务系统，以及独立的营销、客服、质检等 AI 应用，同时包括员工用于报告撰写、数据分析的 DeepSeek、Manus 等工具，和用于平面设计的 Nano Banana、即梦等产品。而面向个人娱乐生活需求的 AI 搜索、AI 社交等产品，不属于本次研究范畴。
来源：艾瑞咨询，中国企业级AI应用行业研究报告2025
新一代企业级 AI 应用具备以下技术特征，一是以大语言模型等生成式人工智能为核心驱动，拥有泛化能力、理解能力和自主能力，能够处理未经专门训练的任务，基于上下文深度感知复杂问题，还能拆解复杂目标并动态调整策略；二是融合决策式 AI、知识图谱、流程自动化等多元化技术构建系统性应用。
1.2 发展背景
1.2.1 政策导向
政策层面形成强力牵引，2025 年 8 月发布的《国务院关于深入实施 “人工智能 +” 行动的意见》将人工智能定位为新质生产力的核心引擎，明确实现从单点突破到全域系统性赋能的战略定调，设定到 2027 年新一代智能终端、智能体等应用普及率超 70%，2030 年超 90% 的目标。
高质量数据集成为人工智能发展核心支撑，2024 年 12 月《关于促进数据产业高质量发展的指导意见》首次明确 “高质量数据集” 概念，2025 年 8 月《高质量数据集建设指引》提出 “1+1” 建设路径，构建 “平台 + 数据集 + 模型” 一体化服务设施。此外，“数据要素 ×” 三年行动计划配套指引聚焦 9 大行业，目标到 2026 年打造 300 个以上典型场景，国家数据要素综合试验区落地十省市，推进 35 项试验任务实现 “一地创新、全国复用”。
各行业政策持续加码，2025 年我国围绕 “人工智能 +” 在公共服务、能源、交通运输、医疗卫生等重点领域出台系列政策，聚焦释放数据要素价值、构建行业大模型体系、推广智能体应用等方向，设定到 2027 年各领域典型场景广泛覆盖与深度赋能的具体目标。
1.2.2 技术路线
技术发展呈现从模型中心转向 Agent 驱动的趋势，工程化能力成为持续交付关键。对比 2024 年与 2025 年人工智能成熟度曲线，AI-Ready 数据和 AI Agents 是发展最快的两项技术，前者提供高质量数据，后者让 AI 具备执行复杂任务的能力，标志着 AI 应用从辅助工具向自主决策跃迁。企业关注重心从生成式人工智能、基础模型等底层技术，转向可持续的 AI 应用交付，投资重心向数据治理、数据管道建设和数据质量监控倾斜。
1.2.3 投融资情况
人工智能产业投资热点向应用层转移，截至 2025 年 12 月 15 日，全年融资事件 772 起，融资轮次偏早期，A 轮及以前占比超 70%。应用层融资事件数量占比超 50%，资本更青睐技术落地具体场景的项目，其中 AI + 医疗成为热门吸金赛道。典型融资事件包括帷幄 Whale 超 6000 万美元 C1&C2 轮融资、LiblibAI 1.3 亿美元 B 轮融资、联影智能 10 亿元 A 轮融资等，覆盖营销、图像生成、医疗等多个领域。
1.3 应用现状与核心痛点
1.3.1 应用现状
随着 “百模大战” 进入后半场，企业级 AI 应用从技术探索阶段全面转向规模化应用阶段，政策、技术、需求三重因素驱动转型。政策上 “人工智能 +” 国家行动提供强力牵引，技术上算力和大模型 API 成本下降、Agent 技术升级推动流程自动化，需求上企业降本增效和寻求增长新曲线的诉求迫切，数智化转型从 “可选项” 变为 “必选项”。
两个阶段的策略存在明显差异，技术探索阶段预算来源于企业创新或研发预算，评估标准为技术新颖性、模型准确率等，组织模式是分散的项目制 AI 组织，风险焦点集中在技术可行性和数据隐私，供应商选择倾向技术领先者；规模化应用阶段预算来自业务部门运营预算，评估标准为业务指标提升、可扩展性等，组织模式是业务与技术融合的专注 AI 组织，风险焦点转向模型幻觉、稳定合规和员工变革管理，供应商选择更看重行业解决方案和成功案例。
1.3.2 核心痛点
企业级 AI 应用规模化落地面临三大核心瓶颈，一是数据基础薄弱，企业数据多为孤立、非结构化、质量参差的 “原材料”，难以转化为 AI 所需的 “高质量燃料”；二是 AI 人才稀缺，兼具 AI 技术能力、业务逻辑认知和工程落地经验的 “桥梁型” 复合人才极度缺乏，导致解决方案与真实需求脱节；三是业务价值难以量化，缺乏将 AI 输出转化为收入增长、成本节约等可衡量业务指标的清晰路径和评估体系。此外，企业还面临基础设施成本高、投资周期长、AI 治理体系缺失等挑战。
1.4 核心价值与应用成熟度
1.4.1 核心价值
企业级 AI 应用的核心价值体现在流程增效、知识增幅、价值创新三个递进方向。流程增效针对规则明确、重复性高的任务，利用 Agent 替代人工操作，直接缩减工时、降低错误率，技术成熟且 ROI 易衡量，是规模化落地的主力，典型场景包括营销自动化、工业质检、智能客服等；知识增幅借助 AI 激活企业知识资产，赋能人才高效决策与分析，将人力从繁琐信息检索中解放，推动决策模式从经验驱动向知识驱动升级，典型场景有知识库问答、经营数据分析等，实施门槛较高但价值潜力巨大；价值创新利用生成式人工智能重塑产品与客户体验，探索全新商业模式，典型场景包括营销内容生成、AI 面试等，多模态及复杂推理能力的引入有望推动商业模式创新。
1.4.2 应用成熟度
得益于大语言模型能力的快速跃升，新一代 AI 应用率先在知识密集且交互相对开放的场景取得规模化突破，如智能客服、知识库问答、内容生成等。在可靠性要求严苛的企业核心运营与分析决策环节，生成式人工智能技术仍面临挑战，需结合传统机器学习、规则引擎的优势，推动 AI 技术向该领域渗透。
从行业分布来看，应用场景覆盖研发与设计、供应链管理、营销与客服、人力资源、财税管理、合规风控、知识管理、数据分析等多个业务环节，涉及金融、制造、政务、医疗、消费、教育等垂直行业。
1.5 产业图谱
企业级 AI 应用产业图谱分为应用层、平台层、基础设施层三个层级。
应用层包含业务垂直和行业垂直两类，业务垂直覆盖营销、客服、HR、财税、效率办公等领域，代表厂商有深演智能、网易云商、北森等；行业垂直涵盖消费、金融、医疗、政务、制造、教育等行业，代表厂商包括云徙科技、恒生电子、联影智能等。
平台层聚焦大模型服务平台和 Agent 开发平台，大模型服务平台包含通用大模型和垂直行业 / 领域大模型，代表厂商有阿里云、百度智能云、华为云等；Agent 开发平台代表厂商包括钉钉、扣子 Dify、澜码科技等。
基础设施层以 AI 算力基础设施为主，涵盖 AI 芯片、AI 服务器、智算云服务等，国际厂商有 NVIDIA、AMD、Intel 等，国内厂商包括华为、寒武纪、摩尔线程等。
2 企业级 AI 应用落地关键问题
企业级 AI 应用的落地成果不仅依赖单一技术突破，更需要构建系统性、端到端的落地能力，核心可从应用层、支撑层、基础设施层、组织层四个维度推进。
2.1 应用层：以 Agent 为核心载体
AI Agent 是以大语言模型为核心推理引擎，结合外部工具调用，能够感知环境、自主决策并执行行动的智能体，是当前企业级 AI 应用落地的核心载体。
2.1.1 Agent 的流程闭环与技术范式
AI Agent 的核心是思考 — 行动 — 观察闭环的 ReAct 范式，通过提示工程、工具调用和循环推理实现推理逻辑可追踪，让大模型升级为可操作、可迭代的任务执行体。其中，Anthropic 推出的 Model Context Protocol 开放协议，为 Agent 与外部数据源、工具通信提供标准化方案，降低了集成开发的复杂性。在推理框架方面，Chain-of-Thought 支持线性推理，确保任务拆解的正确性；Tree-of-Thoughts 支持分支 — 评估 — 回溯，动态优化任务路径和工具调用序列。
2.1.2 Agent 落地框架
由于生成式人工智能技术存在准确率瓶颈，AI Agent 在执行超过 5 步的连续复杂流程时易失效，因此企业级 Agent 落地需构建 “AI 技术 + 软件工程 + 人工干预” 的三元支撑体系。具体路径包括三方面，一是优化工作流程，围绕人机协作机制端到端梳理并重构现有流程，稳态性场景采用 Workflow 模式，敏态性场景采用 Agent 自主规划模式；二是拆解任务单元，将复杂任务分解为结果明确、可独立验证的原子任务，定义清晰的完成标准和回滚机制，根据任务特征选择规则引擎、决策式 AI 或生成式人工智能等技术工具；三是建立人工干预反馈闭环，在重大风险、合规要求等关键环节设置人工审查节点，当 Agent 置信度低或遇到未知情况时自动路由至人工处理，同时建立用户反馈机制与内部观测体系，实现故障快速定位与持续改进。
2.1.3 知识与记忆系统
知识系统与记忆系统共同构建 Agent 的认知底座，为其赋予情景化理解与持续学习能力。知识系统面向特定领域的静态外部知识，核心技术路径是检索增强生成结合企业知识库，从向量数据库、图谱数据库等多源知识库中检索信息并注入模型输入，提升响应的真实性、准确性和时效性；记忆系统面向用户交互的动态内部数据，分为短期记忆和长期记忆，短期记忆存储当前会话的上下文，长期记忆自动识别并提取跨会话的持久化信息进行结构化存储，通过短期记忆压缩、长期记忆写入与召回等策略，保证对话的连贯性与个性化。此外，利用上下文工程对知识和记忆进行最优组合与精简提炼，可解决海量工具调用与长链推理上下文制约 Agent 性能和成本的问题。
2.1.4 Agent 能力进化方向
AI Agent 的能力从紧耦合、模型绑定向模块化、可复用演进，经历了从 Function Call 到 MCP 再到 Agent Skills 的阶段。Function Call 是结构化调用开发者预先定义的本地函数；MCP 是标准化连接、发现和调用外部系统与工具；Skills 是将结构化的指令、脚本和资源文件夹打包，允许 Agent 在场景匹配时自动调用，其核心价值在于将复杂业务流程和领域知识封装为稳定可靠的自动化单元，让 AI Agent 从黑盒模型向可编程系统转变，提升处理复杂任务的确定性，实现复杂任务自动化、优化决策制定、构建集体能力库等目标。
2.2 支撑层：模型、数据与安全体系构建
2.2.1 以场景为导向的模型选择
模型选择需围绕具体应用场景，从效果、性能、成本三个维度综合权衡。效果维度关注通用能力和专项能力，通用能力包括准确性、幻觉控制、可靠性等，专项能力涵盖语言能力、编程能力、多模态能力等；性能维度包含响应速度、吞吐量、上下文窗口，响应速度影响用户感知的即时性，吞吐量决定单位时间处理的总 Token 数，上下文窗口是模型一次能处理的最大文本长度；成本维度涉及资源利用率、模型微调与蒸馏成本，对模型定制化要求高的场景更倾向选择开源模型，企业级应用通常会将基础模型蒸馏为轻量级模型以降低算力成本。同时，需结合生成式人工智能的优势场景选择应用，在准确性要求高的场景可与决策式 AI 结合，提升可用性。
2.2.2 AI-Ready 高质量数据集建设
AI-Ready 数据集是经过采集、加工等处理，可直接用于人工智能模型开发和训练的数据集合，相比传统数据管理，具备高价值应用、高知识密度、高技术含量的特征，企业内部承载业务知识的高质量数据是构建独特 AI 竞争力的关键。
高质量数据集的建设需遵循规范步骤，首先进行原始数据收集，获取公开资源或低质量样本；其次是清晰去噪，剔除重复和错误数据；然后是标注与验证，通过人工或半自动工具交叉验证确保标签准确一致；接着是标准化处理，统一文本编码、数值特征等格式；最后是划分与封装，按比例分为训练集、验证集和测试集，封装为标准格式并提供加载脚本。高质量数据集还具备丰富元数据、结构化格式、明确合规性许可等特点。
2.2.3 Data+AI 一体化平台搭建
AI 时代数据治理呈现三大趋势，即从被动跟随到主动规划、从静态管理到实时响应、从单一结构化到多模态管控，倒逼企业重构数据管理体系。当前企业数据平台面临数据互联互通困难、质量参差不齐、传统架构对非结构化数据支持不足等问题。
AI-Ready 数据平台搭建需夯实多模态、实时数据处理基础，构建 Data+AI 一体化平台。平台架构分为数据层、平台层和应用层，数据层实现结构化、非结构化、向量数据的统一存储，支撑批处理、流处理等多种计算范式；平台层包含数据平台和 AI 平台，数据平台提供统一元数据服务、数据访问控制等功能，AI 平台支持通用模型训推、模型部署应用等；应用层覆盖金融、政府、制造等多个行业，提供 ChatBI、AutoRAG 等智能化交互工具，最终依托 AI 应用将数据价值赋能于业务场景。
2.2.4 全生命周期数据安全体系
数据层的安全至关重要，数据层的风险会直接内化为模型风险，其风险贯穿数据采集、清洗、标注等环节，包括合规性与完整性缺失、数据污染、敏感信息残留等，同时 AI 应用还引入智能体交互、多样化通信协议等全新风险入口。
面向 AI 的数据安全体系需实现从被动防护到主动治理的转变，结合技术手段与管理措施，构建覆盖数据输入、处理、输出的全链条防护能力。具体包括训练数据防护、推理数据防护、数据质量防护、数据合规防护等，如数据篡改防护、数据脱敏、权限管控等，企业需根据自身业务场景与数据特点，识别高优先级风险并分阶段实施防护策略。
2.3 基础设施层：算力与软硬协同优化
2.3.1 AI 算力芯片发展格局
当前 GPU 芯片是驱动 AI 训练与推理的核心算力载体，尽管 Google TPU、AWS Trainium 等非 GPU 芯片已出现，但 GPU 仍占据主导地位，行业竞争焦点从单芯片算力转向超大规模集群的系统级效率。国际领先 AI 芯片大厂凭借前沿制程、全栈软件生态和全场景覆盖构建市场壁垒。
国内厂商聚焦自主可控，在互联带宽、集群规模、推理优化等技术维度实现差异化突破，如华为昇腾 910C 基于超节点技术实现万卡集群高可用度，寒武纪思元 590 满足云端和边缘智能计算需求，璧仞科技 BR100 卡间互连性能领先。中外产业在基础工艺、市场需求与供应链安全上的差异，推动全球 AI 算力基础设施多元化发展。
来源：艾瑞咨询，中国企业级AI应用行业研究报告2025
2.3.2 AI Infra 软硬协同优化
AI Infra 强调软硬件一体化协同设计，对计算、存储、网络资源进行系统级调优，将原始算力高效转化为模型性能与业务价值，相比传统 IT Infra，AI Infra 对大模型的效果上限和成本下限起决定性作用。在国产替代背景下，AI Infra 的重要性还体现在连接底层国产化算力与上层模型应用，提高国产芯片的可用性。
AI Infra 的关键能力包括编译优化、算子优化、内存优化、通信优化等，核心应用价值有两方面，一是提升模型效果与效率，通过算子优化、调度策略升级等方式优化集群利用率，降低训练和推理的边际成本；二是打破国产芯片困境，通过软硬件协同优化和异构调度，弥补国产芯片在单卡性能与生态上的短期差距，加速国产替代进程。此外，AI Infra 还需建立全链路成本监测体系，监控 Token 消耗、上下文长度等 AI 指标。
2.4 组织层：战略引领与人才转型
2.4.1 管理层战略引领
企业管理层的投入深度与决心直接决定 AI 应用的成败与价值高度，麦肯锡 2025 年研究报告显示，AI 高绩效组织中 48% 的高层管理者展现出对 AI 战略的强烈 “主人翁” 式承诺，这一比例是普通组织的三倍。AI 转型是涉及战略、资源与组织的系统性变革，管理层需从传统 “管控者” 蜕变为 “生态构建者”，推动战略 - 人本 - 治理三位一体的系统性重构。
战略引领方面，管理层需以系统思维和深度好奇心为引擎，构建 AI 驱动型商业模式和共生生态；人本驱动方面，将 “投资于人” 作为最高优先级战略，打造人机协同、持续进化的组织；治理保障方面，筑牢信任、公平与安全的防线，确保企业行稳致远。
2.4.2 以员工为本的价值运营
现阶段 AI 应用的成败关键从技术可行性转向用户采纳度，企业需从以技术为中心的项目交付，转向以员工价值为中心的运营。具体行动分为三步，一是建立心理接纳，明确 AI 赋能而非替代的定位，营造员工心理安全感，变强制使用为自愿尝试；二是优化场景体验，聚焦高频率、高痛点的任务场景，通过简单易用的 AI 应用激发员工使用热情；三是推动能力内化成长，通过激励制度重塑技能发展路径，让员工从个人竞争力提升中获益，由被动使用者转变为主动创新者。
2.4.3 团队人才角色升级
为推动企业级 AI 应用落地，组织内部人员的角色与能力需实现根本性转变。业务团队需从掌握专业技能转向具备 AI 场景洞察能力，精准识别业务痛点并转化为 AI 可解决的问题框架，同时掌握人机协作技能，适应领导 “AI 下属” 的工作模式，专注于终审、判断与决策等创造性环节。
技术团队需向 AI 流程架构师转型，在具备 AI 技术能力的同时精通业务逻辑，设计 AI 的认知与工作流程，将复杂业务需求转化为可执行的自动化任务流。此外，技术团队还需贯穿 AI 应用全生命周期，前期参与业务理解与方案设计，中期提供培训与支持，后期建立价值评估与优化机制，形成 “构建 - 赋能 - 优化” 的完整闭环。
2.5 ROI 评估体系与实践案例
2.5.1 分层动态 ROI 评估体系
AI 项目 ROI 评估的核心挑战是间接与战略收益难以量化，全生命周期隐性成本易被低估，因此需超越传统财务模型，建立分层、动态的评估框架，放弃追求单一精确的 ROI 数字，转而评估 AI 投资组合的整体价值回报。
评估框架的设计原则是锚定业务价值，以 “总拥有收益 - 总拥有成本” 计算 AI 投资组合收益。总拥有收益需区分不同类型项目，流程增效类项目通过替代人力成本或吞吐量直接量化收益，知识增强类项目通过归因与建模间接量化收益，交互创新类项目通过市场类比法、战略必要性评估等综合评估收益；总拥有成本涵盖直接显性成本和间接隐性成本，直接成本包括数据成本、技术成本、实施集成成本等，间接成本包括变革管理成本、风险合规成本、机会成本等。
2.5.2 典型实践案例
一是某地级市智慧城市人工智能服务平台，该项目与 360 智语合作，构建 “一个平台、N 个应用、长期共育” 的新模式，整合算力和大模型资源，依托智能体开发和管理平台实现智能问数、智能公文等场景的高效协同，最终实现办公效率提升 30% 以上、客户满意度提升 25%、数据泄露风险降低 60% 的成效。
二是遇见小面口碑管理智能体，深演智能为其打造 AI VOC 智能体，建立动 / 静态 AI 智能双分类体系，利用 AI 语义收敛技术实现评论全自动处理，将差评根因分析从 “按天计算” 提升至 “分钟级响应”，帮助品牌快速定位包装优化、菜品工艺改进等关键问题，降低客诉率。
三是中国钢研数字化研发平台，该平台推动材料研发从 “文献 + 试错” 的研仿模式向 “计算 + 数据” 的原创模式转变，构建冶金流程感知大模型、冶金 CV 大模型等，实现金相分析效率提升 20 至 40 倍、报告生成自动化率 100%，典型热轧表面缺陷检测准确率达 92%。
3 企业级 AI 应用厂商策略分析
3.1 厂商落位格局
当前企业级 AI 应用领域主要有四类厂商，分别是应用软件厂商、技术服务及解决方案厂商、云服务商和 AI 模型厂商，各类厂商分层协作、动态竞合，形成差异化的市场格局。
应用软件厂商分为成熟企业和初创企业两类，成熟企业如深演智能、云徙科技依托特定业务或行业深耕优势，延伸布局 AI 应用及 Agent 开发平台；初创企业如海纳 AI 围绕单点场景实现 AI 能力突破，补充企业既有系统功能。技术服务及解决方案厂商以 360 智语为代表，服务属性更强，通过定制、实施、应用的 AI Agent 一体化解决方案撬动大中型客户。
云服务商与 AI 模型厂商在模型能力上存在交叉，但发展路径不同。阿里云、百度智能云等云服务商具备算力基础设施、自研大模型、开发平台及上层应用的全栈能力，以模型 + 平台拉动底层资源消耗，主打高频场景的标准化产品，不涉及垂直场景深度定制；AI 模型厂商聚焦模型定制与性能优化，提供模型私有化部署、数据集建设等服务，推动自研模型商业化进程，更偏向定制化服务。
3.2 商业模式分析
3.2.1 核心成本结构
企业级 AI 应用厂商的成本主要集中在算力与研发两个层面，两者合计占比通常可达 70% 及以上。算力成本包括 GPU 服务器采购或租赁、云资源消耗、商业模型调用等费用；研发成本主要是研发人员、业务及行业专家的薪酬，涵盖面向业务场景的 AI 应用研发和针对客户的定制化开发成本。此外，厂商还需承担数据准备成本，包括外采数据及数据清洗、标注、治理等费用，该部分成本占比与厂商类型和业务场景强相关。
3.2.2 主流收费模式
企业级 AI 应用的收费模式多样，永久许可与订阅是应用软件最为成熟的两种模式。永久许可通常涉及定制开发、私有化部署等服务的打包销售，客户一次性买断并支付后期运维费用；订阅模式根据用户数收费，早期以 SaaS 模式的 AI 应用为主，部分私有化部署客户也开始采用该模式。
此外，还有按使用量付费和效果付费两种模式，按使用量付费根据对话量、任务量等收费，可与订阅模式结合；效果付费目前仅在营销、运营等少数结果导向型场景落地，核心痛点是 AI 应用价值的量化评估，随着价值评估体系的完善，该模式的渗透率有望提升。厂商的收费策略分为两类，一类将 AI 能力融入既有产品功能，提升客单价向存量客户推广；另一类将 AI 应用设为独立收费模块，供客户灵活选购。
3.3 典型厂商案例分析
3.3.1 360 智语
360 智语打造企业级智能体构建与运营平台，基于 360 智能体工厂的全链条 AI 生态底座，为政企用户提供智能体开发、审核管理、用户使用、运营反馈的全生命周期一站式解决方案。该平台采用私有化部署，全面支持信创，囊括 “L2 工作流 + L3 推理智能体 + L4 多智能体蜂群” 三代 Agent 开发编辑器，构建完整的企业级智能体开发能力矩阵。目前，平台已在城市产业、航司、医疗、教育、政务等多个领域落地应用，核心优势是实现智能体 “能用、好用、放心用”，打通政企 AI 落地 “最后一公里”。
3.3.2 深演智能
深演智能拥有全链路智能用户数据运营平台和智能营销与投放产品两大产品线，依托底层 AI 算法模型平台 “福尔摩斯 AI” 覆盖各类营销场景。其旗下 AI 智能体平台 Deep Agent 基于公有大模型底座，围绕智能用户运营、智能广告投放、智能销售助理等核心业务场景提供服务，2025 年 6 月发布的升级版平台 Deep Agent Neo 进一步覆盖 AI+CRM、销售、客服等 10 余个核心场景。该平台的核心优势是融合数据智能及行业知识，实现 AI 技术与业务场景的深度融合，推动企业级 AI 应用从实验室走向实际落地。
3.3.3 云徙科技
云徙科技定位于企业全链路 AI 解决方案赋能伙伴，融合 10 年行业、领域、技术沉淀与前沿 AI 能力，打造 “xGOS.AI” 企业运营超级智能体。该智能体以 xAaaS 智能体运营平台为 “大脑”，以 xBiz 业务智能平台和 xData 数据智能平台为 “两翼”，形成 “AI - 业务 - 数据” 持续进化飞轮。平台支持客户从单点场景快速验证向全领域智能运营演进，预置多个核心领域的策略类智能体矩阵，深耕家电、酒水、新能源汽车等多个行业，帮助企业构建感知、决策、执行到反馈的全过程智能运营能力，赋能营收增长与效率提升。
4 企业级 AI 应用发展趋势展望
4.1 业界专家核心观点
AI 业界专家对行业发展趋势形成三大共识，一是大模型规模堆砌已近瓶颈，OpenAI 联合创始人苏茨克维指出，算力、数据和参数的简单堆砌无法带来质的飞跃，当前 AI 模型存在实际应用不连贯和泛化能力不足的 “锯齿状” 问题，超级智能应是高效学习算法而非成品心智；二是智能体将迎来十年发展期，OpenAI 创始成员卡帕斯预判 2025 年至 2035 年是智能体的十年，同时批评当前 AI 靠 “暴力破解” 提效，实现通用人工智能仍需约十年时间；三是空间智能与世界模型潜力巨大，斯坦福大学教授李飞飞强调构建世界模型的核心框架，让 AI 理解、推理并与三维物理世界交互，预测 Transformer 架构可能在五年内被替代，看好空间智能作为全新模型架构的发展前景。
4.2 模型架构：后 Transformer 时代的多元演进
当前大模型架构呈现多元并行迭代的趋势，突破了过去高度依赖 Transformer 注意力机制的单一路径，新型 RNN 和 CNN 架构成为重要发展方向，助力实现效率与性能的平衡。
新型 RNN 架构通过神经记忆模块实现长序列建模效率突破，代表架构包括华为诺亚方舟实验室的 DenseMamba、NVIDIA NVLabs 团队的 GatedDeltaNet 等，这类架构通过状态空间模型、门控机制等优化长时信息管理，在语言建模、常识推理等任务中表现出色；新型 CNN 架构以卷积创新兼顾精度与轻量化，如香港大学的 OverLoCK 架构，采用仿生 “先概览后细察” 结构和上下文混合动态卷积，在 ImageNet 分类任务中实现高准确率且参数量减半。未来企业可面向不同场景灵活搭建高效的架构组合，进一步提升 AI 应用的适配性。
来源：艾瑞咨询，中国企业级AI应用行业研究报告2025
4.3 流程自动化：从任务自动到流程自主
企业流程自动化正从基于预设规则的静态自动化，迈向由 AI 驱动的动态自主化，AI 应用将逐步从工具属性转变为流程管理者属性，重新定义人机协作模式。
流程自动化分为五个级别，L1 基础级是 AI 作为辅助工具聚焦单一离散任务，人工参与度超 80%，人类是流程主导者；L2 使能级是 AI 实现流程内多关联任务自动化串联，人工参与度低于 50%，人类是流程驱动者；L3 协同级是 AI 突破单流程边界实现跨部门、跨系统多任务协同，人工参与度低于 20%，人类是流程监督者；L4 治理级是 AI 自主识别流程瓶颈并提出优化方案，初步实现流程重构，人工参与度低于 10%，人类是流程协同者；L5 管控级是 AI 作为流程自主管理者，具备流程重构与动态编排能力，人工参与度低于 5%，人类是目标设定者与结果监控者。未来人类将从繁琐操作中解放，专注于战略决策环节。
4.4 科研赋能：AI 重塑企业研发竞争力
AI 在科研领域的应用将实现降本、提速、破界三大价值，推动 AI for Science 成为科技型、研发驱动型企业的核心竞争力。降本层面，利用 AI 虚拟实验平台替代部分实体实验，减少实验室耗材和设备投入，降低研发试错成本；提速层面，AI 自动完成文献调研、实验数据降噪、分子 / 材料设计等工作，将传统数月级的研发周期压缩至周甚至日级；破界层面，借助 AI 的跨学科知识融合能力突破单一领域研发瓶颈，构建科学知识图谱，实现研发经验跨项目、跨团队复用。
AI 在科研领域的应用方向覆盖科学知识体系重塑、复杂系统建模、科学发现加速、科学数据与实验革新、科研流程自动化等多个维度，涵盖地球科学、生命科学、材料科学等基础科学领域，形成 “读文献 — 做计算 — 做实验 — 分析优化” 的科研全流程赋能闭环。
4.5 物理 AI：连接数字智能与实体业务闭环
现阶段以语言大模型为代表的数字 AI 属于信息处理型 AI，聚焦文本、图像等信息的理解与生成；未来物理 AI 将成为发展重点，这类 AI 属于物理交互型 AI，依托空间智能的感知能力和世界模型的物理规律认知，实现现实世界的任务执行。
企业的生产、服务、运维等核心环节多为物理实体交互场景，业务价值最终落在物理世界的执行环节。物理 AI 作为连接数字智能与实体业务的桥梁，核心组件包括空间智能、世界模型和驱动行动的执行器，空间智能实现 3D 感知、空间推理等功能，世界模型完成物理规律理解和状态预测，执行器涵盖机器人、自动驾驶设备等。物理 AI 的典型应用包括仓储物流、制造装配、巡检运维、农业采摘等，将形成感知、决策、行动一体化的完整智能业务链。
4.6 AI 原生应用：范式转变推动价值重构
AI 原生应用是以大语言模型为核心驱动力，以 Agent 架构为实现范式，以自然语言和多模态交互为主要体验，提供高度个性化、目标导向服务的全新应用形态，其发展将推动企业级 AI 应用实现流量入口、交互方式、应用架构、业务逻辑的全方位转变。
来源：艾瑞咨询，中国企业级AI应用行业研究报告2025
流量入口方面，流量不再流向应用本身，而是流向能够理解用户意图的 AI Agent，由 Agent 调度服务实现 “服务找人”；交互方式方面，从图形用户界面转向对话用户界面或混合模式，以自然语言为核心实现目标导向的对话式体验；应用架构方面，从传统三层架构转变为以大语言模型为核心的 Agent 架构，强调推理、记忆和工具调用能力；业务逻辑方面，从提供固定功能转向生成定制化、个性化解决方案，推动企业级 AI 应用由固定化工具向定制化解决方案转变。
