2026 年 03 月 06 日 ⏰ 星期五农历正月十八字数 5109，阅读大约需 9 分钟

本文由AI分析解读，报告全文见文末1.8 MB | 30 页

大家好，今天我们一起来学习Omdia于2025年10月发布的《2025年新一代智能企业：应对快速发展的AI领域报告》。这份30页的深度研究报告来自全球知名科技研究机构Omdia，为我们梳理了当前企业AI应用的最前沿动态和实战洞察。报告不是空谈技术概念，而是直指企业在AI落地过程中遇到的真问题——从怎么让AI真正产生业务价值，到如何防范安全风险，再到边缘计算与AI的融合趋势。接下来，我将用通俗的语言带大家拆解这份报告的五大核心板块，看看AI究竟如何从技术 hype 走向企业实效。

? 代理型AI：从"聊天机器人"到"数字员工"的跃迁

报告开篇就抛出了一个重要概念：Agentic AI（代理型人工智能）。这可不是简单的ChatGPT升级版，而是AI发展史上的一次质变。

传统AI就像个"问答机器"——你问它答，被动响应。但代理型AI更像是一个能独立思考、主动行动的"数字员工"。Omdia给出的定义很清晰：这种AI具备七大核心特征：高度自主性、环境感知能力、逻辑推理能力、自适应学习、记忆功能、工具使用能力，以及多智能体协作能力。简单说，它能自己定目标、做计划、调资源、执行任务，最后还能复盘优化。

报告里有个形象的流程图展示了代理型AI的工作闭环：目标定义→环境感知→任务规划→执行行动→反思优化。这五个环节形成完整链条，人类只需要在开头设定大方向，剩下的AI自己搞定。比如，你可以告诉它"帮我优化下季度供应链成本"，它会自己去调取数据、分析瓶颈、联系供应商、生成方案，甚至预测风险。

多智能体系统（Multi-agent Systems）是下一个爆发点。想象一个智能客服场景：一个专门负责情绪安抚的Agent，把复杂技术问题转交给技术专家Agent，同时还有个数据分析Agent在后台实时调取用户历史记录——它们彼此协作，像一支训练有素的团队。这种架构不仅效率更高，还具备更强的容错能力，某个Agent出问题不会导致整个系统瘫痪。

但报告也泼了盆冷水：代理型AI不是万能药。它放大了传统AI的所有挑战——对算力要求更高、系统集成更复杂、安全风险和"黑箱"问题更突出。企业千万别为了追新潮而硬上，要找到那些"只有代理型AI才能解决"的场景，比如需要跨系统协调、长周期执行、动态决策的复杂业务流程。对于AI成熟度不高的企业，先从预配置的行业专用代理或低代码平台入手，建立完善的治理框架，才是务实之选。

⚡ 推理服务：大模型"瘦身"背后的算力革命

报告第二部分聚焦AI基础设施的深刻变革。过去两年，AI圈有个明显趋势：模型不再一味求大，而是追求"小而精"。

2025年3月，谷歌发布的Gemma 3模型是个标志性事件。这个270亿参数的模型，性能竟然超过了参数规模大644倍的DeepSeek-V3。阿里巴巴的Qwen3-30B更夸张，只激活了10%的参数，却在关键基准测试中碾压前代大模型。这说明什么？模型效率正在超越模型规模，成为核心竞争力。

Omdia用一张图清晰展示了这一转折：2018-2021年间，全球最大神经网络的参数规模暴涨100倍，但从2023年GPT-4发布至今，再也没有出现更大规模的模型。Meta的LLaMA系列引领了"小模型潮流"，整个AI产业正在从"大力出奇迹"转向"精打细算"。

这对企业IT架构意味着什么？报告提出了**"AI工厂"的三个关键绩效指标**：吞吐量（每秒处理多少token）、延迟（响应速度）、产品组合（支持多少种不同模型）。以前大家只关心吞吐量，现在后两个指标变得同等重要。特别是随着代理型AI和实时交互应用的普及，低延迟成为刚需；而模型多样化则要求数据中心能像"柔性工厂"一样快速切换生产线。

企业面临一个岔路口：是继续堆砌巨型GPU集群追求极致性能，还是转向更灵活的混合架构？报告建议，未来的AI基础设施必须兼顾"大象"和"蚂蚁"——既能跑千亿参数的大模型，也能高效承载大量小型专用模型。这意味着更好的GPU虚拟化技术、更智能的调度系统，甚至重新审视CPU的价值。对于算力资源有限的企业，基于Arm架构的CPU+轻量级模型的组合，可能是性价比更高的务实选择。

?️ 网络安全：AI既是盾牌也是矛

AI在网络安全领域的角色很矛盾：它既是防御者的利器，也是攻击者的工具。

报告指出，生成式AI的普及正在三个维度重塑安全格局：监管合规、安全工具、威胁态势。一方面，AI让安全运营中心（SOC）的分析师能自动化处理海量告警，大幅提升威胁检测效率；另一方面，攻击者也在用AI生成更逼真的钓鱼邮件、更隐蔽的恶意代码，甚至自动化漏洞挖掘。

企业需要建立三层防护体系来保障AI本身的安全：

第一层，保护AI应用入口。大语言模型（LLM）面临数据泄露、提示词注入（Prompt Injection）、越狱攻击（Jailbreaking）等新型威胁。企业必须部署输入过滤、输出审计、访问控制等防护机制，确保员工不会把敏感数据"喂"给AI，也不会被AI的"幻觉"输出误导。

第二层，保护模型资产。AI模型本身是企业核心资产，需要防范盗窃、篡改和"投毒"攻击。特别是当开发团队使用开源模型或第三方API时，供应链安全风险不容忽视。

第三层，保护训练数据。数据是AI的燃料，但"脏数据"会让模型学坏。企业必须建立严格的数据治理流程，确保训练数据的来源可信、质量过关、隐私合规，避免版权纠纷和偏见歧视问题。

报告特别提醒：AI安全不是IT部门的独角戏。随着AI深度嵌入业务流程，CISO（首席信息安全官）需要和CEO、法务、合规团队紧密协作，把AI风险管理纳入企业整体治理框架。那些只顾着用AI提效、忽视安全防护的企业，很可能在享受红利的同时埋下巨大隐患。

? 边缘AIoT：让智能"下沉"到设备端

当大多数人还在讨论云端大模型时，Omdia已经把目光投向了更前沿的领域——边缘AI与物联网的融合（AIoT）。

传统物联网架构是"终端采集→云端处理→下发指令"，这种模式在时延敏感场景下完全行不通。比如自动驾驶汽车遇到突发路况，等数据传到云端再返回决策，事故可能已经发生了。边缘AI的核心价值就在于此：让智能下沉到设备端或网关层，实现毫秒级实时决策。

报告引用了一组调研数据：46%的企业已经在使用实时分析处理物联网数据，34%正在部署边缘计算能力，还有42%将其列为未来优先事项。这说明边缘智能正从"可选项"变成"必选项"。

推动这一趋势的关键是小型化AI模型的突破。开源社区涌现出一批能在手机、PC、机器人甚至传感器上本地运行的轻量级模型。这对制造业、能源、医疗等行业极具吸引力——数据不用出工厂、不出医院，既保护了隐私，又降低了带宽成本，还能在断网环境下继续工作。

当然，挑战依然存在。边缘设备的算力毕竟有限，精简后的模型可能在复杂推理任务上表现打折；物联网设备生命周期长达5-10年，如何持续更新模型是个难题；分布式部署也带来了新的管理复杂度。但报告乐观预测：摩尔定律在专用AI芯片领域依然有效，更强大的边缘计算硬件将持续普及，AIoT将在未来几年迎来爆发式增长。

对于实体企业而言，这意味着"数字化转型"有了新内涵——不只是把数据搬到云上，而是让生产设备、物流车辆、医疗仪器本身就具备"思考"能力。那些率先布局边缘AI的企业，将在运营效率、安全韧性、成本控制上建立显著优势。

? 企业落地：为什么90%的AI项目会失败？

报告最后一部分最扎心，也最有价值。Omdia的调研显示：只有11%的企业真正优化了AI以实现业务成果，近90%的企业仍处于AI采用的早期阶段。如果不解决关键盲点，大多数AI项目注定无法规模化，最终沦为"技术盆景"——看着好看，但不结果。

作者把AI的发展轨迹与云计算做了对比。十年前"云优先"口号喊得震天响，但企业很快发现，简单粗暴的"上云"带来了安全隐患、供应商锁定、数据主权、性能瓶颈等新问题，最终催生了更务实的"混合云"架构。AI正在重蹈覆辙——不同基础设施、平台、地域之间的集成杂乱无章，"AI优先"战略如果缺乏系统性思考，注定失败。

报告提出了企业AI就绪度的三个评估维度：

技术与方法维度：数据是AI的根基，但大多数企业的数据分散在遗留系统中，格式混乱、质量参差。没有扎实的数据治理，AI就是"垃圾进，垃圾出"。此外，安全隐私保护、混合云架构准备、技术债务清理，都是必须打好的地基。

人员与影响维度：员工对失业的恐惧、对变革的抵触，是AI落地的隐形杀手。管理层不能一味强调"降本增效"，而要让员工看到AI是"增强"而非"替代"——帮他们摆脱重复劳动，去做更有创造性的事。同时，伦理合规、期望值管理、变革沟通，都需要专人负责。

系统与流程维度：AI不是技术部门的玩具，必须深度嵌入业务流程才能产生价值。企业需要在"买现成方案（如Salesforce Einstein）"、"调API集成"、"自研开源模型"三条路径间做出权衡，每种选择在灵活性、成本、维护难度上各有利弊。

报告特别强调：数字化转型没有终点，AI是其中的核心要素，但不是全部。那些在技术栈上砸钱却不解决根本问题的企业，注定浪费资源。只有同时做好技术、人员、流程三方面准备，才能避免成为那90%的失败案例。

? 总结与展望：在狂热中保持清醒

读完这份报告，我的最大感受是：AI产业正在从"青春期"走向"成年期"。

前几年，我们被大模型的参数规模震撼，被生成式AI的创造力惊艳，资本疯狂涌入，概念层出不穷。但现在，企业和投资者都开始问一个更务实的问题：这玩意儿到底怎么赚钱？怎么真正帮我的业务变好？

Omdia给出的答案是：平衡潜力与实用主义。代理型AI确实强大，但别为了用而用；边缘AIoT前景广阔，但要算清楚投入产出比；AI安全不能事后补课，必须前置到架构设计阶段；企业级部署更不能盲目跟风，要老老实实做好数据治理和变革管理。

展望2025年及以后，几个趋势值得关注：

第一，AI编排平台将成为企业标配。就像当年API网关统一了微服务架构，ServiceNow、微软、IBM们正在打造的AI编排层，将统一管理分散的AI代理、模型、数据源，让"AI野蛮生长"变得有序可控。

第二，小模型+边缘计算开启新场景。当AI能力下沉到每一台设备、每一个传感器，物理世界的数字化将迎来质变，智能制造、智慧医疗、自动驾驶等领域会出现突破性应用。

第三，AI安全与伦理从"合规成本"变成"竞争优势"。在监管趋严、用户觉醒的背景下，那些能证明自己是"负责任AI"的企业，将赢得更多客户信任和市场份额。

第四，ROI证明成为生死线。经济不确定性下，企业不会再为"概念"买单，能清晰量化AI投资回报的供应商和项目，才能获得持续预算。

AI不是魔法，也不是泡沫。它是一场深刻的生产力变革，但变革的红利只留给那些准备充分、脚步扎实的玩家。希望这份报告的解读，能帮助你在AI浪潮中找到属于自己的航向。毕竟，在这个时代，比"用不用AI"更重要的，是"怎么用对AI"。

本文基于Omdia《2025年新一代智能企业：应对快速发展的AI领域报告》整理解读，如需获取完整报告，请访问Omdia官网。

报告原文

Omdia《2025年新一代智能企业：应对快速发展的AI领域报告》扫码即可获取（ 1.8 MB | 30 页）