企业AI落地，还差一口“气儿”

今年中关村的人工智能大会，热度依然居高不下。图灵奖得主姚期智在2025人工智能+大会主论坛上，一针见血地点出了行业的顶级目标：“无论怎样看，人工智能未来发展最重要的下一步，就是怎么样能够达到大家都满意的AGI，就是通用人工智能。”这位清华大学的交叉信息研究院院长还强调，AGI不仅是个科学命题，更是各国角逐的经济和战略科技高地。

图灵奖得主、中国科学院院士、清华大学交叉信息研究院及人工智能学院院长姚期智

不过，理想很丰满，现实却很骨感。AGI确实是指路明灯，但看上去还相当遥远。行业当下更焦虑也更关注的，其实是AI大模型到底能不能在企业里真正用起来、用出价值。中数睿智CEO韩涵观察到一个明显的变化：“从今年大会来看，尤其是跟去年对比，大家普遍关注的方向已经转向AI大模型面向产业的落地应用，这已经成为行业共识了。”主论坛上，多位嘉宾也反复强调，应用落地正在成为驱动AI前进的核心力量，“场景驱动”才是技术革命走向产业革命的关键跃点。

但话说回来，企业级AI的落地现状，跟行业的热度之间，似乎还隔着一层玻璃。

很多企业对大模型的态度，依然谨慎。新希望集团的首席数字官李旭昶用了一个字来概括当下的局面：“乱。但混乱之中，也在欣欣向荣。”AI早就走出了实验室，大模型从“百模大战”走向分化，智能体的概念遍地开花。可一旦落到实际的业务流程里，总觉得差了一口“气”，眼看要冲线了，却卡在了半路。

那么，AI要真正走向千行百业，到底还面临着哪些“拦路虎”？

AI落地的真实画布，远没有想象中整齐划一

当前，企业AI落地的真实现状，可以说是“一半是海水，一半是火焰”。一个叫崔牛会的数据显示，已经有43%的企业部门或岗位进入了规模化使用阶段，27%还在试点期，28%实现了广泛渗透。这意味着，基础是有的。

但仔细看看AI的岗位分布，你会发现，它更多集中在营销、客服、研发、数据、运营这些边缘性场景。而真正涉及企业管理、核心中台这些“心脏”业务的地方，AI反而很少介入。说到底，企业级的AI落地，大部分是从相对不那么敏感的“外围”开始推进的，离渗入核心业务还有不短的距离。

更关键的是，很多传统企业，尤其是像新希望集团这样的巨头，尽管在推AI，但进展相当缓慢。李旭昶坦言：“我们还没完全看清楚AI跟场景具体怎么结合，只是保持随时跟进的状态。不是无脑All in，而是有节奏、有分寸地跟进。先让子弹飞一会儿。”

为什么这么谨慎？最直接的原因，就是大模型真实落地的效果，远没有达到企业的预期。而影响落地效果的那把“钥匙”，恰恰就是大模型自身的准确性。

“归根到底就一个问题，准确率。”帆软联合创始人张驰对此感触颇深，“很多客户一开始觉得，AI怎么能出错？你必须交付100%可靠的结果。”毕竟，帆软过去交付的数据分析工具，都是精准无误的，客户早就习惯了“零误差”的标准。但现实是，没有一家公司能保证AI给出的结果百分百准确。AI的本质是概率性模型，它天生就存在不确定性，这让习惯了确定性工具的客户很难接受。

所以说，企业级AI落地的第一道坎，是认知上的鸿沟。

一边是企业决策层对AI的无限期待，一边是技术团队和业务部门的现实困境。这种错位，从一开始就给很多AI项目埋下了隐患。甚至还有不少企业决策者被AI概念裹挟，盲目追求“高大上”的技术，却根本不知道自己到底需要什么。

阿里云智能集团副总裁霍嘉在观察一线落地效果时发现：“当前行业现状往往是领导对大模型充满绝对信心，反而是做技术的人对如何落地感到非常担忧。”这种上下认知的脱节，催生了很多目标模糊、急于求成的项目。李旭昶用一句玩笑话概括了这种混乱：“智能体厂家不知道卖什么，企业不知道买什么。”这背后，其实是整个行业对AI能力边界、应用场景、价值回报的系统性认知缺失。

还有一点不得不提：“现在的AI技术迭代太快了。今天觉得先进的方案，明天可能就落后了。”这种不确定性，让很多企业不敢大规模投入，只能小步试点、谨慎观望。

很多时候，在企业内部，认知也需要一个培育过程。张驰为了挖掘真实需求，在公司内部搞了一个“提需求兑奶茶”的活动，让2000多名员工填写日常工作中的痛点。后来又推出“买AI产品报销”的活动，哪怕是美颜软件也能报销，目的就是让大家先接触、先理解。

如果认知偏差是思想上的障碍，那么数据、组织、技术的协同问题，就是企业级AI落地路上必须啃下的“硬骨头”。这三重壁垒相互交织，让很多项目卡在了中途。李旭昶提到，新希望在数字化阶段就花了四年时间打通数据，“没有数字化打下的基础，AI就是无源之水”。而数据流通更是难上加难——很多企业的核心数据是竞争优势，不会轻易共享，即便是行业内龙头，也很难自发形成数据生态。“高质量数据集对AI发展至关重要，但企业自发共享很难，需要政府引导和脱敏处理。”

协同阻力则是很多AI项目失败的隐形杀手。李旭昶坦言，新希望在推进数字化和AI转型时，大部分时间和精力都花在处理跨部门、跨产业、跨实体的协同问题上。从ERP时代到数字化时代，再到AI时代，每一次变革都在重构组织和流程，而协同始终是最大的阻力。

技术适配的“最后一公里”同样棘手。AI不是万能药，不同场景需要不同的技术方案。盲目套用通用模型，往往效果不佳。“AI擅长的领域能提升几十倍、几百倍效率，但不擅长的领域强行使用只会适得其反。”李旭昶举例，大模型在多模态生成方面表现突出，但在需要高度严谨的文书工作中经常“胡说八道”，还得人工复核。

中数睿智CEO韩涵

中数睿智则选择聚焦核心战略型支柱产业。韩涵表示：“我们不做容易实现的场景，而是专注于工业、能源、国防这些技术难度大、战略价值高的领域。这些领域需要把大模型与进化算法深度结合。”

从大会的热闹到企业的冷静，从技术的狂飙到落地的审慎，2025年的AI行业，正在经历一场从“热炒”到“实干”的转变。

AI的下一个十年，比的是谁能把技术扎进产业里

“AI下一个十年，不是比谁的模型更大，而是比谁能把技术扎进产业里。”在大会的圆桌论坛上，智谱华章董事长刘德兵一针见血。

企业级AI落地的最终目标是创造价值，但很多企业还停留在“交付工具”的阶段，未能形成从技术到价值的闭环。这也是企业级AI落地“差口气”的关键。中数睿智的实践就是一个很好的例子。他们不做基础模型，只深耕多智能体协同自进化技术。在大型化工厂，智能体能实现催化剂安放、工艺诊断、风险预测和流程优化的全流程调控；在能源行业，极端天气应急指挥智能体一年能为客户有效规避上亿元的经济损失。“我们交付的不是工具，而是可衡量的价值与成果。客户能直接看到效率提升30%以上，安全风险降低40%-50%。”韩涵说。

要实现这种价值闭环，需要长期深耕。新希望在AI转型上采取了“有节奏的All in”策略。去年试点了100多个场景，今年开始归拢聚焦，明确了AI+管理、AI+运营、AI+业务创新三条路线。“我们不急于求成，AI+业务创新需要把生意重新做一遍，这需要时间沉淀。”李旭昶提到，新希望正在推进的“AI+全链节粮”计划，涉及育种、精准饲喂、疫病防疫等多个环节，目标是每年节省1%的饲料。这背后，需要AI与产业知识的深度融合。

基于这些实践经验，可以看到，面对AI落地的多重挑战，企业并非无计可施。从帆软、新希望、中数睿智等企业的实践来看，想要补上最后那口“气”，需要遵循“先立后破、协同共生”的原则，在认知、技术、生态三个层面同时发力。

帆软的“内部先交货”、新希望的“100个场景试点”，都是通过小范围的成功案例建立信心，再逐步扩散。“不要一开始就追求大而全，先从重复劳动多、痛点明确的场景入手，让大家看到实实在在的效果。”霍嘉建议，场景选择要避免标新立异，从重复性工作切入，更容易获得回报。

企业不必非要自己训练大模型。像帆软那样专注于上下文工程，让通用大模型更好地理解企业业务，同样能实现价值。“我们不做行业大模型，而是用市面上最强的通用大模型，通过上下文工程让它更懂企业、更懂我们的工具。”张驰说。中数睿智则通过“基础设施层、能力支撑层、应用构建层、场景应用层”的全链贯通，实现了大型项目几个星期内落地，客单价达到数百万到千万级别。

比如数据流通需要政府引导和行业协作。李旭昶建议，通过政府牵头，建立脱敏的数据共享机制。技术落地也需要产学研协同，帆软与几百家企业共创，中数睿智与央企、科研院所深度合作，都是通过协同破解单点突破的局限。“AI落地不是一家企业的事，需要技术方、企业、政府、科研机构共同努力。”韩涵说。

当下推动AI在企业中落地，既需要企业沉下心来打磨产品和场景，也需要整个行业建立清晰的价值标准和协同机制。当认知不再错位、数据不再割裂、技术不再脱节、价值不再模糊，企业AI落地才能真正“喘匀气”，从概念走向实效。对于那些还卡在半路的企业来说，最缺的那口“气儿”，其实就是“耐心+聚焦”。就像李旭昶说的：“不要过分夸大AI的当下，也不能小看AI的未来。”

AI落地不是一蹴而就的革命，而是循序渐进的进化。毕竟，真正的AI革命，从来不是发生在实验室里，而是发生在工厂的车间里、农场的猪舍里、物流的仓库里，发生在每一个让技术服务于产业的角落里。