今年的中关村，AI热度依然很高。

“无论怎么样看，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。”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在2025人工智能+大会主论坛上如此说道。

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

他还强调AGI：“不但是科学上，而且是战略上和各国经济上的科技高地”。

尽管AGI是整个行业发展目标，但从现实来看，AGI还比较遥远，行业中更关注的，往往是AI大模型在企业中真正落地应用效果。

“从今年整个大会来看，尤其是跟去年对比，大家普遍关注的方向已经转向AI大模型真正面向产业的落地应用，包括科创企业、头部大厂等，都已经关注到这个方向来。”中数睿智CEO韩涵如此说道，而这已经成为行业共识。

在2025人工智能+大会主论坛上，多位嘉宾也同时指出，应用落地正在真正成为推动AI前进的力量，技术与产业结合的契机正在逼近，“场景驱动”则是AI从技术革命走向产业革命的关键跃点。

但是，企业级AI真实落地现状，似乎却并未如行业热度所展现的一样。

很多企业对AI大模型的应用还始终保持着谨慎的态度。“现阶段整个行业用一个词形容，就是乱，但混乱中，也在欣欣向荣。”新希望集团首席数字官李旭昶对光锥智能说道。

可以看到，现阶段AI早已走出实验室，大模型从“百模大战”走向分化，智能体概念遍地开花，可一落到实际业务，总像差了最后一口“气”，眼看要冲线却卡在半路。

那么，AI大模型真正走向千行百业，到底还面临着哪些问题？又该如何解决这些问题？

AI落地真相：不是所有企业都在“狂飙”

当前，企业AI落地的真实现状，一半是海水，一半是火焰。

据崔牛会数据显示，当前已有43%的企业部门或岗位进入规模化使用阶段，27%仍处在试点期，28%实现了广泛渗透，还有1.9%尚未确定是否应用。

这意味着，AI在企业内部的落地已经具备了相当的基础。

但是，在AI岗位分布中，往往是营销、客服、研发、数据、运营等场景占比比较高，反而涉及到企业管理和中台等核心业务场景，AI所使用的情况更少。

可以看到，企业级AI落地，更多是从边缘业务推进，现阶段很难应用到企业核心业务场景中。

更为重要的是，很多传统企业尽管也在推进AI业务，但整体进展情况则相对缓慢。

如新希望集团，“我们还没完全看清楚AI跟场景具体结合情况，但对AI保持随时跟进的状态，不是无脑子All in AI，而是保持有节奏、有分寸的跟进。”李旭昶说道，“先让子弹飞一会儿。”

这背后最重要的一点原因，就是大模型真实落地效果并未达到企业预期。而影响大模型落地效果的关键，就在于大模型自身的准确性上。

“归根到底就一个问题，就是准确率的问题。”帆软联合创始人、副总裁张驰深有感触，“很多客户一开始觉得AI不能出错，必须交付100%可靠的结果。”毕竟，在AI之前，帆软交付的数据分析工具都是精准无误的，客户早已习惯了“零误差”的交付标准。

但现阶段没有一家公司能保证AI给的结果是100%准确，AI的本质是概率性模型，就像人会犯错一样，它也存在变量，这让习惯了确定性工具的客户难以接受。

也正因此，企业级AI落地的第一道坎，就始于认知的鸿沟。

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，这种错位让很多AI项目从一开始就埋下隐患。

另外也有不少企业决策者被AI概念裹挟，盲目追求“高大上”的技术，却不清楚自己真实需求。

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，导致很多AI项目要么目标模糊，要么急于求成。

李旭昶用一句玩笑话概括了当前的混乱状态：“智能体厂家不知道卖什么，企业不知道买什么”，这背后正是整个行业对AI能力边界、应用场景、价值回报的认知缺失。

另外还有一点，“现在AI技术迭代太快，今天觉得先进的方案，明天可能就落后了。”李旭昶说道，而这种不确定性让很多企业不敢大规模投入，只能小步试点、谨慎推进。

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，在公司内部搞了个“提需求兑奶茶”的活动，让2000多名员工填报日常工作中的痛点。后来又推出“买AI产品报销”活动，哪怕是AI美颜软件也能报销，就是为了让大家先接触AI、理解AI。

如果说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落地路上的“硬骨头”，这三重壁垒相互交织，让很多项目卡在中途。

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，即便是行业内的龙头企业，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。”他说。

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，花了大部分时间和精力处理跨部门、跨产业、跨实体协同的问题，从ERP时代到数字化时代，再到AI时代，每一次信息化/数字化变革都会重构组织和流程，而协同往往是最大的阻力。

技术适配的“最后一公里”同样棘手。AI不是万能的，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，但在严密的文书工作中经常“胡说八道”，需要人工复核。

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、国防等技术难度大、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。”

可以看到，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。那么，企业又该如何推动AI真正走向落地应用？

AI的下一个十年：如何解决企业落地难题？

“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说道。

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”的关键所在。

如中数睿智不做基础模型，只深耕多智能体协同自进化技术。在大型化工厂，其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。

但实现这种价值闭环并不容易，需要企业长期深耕。

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，这背后是AI与产业知识的深度融合。

对于AI落地的价值回报，行业普遍认为需要长期主义。

“做好软件的秘诀就是创造价值，并且长期坚持。”张驰坦言，但他相信，随着AI与业务的深度融合，尤其是在战略洞察、商机推荐等高端场景的应用，未来会带来很高的溢价。

基于此，可以看出，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，想要补上最后一口“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。

在认知层面，要“先试点后推广”，用实践教育市场。

帆软的“内部先交货”、新希望的“100个场景试点”，都是通过小范围成功案例建立信心，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。

在技术层面，要“不贪大求全，聚焦核心能力”。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。

在生态层面，要“开放协同，破解资源壁垒”。

如数据流通需要政府引导和行业协作，新希望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。

基于此，不难看出，当前在推动AI在企业中的落地，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。

而对于那些还卡在半路的企业来说，最缺的那口“气儿”，其实是“耐心+聚焦”。就像李旭昶所说：“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。