配资指数平台
前不久，国务院引发《关于深入实施 "人工智能 + " 行动的意见》中明确提出，到 2027 年，率先实现人工智能与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超 70%。这一政策信号不仅为中国 AI 产业发展划定了清晰路线，更将"企业级 AI 落地" 推至产业转型的核心位置。
"《意见》的印发，标志着我国人工智能发展实现从技术突破向全要素赋能的关键跃升，将加速人工智能与实体经济全链重构、深向耦合，全面激发产业变革新动能、培育智能经济新范式。"国家信息中心副主任周民曾在接受媒体采访时公开表示。
在 IBM 亚太区总经理 Hans Dekkers 看来，企业级 AI 的价值激发，始于清晰的战略定位，"打造‘ AI 优先’企业，不是技术堆砌，而是从业务本质出发的系统性重构。"
企业级 AI 落地仍有挑战
以生成式 AI 为代表的 AI 技术在 ToB 领域的落地是今年各行业关注的焦点，IDC 数据显示，66.5% 的中国企业已在局部场景中应用 AI，另有 27.2% 正迈向规模化部署。
然而现实是，绝大多数企业在落地 AI 应用方面，仍面临诸多挑战。据 IBM 委托的一项近期调研显示，在亚太地区，尽管 85% 的制造企业表示已做好 AI 准备，实际就绪者仅 11%。
显然，企业级 AI 概念很火，但在实际应用方面，目前仍处于初期阶段，而企业也面临着比较多的挑战。众多挑战之中，首当其冲的就是认知，一方面，很多企业的 CIO，以及企服类公司的负责人都曾向笔者表示，AI 应用落地是"一把手"工程，需要企业真正的掌舵者对 AI 拥有一定认知。此外，AI 技术前期需要一定投入，也会存在"走错路"的可能，这点需要企业管理者在开始对技术有一定的认知。
另一方面，在"一把手"下定决定布局 AI 之后，还需要拉通管理者与基层员工之间的认知差。首先需要"拉齐"的认知是—— AI 不是替代员工的，而是将员工从重复性的工作中解放出来，做产生更大的价值；其次，在 AI 应用落地过程中，业务人员需要深度参与到 AI 开发之中，AI 应用不能仅仅是 IT 部门"一个人狂欢"，也切实走到业务场景中去。
此外，IBM 大中华区董事长、总经理陈旭东还表示，许多企业对 AI 的理解仍停留在"追热点"层面，而忽略了落地的核心逻辑，当下企业在数智化转型的过程中，对 AI 存在比较大的认知差，" AI 等于生成式 AI，"陈旭东指出，"这是目前很多企业都存在的比较大的认知偏差。
"目前，AI 应用可以分两类，一类是‘新 AI ’，比如机器人、文生图，这些‘新 AI ’发展很快；另一类是‘老 AI ’，基于机器学习等传统 AI 技术的 AI，"陈旭东进一步指出，"企业在选择 AI 技术的时候，不能盲目追求时下的热点，要结合自身业务场景，不同场景应用不同的 AI，‘新 AI ’的出现不意味着‘老 AI ’就被淘汰了。"
另一方面，在陈旭东看来，企业在应用 AI 的过程中，还容易出现两个误区，一种是：企业在 AI 领域盲目投资，"比如 DeepSeek 火起来之后，很多企业买了一堆一体机，就觉得是拥抱 AI 了。但经过半年的应用，发现其实并没有什么效果。"陈旭东如是说。
另一种是：企业在计算 AI 的 ROI（投产比）的过程中，存在错误的认知。陈旭东举例介绍到，比如有的企业原先的数据体系建设尚未完善，基础的数字化工程也做的不好，在探索 AI 应用之前，这些企业就需要"补作业"，将基础的数据体系搭建完成，并构建起完善的数据集，而企业却将这部分"数字化补课"的投资计算到了 AI 应用投资之中，"这些基础的数字化建设，即便没有 AI 技术，企业若想完成数字化转型，也是需要做好的，所以这部分的费用不应该计算到 AI 的投资之中。"陈旭东明确道。
中小型企业 AI 应用落地"不同之处"
除了上述两个误区之外，对于不同体量的企业来说，在落地 AI 的过程中，也有着不同的追求和路径。而对于这点，近年来业务调整的 IBM 看得更为清晰。IBM 从 1984 年进入中国支持银行业、国企的信息化建设，到过去二十年从 "硬件为主"转向"软件 + 咨询为主"，再到如今将重点客户从国企拓展至民企与跨国企业。
在从国营企业向民营企业业务转变的过程中，IBM 也观察到了两者对待数字化转型的不同之处，对此，陈旭东表示，民营企业相对而言，对成本、灵活性和落地速度都有很高要求。
这些要求在 AI 时代亦是如此。AI 时代，中小企业的 AI 痛点很明确：成本高、适配差、落地难。而这三个痛点之中，中小型企业最为看重的应该就是成本，或者更进一步的来看是：ROI（投资回报率），对此，凯傲集团亚太区信息技术及数字化业务副总裁张犇告诉笔者，AI 不仅局限于生成式 AI，还有深度学习、机器学习等技术，凯傲集团整个 AI 应用过程是一个"取优"的过程，"在这个过程中，我们也遇见了诸如 ROI 如何算？如何在财报上体现 AI 对销售额，以及 EBITDA 带来正向影响等问题。"张犇指出。
除此之外，在张犇看来，AI 尤其是生成式 AI 技术，在 ToB 领域的应用仍处于初期阶段，"现阶段并不是有完整的、成熟的产品 / 服务可以‘即插即用’，并让企业直接获得商业价值。"张犇如是说。
在初期阶段，相较于大型企业而言，中小型企业对于试错成本的考量，也是 AI 应用过程中不能忽视的问题。而这点对于凯傲集团而言，也是一个挑战，"应用 AI 过程中，需要有在容错、时间和耐心上的调整，这其实是拥抱 AI 过程中比较大的痛点之一，"张犇进一步指出，"我们拥抱 AI 目的是要快，但快不一定代表能成功，AI 是一个智商增长和长期训练的过程，整个过程企业还是需要有一定的耐心，不过最终 AI 要导向能呈现出 EBITDA（息税折旧摊销前利润）贡献。"
面对这些挑战，许多企业认为，只要引入 AI 工具，就能实现转型，但实际上，AI 需要与组织架构、业务流程、人员能力深度适配，比如，要实现设备预测性维护，不仅需要安装传感器、搭建数据平台，还需要生产部门与 IT 部门协同，甚至调整考核机制。
基于此，对于中小型企业来说，部署 AI 应用不仅是一套或几套软件就能解决的事情，"数字化、智能化转型不是买一套软件就完了，而是企业在组织和技术能力上的‘破茧’。" 陈旭东曾向笔者表示。
企业级 AI 落地三要素
对于企业，尤其是中小型企业来说，在落地 AI 应用的过程中，选择一家具备从顶层设计，到底层应用，全链路都拥有"成功"经验的企业公司是一条不错的路径。
另一方面，汉鑫科技董事长刘文义向笔者表示，以前，企业内部都在谈技术路线，但现在这种有所转变，企业关心的不是用了什么 AI，而是能不能带来收入增长、成本降低。
这种"经营导向"的落地逻辑，在民营企业中尤为关键。
而在这个过程中，企业就需要关注三个要素——模型、数据、场景。无独有偶，创新奇智 CEO 徐辉也曾告诉笔者，企业级 AI 若想更好地落地，需要做好三件事，第一是，模型本身能力的提升；第二是，高质量数据集的积累；第三是，应用场景的不断挖掘与拓展。
而与模型技术相比，数据和场景将成为企业级 AI 能否在企业内部落地的关键抓手。
在数据方面，IBM 大中华区技术销售总经理、首席技术官翟峰曾向笔者表示，企业想要通过 AI 获得收益的过程中，首先需要面对三个问题：第一，高质量的数据有没有？第二，有没有在用？第三，有没有发挥作用？"企业级 AI 落地的关键因素是数据，这是核心生产力，没有数据一切都是空谈，"翟峰进一步指出，"现在大家在谈的大模型，可能有很多互联网数据，但是企业最核心的数据有没有整合出来？这是最关键的因素。"
在场景方面，陈旭东一语道破了场景对于企业级 AI 落地的重要性，他指出，智能体技术本身还在快速迭代的阶段，而智能体本质上就是 AI 应用，也就是场景，"中国有丰富的场景，所以在 AI 应用上，如何找准场景，选对场景，就成为企业能否顺利落地 AI 应用的关键，"陈旭东进一步指出，"而 IBM 在服务各行业企业方面都有着丰富的经验，也是全球范围内，唯一一家同时具备科技服务能力和咨询能力的科技企业，在帮助企业寻找场景方面，能让企业少走很多弯路。"
确实，场景已经当前企业级 AI 落地最为核心的关键，此前曾有多位企业 CIO 与笔者分享了他们企业寻找 AI 应用场景的方法，他们的方法"大同小异"。
总体来看，企业需要从技术成熟度与价值两个维度对场景进行评估，确认率先落地 AI 的场景。具体来看，企业应该首先将目光聚焦在 AI 技术成熟度高，数据就绪程度高等"技术"层面成熟度高的场景上，因为这些场景 AI 落地较为容易。进而在这些场景中选择 AI 落地后能够带来提升更大，实现价值更大的场景率先落地。而对于一些技术成熟度低，又价值小的场景，则是企业级 AI 落地过程中，需要"避开"的场景。
立足当下配资指数平台，企业级 AI 不能是实验室里的技术狂欢，而是要深入企业内部，融合企业业务流程的 "手术刀"，既要解决 "老系统改造" 的硬骨头，也要满足 "中小企业用得起" 的现实需求。（本文首发于钛媒体 APP，作者｜张申宇，编辑丨盖虹达）
华林优配提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
