2025年企业级AI是一个十分火热的词汇，各行各业的企业都在争先恐后的落地AI应用，联想与IDC联合发布的《全球首席信息官报告》显示，2025年全球企业AI支出将是2024年的近三倍，但37%的企业对AI价值持怀疑态度，低质量数据、模糊ROI、合规风险成为三大拦路虎。可以说，2025年是企业级AI从“技术实验”走向“价值落地”的转型之年，只有要企业真正看见了AI的在业务侧的价值，才能更好的落地应用。

而随着技术与架构的不断优化，以及企业对于AI认知的不断完善，2026年注定将是企业级AI规模化应用落地的一年。

从“技术实验”走向“价值落地”，务实成主旋律

IDC 2024年《全球企业级AI应用白皮书》显示，2024年全球企业级AI市场规模突破1200亿美元，其中中国市场增速达38.7%，远超全球平均水平。

但与消费级AI的“全民狂欢”不同，企业级AI的落地呈现出鲜明的“务实主义”特征。当生成式AI的热潮逐渐退去，企业开始冷静审视AI的实际价值。

一个明显的现象可以佐证上述观点——2023年的企业级AI市场，还充斥着大量“问答式智能助手”；而到2024年下半年，IBM大中华区技术销售总经理、首席技术官翟峰表示，IBM技术团队发现一个显著变化：80%的客户需求已转向“业务域智能体”，即深度绑定财务、供应链、研发等具体场景，具备工具调用与流程闭环能力的专用智能体。

无独有偶，红帽此前发布的《2025中国企业级AI实践调研分析年度报告》（以下简称《报告》）中有数据披露，将AI视为“战略核心”的企业占比为26.07%，这些企业通常集中在科技、金融和高端制造等数据密集型和技术驱动型行业，它们已将AI作为驱动业务增长和构建竞争壁垒的主要引擎。

与此同时，《报告》数据显示，“重要支撑”（占比 26.07%），“试点探索”（占比 27.49%），这三类几乎均衡的格局，但后两类的占比合计超过 54%，这表明市场上的绝大多数企业（超过一半）正处于一个关键的过渡阶段：它们已经认识到 AI 的重要性，并开始进行投入，但仍在从概念验证向体系化落地的艰难过程中跋涉。

“我的AI项目为什么没效果？”

企业级AI发展的速度虽然超乎想象，但在其背后，距离规模化落地仍面临诸多挑战，而企业对于AI的态度也从“要不要用”，转变为“如何用好”。对此，IBM大中华区科技事业部数据与人工智能资深技术专家吴敏达对笔者表示，“今天企业问得最多的不是‘要不要上AI’，而是‘我的AI项目为什么没效果’。”这种困惑的背后，是企业级AI落地面临的系统性障碍，可概括为数据、技术、组织、合规四重枷锁，这其中，数据与技术挑战是当下企业最需要关注的。

首当其冲的就是数据的困局。“低质量数据是AI项目失败的首要因素”，联想与IDC的报告明确指出这一核心问题。另一方面，Gartner调研显示，57%的企业数据尚未达到AI应用标准，数据质量直接决定智能体决策准确性。

当前，企业数据方面主要面临着分散化、异构化和数据获取成本高等难题。IBM大中华区科技事业部存储资深技术专家饶有清表示，以制造业企业为例，其数据分散在不同的十几个系统中，结构化的生产数据与非结构化的用户反馈无法互通，导致AI模型训练周期从预期的2周延长至3个月。

与此同时，企业同时存在ERP系统的结构化数据、工业传感器的时序数据、社交媒体的文本数据，传统存储系统难以兼容，且在企业内部，因原先数字化水平参差不齐，各个系统之间的数据质量也不尽相同，这就造成了企业在训练AI模型的过程中，获取高质量数据集的成本显著上升。

除此之外，在基础设施层面，企业也面临了高昂的成本支出。算力成本高企制约企业AI规模化应用的痛点，尤其对中小企业形成显著门槛。据硅基流动的运营数据显示，单一企业大模型训练单次成本常超百万，而推理阶段的算力消耗更是持续产生的“刚性支出”。

以教育机构为例，据测算，为100万用户提供AI个性化学习服务，仅GPU租赁费用每年就需数千万元，远超其营收承受能力。

成本压力来自“低效使用”与“结构失衡”双重因素。一方面，算力资源利用率偏低。多数企业采用固定算力配置，无法根据业务潮汐波动动态调整，导致白天高峰期算力不足、夜间闲置期资源浪费。

技术层面，曾有企业CIO对笔者表示，“我们用开源模型做的客服AI，在实验室准确率达92%，放到真实场景里连60%都不到。”这种“实验室与生产环境的鸿沟”，本质是技术落地的系统性能力缺失。

首先是模型适配难题。企业往往盲目追求大模型参数规模，却忽视场景匹配度。吴敏达指出：“以金融机构的风险控制模型为例，其更需要的是精准的小样本学习能力，而非千亿参数的通用模型。”Gartner的趋势研判印证了这一点：领域专用的小模型因其可以有效地规避“幻觉”风险，正成为金融、医疗等行业的首选。

除此之外，系统集成也是很多企业面临的挑战。IBM大中华区科技事业部自动化资深技术专家张诚将其称为“最后一公里难题”，他指出，很多企业AI项目无法调用传统MES、ERP系统数据，导致智能决策难以落地。张诚透露，IBM客户中，仅30%的企业实现了AI系统与传统IT架构的深度集成。

“技术债”则成为组织转型的隐性障碍。翟峰指出，多数民营企业仍处于“传统系统”向“智能系统”转型的初级阶段，老旧的IT架构、分散的业务流程，使得AI无法发挥协同效应。

除了数据与技术的阻碍之外，组织也是阻碍企业级AI落地的关键。原先，企业内部各个部门之间大多互不相通，即便是有一些数字化的产品将部门之间形成了联通，但这种联通的程度在AI时代是完全不够的。AI时代需要的完全打通企业内部所有部门之间的“部门墙”。在翟峰看来，企业在应用AI过程中，将企业系统打通、集成是极为关键的一步。“企业系统的打通集成，目的是为了协同，让流程能够加速，是跨业务域部门打通，”翟峰指出。

原先，部门领导会提出“我为什么要打通，我的数据为什么让其他部门看到，为什么要自动化”的灵魂拷问，其顾虑是：自动化之后，部门领导会失去权限。在翟峰看来，这个问题不是技术问题，而是企业管理、文化、组织。而在这个过程中，就体现了为什么AI是企业“一把手工程”的原因。需要企业管理者站出来，推动各个部门系统之间的打通，才能让AI更好的落地。

近年来，除了AI之外，出海已经成为几乎所有企业都在热议并追逐的方向。当企业将AI应用延伸至全球市场，合规风险呈指数级增长。IDC报告显示，超半数企业尚未建立AI治理与合规（GRC）框架，欧洲-中东-非洲地区因监管复杂，治理挑战更为突出。对此，吴敏达强调，今天的AI合规不是“事后补救”，而是“事前嵌入”。

如何破局？

现阶段企业数智化转型的进程就像是一枚硬币，一面是以四大枷锁为代表的重重阻碍；另一面是不得不为之的企业级AI落地需求。面对此，企业应如何破局，实现用AI赋能业务的目标呢？

IBM与Anthropic联合发布的《智能体生命周期管理与治理框架》（简称《框架》）中给出了一种“解题思路”。《框架》中提出了“评估优先”的开发范式——在智能体开发初期即定义业务KPI与风险指标，将可观测性模块嵌入开发流程，形成“设计-测试-监控-迭代”的内循环。

Gartner 2024年预测显示，到2026年，缺乏有效治理的企业将有60%面临AI相关的合规诉讼，而采用“前置管控”模式的企业，风险发生率将降低82%。IBM Guardium AI Security解决方案的落地数据印证了这一趋势——该方案通过AI驱动的威胁检测与数据分类，帮助金融客户将GDPR合规报告生成效率提升300%，审计准备时间缩短60%。

面对众多中小型企业在AI应用过程中ROI的焦虑，翟峰表示，中小型企业在应用AI过程中应采用“场景深耕、小步快跑”的落地策略——不追求企业级的全面AI转型，而是选择核心痛点场景，快速试点、快速见效，再复制推广。这种策略的核心是“以业务价值为导向”。翟峰强调：“我们不是卖软件，而是帮客户解决问题。”

“小步快跑”还体现在技术选型上。IBM会根据企业规模推荐合适的方案：中小企业优先使用云上Model Service，按token付费；大型企业则采用本地部署+混合云架构，平衡安全与成本。对此，翟峰表示，IBM的技术战略始终围绕“解决实际问题”展开。“通过一系列收购与研发，IBM已经构建了从数据层到应用层的全栈能力。”翟峰如是说。

为了更好地推动企业级AI在企业，尤其是中小型企业中的落地，并在AI竞赛中处于“不败之地”，IBM近年来一方面加大了混合云与AI方面的研发投入，另一方面则是通过收购的方式不断的补充“弹药”。比如，前不久，IBM就以110亿美元收购了数据基础设施公司Confluent，从而加强其云计算产品，以利用人工智能驱动的需求热潮。

两家公司的高管表示，此次合并源于复杂混合云环境中对可信实时数据需求的增长。IBM首席执行官Arvind Krishna在LinkedIn帖子中写道：“它扩展了我们帮助客户在复杂混合环境中从洞察即时到行动的能力。”“我们利用有机增长和有针对性的并购，强化客户最依赖的平台——混合云、自动化、集成、安全和人工智能。”Confluent联合创始人兼首席执行官Jay Kreps表示，加入IBM是加速Confluent全球战略的契机。

而这仅仅是近几年IBM众多收购案例中的一笔，在集成层面，IBM通过收购webMethods与自有技术结合，形成“全栈集成”能力。

有分析师表示，此次收购Confluent符合IBM近期通过战略易扩大其在云基础设施和人工智能领域的布局，始于2019年收购红帽公司，最近则延续了2024年收购基础设施自动化专家HashiCorp。

Gartner预测，到2026年，AI将成为企业出海的“标配能力”，全球60%的跨国企业将依赖AI实现本地化运营。从IBM的技术布局与行业实践来看，未来企业级AI将呈现三大发展方向。

一是“多模型协同”成为主流。单一模型无法满足企业复杂需求，大模型负责自然语言交互与逻辑推理，小模型与基理模型解决垂直领域问题，如石化企业用小模型优化生产工艺，金融企业用大模型处理客服咨询。

二是“边缘智能”加速渗透。随着车、无人机等具身智能的发展，边缘侧的AI计算需求激增。

三是“AI与业务的深度融合”。未来的AI将不再是独立的系统，而是融入研发、生产、供应链等每个环节的“隐形能力”，将AI能力内置到每个软件模块中，让企业在使用ERP、MES系统时，无需额外部署AI，即可获得智能分析与决策支持。

展望未来，那些能将AI技术与业务需求深度融合、能打破组织壁垒、能平衡安全与效率的企业，将在全球市场的竞争中占据先机。（本文作者｜张申宇，编辑丨盖虹达）