生成式AI浪潮的涌动不仅是技术革新的体现，更是全球科技革命与产业变革加速重塑的新质生产力。对于企业而言，AI的规模化落地不仅是提升效率的工具，更是重塑竞争力、构建未来护城河的必由之路。

如今，企业对AI的期待空前高涨。调查显示，高达57％的中国企业已经实施了AI项目，另有37％的企业准备在一年内启动相关项目；在投入规模上，17％的企业在AI领域的投入已达到或预计达到千万元级，50％的企业投入为百万元级。这充分表明，不同规模、不同行业的企业，对拥抱AI有着强烈的诉求和实质性的投入。

积极拥抱AI热潮的另一面，则是严峻的现实：技术的突破与落地之间，存在一道难以逾越的鸿沟；尽管AI潜力被反复验证，但”从潜力兑现到价值兑现”的路径，仍困扰着大多数企业；其行动往往停留在“试验田”阶段，难以实现从“有”到“用”、从“用”到“头见模化价值”的跨越。

调查发现，企业AI应用规模化落地的核心掣肘，是战略不清晰、技术与业务割裂、数据资产未激活、组织能力缺失、成本收益失衡这五大系统性障碍。如何破解这些困局，已成为决定企业能否驾驭AI浪潮、实现可持续竟争力跃迁的关键。

一

战略困局：缺乏战略高度与清晰路径

AI被公认为重塑行业格局的核心力量，企业要想真正释放其规模化价值，必须将AI战略视作驱动未来增长和竞争力跃迁的顶层设计，而非单一技术或局部改造工具。

AI战略的高度和清晰度，决定了企业能否跨越 从技术潜力到场景落地、从局部试点到规模商用"的深层次鸿沟。在现实中，许多企业尚未将AI纳入整体战略布局，缺乏“以场景驱动价值兑现"的落地路径与持续演进机制，使得Al应往往止步于小规模验证，难以形成系统性能力，更难在激烈竞争中脱颖而出。

1．管理层对AI具备初步认知，但战略落地路径不明确。AI应用市场整体仍处于探索阶段，成功的规模化案例相对较少，企业往往难以找到“标准答案”或“最佳实践”来指导自身。即便管理层有心投入，也苦于没有具备深厚AI知识和业务理解的专业团队来制定并执行详尽的AI战略。在这种背景下，AI的落地路径变得异常模糊。

调查显示52％的国内企业没有明确的AI转型路径。企业往往不清楚应该从哪些业务场景切入，如何衡量AI项目的投入产出，以及如何将零散的AI能力整合为系统性的解决方案。因此，许多企业在AI落地时倾向于在某些局部场景进行试点，以小步快跑的方式探索AI的潜力。虽然这种方式能降低风险，但也意味着AI在企业内部的渗透和影响是碎片化的，难以形成规模效应，更无法充分释放AI的战略价值。

2．AI的战略价值仍比较模糊，难以获得高战略定位。当企业决策层很难清晰定义和量化AI项目对核心战略目标（如市场份额增长、颠覆性创新、可持续竞争力）的具体贡献时，AI的价值就很难体现，更难以将AI列为公司的核心战略之一，并与其他战略形成协同。

调研数据表明，只有10％的企业能够将AI作为重要战略，只有12％的企业真正让AI驱动业务、战略、技术的创新。正是由于AI的战略定位不够高，企业很难投入足够的资源和人力去解决实际落地中遇到的方方面面的问题。当AI项目获得的预算和人员支持有限，也就更加难以成功落地。这是一个恶性循环：价值不明确导致战略定位不高，战略定位不高又导致资源投入不足，资源不足进一步阻碍了价值的显现，使得AI的战略价值始终处于模糊地带。

显然，只有将AI纳入企业核心战略并与业务深度耦合，才能推动从探索走向大规模价值兑现。

 

图1 企业目前对AI战略的态度

二

技术困局：从能力到场景价值的落地障碍

AI被视为推动生产力革命的核心力量，但要真正实现规模化落地并创造持续可观的业务价值，技术能力必须转化为稳定可用、可规模复制的工程化能力。这不仅是技术演进的挑战，更是企业跨越从“概念验证”到“生产力释放”的关键门槛。

当前，大量企业虽然在AI算力、模型训练和智能体研发方面投入不菲，但仍面临从技术能力到场景落地价值之间的“工程化断层"，在算力调度、模型可控性、多智能体协作、与现有IT系统集成及推理成本优化等方面遇到系统性障碍，导致AI项目难以从零散试点迈向全面业务赋能，陷入“有能力却无规模化价值"的困局。

1．AI算力的可获得性难度降低，算力不足问题已不再突出。经过前几年AI基础设施投资与建设之后，当前虽仍有一定数量的企业获取AI算力存在困难，但这已不再是行业发展的主要矛盾。统计数字表明，仅有27％的企业遭遇算力不足的问题。

 

图2 企业部署AI应用时面临的挑战

2．增强模型的准确性，是AI融入企业业务的关键因素。提高模型准确性需要综合考虑数据、特征、模型参数、评估方法和反馈等多个方面，不断进行优化和调整。其中既需要选择适合需求的模型，也需要收集更多数据进行清理和预处理，并对数据进行特征提取和选择，还需要使用强化学习算法，让模型不断在试错中学习。必要时可以让人工专家对模型的结果进行评估和反馈。统计数字表明，31％的企业在选择AI模型时，最为看重模型准确性，准确性已成为企业选择模型时最为看重的因素。

 

图3 企业选择AI模型时最看重的因素

3．智能体需要提升彼此间的协同工作能力。智能体的应用正在由单个智能体工作，过渡到多智能体之间实现工作任务可编排，智能体之间可以协同工作。在企业实际应用中，许多复杂业务流程需要多个智能体协同完成，而非简单的单点突破。目前的挑战在于，智能体之间的协作和交互能力仍显不足。它们可能存在通信协议不统一、数据格式不兼容、任务分配不合理等问题，导致在执行跨职能、多步骤的业务流程时效率低下，甚至出现错误。因此，需要利用MCP、A2A或ANP协议在智能体之间建立统一的通信语言，还要通过工作流编排技术提升任务执行效率，提升智能体之间的协同工作能力，构建更智能、更具柔性的AI系统。

4．优化基础设施以降低规模化推理成本，成为亟待解决的技术问题。当业务场景变得越来越多时，为了满足各种复杂和多样的需求，通常需要设计和训练更为复杂和庞大的模型，这些模型往往又需要消耗更高的计算资源和存储资源，导致推理过程中所需的计算成本增加。因此，在这个过程中，必须想办法降低大模型的推理成本，才能让大模型真正与企业更为复杂的场景相结合。这需要让基础设施发生一系列转变，要利用专用AI硬件（如TPU、FPGA等）优化推理过程，并实施分布式推理，将推理负载分散到多台设备上并行处理，使得推理过程更加高效。

新基建创新研究院简介：

成立于2003年的CIO时代，由北大CIO论坛创始人姚乐带领论坛骨干创建，至今已成功培训了近7000位优秀的CIO。新基建创新研究院是CIO时代旗下的智库研究机构，汇聚院士、政府领导、央国企、医疗、能源、制造等十多个行业专家组建智库。研究院还通过游学活动、行业与技术垂直会议、新媒体平台等渠道，助力CIO人群实现全职业生涯学习。研究院自2020年成立以来，出版了各类刊物，包括书籍、白皮书、案例集等四大类20多项研究成果。欢迎业界来洽谈各类研究类合作，联系邮箱：zouzhen@ciotimes.com。

·END·

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。