AI每年创造4.4万亿美元价值，但企业级应用为何仍难落地？丨ToB产业观察

2026年的春天，AI的浪潮正以前所未有的速度重塑商业世界的每一寸纹理。年初引爆全球的“小龙虾”（OpenClaw）与政府工作报告中首次写入的“智能经济”遥相呼应，标志着AI已从一个技术话题，正式跃升为国家战略和产业最核心的驱动力。

然而，一个有趣的现象正在发生：当消费级AI应用热闹非凡、智能体（Agent）概念席卷全球时，企业级AI的落地图景却呈现出另一番截然不同的、更为复杂深刻的景象。企业们早已过了为炫酷概念验证（POC）鼓掌的阶段，他们现在迫切追问的，是如何让AI带来看得见的商业价值，如何实现规模化、安全可控的系统性工程。

从“AI尝鲜”到“AI为先”的战略跃迁

纵观全球，企业级AI市场正驶入爆发式增长的快车道。技术渗透的深度与广度令人瞩目，从制造业、金融到零售，AI正从单点试水的“点缀”，加速演变为贯穿全业务流程的“骨架”与“血液”。无论是跨国巨头还是本土民企，一个共识已经形成：AI在降本增效、创新突破和市场卡位中的核心价值，已毋庸置疑。

讨论的焦点，早已从“要不要做”彻底转向了“如何做好、做深、做透”。这一战略认知的根本性转变，是宏观压力、技术狂飙与企业内在需求三方合力的必然结果。

首先，宏观环境的“动荡”与普遍性的“焦虑”，正在倒逼企业向AI寻求确定性增长。正如IBM大中华区董事长陈旭东所言，当前环境可以用“动荡”、“AI”、“焦虑”三个关键词概括。全球局势的不确定性与国内市场的激烈“内卷”，驱动着企业将目光投向海外，寻找更广阔的利润空间。在此背景下，AI的角色悄然升级——它不再仅仅是优化内部流程的工具，更是企业构建全球化新竞争力、实现精细化运营的关键支撑。Artefact全球首席执行官Edouard de Mézerac的观察佐证了这一点：中国企业出海的需求日益深化，已从早期的技术连接、数据打通，升级到全球合规治理与组织人才国际化等更深层次。AI，成为企业真正“走进去”、而不仅仅是“走出去”的必备能力。

其次，技术范式的迭代速度令人眩晕，迫使企业必须以系统性工程思维来拥抱AI。陈旭东对此感触颇深：“去年DeepSeek才出现，感觉好像已经过去很久，实际上才一年而已。”从大语言模型到智能体，技术周期被急剧压缩。IBM商业价值研究院的《2030年企业展望》调研揭示了一个更深刻的趋势：超过半数的高管认为，到2030年，组织的核心竞争力将主要源于AI。但重点在于，企业的关注点已从去年追求预测的“完美准确性”，转向今年更看重“执行速度”和通过AI实现“产品与服务创新”。这标志着，AI的价值评估体系已经重构，从技术指标全面转向商业成果，其战略地位空前凸显。

再者，企业内在的数字化基础与新一代管理者的崛起，为AI的深度应用铺平了道路。一个不容忽视的机遇窗口正在打开：中国民营企业正普遍进入“二代接班”的关键时期。这些“数字化原生代”掌舵者，对利用数智化手段管理企业有着天然的高接受度和迫切需求。陈旭东敏锐地指出：“同样规模的民营企业和国有企业，IT投资可能相差巨大。随着二代接班，这个情况正在慢慢改变。”IBM中国科技事业部总经理侯淼补充道，企业创始人和CEO对AI的认知日益深入，他们希望新技术能在财务管控、库存优化乃至全球化运营中提供战略级价值。这使得AI得以进入最高决策层的视野。

最后，也是最直接的驱动力，在于巨大的经济效益预期。侯淼引用第三方预测指出，人工智能每年有望为全球企业创造4.4万亿美元的经济效益，这大约是全球上市公司总市值的3%。AI的应用阶段，也已从早期的知识库问答，迈进到能够独立运行、自主执行的智能体阶段，在代码生成、流程自动化等领域释放出巨大生产力。IBM自身的“零号客户”实践，则是最有说服力的注脚：其CEO定下的两年内通过内部应用AI节省20亿美元的目标，最终在2025年底被大幅超越，实现了超过45亿美元的年化成本节省。如此实实在在的效益摆在眼前，企业级AI从“可选”变成“必选”，也就顺理成章了。

理想很丰满，现实却些许骨感

尽管前景一片光明，但企业级AI的规模化落地之路绝非坦途。从技术、数据到组织、安全，一系列交织的挑战构成了理想与现实之间那道必须跨越的鸿沟。

鸿沟之上，企业面临的第一道关卡往往是认知误区。至今，仍有不少企业将复杂的AI工程简单理解为技术采购或代码翻译，这可能是最普遍也最危险的误区。陈旭东在沟通会上反复强调：“IT现代化远不止代码重写，更不是代码翻译。”许多企业误以为引入一个现成大模型或进行编程语言转换就能万事大吉。但真相是，企业级AI是一个高度关联的系统性工程，它涵盖应用、基础设施、数据技术栈、组织与流程等多个维度的现代化。此外，部分管理层对AI的期待也容易走向两个极端：要么视其为“万能钥匙”，期待短期解决所有问题，一旦见效慢便失去耐心；要么对安全性和可靠性过度担忧，迟迟不敢推进。欧莱雅在全球范围内坚持不用AI生成公众广告信息，正是出于对品牌信任度的极致考量。

即便逾越了认知鸿沟，企业在技术层面首当其冲的考验便是数据。高质量、治理良好的数据是AI的“高级燃料”，而非可有可无的副产品。欧莱雅北亚总裁博万尚曾直言：“数据的质量，数据的清洗是非常重要的，因为你在建立起后续的工作基础。”Edouard也指出，智能体AI的有效运行，需要充足、完整的数据作为支撑。然而现实颇为骨感，大量企业的数据散落在不同系统、部门甚至地域，如同一座座孤岛。IBM大中华区首席技术官翟峰的判断更为犀利：“以中国民营制造企业为例，你们感觉有多少企业已经在做这样的现代化？有多少能具备统一的IT基座，全球数据一张网，统一的AI管控？其实1%不到。”大多数企业仍在沿用烟囱式的系统布局，数据孤岛林立，缺乏统一的现代化基座，这让AI落地成了“无源之水”。

具体来看，数据痛点主要体现在三个层面：一是数据质量参差不齐，不完整、不准确、重复等问题普遍存在，难以满足模型训练需求。例如在制造业质检场景，随着产品质量提升，残次品样本稀少，AI模型只能通过学习正品特征来进行判断，难度陡增。二是数据孤岛现象顽固，部门墙、系统墙阻碍了数据的有效流通与共享，导致AI模型视角狭窄，难以实现跨场景协同。三是数据治理能力不足，缺乏标准的采集、存储、管理流程，同时还需应对数据安全与合规的层层压力，进一步制约了数据价值的释放。

在数据安全之外，贯穿AI应用全生命周期的安全问题，更是企业级落地的一大掣肘。Gartner报告预测，超过75%的企业将在2030年前制定数字自主战略。AI的治理、模型安全、数据隐私等问题日益尖锐。就以近期爆火的OpenClaw为例，其尚未能在ToB领域规模化应用，核心原因正是安全性顾虑以及对开放权限的过高需求。对于这类工具，陈旭东和翟峰都表达了审慎态度——它们可能更适合个人或小团队，大型企业短期内很难允许其随意接入核心体系，因为“后果不可预测”，涉及复杂的权限管理与高危风险。对于金融、医疗等强监管行业，安全可控、全程可溯的AI平台更是刚性需求。这也解释了为何IBM会强调其Granite模型的开源与安全可靠特性。

当企业摆正了认知，夯实了数据基础，也评估了安全风险，横亘在前的最后一道大坎，便是AI的终极价值命题——投资回报率（ROI）。

企业的一切投资终需回归商业价值。罗克韦尔自动化中国区总裁石安提出了一个发人深省的问题：在产能过剩的背景下，AI提升的生产力和效率，是否创造了他人愿意付费的新需求？企业需要思考的是，如何通过AI从端到端创造新价值，而非仅仅优化现有流程。Edouard也持相似观点，他认为AI的投资回报需要时间，且衡量方式正在演变——AI能帮助企业在同等投资下获得更优产出。然而，不少企业仍陷入短期POC试错的循环中。Edouard警告道：“不主张一些企业可以盲目地进行很多的试点，因为这会花很多钱，而且可能这方面数据的质量各方面不是很好，这样会浪费时间。”如何规划一条价值清晰、可衡量的AI实施路径，成为摆在企业面前的重大挑战。

企业如何解？

面对上述重重挑战，作为深度参与者，IBM和Artefact基于自身实践与海量客户服务经验，给出了一系列颇具洞察的建议。其思路的核心高度一致：构建一个既能敏捷创新又能确保安全可控的现代化AI基础。

首要之举，是必须将AI提升至公司整体战略高度，进行长期、系统的规划。IBM以自身为“零号客户”的实践提供了绝佳范本。其CEO设定的内部AI节省目标被大幅超额完成，这不仅是技术的胜利，更是流程改造、组织适配与价值衡量方法论的成功。IBM咨询大中华区及韩国总裁陈科典分享的某企业案例同样印证了战略规划的重要性：客户明确要求规划一个为期三年的智能供应链转型旅程，目标直指供需自动匹配、人效与利润提升，而非追求一次性、孤立的POC。具体执行上，企业可以从内部低风险、高回报的流程（如财务、HR、IT支持）切入，积累能力、建立信心后，再逐步推向客户服务、产品创新等更复杂的前端场景。这一切的前提，是管理层必须具备坚定的变革决心。

其次，在技术实现层面，企业需要一个能够整合多模型、无缝连接新旧系统、并保障全链路安全的技术平台。IBM的布局策略颇具代表性：其战略重心并非“卷”大模型的参数，而是持续深耕AI的“基础设施”。例如，通过watsonx平台，企业可以统一管理来自IBM、开源社区或第三方厂商的多样化模型。IBM自家的Granite模型虽强调安全与开源，但平台本身保持开放包容。翟峰透露，近年来IBM通过收购DataStax（强化非结构化数据处理）、webMethods（增强系统集成）、Confluent（提升实时数据流能力）等一系列动作，正不断加强其在数据编排、流程打通等关键环节的竞争力——这些恰恰是智能体能否真正“落地干活”的核心。

这种平台化、解耦式的思路，在Artefact的战略中也得到了体现。Edouard表示，Artefact的核心优势在于不锁定任何单一技术路线，而是根据客户的具体需求，灵活调度千问、DeepSeek、火山引擎等多种模型。“技术的公司关心的是产品的销售，而对我们来讲我们更关心是企业使用这个技术最终能得到什么样的结果。” 这种中立、以结果为导向的立场，往往更能赢得追求实效的客户信任。

展望前路，企业级AI的竞争，本质上是系统工程能力的竞争。它比拼的已不是单个模型的优劣，而是企业整合技术、数据、流程、组织与安全，并将其转化为持续商业价值的整体能力。中国的市场速度与开放心态，正与全球的合规经验及系统思维发生碰撞与融合。正如Edouard所言，结合中国的敏捷与欧洲的审慎，或许能走出一条更稳健、更可持续的AI落地之路。无论是IBM强调的“深耕”与“全栈”，还是Artefact秉持的“中立”与“人才为本”，其最终指向都殊途同归：助力企业跨越从概念到价值的鸿沟，在智能经济的新纪元，构筑起既坚实又灵活的竞争力底座。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨盖虹达）