企业 AI 的下一个十年：重新定义业务的七大趋势

在过去的十年里，企业 AI 大多停留在组织的边缘：试点项目和孤立的实验。公司部署了聊天机器人、预测模型和工作流自动化，但大多数只改进了单独的任务，而不是企业整体运营。

这一阶段正在结束。

AI 已不再只是另一层技术，它正成为企业的运营智能。问题不再是 AI 能应用于何处，而是组织必须如何重塑自身，使智能嵌入到人员、流程和技术的基因中。

麦肯锡的2025年全球调查显示出这种转变：88% 的组织现在在至少一个业务职能中使用 AI。然而，仅约三分之一的组织已开始在全企业范围内扩展 AI，只有 1% 称自己为 AI 成熟。采纳与转型之间的差距将决定下一个十年。

AI 原生企业将超越 AI 赋能企业

AI 只有在嵌入企业基因而非叠加在过去的运营模式上时，才能创造真正的差异化。AI 原生组织将重新设计角色和工作方式，以实现持续的 AI 驱动决策。传统的资源金字塔将让位于“模型金字塔”：用于复杂推理的前沿模型、用于降低成本和延迟的较小模型，以及针对受监管或特定工作流任务的领域调优模型。在软件团队中，3–4 人的小团队可能交付更多。成功者将同时重塑人员、流程和技术。

投资回报率将来自流程再设计，而非仅模型性能

仍有太多企业通过模型准确率来评估 AI 成功。但仅凭模型性能很少能创造价值。投资回报率在组织围绕 AI 重新设计端到端工作流时显现。这需要企业级 AI 基础设施：AI 就绪的数据平台、核心应用编排以及用于监控、安全和合规的生命周期治理。规模化的财务影响将集中在那些超越试点、进入运营变革的企业。

行业专属 AI 将成为真正的竞争优势

通用模型虽强大，但持久的优势将来源于领域智能。领导者会将基础模型与专有数据、领域上下文以及监管知识相结合，构建面向真实业务环境的专用、可靠系统。这使得数据架构成为战略要素。企业需要全组织的标签、知识图谱和 AI 就绪的数据产品，以便模型和代理能够在更丰富的上下文中运行。这在金融服务、医疗保健、制造业和公共服务领域尤为关键，因为在这些领域，准确性、可追溯性和合规性与自动化同等重要。

成本治理与推理经济学将成为董事会议题

随着 AI 的规模化，成本纪律与创新同等重要。企业必须严格管理推理经济学：为任务选择合适的模型，在可能的情况下使用更小的模型，优化 token 消耗，并治理 AI 应该或不应该使用的情形。未来并非默认的“AI 无处不在”。而是将经济理性的、精选的 AI 部署在恰当的工作流中。前沿模型不应成为所有问题的默认答案。提前掌握 AI 成本治理的企业将实现更快的规模扩张。

代理式 AI 将改造执行，但信任取决于控制平面

企业 AI 正从预测转向行动。代理系统能够跨应用协调任务、做出受限决策，并在有限干预下执行多步骤工作流。然而，要让代理在企业规模上运行，组织需要一个代理控制平面：一个管理权限、可观测性、合规性、协同和升级的治理层。没有它，自治 AI 仍然有趣但不可信。有了它，代理可以成为服务运营、金融、IT 和供应链等领域可靠的数字协作伙伴。

BFSI、供应链和制造业将引领下一波

一些行业已经展示了规模化 AI 的样子。在银行业，DBS 已强调 AI 在欺诈检测、客户互动和组织决策中的作用，同时投资于员工 AI 技能提升。

在零售和供应链领域，沃尔玛正使用实时 AI 和自动化来预测需求、重新分配库存并减少浪费。制造业正向物理 AI 迈进，西门子将 Industrial Copilot 和 Senseye 拓展到维护、运营、预测和优化。这些行业将领先，因为这里的 AI 是用于运营的，而非实验性的。

主权与负责任的 AI 将成为战略必需品

随着人工智能成为竞争力的核心，主权和治理需求正快速上升。IndiaAI Mission 承担预算支出为 Rs 10,371.92 crore，计划部署超过 38,000 块 GPU。与此同时，欧盟《人工智能法案》于2024年8月1日生效，分阶段的义务将持续至2026年。对于企业而言，人工智能战略必须与数据主权、本地基础设施优先级以及负责任的人工智能要求保持一致。信任、透明度、公平性和可解释性不再是治理的附加项。它们已成为核心业务能力。

企业人工智能的下一个十年不会由公司部署的模型数量来定义，而是由其围绕智能进行深度重塑的程度决定。早期的软件工程证据 已显示，生产力提升从企业环境的大约 26% 提升到特定编码任务的超过 55%。现在采取行动成为 AI 原生的企业不仅会更快地采用未来。它们将定义未来。