商汤科技贾安亚：企业AI要落地，业务目标与行业理解重于模型本身 | WISE2025商业之王大会

2025年的商业世界正站在新旧转换的十字路口。在商业叙事重构、科技浪潮席卷的当下，WISE2025商业之王大会以“风景这边独好”为基调，试图在不确定中锚定中国商业的确定性的未来。我们在此记录这场思想盛宴的开篇，捕捉那些在变局中依然坚定前行的声音。

11月27-28日，被誉为“年度科技与商业风向标”的36氪WISE2025商业之王大会，在北京798艺术区传导空间落地。

今年的WISE不再是一场传统意义上的行业峰会，而是一次以“科技爽文短剧”为载体的沉浸式体验。从AI重塑硬件边界，到具身智能叩响真实世界的大门；从出海浪潮中的品牌全球化，到传统行业装上“赛博义肢”——我们还原的不仅是趋势，更是提炼无数次商业实践中磨炼出的真知。

我们将在接下来的内容中，逐帧拆解这些“爽剧”背后的真实逻辑，一起看尽2025年商业的“风景独好”。

商汤科技 贾安亚 拍摄：36kr

从2023年的“智能涌现”到2025年的加速落地，AI的应用范式正在经历深刻的变革。

商汤科技的贾安亚在演讲中表示，当下国家政策大力推动“人工智能+”战略，与此同时现实中仅有极少数企业真正兑现了AI的价值。

她认为，企业AI落地的关键突破点在于两个维度的转变：一是从传统IT部门主导转向业务层驱动的应用模式，让真正的一线使用者成为技术引入的决策者；二是精准的场景选择策略——避开对容错率极低的财务等领域，聚焦于供应链、人事、运营等具备容错空间且能产生显著增量价值的业务环节。

随着多模态技术的成熟和软硬结合带来的成本优化，AI将从单纯的生产力工具进化为能够深度融合企业数据流程的系统化解决方案。而在转换过程中，企业需要的不再是一个孤立的模型，而是能够端到端解决实际业务问题的完整方案。

以下为商汤科技贾安亚演讲速记，经36氪整理编辑：

贾安亚：谢谢主办方的邀请，我是来自商汤科技的贾安亚，主要负责各种生产力相关的AI原生产品。

在正式演讲之前，我想先与大家分享一下本周的一些经历。上周Nano Banana和Gemini3发布后，我感受到了又一波AI技术涌现带来的激动人心的变化。

我自己体验了很多新功能，包括使用NotebookLM，基于Nano Banana生成PPT，也在小红书上看到许多用户用来开发游戏应用等。

我做了很多复刻实验，确实非常有趣，也深刻感受到技术进步为个人应用带来的可能性，它确实大幅降低了应用使用和设计的门槛。

我看到很多人说，未来的壁垒可能不是技术壁垒，而是创意壁垒。去年，我对这句话还有很多疑问，毕竟我们做软件研发，门槛确实很高。

但现在真正看到基于AI做前端应用、游戏开发、小程序开发时，发现它确实能够节省大量时间，包括前端语言学习等环节。所以推荐大家去尝试，包括很多国内优秀的模型，我们自己的模型也有很多类似的应用场景。

今天我主要聚焦于AI在国内企业侧的应用。相比个人侧的陪伴类应用和创意类应用，企业应用是一个更加严肃、更加严苛的话题。

从政策层面看，好消息是国家推出了很多优秀政策，大家可以看到"人工智能+"政策，希望在2027年实现智能终端和智能体覆盖率超过70%。这个政策的重要性可以参考十年前的"互联网+"，它推动了中国互联网的大规模普及，创造了巨大的经济社会价值。国家的大力支持，能够自上向下推动企业侧AI的落地和应用。

我们也看到应用模式发生了很多变化。从2022年底、2023年初大模型概念出现以来，过去两年多大模型应用范式发生了显著变化。

2023年，很多人还在做预训练、增量训练、微调等工作，今年上半年开始谈论强化学习，后来是智能体，现在是多智能体。我们看到AI落地应用对算力的消耗越来越小，但对场景和实际落地价值的关联度越来越高。

当然，虽然整体趋势在变化，我们也看到落地中的一些挑战和困难。这是MIT在7月份发布的报告，对美国大量企业的大模型落地情况进行了调研，发现只有5%的企业在落地大模型后，最终在财务报表上看到了实际价值。

当然，我认为这个5%的标准相对苛刻，因为要在财务报告中看到具体量化价值确实不容易，实际有效应用应该超过这个数字。

但这也确实说明，大模型在企业侧落地仍面临很多挑战，包括科技发展过快导致部署能力可能在3个月后就被颠覆，需要重新部署；以及这些技术如何与企业自身数据和流程打通等问题。

但也有一些让我们AI从业者比较开心的发现，比如企业内部自主进行的AI落地，相比外部合作伙伴帮助企业做落地，成功率不到三分之一。

我们也看到，企业侧自上而下建设的成功率也不算太高，但很多员工已经自发使用各种AI工具。所以AI工具在企业侧的实际应用，超过了报告所展示的数据。

右边这是Gartner在九月发布的报告，主要针对智能体做的一些分析。其中一些观点比较有趣。

智能体概念今年很火，但实际上很多所谓的智能体并非真正意义的智能体，而是过去的低代码、RPA，或者只是大模型做了简单业务层封装就称为智能体。

从我们的观点来看，智能体这个概念并不重要，重要的是如何结合企业需求、结合各类技术和应用，帮助企业实现业务目标。

看到这些调研后，一方面我们了解到：企业侧还有巨大的未被满足的需求，另一方面也看到大量企业需求和供给侧效率还不够完善，这为未来几年AI在企业侧落地带来了巨大的商业机会。

在过去两年中，我们也与很多企业进行了探索。令我们比较开心的是，2023年我们更多与头部企业合作落地，现在形成标准化产品和解决方案后，有更多中小企业、学校、医院等机构基于我们的通用方案进行应用。

基于我们的观察，有几个重要发现。首先，AI应用落地与传统信息化存在很大的范式差异。

传统信息化大多由企业CTO、IT部门主导建设，建设完成后交给业务部门使用。但我们现在看到，真正对企业有可衡量价值的AI应用落地，实际上是通过业务层驱动的——业务层优先使用我们的工具，认为好用后，再通过企业引入的方式进行落地。这种模式很好地弥补了过去IT部门和业务部门之间在需求理解和实施方面的gap。

第二个重要观察是场景选择的关键性。

我们曾与头部金融机构合作，他们希望第一个应用场景是财务部门。我们有一个拳头产品叫办公小浣熊，主要提供AI数据分析、文档智能和PPT生成等功能。

当时，我和客户建议不要选择财务部门作为首发场景。为什么？原因是财务部门对数据精度要求极高，数据复杂度也非常高。

我们实践下来发现，比较好的AI企业落地场景需要具备两个特点：第一是有容错率，第二是对用户有很高的增量价值。财务人员本身数据处理能力很强，而且报表不能出错，但AI目前无法保证100%准确，这就不是最佳场景。

相反，企业供应链、进销存、人事和运营等领域，虽然拥有大量数据要素，但缺乏足够的数据科学家进行业务分析，这反而是企业落地的绝佳场景，能够立竿见影地看到增量效果。

有了这样的优质场景进行落地后，才能更快推动企业进一步扩大AI建设。

另一个重要观点是，AI在企业的落地不仅仅是购买一两个产品，而是一个系统化工程，特别是对大型企业而言，需要从多个层面为企业创造深入价值。

我们可以将AI在企业里的价值简单分为三类：一是个人价值，这相对明确，主要是个人提效，无论是写文案、写代码还是数据分析。但在企业内部，整体运营效率不仅取决于个人效率，更取决于整体企业管理效率，以及团队间和团队内的协作效率。

因此我们希望AI长期不仅实现个人提效，还能提升团队沟通效率，降低协作门槛，在整体管理层面提升效率。当然这需要随着AI发展来验证可能性，特别是企业管理效率的提升。

这也符合Sam Altman（OpenAI CEO）提到的AI五层进化理论，等到了第四、第五层时，会出现真正的企业级智能。

我们可以看到，越偏向个人应用，越容易有相对标准的产品和解决方案；面向企业管理层时，则更加个性化，更需要针对行业和企业个体的定制化。

今年上半年，国内开源模型非常火热，很多企业开始自主部署开源模型，但大家遇到一个问题：购买了英伟达或国产化芯片，部署了各类大模型，为什么用不起来？因为对企业来说，需要的是能够端到端解决业务问题的解决方案，而不是单纯的模型。

拆解来看，企业在大模型之上，需要与企业数据、流程、业务流等相互结合。模型本身可能是语言模型、多模态、文生图、文生视频等各种选项，但对企业业务目标的理解和行业理解，才是企业落地中更重要的部分。

在技术层面，我们越来越意识到多模态的重要性。商汤科技在模型训练阶段，通过引入更多的多模态协同训练方式，在强化学习阶段引入沙盒、规划等智能体所需的必要能力，提升模型在解决企业业务时的准确性。这非常重要。

为什么说企业落地比个人落地更加严苛？因为个人对精度感知没那么强，而企业AI与企业最终成果直接关联，精度要求非常高。

我们可以看到，企业数据要素非常多样，不仅包括文本，还有图片、数据库、各类结构化和非结构化数据。在企业应用时，需要考虑如何结合模型多模态能力，实现复杂输入、融合分析和结果输出。

我们来聚焦看看办公小浣熊。我们面向企业级和个人用户，提供AI原生的数据分析、文本处理、PPT生成解决方案。AI对生产力工具带来了重大变化。

过去我们有Windows、Office套件，主要基于信息化基础，面向文档的工具化应用，后来有了移动互联网和云端协同工具，现在有了AI，我们可以将传统面向文件的生产力范式，转变为面向任务的生产力范式。通过处理不同文件和背景信息，面向用户任务更主动地端到端解决实际问题，这是生产力工具向生产力助手的转化过程。

这也是办公小浣熊的演进路线。2024年1月发布时，我们是国内第一款数据智能体，到后续融入更多AI能力，再到今年即将发布的3.0版本，实际上，小浣熊是一个全新升级的AI办公系统，与传统办公系统有很大区别。

关于具体功能，由于精度非常重要，我们为什么要做中国第一个数据分析智能体？是因为通过模型训练和强化学习，在数据分析任务上，我们的企业实际落地精度会超过95%，在许多垂直数据分析任务上甚至可以达到100%，这是企业侧真正可用的精度。

如果精度只有80%-90%，大量用户使用时会产生很多错误信息，所以保证模型在应用场景中的精度至关重要。

第二个重要功能是任务规划Agent。我们发现，如果明确知道目标，问题相对好解决；但面对复杂问题时，往往缺乏足够的信息输入和明确目标，需要通过AI引导方式，帮助用户更好地理解目标，进行深度调研，给出解决问题的思路。

通过这两种方式结合，我们既能很好地解决企业明确的目标诉求，也能帮助企业资深管理人员解决复杂任务。

我们的最终目标，是希望通过AI生产力工具，转变为AI生产力。

最后补充一点，我最近体验了很多新硬件形态，包括昨天拿到的英伟达DGX Spark（AI超级计算机），非常有趣。

在企业落地时，成本是重要因素。过去大家认为算力成本很高，但现在随着技术发展，无论是推理加速、模型架构优化还是硬件优化，我们在实际企业落地中有很多优秀的低成本硬件选择。

所以未来的AI的发展，不仅从软件侧解决企业问题，还将通过软硬结合的方式，以更低成本满足大家的需求。

谢谢大家！