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

来源：钛媒体

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个角落。从年初引爆全球的“小龙虾”（OpenClaw）到中国政府工作报告中首次写入的“智能经济”，AI已从技术话题跃升为国家战略和产业核心驱动力。

然而，在消费级AI应用如火如荼、智能体（Agent）概念席卷全球的同时，企业级AI的落地之路却呈现出更为复杂、深刻且充满挑战的图景。企业不再满足于炫酷的概念验证（POC），而是迫切寻求能够带来真实商业价值、可规模化、安全可控的系统性工程。

从“AI尝鲜”到“AI为先”的战略跃迁

当前，全球企业级AI市场正呈现爆发式增长态势，AI技术已深度渗透到制造业、金融、零售等多个行业，从单一场景的试点应用，逐步向全业务流程的规模化落地演进。无论是跨国企业还是本土民营企业，都已深刻认识到AI在降本增效、创新升级、市场竞争中的核心价值，企业级AI应用的必要性日益凸显。

企业级AI的应用必要性，已从“是否要做”的讨论，全面转向“如何做好、做深、做透”的实践探索。这一转变背后，是宏观环境、技术成熟度与企业内在需求共同作用的结果。

首先，宏观环境的“动荡”与“焦虑”倒逼企业寻求AI驱动的确定性增长。 IBM大中华区董事长、总经理陈旭东在沟通会上用“动荡”、“AI”、“焦虑”三个词概括了当前的大环境。全球局势的不确定性、国内市场的激烈竞争（“内卷”）促使企业纷纷选择出海，寻找更大的利润空间。在这一背景下，AI不再仅仅是降本增效的工具，更是企业构建新竞争力、实现全球化运营的关键支撑。Artefact全球首席执行官Edouard de Mézerac（爱德华·德·梅泽拉克）也观察到，中国企业出海的决心并未减弱，且需求已从早期的技术连接、数据打通，升级到全球合规治理、组织人才国际化等更深层次。AI成为企业应对复杂全球市场、实现“走进去”而非仅仅“走出去”的必备能力。

其次，技术范式的迭代速度远超以往，迫使企业必须以系统性思维拥抱AI。 陈旭东指出，AI的发展速度令人惊叹，“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（Agent），技术的演进周期急剧缩短。

IBM商业价值研究院（IBV）发布的《2030年企业展望》调研显示，56%的大中华区高管和57%的全球高管认为，到2030年，组织的核心竞争力将主要源于AI。然而，更关键的趋势在于企业关注点的变化：从去年追求AI预测的“完美准确性”，转向今年更注重“执行速度”和通过AI实现“产品与服务创新”。这表明，AI的价值评估已从技术指标转向商业成果，其战略地位空前提升。

再者，企业内在的数字化基础与新一代管理者的崛起，为AI的深度应用创造了条件。 陈旭东敏锐地捕捉到一个重大机遇：中国民营企业正进入“二代接班”的关键时期。这些“数字化原生代”管理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。“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，希望新技术能帮助企业在管理财务、库存、乃至全球化运营中提供更大价值，这使得AI有机会进入更高层的战略决策圈。

最后，巨大的经济效益预期构成了最直接的驱动力。 侯淼引用第三方机构预测指出，人工智能每年有望为全球企业带来4.4万亿美元的经济效益，大约相当于全球上市公司总市值的3%。AI的应用阶段也从早期的知识库、简单问答，迈向能够独立运行、自主执行的AI智能体阶段，在代码生成、业务流程自动化、数字助手等场景释放生产力。IBM自身的“零号客户”实践更是提供了有力佐证：CEO Arvind Krishna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年底超额完成，实现了超过45亿美元的年化成本节省。这些实实在在的效益，让企业级AI从“可选”变成了“必选”。

理想很丰满，现实却些许骨感

尽管前景广阔，但企业级AI的规模化落地之路并非坦途。从技术、数据到组织、安全，企业面临着多重且交织的挑战，这些痛点构成了理想与现实之间的巨大鸿沟。

鸿沟之上，企业首要面临的挑战就是认知误区。目前为止，还是存在很多企业将AI工程简化为技术采购或代码翻译。这是当前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的大模型或进行编程语言转换（如COBOL转译）就能实现AI转型。然而，企业级AI是一个高度关联的系统性工程，涵盖应用现代化、基础设施现代化、数据与技术栈现代化、组织与流程现代化等多个维度。

此外，部分管理层将AI视为“万能工具”，期望AI能够快速解决所有业务问题，一旦短期内看不到效果就放弃投入；另一方面，还有部分管理层对AI的安全性、可靠性存在疑虑，不敢大胆推进AI应用。博万尚提到，欧莱雅在全球范围内，永远不会用AI生成公众发布的广告信息，就是出于对AI信任度的考量。

逾越认知的鸿沟之后，企业在技术层面首要面对的就是数据的考验。高质量、治理良好的数据是AI的燃料而非副产品。欧莱雅北亚总裁博万尚曾公开表示：“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的应用需要足够的、完整的数据作为支撑，若数据不足或质量不高，智能体无法实现有效的决策与执行。

然而，现实是许多企业的数据散落在不同的系统、部门甚至地域，缺乏有效的治理、清洗和整合。IBM大中华区首席技术官翟峰犀利地指出：“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。”大多数企业仍在烟囱式地布局业务系统，数据孤岛严重，缺乏统一的现代化基础，这使得AI成为无本之木。

具体来看，数据痛点主要体现在三个方面：

• 一是数据质量参差不齐，很多企业的数据存在不完整、不准确、重复等问题，无法满足AI模型训练的需求。例如，在制造业的质量检测场景中，由于产品质量提升，残次品数量减少，AI模型缺乏足够的负面样本进行训练，只能通过学习正品特征实现检测，这无疑增加了模型训练的难度；
• 二是数据孤岛现象普遍，企业内部不同部门、不同业务系统的数据相互独立，无法实现有效打通与共享，导致AI模型无法获取全面的数据支撑，难以实现跨场景的应用；
• 三是数据治理能力不足，很多企业缺乏完善的数据治理体系，数据的采集、存储、管理、应用缺乏标准化流程，同时面临数据安全与合规的压力，进一步制约了数据的利用效率。

企业在面临数据安全问题的同时，整个AI应用全生命周期的安全问题也是困扰企业级AI落地的一大掣肘。Gartner报告指出，超过75%的企业将在2030年前制定数字自主战略，即对自身数据、基础设施、标准和技术发展拥有选择和控制权。AI的治理、模型安全、数据隐私、应用安全等问题日益突出。

就以最近爆火的OpenClaw为例，其之所以尚未能在ToB领域得以规模化应用，主要还是因为其安全性的问题，以及对于开放权限的高度需求。对这类工具，陈旭东和翟峰都表达了审慎态度——它们更适合个人或小企业，大企业短期内很难允许其随意进入体系，因为“后果不可预测”，涉及权限管理、合规管控和高危风险。对于金融、医疗等强监管行业，安全可控、可溯源的AI模型和平台更是刚需。“IBM强调其Granite模型的开源、安全可靠特性，正是为了满足此类需求。”陈旭东如是说。

当企业拉平了AI认知，做好了数据就绪，也充分考量了AI带来的安全问题之后，挡在企业面前最后一个比较大的挑战就是AI的价值，也就是ROI（投资回报率）的问题。

企业投资最终要回归商业价值。罗克韦尔自动化中国区总裁石安提出了一个深刻的问题：在产能过剩的背景下，AI提升的生产力和效率，是否创造了别人愿意付费的新需求？企业需要思考如何通过AI从端到端创造新价值，而非仅仅优化现有流程。无独有偶，Edouard也指出，AI的投资回报需要时间，且衡量方式正在变化——AI可以帮助企业在同样投资下获得更好的产出。然而，许多企业仍困于短期POC的试错中，Edouard警告“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”。如何规划一条清晰的、价值可衡量的AI实施路径，是企业面临的重大挑战。

企业如何解？

面对上述挑战，作为全球领先的科技企业与专业咨询机构，IBM和Artefact基于自身实践与客户服务经验，提出了一系列颇具洞察的建议，并指出了需要规避的风险。而这些思路的核心是：构建一个既能快速创新又能确保安全可控的现代化AI基础。

首先，企业一定要将AI上升到公司整体战略高度，进行长期、系统的规划。IBM自身作为“零号客户”的实践提供了范本。其CEO曾定下通过内部应用AI节省20亿美元的目标，结果在2025年底超额实现，节约了45亿美元。这种内部先行的大规模实践，不仅验证了技术可行性，更积累了流程改造、组织适配和价值衡量的宝贵经验。IBM咨询大中华区及韩国总裁陈科典分享的国内某企业案例也印证了这一点：客户明确要求规划一个三年的智能供应链转型旅程，而非一次性的POC，目标直指供需自动匹配、提升人效和利润。

具体来看，企业应首先从内部低风险、高回报的流程（如财务、人力资源、IT支持）开始AI化，在积累能力、建立信心后，再向外部的客户服务、产品创新等复杂场景扩展。这要求管理层具备强烈的变革意识。

其次，在技术层面，企业需要一个能够整合多模型、连接新旧系统、保障全链路安全的技术平台。在这方面，IBM的布局颇具代表性：其战略并非“卷”大模型，而是持续投资于AI的“基础设施”。

比如，通过watsonx平台，企业可以管理来自IBM、开源社区或其他厂商的多种模型。IBM自己的Granite模型强调安全、开源和可溯源，但平台本身保持开放。此外，翟峰表示，近年来IBM通过一系列的收购行为，不断加强着自身在AI领域的竞争力。比如，IBM收购DataStax（非结构化数据）、webMethods（系统集成）、Confluent（实时数据流）等公司，旨在强化数据编排、流程打通和实时处理能力，这正是智能体能否“落地干活”的关键。

而平台化的思路也体现在了Artefact的战略布局之上。对此，Edouard表示，Artefact的核心优势在于不锁定任何技术路线，而是根据客户需求动态调度千问、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。” 这种立场使其在竞标中更能赢得客户信任。

展望未来，企业级AI的竞争，将是系统工程能力的竞争。它比拼的不是单一模型的优劣，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。中国的速度与开放性，与全球的合规经验与系统思维，正在碰撞融合。正如Edouard所言，结合中国的敏捷与欧洲的谨慎，或许能走出更稳健的AI落地之路。而无论是IBM的“深耕”与“全栈”，还是Artefact的“中立”与“人才为本”，其核心都指向同一个方向：帮助企业跨越从概念到价值的鸿沟，在智能经济的新时代，构建坚实而灵活的竞争力底座。（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨盖虹达）

特别声明：以上内容仅代表作者本人的观点或立场，不代表新浪财经头条的观点或立场。如因作品内容、版权或其他问题需要与新浪财经头条联系的，请于上述内容发布后的30天内进行。