我们和中欧国际工商学院一起，撰写了这份AI商业创新报告！

说一个有意思的现象：当全社会这两年都在为AI的突破性进展欢呼雀跃时，巴菲特老先生却一直显得格外冷静，甚至有些担忧。他对那种“AI要碘伏一切”的论调，始终抱着一种观望和审慎的态度。

不过，在最近的2025年伯克希尔股东大会上，事情有了点变化。老爷子开始理性地接纳AI了。我们去看了看大会的内容，他给出的原则非常明确：

这与市面上铺天盖地的“AI替代人类”、“AI彻底改写商业模式”的论调截然不同。巴菲特的判断是：

换句话说，如果你的公司本来就没有护城河，没有稳定可靠的盈利模式，那么就算你把最先进的人工智能系统搬进来，也只不过是给一件破旧的衣服打上一块华丽的补丁，解决不了根本问题。

这个判断，跟我们近一年来的调研结论非常接近。从去年下半年到今年年初，

这份报告调研了一系列已经开始将AI技术融入日常经营的企业，试图回答市场最关心的几个核心问题：

• 企业对于AI，到底普遍抱持着什么态度？是狂热追捧，还是冷静观望？

• AI在企业战略和实际落地中，参与度到底有多深？是墙上的口号，还是手里的工具？

• 哪些企业在AI时代真正进化迅速，并且拿到了实在的效果？

• AI的商业化应用，未来究竟会走向何方？

这份报告或许能为传统企业指出一条现阶段比较现实的AI创新之路——既不盲目追逐技术泡沫，也不固守传统拒绝变革。简单说，就是在人机协同的交界地带，去寻找那种确定性增长的“第三种可能”。

从外部视角来看，整个市场确实在狂热地追捧AI。

高盛的数据很说明问题：过去3年里，头部上市公司在业绩会上提到“AI”这个关键词的频率，几乎是指数级的爆发。到了2024年第四季度，标普500成分公司里，居然有一半都在谈论AI。而根据麦肯锡的最新调研，65%的受访者都觉得生成式AI会给他们的行业带来显著甚至碘伏性的变化，72%的组织已经至少在一个业务职能中开始用AI了。

但有意思的是，企业内部对生成式AI的热情却在降温。德勤2024年的全球调研揭示了一个“温差”：相比第一季度，第四季度企业高管和业务负责人对AI的兴趣明显下滑。董事会层面甚至比普通员工还要冷淡——只有技术负责人始终保持着最高的关注度。

再看另一组数据：从2019年到2024年，每年都有17%到25%的企业声称自己会在一年内部署AI能力。按这个说法，实际落地的AI项目数量应该每年都是双位数的增长。可现实呢？真正跑起来的项目，每年只增加了2%到5%。

这就引出了一个根本性问题：为什么企业嘴上喊着要进化，身体却迟迟不肯行动？

核心原因其实挺直接的：大部分企业的AI战略推进路径不够清晰。他们的AI项目在很长一段时间里，都卡在概念验证（POC）阶段，走不到成熟的业务部署，自然也产生不了规模化的业务价值。

Gartner发现，平均只有48%的生成式AI项目能真正进入生产阶段，而且从原型到落地，平均需要8个月。IDC的调查则显示，仅有28%的企业管理者觉得未来一年内能看到AI项目的投资回报。

把这个数据跟区块链、AR/VR等其他技术的落地情况对比一下，生成式AI的进度确实显得落后。聚焦到国内市场，虽然有53%的大型企业都已积极布局生成式AI项目，但真正设置了独立预算或取得成果的，只有20%。

那么，企业到底应该怎么来制定清晰的AI战略，解决跟业务脱节的问题呢？我们不妨从

和这两个维度来拆解。

AI战略目标的广度

研究显示，76%的生成式AI应用领先企业，能够将AI技术和业务目标有效对齐。这个比例远高于普通企业。

我们把AI战略横向的业务价值点，大致分为三类。探索新技术时，很多企业习惯“广撒网”。但如果同时铺开太多AI项目，目标又不明确，结果就是宝贵的资源被稀释在低价值的应用上，而真正能带来高回报的项目反而被忽视了。那些在AI应用上领先的企业，同时开展的试验性项目数量比普通企业少40%，但预期的ROI却要高出2.1倍。

为什么？因为它们更懂得“把钱花在刀刃上”。这些领先型企业在设定优先级时，会紧紧围绕“降低成本”和“增长营收”两大核心目标，聚焦在运营、营销、市场这些核心职能上开发AI应用场景，而不是分散在客服、财务等支持性部门。

在制定AI战略目标时，大部分管理者的共识是要“自上而下”推动，把AI作为一把手工程。但这里有一个常见的误区：CEO习惯于抓大放小，只关心顶层设计，却不去跟进后续的落地环节。多项研究都显示，相比整体战略架构，CEO在具体业务场景的决策参与度其实会大幅下降——而这恰恰是领先公司与落后公司的关键差异点。

如果CEO完全把落地执行交给IT团队和业务团队自行去“相爱相杀”，而不去关注具体细节，那CEO本人就永远无法真正理解业务目标对齐的痛点，更谈不上加速推动项目了。

AI落地应用的深度

就算锁定了核心业务目标，企业也很难一步到位把成绩体现在利润表上。中间的间接铺垫必不可少。我们把AI应用推进的深度，划分为概念验证、扩展规模、组织重构三个阶段。

企业当然希望新技术能直接解决复杂的、系统性的难题。但从项目的起点上来看，领先的企业往往更擅长先拿下“quick win”——当浅层的业务价值快速、直观地摆在所有人面前，就更容易获得整个组织的信任和支持。

Google的研究发现，如果把“提升员工生产力”作为目标，就最容易快速看到成效。具体到细分场景，品牌CMO眼中最重要的“quick win”集中在内容创作、社媒运营和社媒数据洞察这几个领域。

Google的研究还显示，如果企业能够从概念验证阶段成功上升到生产落地阶段，ROI的确定性会更强。而长期形成系统之后，对营收增长的贡献就会变得非常可观。

在AI项目在组织内不断推进的过程中，光有自上而下的决策是远远不够的，更需要中层、基层员工自下而上的发力。麦肯锡的研究表明，用强硬的命令或严格的KPI考核，并不能有效调动员工的积极性。他们更需要的，是公司提供的培训，以及将AI真正融入到日常工作流程中。一个具备积极性的员工，能在组织里发挥巨大的能量，不仅能主动帮助项目找机会，还能向其他人普及AI的价值、教别人怎么用。数据显示，60%的员工曾经直接帮助过AI项目的推动。

然而，德勤的研究也揭示了现实中的另一个短板：虽然七成企业预计AIGC会改变人才战略，但只有22%的企业对员工进行了充分的培训。同时，有35%的员工对AI持有消极态度，比如没有信心掌握AI技能。

构建AI战略矩阵

当我们把“战略目标广度”和“落地应用深度”这两个维度组合起来，就形成了一张3x3的AI战略矩阵。企业可以在三大重要的业务目标下面选择试点项目，然后再逐步将应用范围向规模化推进。其中有一点很关键：一个试点项目在推进的过程中，路径不一定是线性的，完全可以在过程中及时调整方向，甚至根据阶段性成果启发新的概念，或者直接转变业务目标。

当然，成功识别并放大那些价值显著的AI应用，只是AI进化历程的“上半场”。这些零散的“优势点”还不足以形成持久的竞争屏障。真正的挑战在于，如何把这些局部的创新转化为企业内在的、稳固的能力，就像生物进化中，有利的基因被“固定”在DNA里，然后代代相传。

埃森哲的最新研究揭示了这一阶段的重要性：从2023年到2024年，成功实现业务流程现代化、以AI为主导的公司数量几乎翻倍，从9%增至16%。这些企业不仅在收入和生产力方面取得了显著提升（分别是2.5倍和2.4倍），更值得一提的是，它们在AI应用扩展方面的成功率，比其他企业高出3.3倍。

所以，真正的竞争优势，并非来自你“拥有”AI技术，而是来自你用AI驱动整个业务流程的“重塑”。无论出发点是降本、增效还是增长，企业最终理想的形态，都是进化到组织重构阶段。

要把AI从一个实验性项目转变为企业真正的内在能力，需要系统化的方法和全方位的变革。我们发现，那些成功的企业，通常会聚焦于四个战略行动领域：

1.

不再是简单地在现有流程上“贴”一个AI功能，而是彻底重新设计端到端的业务流程。领先企业会绘制关键业务流程的全景图，识别每个环节的决策点和信息流，基于AI能力来设计全新的工作方式，而不是简单地把现在的操作自动化。同时，他们还会建立新的衡量标准，关注整体流程的成效，而不是只看单点效率。

2.

把AI从一个“特殊项目”变为企业的“标准配置”，让它成为日常决策和操作的一部分。领先企业会开发内部的AI平台和工具集，降低各部门的使用门槛，建立AI能力中心来确保技术和经验能在组织内部有效传播，最终把AI应用纳入标准运营程序（SOP）和工作指南。

3.

AI的真正价值在于持续学习和自我完善。这要求企业建立数据反馈闭环，让AI系统能从每次交互中学习；开发监控指标来实时评估AI性能，并能自动触发优化；同时规划好定期更新周期，让AI能力能随着业务需求一同演变。

4.

真正的AI转型需要打破部门壁垒，创造全新的协作模式。这意味着要组建包含业务、数据和技术专家的跨职能团队；调整绩效指标和激励机制，鼓励基于AI的创新和协作；同时改变决策流程，让数据和AI见解成为标准输入。

研究显示，在领先企业中，有87%实现了技术和业务团队的深度协作；而在基础阶段的企业中，有88%表示两个团队之间几乎没有合作。这种差异，直接影响了AI应用的广度和深度。

我们来看看几个真实的案例。

通过构建内部AI创新生态系统，激发了上万名员工的参与热情。在中国市场，他们借助AI分析趋势、生成内容大纲，并赋能一线员工进行社交媒体内容创作与优化。这种“技术民主化”不仅降低了AI应用的门槛，更实现了“小投入、大声量”的品牌传播效果，展现了“自下而上”AI变革的巨大潜力。

面对电商流量红利见顶的挑战，积极布局新零售，并以AI驱动全域内容矩阵。特别是在小红书平台，他们通过AI批量生成“KOC素人”风格的本地化和主题化内容，用规模化策略获取流量，并精准分配给线下经销商。这种“总部中心化获取流量、AI赋能内容生产”的模式，有效解决了经销商内容生产能力不足的痛点，驱动了业务的新增量。

作为制造业的数字化先行者，其AI战略严格基于ROI方法论。在AI工厂项目中，他们通过多物理场仿真、自研PLM系统和iBUILDING Service系统，显著提升了选型和设计效率，降低了维修率。在内容生成方面，利用AI文生图技术大幅降低了电商视觉内容的制作成本，同时通过智能问答系统提升了内部知识管理和外部客户服务的效率。每一个动作都指向可量化的降本增效。

前瞻性地将生成式AI视为增长的关键技术，并自研了“YILI-AI”平台。在产品创新上，AI贯穿了市场洞察、概念设计、消费者共创测试、配方与工艺设计及包装审核的全链路，显著加速了爆款产品的打造。同时，AI在供应链优化（如原奶智能调配、设备智能管理）上也发挥了重要作用，确保了核心业务的稳健运行。伊利还在积极探索“AI+健康服务”，试图从“卖产品”拓展到“卖服务”的商业模式创新。

将自己定位为“美妆科技公司”，以“内容是新的货币”为核心理念，通过AI来重塑业务形态。他们与特赞合作开发的China Content Hub (CCH)平台，实现了内容从创意、生成、审核到分发的全生命周期管理。AI不仅规模化生产电商内容，还赋能美容顾问（BA）进行私域运营，提升了个性化服务的能力和运营效率。欧莱雅的成功，很大程度上得益于其“Digital First”的基因，以及将AI深度融入组织文化与工作流程的能力。

作为一家数字内容授权平台，在生成式AI兴起时，敏锐地将它视为商业模式创新的契机。面对AI可能替代其核心资产的威胁，Shutterstock选择了主动合作，与OpenAI等大模型公司合作，授权其海量高质量素材用于模型训练，并推出了创作者补偿基金。同时，它将AI图像生成器整合到自己的平台，从一个单纯的内容提供商，转变为创意解决方案提供商，开辟了“数据、分发和服务”的新营收增长点，成功把一场潜在的挑战转化为了差异化的竞争优势。

从这些案例里可以看出一条清晰的路径：企业在AI应用的道路上，从试验、规模化到重构，正在经历一场深刻的数字化进化。这个过程不是机械的阶段跳跃，而是一条连续的演进路径，每一步都在积累能力、沉淀经验和拓展边界。

当企业完成业务重构，将AI能力固化到核心工作流，并释放出新的增长动能时，这并非终点，而是一个新起点的开始。

展望未来，通用式AI技术本身也在快速迭代，全新的能力边界正在形成。在这个背景下，企业AI应用的下一轮进化，将会呈现出哪些新特征？“变异”、“选择”和“遗传”这三个演化机制，又将在企业数字化转型中展现出怎样的新内涵？

垂直场景解决方案和“AI原住民”增多，更多“基因突变”将会诞生

首先，自下而上的创新和尝试会越来越多。领导者很可能低估了员工对AI的掌握程度。许多员工其实已经在工作中自发地使用AI，并取得了不错的成效。麦肯锡的最新研究表明，全球有13%的员工认为，自己日常工作中超过30%的部分都用到了生成式AI。而仅有4%的管理者认为自己的员工能达到这个程度。

对于现在职场中的00后来说，他们天生就是“AI原住民”。数据显示，他们有95.2%都曾使用过AI工具或产品，其中41.7%达到了熟练掌握的程度，46.7%每天都在使用。

其次，垂直领域的AI应用工具正在迎来爆发，概念验证的门槛会变得越来越低。随着专注于特定行业的AI模型与工具不断涌现，长期困扰企业的“技术能力不足”和“没有合适模型与工具”等障碍正在迅速瓦解。越来越多的预训练模型针对医疗、法律、金融、建筑、教育等垂直领域进行了专门优化，这意味着这些行业特有的知识和语言，已经被有效编码到了AI系统中。

同时，无代码和低代码平台的出现，让企业可以在几天甚至几小时内就部署一个AI应用，而不是几个月。这些平台提供直观的界面，允许业务专家直接参与AI系统的设计与调整，而不需要深厚的技术背景。企业可以快速构建概念验证，测试各种业务假设，然后根据实际效果快速迭代优化。

创新，已经不再局限于技术巨头或拥有大量AI人才的企业了。它正在向所有具有深刻行业洞察和创新思维的组织敞开大门。未来的竞争优势，将转向对行业痛点的理解、对业务流程的重新设计，以及对人机协作新模式的构建。

从单一AI工具到智能体协作，走向规模化与系统化

在2024年，很多科技行业的领袖都将目光聚焦到了“智能体（AI Agent）”。比如扎克伯格就曾表示：“未来将会出现数十亿个智能体，数量很可能比世界的人口还多……每个企业都会拥有自己的智能体，就像今天拥有电子邮件和社交媒体账户一样。”

既然企业已经开始了从“单一环节的效率助手”向“工作流重构”的进化，那么一个具备自我规划任务和决策能力、具备记忆能力、能够协同其他外部工具的智能体，将让一切自动化运作起来。人类可能只需要充当业务系统的“设计师”即可。甚至，多个智能体之间可能会形成类似部门之间的协作关系。

Google的调查显示，10%的企业已经在使用智能体，82%的企业计划在未来3年内部署智能体，主要应用方式涵盖了客户支持、员工效率、创意、数据、代码和安全六大领域。

行业垂直模型将成为企业的“数字DNA”

那些能够形成体系化运作、并作为企业基因保留下来的AI应用，还需要克服现有通用大模型技术的一些根本性难题：无法深度整合企业独有的专有知识、难以适应特定的业务流程、以及数据安全与隐私风险增加。

随着成功应用的积累，企业会逐渐形成对AI能力的差异化需求，这自然会促使它们投入资源进行自主研发。在这一过程中，企业自主训练的行业垂直模型正成为最佳选择。它们有着显著的优势：

1.

：垂直模型能更精准地编码行业特定知识和企业专有信息，有效减少通用模型的“幻觉”问题。

2.

：相比通用大模型，垂直模型的计算成本更低，部署更灵活，更适合企业持续运营。

3.

：模型训练和调整的周期更短，能够快速适应业务变化和新需求。

4.

：企业对自研模型拥有完全的控制权，消除了对外部服务提供商的依赖。

垂直模型正在成为企业的“数字DNA”。它们编码了企业独特的知识体系和运营逻辑，就像生物DNA携带着生命体的遗传信息一样，这些模型包含了企业数十年积累的专业知识、最佳实践和决策模式。

而这种“数字DNA”具有自我复制和进化的能力：模型可以不断从新数据中学习，适应业务环境的变化；成功的模型架构可以横向扩展到企业的其他部门或业务线；模型之间可以组合和协作，形成更复杂的能力网络；企业特定的知识可以通过模型得到保存和传承，不再依赖于个别员工的个人经验。

调研显示，虽然目前仅有7%的企业选择利用自有数据训练私有模型，但有54%的企业认为自己会在2年后升级到“小模型”。

未来，我们还会持续追踪企业AI应用的转型路径，深入研究不同类型企业的差异化战略选择，为管理者提供更具针对性的决策参考。无论是传统制造业的数字化转型，还是数字原生企业的商业模式创新，都将成为我们下一阶段研究的重点方向。