來源：A16Z

轉譯：產業家

2025年，AI大模型在企業場景的落地走到哪了？

過去一年，AI在企業中的地位發生了根本性轉變。它不再是創新實驗室里一場場孤立的試驗，也不僅是技術部門熱衷的“新玩具”，而是真正走入了核心業務系統，成為IT和經營預算中不可或缺的一部分。

這是一場靜悄悄卻迅猛的演進：AI模型變得更多樣，采購流程愈發嚴謹，企業不再“自己造輪子”，而是開始像采購傳統軟件那樣，有條不紊地選擇、部署、評估人工智能服務。技術領導者們正變得越來越成熟——他們明白，不同模型適配不同任務，用例碎片化是常態，而高質量的AI原生應用，正在快速超越傳統軟件廠商。

近日，A16z發布了一份主題為《AI技術在企業場景落地》的調研報告，報告基于與20多位企業買家的深度訪談和100位CIO的調研，全面回顧了企業在2025年如何部署、采購、集成和規劃AI。

這份報告背后對應的是一個新的觀點，即：AI不再是“是否值得嘗試”的問題，而是“如何規�；�落地”的現實挑戰。

AI落地到底如何？又或者說，AI在企業場景中到底該如何落地？怎樣更好的落地？可以說，它是一份調查，也更是一面全球企業落地AI的鏡子。

讓我們一起來走進這份報告。

以下為報告原文（部分語句做可讀性調整）：

一年前，我們總結了企業在構建與采購生成式 AI（Gen AI）方面面臨的 16 項變革。時至今日，形勢已然大變。為此，我們重訪了 20 多位企業買家，并調研了橫跨 15 個行業的 100 位 CIO，試圖幫助創業者了解企業客戶在 2025 年及未來如何使用、采購與規劃 AI。

盡管 AI 世界瞬息萬變，過去一年市場格局的演進仍然超出了我們的預期：

1、企業 AI 預算持續超標增長，從試點項目躍升為 IT 和業務核心預算的一部分。

2、企業在“多模型組合”上的運用日益成熟，開始注重性能與成本的平衡。OpenAI、谷歌和 Anthropic 是閉源市場的主力，而 Meta 與 Mistral 成為開源陣營的熱門選擇。

3、AI 模型采購流程日趨接近傳統軟件采購：評估更嚴、托管更講究、標準化測試更受重視。與此同時，更復雜的 AI 工作流也在推高模型替換成本。

4、AI 應用生態逐漸成型：標準化應用開始取代定制開發，AI 原生的第三方應用迎來爆發增長。

本報告將圍繞企業在預算分配、模型選擇、采購流程與應用使用四大維度的最新趨勢，幫助創業者更細致地理解企業客戶真正關注的重點。

一、預算：AI 支出超出預期，并持續增長

1. AI 預算增長遠超預期，且毫無放緩跡象

企業對大語言模型（LLM）的投入已大幅超出去年原本就很高的預算預期，且預計未來一年將繼續增長，平均增幅約為 75%。正如一位 CIO 所說：“我 2023 年一整年的支出，現在一周就能用完。”

預算上升的原因有二：一方面，企業持續發掘更多內部用例，推動員工廣泛采用；另一方面，越來越多的企業開始部署面向客戶的 AI 應用，尤其是科技創新型企業，這些場景的投入呈指數級擴展。一家大型科技公司表示：“去年我們主要專注于內部效率提升，今年的重點將轉向面向客戶的 Gen AI，投入會大大增加�！�

2. AI 正式納入核心預算，結束“試驗期”

一年前，企業在 LLM 上的支出中仍有約 25% 來自創新專項預算；如今，這一比例降至 7%。企業普遍將 AI 模型和應用的費用納入常規 IT 與業務部門預算，體現出 AI 不再是探索性項目，而是業務運轉的“基礎設施”。

一位 CTO 指出：“我們的產品正在陸續集成 AI 功能，相關支出也自然水漲船高�！边@意味著，AI 融入主流預算的趨勢還將進一步加速。

二、模型：多模型策略成為主流，

三大廠商初步確立領先地位

3. 多模型時代已成常態，“差異化”而非“同質化”成驅動力

當前市面上已存在多個性能出色的 LLM，企業開始在實際生產中部署多種模型。雖然避免供應商綁定是一個重要原因，但更根本的動因是：不同模型在不同用例中的表現差異越來越顯著。

本年度調查中，37% 的企業正在使用五種及以上的模型，較去年的 29% 明顯增長。

雖然模型在某些通用評估中得分相近，但企業用戶發現，其實際效果差異不容忽視。例如，Anthropic 的 Claude 更擅長細粒度代碼補全，而 Gemini 更適用于系統設計和架構。在基于文本的任務中，用戶反饋 Anthropic的語言流暢性和內容生成更強，而 OpenAI 的模型更適合復雜問答任務。

這種差異促使企業采用“多模型最佳實踐”，既保障性能優化，又降低對單一廠商的依賴。我們預判這種策略將在未來繼續主導企業的模型部署路徑。

4. 模型格局仍激烈，但三大廠商初顯優勢

雖然企業在實驗和生產中持續試用多個模型，但市場上已出現三個領先者：OpenAI 保持市場份額領先，谷歌和 Anthropic 則在過去一年迅速追趕。

具體來看：

（1）OpenAI：其模型組合被廣泛應用，GPT-4o 是最常部署到生產環境中的模型，推理模型 o3 也引發高度關注。67% 的OpenAI 用戶在生產中部署了非前沿模型，這一比例遠高于谷歌（41%）和 Anthropic（27%）。

（2）谷歌：在大型企業中表現更突出，得益于 GCP 客戶基礎和品牌信任。Gemini 2.5 不僅具備頂級上下文窗口，在性價比上也具明顯優勢——Gemini 2.5 Flash 每百萬 Token 成本為 0.26 美元，遠低于 GPT-4.1 mini 的 0.70 美元。

（3）Anthropic：在技術前沿型企業（如軟件公司與初創企業）中受到高度青睞。其在代碼相關任務中的表現尤為突出，是增長最快的 AI 編碼應用背后的核心引擎。

此外，開源模型如Llama 與 Mistral 更受大型企業青睞，主要出于數據安全、合規和可定制性考慮。新玩家 xAI 的 Grok 模型也開始受到廣泛關注，市場仍充滿變數。

5. 對于中小型模型而言，閉源模型的性價比優勢愈發明顯

如前所述，模型成本正以每年一個數量級的速度下降。在這一趨勢下，閉源模型（尤其是中小型模型）的性能/成本比正變得越來越有吸引力。

目前在這一領域表現領先的是 xAI 的 Grok 3 mini 和谷歌的 Gemini 2.5 Flash。例如，一些客戶表示，出于成本考量及生態系統集成便利，他們更傾向選擇閉源模型。

正如一位客戶坦言：“現在的定價已經非常誘人，而我們已經深度嵌入谷歌生態，從 G Suite 到數據庫都在使用，他們的企業服務經驗對我們來說很有價值�！绷硪晃豢蛻魟t更直白地總結道：“Gemini 很便宜。”

這反映出閉源模型在中低成本場景中正逐步贏得市場。

6. 隨著模型能力增強，微調的重要性正在下降

隨著模型智能水平和上下文窗口顯著提升，企業發現，實現優異性能已不再依賴微調，而是更多依靠高效的 Prompt 工程。

某家企業觀察道：“我們不再需要提取訓練數據去微調模型，只要把它放進一個足夠長的上下文窗口，結果幾乎一樣好。”

這一轉變帶來兩個重要影響：

（1）降低使用成本：Prompt 工程成本遠低于微調；

（2）降低供應商綁定風險：Prompt 可輕松遷移至其他模型，而微調后的模型往往存在遷移困難和高前期投入。

不過，在某些超特定用例中，微調仍不可或缺。比如，一家流媒體公司就針對視頻搜索中的查詢增強，對開源模型進行了微調，以適應領域語言。

此外，若強化微調（Reinforcement Fine-tuning）等新方法在實驗室外得到廣泛應用，微調在未來也可能迎來新一輪增長。

總體而言，大多數企業在常規場景中對微調的 ROI 預期已經下降，且更傾向于在成本敏感型場景中選用開源模型。

7. 企業對“推理模型”前景樂觀，正積極準備規模化部署

推理模型（Reasoning Models）能夠讓大語言模型更準確地完成更復雜的任務，從而顯著擴大 LLM 的可用場景。盡管目前多數企業仍處于測試階段，尚未正式上線部署，但對于其潛力普遍持樂觀態度。

一位高管表示：“推理模型能幫助我們解決更多新型、復雜的任務場景，我預計它的使用量很快會出現大幅增長。只是目前我們還處于早期測試階段�！�

在早期使用者中，OpenAI的推理模型表現最為突出。盡管 DeepSeek 在行業中也有不少關注，但在生產部署方面，OpenAI 的優勢非常明顯：本次調研顯示，有 23% 的企業已在生產中使用 OpenAI 的 o3 模型，而使用DeepSeek 的僅為 3%。不過，DeepSeek 在初創企業中的采用率相對更高，企業市場滲透仍較低。

隨著推理能力逐步融合進企業應用主流程，其影響力有望迅速放大。

三、采購：企業AI 采購流程趨于成熟，

正全面借鑒傳統軟件采購機制

8. 模型采購流程日趨規范，成本敏感度提升

當前，企業在選擇模型時已普遍采用系統性的評估框架。在我們訪談中，安全性和成本與準確性、可靠性一樣，成為模型采購的核心考量。正如一位企業負責人所言：“現在大多數模型的基礎能力都夠用，價格反而成了更重要的因素。”

此外，企業在“用例-模型”匹配上也日益專業化：

（1）對于關鍵場景或對性能要求高的任務，企業更傾向于選擇具有強品牌背書的頂級模型；

（2）對于內部或低風險任務，企業更多以“成本導向”作決策。

9. 企業對模型廠商信任度顯著提升，托管策略更加多元

過去一年，企業與模型廠商之間的信任明顯提升。雖然仍有一部分企業偏好通過現有云服務關系托管模型（如通過 AWS 使用 OpenAI），但越來越多的企業選擇直接與模型提供方合作，或通過 Databricks 等平臺托管，尤其是在模型并未由主力云廠商托管時。

正如一位受訪者所說：“我們想第一時間用上最新最強的模型，預覽版本也很關鍵�！毕噍^去年“盡可能繞回主云廠商”的策略，這種直接托管趨勢是一個顯著轉變。

10. 隨著任務復雜性上升，模型切換成本也在快速上漲

去年，不少企業在設計AI 應用時刻意降低切換成本，希望模型“來去自如”。但隨著“代理式工作流”的興起，這一策略開始失效。

代理工作流通常涉及多步驟協作，模型之間的替換將牽一發而動全身。企業在構建提示語、設計護欄、驗證質量方面投入大量資源后，更不愿意輕易更換模型。

一位 CIO 總結得非常直接：“我們所有提示都為 OpenAI 優化過了，每個 prompt 都有特定的結構和細節。要切到另一個模型，不僅要重新調教所有提示，還可能影響整個工作流的穩定性。”

11. 外部評估基準日漸成為“模型采購的第一道篩選”

隨著模型數量激增，企業采購者也越來越依賴類似 Gartner 魔力象限那樣的外部評價體系，如 LM Arena。這類評估為模型采購提供了初篩參考。

盡管企業仍高度重視內部基準測試、金標數據集和開發者反饋，但外部指標正在成為“第一道門檻”。不過，企業普遍強調：外部 benchmark 只是評估的一部分，真正決定性因素仍然來自實際試用和員工反饋。

四、應用：AI 應用加速落地，

企業從“自建”轉向“采購”

12. 企業從“自己開發”向“購買成品”大幅轉變

AI 應用生態正在迅速成熟。過去一年，企業從“自己構建”向“采購專業第三方應用”的轉變非常明顯。

原因主要有兩個：

（1）性能與成本的動態差異使持續評估和調優成為必要，而這通常更適合由專業團隊而非內部團隊執行；

（2）AI 領域演進迅速，內部自研工具難以長期維護，且未必構成競爭優勢，反而降低了“自建”的性價比。

例如，在客戶支持場景中，超過 90% 的受訪 CIO 表示正在測試第三方應用。一家上市金融科技企業曾嘗試自研客戶服務系統，但最終決定轉向采購成熟方案。這一趨勢在醫療等高風險行業尚未完全展開，因數據隱私與合規仍是首要考量。

13. “按結果計費”仍不被 CIO 廣泛接受

盡管“按效果付費”被廣泛討論，但企業在實踐中仍有諸多顧慮——例如結果定義模糊、歸因困難、成本不可控等。多數 CIO 表示：他們更傾向于按使用量計費的方式，因為這更直觀、可預測、可控。

14. 軟件開發成為首個“殺手級”AI 應用場景

雖然 AI 已在內部搜索、數據分析、客戶服務等多個領域落地，但軟件開發的應用爆發最為顯著。這得益于三重利好：

（1）模型能力顯著提升；

（2）現成工具質量極高；

（3）投資回報率直接可見，適用行業廣泛。

一家高增長 SaaS 公司 CTO 表示，他們現在近 90% 的代碼由 Cursor 和 Claude Code 生成——而一年前使用 GitHub Copilot 時，僅占比 10-15%。這種躍遷式采用雖仍屬于前沿現象，但可能正是企業界未來的風向標。

15. Prosumer 市場（生產者消費者融合）拉動應用早期增長

強消費品牌帶動企業采購決策的現象再次上演。

ChatGPT 是典型案例：許多 CIO 表示購買企業版 ChatGPT 是因為“員工用得慣、喜歡、信得過”。從生產者市場向企業端的自然延伸，加速了新一代 AI 應用的增長。

16. AI 原生應用的速度與質量正在超越傳統巨頭

雖然傳統廠商擁有渠道優勢和品牌信任，但在產品質量與迭代速度上，AI 原生公司已開始超越。例如在編碼工具領域，Cursor 這類專為 AI 場景構建的工具，讓用戶對傳統的 GitHub Copilot 明顯“不再滿意”。

一位公共安全行業 CIO點出：“第一代和第二代 AI 編碼工具差異極大。新一代原生產品更智能，也更實用�！�

展望未來：企業級AI 的“試驗時代”已經結束

企業部署 AI 不再是試驗項目，而是戰略行動。預算已經常態化、模型選擇多元化、采購流程標準化、AI 應用開始系統落地。盡管用例碎片化，但這正是企業擁抱的方向。一些關鍵廠商正在脫穎而出，企業也越來越多選擇成品應用以加速落地。

市場形態愈加接近傳統軟件，但變化節奏與復雜性卻完全不同——這是 AI 的特有節奏。

       原文標題 : 2025年，AI大模型在企業場景走到哪了？