2025年，AI大模型在企业场景走到哪了？-优快云博客

企业部署人工智能（AI）已从试验性项目转变为战略性行动。AI 预算逐渐常态化，模型选择日益多元化，采购流程也实现了标准化，AI 应用正系统性地落地实施。尽管产业需求和企业需求呈现出碎片化特征，但这种碎片化正是企业积极拥抱的方向。一些关键厂商正在脱颖而出，企业也越来越多地选择成品应用来加速落地。AI 市场的形态正逐渐接近传统软件，但其变化节奏和复杂性却与传统软件完全不同，这是 AI 独有的发展节奏。

2025年，AI大模型在企业场景的落地走到哪了？

在过去一年中，AI在企业中的地位发生了根本性的转变。它不再仅仅是创新实验室中孤立的试验项目，也不再是技术部门热衷的“新玩具”，而是真正融入了企业的核心业务系统，成为IT和经营预算中不可或缺的一部分。

这是一场静悄悄却又迅猛的演进：AI模型变得更加多样化，采购流程愈发严谨。企业不再“自己造轮子”，而是开始像采购传统软件一样，有条不紊地选择、部署和评估人工智能服务。技术领导者们也变得更加成熟——他们认识到，不同模型适用于不同任务，用例碎片化是常态，而高质量的AI原生应用正在快速超越传统软件厂商。

近日，A16z发布了一份主题为《AI技术在企业场景落地》的调研报告。该报告基于与20多位企业买家的深度访谈以及100位CIO的调研，全面回顾了企业在2025年如何部署、采购、集成和规划AI。

这份报告背后反映了一个新的观点：AI不再是“是否值得尝试”的问题，而是“如何规模化落地”的现实挑战。

AI落地的现状如何？又或者说，AI在企业场景中该如何落地？怎样才能更好地落地？可以说，这份报告既是一份调查，也是一面全球企业落地AI的镜子。

让我们一起走进这份报告。

以下是报告原文（部分语句已做可读性调整）：

一年前，我们总结了企业在构建与采购生成式AI（Gen AI）方面面临的16项变革。如今，形势已然大变。为此，我们重访了20多位企业买家，并调研了横跨15个行业的100位CIO，试图帮助创业者了解企业客户在2025年及未来如何使用、采购与规划AI。

尽管AI领域的变化迅猛，过去一年的市场格局演变仍然超出了我们的预期。以下是主要的四个方面：

*1**、**企业AI预算持续超标增长：AI预算不再局限于试点项目，而是已经成为企业IT和业务核心预算的重要组成部分。*

**
**

*2**、**“多模型组合”的应用日益成熟：企业在选择AI模型时更加注重性能与成本的平衡。在闭源市场，OpenAI、谷歌和Anthropic成为主流选择；而在开源阵营，Meta和Mistral则备受关注**。***

**
**

*3**、**AI模型采购流程逐渐标准化：其采购流程越来越接近传统软件采购，评估更加严格，托管方式更加讲究，标准化测试也受到更多重视。与此同时，更复杂的AI工作流也在增加模型替换的成本**。***

**
**

*4**、**AI应用生态逐渐成型：标准化的AI应用正在取代定制开发，AI原生的第三方应用迎来爆发式增长**。***

本报告将围绕企业在预算分配、模型选择、采购流程和应用使用四个维度的最新趋势展开，帮助创业者更深入地了解企业客户真正关注的重点。

**一****

**预算：*****AI*** ***支出超出预期，并持续增长*****

**
**

1. AI 预算增长远超预期，且毫无放缓迹象

企业对大型语言模型（LLM）的投入已经大幅超出去年原本就较高的预算预期，并且预计在未来一年内将继续增长，平均增幅约为75%。一位首席信息官（CIO）表示：“我2023年一整年的支出，现在一周就能用完。****”

预算增长的原因主要有两个方面：首先，企业不断挖掘更多内部应用场景，推动员工广泛使用LLM；其次，越来越多的企业开始部署面向客户的AI应用，尤其是科技创新型企业，这些场景的投入呈现出指数级增长。一家大型科技公司表示：“去年我们主要专注于利用LLM提升内部效率，今年的重点将转向面向客户的生成式AI（Gen AI），投入会大幅增加。”

2. AI 正式纳入核心预算，结束“试验期”

一年前，企业在LLM上的支出中约有25%来自创新专项预算；如今，这一比例已降至7%。企业普遍将AI模型和应用的费用纳入常规的IT和业务部门预算，这表明AI不再是探索性项目，而是已经成为业务运转的“基础设施”。

**
**

一位CTO指出：“我们的产品正在陆续集成AI功能，相关支出也自然水涨船高。”这意味着，AI融入主流预算的趋势还将进一步加速。

**二****

**模型：多模型策略成为主流，****

**三大厂商初步确立领先地位****

**
**

3. 多模型时代已成常态，“差异化”而非“同质化”成驱动力

目前，市场上已经出现了多款性能出色的大型语言模型（LLM），许多企业开始在实际生产环境中部署多种模型。虽然避免供应商绑定是企业选择多模型策略的一个重要原因，但更核心的驱动因素在于：不同模型在不同应用场景中的表现差异愈发明显。

**
**

在本年度的调查中，37%的企业正在使用五种及以上的模型，这一比例较去年的29%有了显著增长。

尽管在一些通用评估中，这些模型的得分可能相近，但在实际应用中，企业用户发现它们的效果存在显著差异。例如，Anthropic的Claude在细粒度代码补全方面表现出色，而Gemini则更适合系统设计和架构任务。在基于文本的任务中，用户反馈Anthropic的语言流畅性和内容生成能力更强，而OpenAI的模型则在处理复杂问答任务时更具优势。

这种差异促使企业采用“多模型最佳实践”策略，既优化性能，又降低对单一供应商的依赖。我们预计，这种策略将在未来继续主导企业的模型部署路径。

**
**

4. 模型格局仍激烈，但三大厂商初显优势

尽管企业在实验和生产环境中不断尝试多种模型，但市场上已经逐渐形成了三个领先的AI模型供应商，具体来看：

（1）OpenAI：OpenAI继续保持市场份额的领先地位。其模型组合被广泛应用，尤其是GPT-4o，是最常部署到生产环境中的模型。推理模型o3也受到了高度关注。值得注意的是，67%的OpenAI用户在生产中部署了非前沿模型，这一比例远高于谷歌（41%）和Anthropic（27%）。

（2）谷歌：谷歌在过去一年中迅速追赶，尤其在大型企业中表现突出。这主要得益于其GCP（Google Cloud Platform）客户基础和品牌信任。谷歌的Gemini 2.5不仅在上下文窗口方面表现出色，还在性价比上具有明显优势。例如，Gemini 2.5 Flash每百万Token的成本仅为0.26美元，远低于OpenAI的GPT-4.1 mini（0.70美元）。

（3）Anthropic：Anthropic在过去一年中也取得了显著进展，尤其是在技术前沿型企业（如软件公司和初创企业）中受到高度青睐。其在代码相关任务中的表现尤为突出，成为增长最快的AI编码应用背后的核心引擎。

此外，开源模型如Llama和Mistral越来越受到大型企业的青睐，主要原因是它们在数据安全、合规性和可定制性方面更具优势。此外，新玩家xAI的Grok模型也开始受到广泛关注，市场格局仍充满变数。

5. 对于中小型模型而言，闭源模型的性价比优势愈发明显

如前所述，模型成本正以每年一个数量级的速度下降。在这一趋势下，闭源模型（尤其是中小型模型）的性能/成本比正变得越来越有吸引力。

**
**

目前在这一领域表现领先的是 xAI 的 Grok 3 mini 和谷歌的 Gemini 2.5 Flash。例如，一些客户表示，出于成本考量及生态系统集成便利，他们更倾向选择闭源模型。

正如一位客户坦言：“现在的定价已经非常诱人，而我们已经深度嵌入谷歌生态，从 G Suite 到数据库都在使用，他们的企业服务经验对我们来说很有价值。”另一位客户则更直白地总结道：“Gemini 很便宜。”

这反映出闭源模型在中低成本场景中正逐步赢得市场。

6. 随着模型能力增强，微调的重要性正在下降

随着模型智能水平和上下文窗口显著提升，企业发现，实现优异性能已不再依赖微调，而是更多依靠高效的 Prompt 工程。

某家企业观察道：“我们不再需要提取训练数据去微调模型，只要把它放进一个足够长的上下文窗口，结果几乎一样好。”

这一转变带来两个重要影响：

（1）降低使用成本：Prompt 工程成本远低于微调；

（2）降低供应商绑定风险：Prompt 可轻松迁移至其他模型，而微调后的模型往往存在迁移困难和高前期投入。

不过，在某些超特定用例中，微调仍不可或缺。比如，一家流媒体公司就针对视频搜索中的查询增强，对开源模型进行了微调，以适应领域语言。

**
**

此外，若强化微调（Reinforcement Fine-tuning）等新方法在实验室外得到广泛应用，微调在未来也可能迎来新一轮增长。

总体而言，大多数企业在常规场景中对微调的 ROI 预期已经下降，且更倾向于在成本敏感型场景中选用开源模型。

**
**

7. 企业对“推理模型”前景乐观，正积极准备规模化部署

推理模型（Reasoning Models）能够让大语言模型更准确地完成更复杂的任务，从而显著扩大 LLM 的可用场景。尽管目前多数企业仍处于测试阶段，尚未正式上线部署，但对于其潜力普遍持乐观态度。

**
**

一位高管表示：“推理模型能帮助我们解决更多新型、复杂的任务场景，我预计它的使用量很快会出现大幅增长。只是目前我们还处于早期测试阶段。”

在早期使用者中，OpenAI的推理模型表现最为突出。尽管 DeepSeek 在行业中也有不少关注，但在生产部署方面，OpenAI 的优势非常明显：本次调研显示，有 23% 的企业已在生产中使用 OpenAI 的 o3 模型，而使用DeepSeek 的仅为 3%。不过，DeepSeek 在初创企业中的采用率相对更高，企业市场渗透仍较低。

随着推理能力逐步融合进企业应用主流程，其影响力有望迅速放大。

**三****

**采购：企业*****AI*** ***采购流程趋于成熟，*****

**正全面借鉴传统软件采购机制****

**
**

8. 模型采购流程日趋规范，成本敏感度提升

当前，企业在选择模型时已普遍采用系统性的评估框架。在我们访谈中，安全性和成本与准确性、可靠性一样，成为模型采购的核心考量。正如一位企业负责人所言：“现在大多数模型的基础能力都够用，价格反而成了更重要的因素。”

此外，企业在“用例-模型”匹配上也日益专业化：

（1）对于关键场景或对性能要求高的任务，企业更倾向于选择具有强品牌背书的顶级模型；

（2）对于内部或低风险任务，企业更多以“成本导向”作决策。

9. 企业对模型厂商信任度显著提升，托管策略更加多元

过去一年，企业与模型厂商之间的信任明显提升。虽然仍有一部分企业偏好通过现有云服务关系托管模型（如通过 AWS 使用 OpenAI），但越来越多的企业选择直接与模型提供方合作，或通过 Databricks 等平台托管，尤其是在模型并未由主力云厂商托管时。

**
**

正如一位受访者所说：“我们想第一时间用上最新最强的模型，预览版本也很关键。”相较去年“尽可能绕回主云厂商”的策略，这种直接托管趋势是一个显著转变。

10. 随着任务复杂性上升，模型切换成本也在快速上涨

去年，不少企业在设计AI 应用时刻意降低切换成本，希望模型“来去自如”。但随着“代理式工作流”的兴起，这一策略开始失效。

代理工作流通常涉及多步骤协作，模型之间的替换将牵一发而动全身。企业在构建提示语、设计护栏、验证质量方面投入大量资源后，更不愿意轻易更换模型。

一位 CIO 总结得非常直接：“我们所有提示都为 OpenAI 优化过了，每个 prompt 都有特定的结构和细节。要切到另一个模型，不仅要重新调教所有提示，还可能影响整个工作流的稳定性。”

11. 外部评估基准日渐成为“模型采购的第一道筛选”

随着模型数量激增，企业采购者也越来越依赖类似 Gartner 魔力象限那样的外部评价体系，如 LM Arena。这类评估为模型采购提供了初筛参考。

尽管企业仍高度重视内部基准测试、金标数据集和开发者反馈，但外部指标正在成为“第一道门槛”。不过，企业普遍强调：外部 benchmark 只是评估的一部分，真正决定性因素仍然来自实际试用和员工反馈。

*四*

*应用：**AI* *应用加速落地，*

*企业从“自建”转向“采购”*

12. 企业从“自己开发”向“购买成品”大幅转变

AI 应用生态正在迅速成熟。过去一年，企业从“自己构建”向“采购专业第三方应用”的转变非常明显。

**
**

原因主要有两个：

（1）性能与成本的动态差异使持续评估和调优成为必要，而这通常更适合由专业团队而非内部团队执行；

**
**

（2）AI 领域演进迅速，内部自研工具难以长期维护，且未必构成竞争优势，反而降低了“自建”的性价比。

**
**

例如，在客户支持场景中，超过 90% 的受访 CIO 表示正在测试第三方应用。一家上市金融科技企业曾尝试自研客户服务系统，但最终决定转向采购成熟方案。这一趋势在医疗等高风险行业尚未完全展开，因数据隐私与合规仍是首要考量。

13. “按结果计费”仍不被 CIO 广泛接受

尽管“按效果付费”被广泛讨论，但企业在实践中仍有诸多顾虑——例如结果定义模糊、归因困难、成本不可控等。多数 CIO 表示：他们更倾向于按使用量计费的方式，因为这更直观、可预测、可控。

**
**

14. **软件开发成为首个“杀手级”**AI 应用场景

虽然 AI 已在内部搜索、数据分析、客户服务等多个领域落地，但软件开发的应用爆发最为显著。这得益于三重利好：

（1）模型能力显著提升；

**
**

（2）现成工具质量极高；

**
**

（3）投资回报率直接可见，适用行业广泛。

**
**

一家高增长 SaaS 公司 CTO 表示，他们现在近 90% 的代码由 Cursor 和 Claude Code 生成——而一年前使用 GitHub Copilot 时，仅占比 10-15%。这种跃迁式采用虽仍属于前沿现象，但可能正是企业界未来的风向标。

15. Prosumer 市场（生产者消费者融合）拉动应用早期增长

强消费品牌带动企业采购决策的现象再次上演。

**
**

ChatGPT 是典型案例：许多 CIO 表示购买企业版 ChatGPT 是因为“员工用得惯、喜欢、信得过”。从生产者市场向企业端的自然延伸，加速了新一代 AI 应用的增长。

16. AI 原生应用的速度与质量正在超越传统巨头

虽然传统厂商拥有渠道优势和品牌信任，但在产品质量与迭代速度上，AI 原生公司已开始超越。例如在编码工具领域，Cursor 这类专为 AI 场景构建的工具，让用户对传统的 GitHub Copilot 明显“不再满意”。

**
**

一位公共安全行业 CIO点出：“第一代和第二代 AI 编码工具差异极大。新一代原生产品更智能，也更实用。”

展望未来：企业级AI 的“试验时代”已经结束

**
**

**企业部署 AI 不再是试验项目，而是战略行动。**预算已经常态化、模型选择多元化、采购流程标准化、AI 应用开始系统落地。尽管用例碎片化，但这正是企业拥抱的方向。一些关键厂商正在脱颖而出，企业也越来越多选择成品应用以加速落地。

16. AI* 原生应用的速度与质量正在超越传统巨头

**
**

一位公共安全行业 CIO点出：“第一代和第二代 AI 编码工具差异极大。新一代原生产品更智能，也更实用。”

[外链图片转存中…(img-vXiILcy0-1750850107787)]

[外链图片转存中…(img-QySYCYAz-1750850107787)]

展望未来：企业级AI 的“试验时代”已经结束

**
**

市场形态愈加接近传统软件，但变化节奏与复杂性却完全不同——这是 AI 的特有节奏。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用