企业AI应用落地白皮书

前言AI 在企业落地的目标与挑战企业落地 AI 应用的三大目标企业落地 AI 五大核心挑战0304企业成功应用 AI 的三大关键任务应用 / 升级到新一代企业软件加强 / 开展数据治理与知识治理接入 / 部署主流大模型、垂类模型070910用友 BIP 企业 AI 让 AI 应用落地统一数智底座嵌入核心业务结果可靠安全合规企业AI 应用落地策略企业AI 应用落地领先实践152329323436未来展望0201061341 345 当2016 年 3 月 15 日 AlphaGo 击败人类顶尖棋手的消息传遍全球时，中国科技界意识到，人工智能不再是实验室里的遥远概念。当 ChatGPT 以一种全新的自然语言处理、人机交互的姿态横空出世时，全球和中国范围内所有企业都开始学习人工智能。当 DeepSeek 在中国春节期间爆火时，中国的企业意识到，AI 普及应用时代真的到来了！作为企业数智化 3 大核心技术之一，AI 在企业的应用经历 3 个层级：从以 RPA、规则引擎、语音识别、图像识别、OCR 等为代表的感知级，到以 NLP、机器学习平台、智能搜索、VPA、数智员工、知识图谱等为核心的认知级，再到现在以大模型和智能体为代表的慧知级。今年以来，尤其春节后，由 DeepSeek 带动的中国 AI 普及大潮让大模型不再是算力的争夺赛，而是深入千行百业，重构商业逻辑，成为产业创新发展的核心驱动力。AI 会改变企业什么？不同于面向个人消费者 AI 追求体验创新，企业应用 AI 的目标很明确：增效降本（尤其是人力成本）、精准运营和风险管控。源于 AI 能够承担重复性工作、同时高效处理大量任务与提高工作效率，所以，增效降本是企业应用 AI 的最直接的目标与收益。同时，在海量数据时代，企业需精准把握市场需求和用户行为，而 AI 的数据分析与预测能力为精细化运营提供了核心支撑。最后是风险管控，AI 可实时监测分析各类数据，构建风险预测模型，提前预警潜在风险，并为决策提供数据支持。AI 如何在企业落地？今年 3 月份起，用友公司陆续举办了系列“AI+ 企业应用”赋能课程、聚焦企业 AI 落地场景与实践，组织近 600 位企业 CXO 开展深度学习与交流。现场大家交流最多的问题是，AI 落地依然面临着诸多的挑战，如何直面挑战、实现 AI 在企业应用落地？这个是技术难题？还是业务挑战？亦或是管理痛点？本白皮书基于客户的广泛挑战与需求，旨在深入探索企业落地 AI 应用的关键任务，以及中国新一代企业软件如何真正地助力企业实现 AI 的落地、助力企业加速数智化转型。站在新十年的起点，中国企业的 AI 实践正在跨越 " 技术应用 " 的阶段，进入 " 价值创造 " 的深水区。当前，中国各级政府、各企业和公共组织都在积极行动，中国企业从上（董事长工程）到下（员工自主）的热烈拥抱，各级政府的主动应用，在全球范围内比较罕见。可以预见：中国企业的 AI 普及应用将走在全球的前列！前 言 十年破壁，中国企业开启从技术追赶到价值创造的 AI 跃升之路 AI在企业落地的目标与挑战 当前，数智化转型已成为企业共识，是企业谋求生存与高质量发展的必由之路。大多数企业的数智化转型会经历三个台阶，即从实现整个业务和管理全面线上化，到数据驱动再到最高层级的智能运营。随着 AI 技术在企业中的应用愈加广泛和深入，企业业务形态将从“人工业务”逐步演进到“人机协同业务”，最终发展为“自主业务”。从底层通用大模型到垂直行业大模型的逐步落地，再到 AI 应用创新的全面爆发，凸显了 AI 在企业级应用的巨大潜力与价值。如何借助 AI 技术深耕企业和行业应用场景，充分释放商业潜能，已成为推动企业数智化转型与高质量发展的关键课题。AI 技术正以前所未有的速度渗透到各行各业，企业对 AI 应用的需求与日俱增。企业落地 AI 有着多元的目标，有些企业直接是问 AI 要效益，有些企业希望通过 AI 实现发展模式的创新等等。但是，通过让 AI 在企业的落地与深度应用，让企业在激烈的市场竞争中提升竞争力，迈向更加稳健、可持续发展道路，这是所有企业最明确的方向。企业落地 AI 应用的三大目标今年春节期间，DeepSeek 掀起了中国上上下下学习 AI 的热潮，企业从董事长到员工都对如何应用 AI、落地 AI 有着强烈的需求，用友面向全国的企业进行了《企业落地 AI 应用》的调研，共收集了来自 175 家企业的 193 份有效问卷，涵盖了从小于 300 名员工的小型企业到超过 10 万员工的大型企业，企业营收规模也覆盖了从小于 5000 万元到超过千亿元，涉及到制造、消费品、能源、服务、金融等多个行业。在调研的企业中，大家对于应用 AI 的目标也相对聚焦，基本围绕着内部运营优化、数据价值挖掘、成本控制、客户服务提升以及业务开拓创新等多方面，旨在通过 AI 技术提升企业综合竞争力和可持续发展能力。图为 调研对象的营收规模分布图为 企业落地 AI 的目标（1）成本重构、优化流程，实现增效降本在传统的生产与运营模式下，企业面临着诸多挑战，如人力成本的不断攀升、生产流程中的冗余环节难以消除以及资源的浪费现象等。在调研中，更多企业希望通过 AI 优化相应的流程以提升效率、降低人力参与的成本。其中：38% 企业希望通过智能排产、流程优化、自动化办公等方式，利用 AI 技术对企业内部运营流程进行智能化改造，减少人工干预和重复性劳动，提高生产和办公的效率等；17% 以上的企业希望通过 AI 优化供应链、降低运营成本，设备预测性维护、降低维修成本等。（2）数据驱动、智能决策，实现精准运营市场环境瞬息万变，消费者需求日益多样化和个性化，企业要想在激烈的市场竞争中精准定位目标客户群体， 本次调研中，我们重点调研了客户对于落地 AI 过程中的障碍、担忧和能力短板，结合调研结果我们可以看到：AI 人才缺乏、数据质量参差不齐和算力成本高成为企业落地 AI 的核心障碍；数据质量的提升、战略与治理能力成为企业目前最大的能力短板；数据隐私、模型幻觉、与原有系统不能集成等成为企业最为关注的几大风险。企业落地 AI 五大核心挑战提供符合其需求的产品与服务，精准运营至关重要，而 AI 正是实现这一目标的有力武器。调研中，13% 以上的企业希望通过智能客服、客户画像、个性化推荐、精准营销等，实现客户的精准运营，以更好地适应市场变化，抢占市场份额。例如：借助大数据分析和 AI 算法，企业可以收集和整合海量的客户数据，包括客户的购买行为、偏好、消费习惯以及人口统计学信息等。通过对这些数据的深度挖掘与分析，企业能够构建起精准的客户画像，从而深入了解客户的需求和潜在需求。（3）前瞻预判、智能审核，实现风险管控企业在复杂的经济环境中运营，面临着各种各样的风险，如经营风险、信用风险、操作风险等。AI 技术在风险管控方面的应用，能够帮助企业提前识别、评估和应对这些风险，保障企业的稳健发展。调研中，19% 以上的企业希望通过 AI 增强数据分析能力，进行预测分析、商业智能挖掘以及风控管理等。AI强大的数据处理和分析能力，能帮助企业从海量数据中提取有价值的信息，辅助企业做出更科学的决策，提前发现潜在风险，把握市场趋势。企业的发展模式正经历着深刻的变革，越来越多的企业认识到，通过有效落地 AI 技术，能够在降本增效、精准运营以及风险管控这三大核心领域实现质的飞跃，从而驱动业务模式、产品服务、客户体验乃至组织管理方式的根本性创新。企业亟需利用 AI 赋能，实现战略转型和价值跃升，从而在激烈的市场竞争中脱颖而出，迈向更加稳健、可持续的发展道路。图为 企业落地 AI 关注的风险图为 企业落地 AI 的核心障碍图为 企业落地 AI 亟需提升的能力根据调研结果，我们可以看到企业在落地 AI 过程中遇到的挑战、能力短板还有各类风险等都是相互交织的，比如数据治理质量、数据人才的缺失和数据风险就是相互影响的，这些因素都共同制约着企业落地 AI 的进程。我们总结主要包括以下五大挑战：（1）数据质量与治理短板调研中，数据质量参差不齐（21.44%）、数据质量能力亟需提升（28.42%）、数据隐私风险（33.96%）这几项都凸显了企业落地 AI 对于高质量、可靠、可信任数据的依赖与当前不足的矛盾。“无数据不 AI”，数据治理已从 " 成本项 " 转变为 " 核心能力项 "，企业必须高度重视数据治理，同时也很焦虑如何做好数据治理。数据质量直接影响 AI 模型性能，但企业在数据清洗、标注、标准化等环节存在技术和管理 短板。同时，企业需平衡数据利用与合规性，数据全生命周期管理成为刚需。从这里我们可以看到，企业落地 AI 必须要做好数据治理，包括企业内部的知识治理。（2）新技术、大模型与原有系统整合难度高调研中，技术难度（18.65%）与与原有系统不能集成（18.45%）反映企业现有 IT 架构的兼容性问题。企业传统系统多维烟囱式架构，在技术架构、数据整合、资源适配及组织管理等层面，弊端日益凸显。包括原有架构复杂性高、扩展性差、开放性弱，这也导致企业业务数据整合困难、模型安全性弱等。AI 部署需要适配复杂的接口和数据协议，基于原有系统进行 AI 适配，改造成本非常高。同时，模型幻觉和算法偏见等技术风险加剧了落地不确定性，企业需建立模型可解释性和验证机制，这对于原有系统的挑战会更大。（3）AI 嵌入业务流程难度大与消费端 AI 的碎片化应用、体验性试新和误差容忍度不同，企业端的 AI 应用，更加追求稳定、可靠与安全。企业 AI 要与研发、生产、制造、供应链、财务管理、人力资源管理等各个环节深度融合，其场景更为复杂且高度关联，时效性要求高。这就需要变革原有的业务流程，这对于企业来说也是个极大挑战，包括系统层面和组织层面。我们可以看到，从系统整合到业务流程重构面临的挑战，原有传统的 IT 系统已经成为企业落地 AI 的一个很大挑战，企业需要从性价比、效果等维度考虑是否要升级原有系统架构。（4）AI 专业人才结构性短缺从调研结果可以看到，AI 人才缺乏（24.71%）直接阻碍技术落地，而人才结构（16.16%）问题表明现有人才与需求不匹配。从人才能力要求看，企业最缺 AI 产品设计专家（28.79%）和业务场景专家（27.46%），说明既懂技术又懂业务的复合型人才稀缺，单纯的技术研发难以满足场景化需求。所以，企业更需要的是既懂业务、又懂 AI 的人才，这对于后续的人才建设给出一定的方向。（5）战略规划与成本投入失衡调研中，战略与治理能力不足（18.61%）导致企业缺乏清晰的 AI 路线图，盲目投入易引发资源浪费。算力成本高（20.75%）与 ROI 不明确（7.92%）形成恶性循环。成本与收益在当前环境下，是企业落地 AI 的一个很关键考量因素，企业在落地 AI 项目时，往往难以明确预估项目的投资回报率，这使得企业在决策时面临较大的不确定性，可能会因担心投入产出不成正比而对 AI 项目持谨慎态度，延缓了 AI 的落地进程。企业需在本地算力、云服务与模型轻量化之间权衡，同时建立可量化的价值评估体系。综上所述， AI 在企业降本增效、精准运营和风险管控上展现出了巨大的价值与潜力。但企业在推进 AI 落地的过程中，也面临着系统架构陈旧、数据质量低、人才短缺以及组织变革等诸多挑战。因此，企业需要与服务商一起制定科学合理的发展战略，稳步推进 AI 技术与企业业务的深度融合，充分利用 AI 技术的优势，在激烈的市场竞争中实现可持续发展。【划重点】数据治理是指对组织内数据资产的管理体系、策略、流程和标准进行规划、实施和监控的过程，旨在确保数据的可用性、完整性、安全性、合规性和价值最大化。它涉及数据全生命周期的管理，覆盖技术、流程、人员和制度等多个维度，是数智化转型的核心基础之一。数据治理是一个持续迭代的过程，而非一次性项目。 企业成功应用AI的三大关键任务 AI 只有深度嵌入业务流程才能发挥最大价值，这就要求企业落地 AI，技术与业务双驱动，让 AI 技术与业务场景融合，实现业务流程、数据资源与