2025人工智能报告总结
引言
本报告聚焦于构建和运营人工智能产品，探讨如何将生成式智能从概念转化为可依赖的资产。报告分析了产品路线图、市场策略、人才建设、成本管理和内部生产力等核心维度，基于对300位软件公司高管（CEO、工程负责人、AI负责人和产品负责人）的调查以及ICONIQ社区的深度访谈。
AI成熟度与产品类型
- 大多数SaaS公司已发展出新的AI能力和产品，AI原生公司比AI增强型公司在开发周期上更先进，约47%的产品已达到关键规模并验证了市场契合度。
- AI原生公司更倾向于构建代理工作流（约80%）和应用层产品。
- 高增长公司更倾向于微调现有基础模型或从零开始开发专有模型，模型选择时优先考虑准确性，成本因素日益凸显。
- 模型提供商方面，OpenAI的GPT模型仍最受欢迎，但多模型方法日益普及，公司根据用例、性能、成本和客户需求选择不同提供商。
- 模型训练技术中，检索增强生成（RAG）和微调最为常见，高增长公司倾向于使用更多提示技术。
- AI基础设施方面，68%的公司完全基于云，64%依赖外部AI API提供商，以降低前期资本支出和运营复杂性，但这也使供应商选择、SLA谈判和每调用成本管理成为战略重点。
AI产品路线图与市场策略
- AI增强型公司约20-35%的产品路线图专注于AI驱动功能，高增长公司则投入30-45%。
- 定价模型中，混合模式（订阅/计划定价+使用量或结果定价）最为普遍，40%的公司计划维持现有定价，37%探索基于消费、ROI和使用层级的新模式。
- AI可解释性和透明度随着产品规模扩大变得至关重要，公司需要提供模型透明度报告或基本分析。
- AI合规和治理方面，多数公司有AI伦理和治理政策，主要采用人工审核机制确保AI公平性和安全性。
人才与组织结构
- 许多公司在达到1亿美元收入时设立专门的AI领导团队，以应对日益复杂的运营需求。
- 工程团队中，20-30%专注于AI，高增长公司比例更高。
- 招聘速度方面，市场存在分歧，主要制约因素是合格候选人的缺乏。
- AI开发支出平均占研发预算的10-20%，高增长公司投入更多，成本结构中，基础设施和计算成本占比上升，API使用费最难控制。
内部生产力
- 内部AI生产力预算预计2025年翻倍，占总收入1-8%。
- 虽然约70%的员工可访问AI工具，但只有约50%持续使用，大型成熟企业采用率更低。
- 内部AI用例中，成本是最重要的考虑因素，其次是准确性和隐私，挑战主要集中在战略层面（如用例选择和ROI证明）。
- 高增长公司更积极采用AI工具，公司通常探索多个用例（7+），研发和销售用例最受欢迎，编码辅助工具对生产力提升最显著。
- 监控和可观察性工具中，现有APM/日志栈仍占主导，LangSmith和Weights & Biases等ML原生平台增长迅速。
- 推理优化方面，NVIDIA的TensorRT和Triton Inference Server占据主导地位，ONNX Runtime和TorchServe等跨平台方案 gaining share。
- 模型托管中，直接调用供应商API最常见，AWS Bedrock和Google Vertex AI等超大规模平台需求旺盛。
- 模型评估工具中，Vertex、Weights & Biases等平台内置功能仍占主导，LangSmith和Langfuse等专用框架崭露头角。
- 数据处理和特征工程中，Apache Spark和Kafka仍占主导，Pandas用于小型数据集，特征存储尚未普及。
- 向量数据库中，Elastic和Pinecone领先，Redis和多种开源方案 gaining traction。
- 合成数据和数据增强中，多数公司自建工具，Scale AI是主要第三方平台，程序化框架如Snorkel AI gaining mindshare。
- 编码辅助工具中，GitHub Copilot使用率极高，Cursor紧随其后，其他方案 adoption 较低。
- MLOps工具中，MLflow和Weights & Biases主导实验跟踪，但端到端MLOps尚未普及。
- 产品和设计工具中，Figma是事实标准，Miro用于协作，AI原生平台尚未普及，低代码方案用于原型设计。
