WISE2025商汤科技贾安亚：AI企业落地的关键转变与实战洞察

2025年，商业领域正处于新旧交替的关键节点。面对商业逻辑的重新构建与科技革命的汹涌澎湃，WISE2025商业之王大会以“风景这边独好”为主题，致力于在充满变数的环境中探寻中国商业发展的确定性方向。本篇文章将记录这场思想碰撞的开场时刻，聚焦那些在变革中依旧稳步前行的先行者。

11月27日至28日，享有“年度科技与商业趋势指南”之称的36氪WISE2025商业之王大会，在北京798艺术区传导空间盛大举行。

本次WISE大会突破了传统行业会议的框架，以“科技爽文短剧”的形式打造沉浸式体验。内容覆盖AI重新定义硬件极限、具身智能步入现实应用、品牌全球化的出海策略，以及传统产业的数字化升级（“赛博义肢”）。大会不仅揭示未来趋势，更从无数次商业实践中凝练出深刻洞见。

接下来，我们将逐一剖析这些“爽剧”背后的实际逻辑，共同领略2025年商业领域的“独特风景”。

商汤科技 贾安亚 拍摄：36kr

自2023年‘智能涌现’概念兴起，至2025年AI技术加速渗透各行各业，人工智能的应用模式正经历深度转型。

商汤科技贾安亚在演讲中指出，虽然国家层面正积极推行‘人工智能+’行动计划，但在实际中，真正从AI中获取显著商业回报的企业仍属凤毛麟角。

贾安亚提出，企业在部署AI时需抓住两大转变关键：首先，应用模式应从IT部门主导转变为业务部门驱动，确保一线员工能够直接参与技术选型；其次，场景选择要精准，应避免在容错率极低的财务等核心领域冒进，转而关注供应链、人力资源、运营等具备一定容错空间且能带来显著增值的环节。

随着多模态技术的不断成熟以及软硬件协同带来的成本下降，AI正逐步从单一的生产力工具升级为与企业数据流程深度融合的综合性解决方案。在这一转型过程中，企业对AI的需求已不再局限于单个模型，而是需要能够端到端解决具体业务挑战的完整系统。

以下为商汤科技贾安亚演讲速记，经36氪整理编辑：

贾安亚：感谢主办方的邀请。我是商汤科技的贾安亚，目前负责与生产力相关的各类AI原生应用。

在进入主题前，我想先分享本周的一些体验。上周，随着Nano Banana和Gemini3的发布，我再次感受到AI技术突破所带来的振奋与变化。

我亲自尝试了多项新功能，例如利用NotebookLM基于Nano Banana制作PPT，同时在社交平台上看到不少用户借助AI开发小游戏和应用。

通过一系列的复刻实验，我深刻体会到技术进步为个人应用带来的巨大潜力，尤其是大幅降低了应用开发与设计的使用门槛。

如今不少人认为，未来的竞争壁垒或将不再是技术本身，而是创意。去年我对这一观点还心存疑虑，因为软件研发的技术门槛确实不容小觑。

但现在亲眼见证基于AI的前端开发、游戏制作及小程序构建，确实能大幅压缩时间成本，甚至省去学习特定编程语言的步骤。因此我鼓励大家积极尝试各类模型，包括国内众多优秀模型，商汤自己的模型也支持诸多类似场景。

今天我将重点探讨AI在中国企业端的应用。与面向个人的陪伴型或创意型应用不同，企业级应用更为严肃且要求苛刻。

政策方面，国家陆续出台了一系列利好政策，尤其是‘人工智能+’行动计划，目标到2027年智能终端与智能体覆盖率达到70%以上。这一政策的战略意义堪比十年前的‘互联网+’，后者曾推动中国互联网普及并创造巨大经济价值。国家层面的强力支持将自上而下地加速AI在企业端的落地。

与此同时，应用模式也经历了显著演变。自2022年底至2023年初大模型概念兴起，两年多来大模型的应用范式不断革新。

2023年业界普遍聚焦于预训练、增量训练和微调，而今年上半年强化学习成为热点，随后智能体、多智能体概念相继涌现。我们观察到，AI应用对算力的依赖逐渐减弱，但对具体场景与实际价值的结合愈发紧密。

然而，趋势演变背后也伴随着挑战。MIT今年7月发布的一项针对美国企业大模型落地情况的调研显示，仅有5%的企业在部署大模型后，最终在财务报告中体现出实际价值。

当然，我认为5%这一标准可能过于严格，因为要将价值量化体现在财报中并不容易，实际应用中取得成效的企业比例应当更高。

但这的确反映出大模型在企业落地过程中仍存在诸多障碍，例如技术迭代过快，导致刚部署的方案可能在几个月内就需推倒重来；此外，如何将AI与企业内部数据及流程深度融合也是亟待解决的难题。

不过，我们也发现一些令人鼓舞的数据：企业内部自发推动的AI落地项目，成功率不足三分之一，相比外部合作伙伴主导的项目反而更低。

同时，尽管自上而下的企业级AI建设成功率有限，但大量员工已开始自发使用各类AI工具。因此，AI在企业端的实际应用广度可能远超调研报告所呈现的数据。

右侧引用的是Gartner今年9月发布的关于智能体的分析报告，其中一些观点颇具启发性。

今年智能体概念热度很高，但市面上许多所谓的‘智能体’其实名不副实，它们或是低代码工具、RPA的翻版，或仅仅是对大模型进行简单业务封装后贴上的标签。

在我们看来，‘智能体’这一术语本身并不关键，关键在于如何融合企业实际需求与技术应用，切实推动业务目标的达成。

这些调研结果让我们意识到：一方面企业端存在大量未被满足的需求，另一方面供给侧的效率尚待提升，这为未来数年AI在企业市场的落地开辟了广阔的商业空间。

过去两年，我们与众多企业开展了合作探索。令人欣喜的是，2023年我们主要与头部企业合作，而随着标准化产品与解决方案的成熟，如今越来越多的中小企业、学校、医院等机构开始采用我们的通用方案。

基于观察，我们总结出几点重要发现。首先，AI应用落地与传统信息化存在根本性的范式差异。

传统信息化通常由CTO或IT部门主导，建成后移交业务部门。但如今我们发现，能够为企业创造可衡量价值的AI应用，往往由业务部门驱动——业务人员率先试用工具，验证效果后再推动企业级采购。这种模式有效弥合了IT与业务部门在需求理解与实施过程中的鸿沟。

其次，场景选择至关重要。

例如，我们曾与某头部金融机构合作，对方希望将财务部门作为首个应用场景。我们旗下有一款核心产品‘办公小浣熊’，主打AI数据分析、文档智能处理及PPT自动生成等功能。

当时我建议客户不要将财务部门作为首发场景。原因在于财务部门对数据准确性要求极高，数据复杂度也远超其他部门。

根据实践，理想的AI落地场景应具备两大特征：一是具备一定容错空间，二是能为用户带来显著增量价值。财务人员自身数据处理能力极强，且报表绝不容许差错，而AI目前难以实现100%准确，因此并非最佳切入点。

相比之下，供应链、进销存、人力资源及运营等领域虽然数据资源丰富，却往往缺乏专业的数据科学团队进行深度挖掘，这些恰恰是AI落地见效最快的场景，能够迅速产生增量价值。

通过优质场景先行，才能更顺畅地推动企业后续的AI规模化建设。

此外，AI在企业落地并非简单的产品采购，而是一项系统工程，尤其对于大型企业，需从多维度深度赋能。

我们可以将AI在企业中的价值划分为三个层次：第一是个人价值，即提升个体工作效率，如文案撰写、代码编写、数据分析等。然而，企业整体运营效率不仅依赖个人效率，更取决于团队协作效率及管理效能。

因此，我们希望AI不仅能够赋能个人，还能优化团队沟通、降低协作壁垒，最终提升整体管理效率。当然，这需要AI技术的持续演进才能逐步实现。

这与OpenAI CEO Sam Altman提出的AI五层进化理论相吻合，当AI发展至第四、第五层时，企业级智能将真正实现。

可见，面向个人的AI应用往往更容易标准化，而面向企业管理层的解决方案则高度个性化，需结合行业与企业特性进行定制。

今年上半年，国内开源模型备受追捧，许多企业纷纷部署开源模型，但普遍面临困境：即便采购了英伟达或国产芯片，部署了各类模型，却难以真正应用。原因在于企业真正需要的是端到端的业务解决方案，而非孤立的模型。

从细节来看，企业需要在模型之上整合自身数据、流程及业务逻辑。模型本身可以是语言模型、多模态模型或生成式模型，但对企业业务目标与行业场景的深刻理解，才是落地的关键。

技术上，我们愈发重视多模态能力的价值。商汤在模型训练中引入多模态协同训练，并在强化学习阶段加入沙盒模拟、规划等智能体必备能力，从而提升模型在企业业务中的准确性。这一点至关重要。

企业级应用之所以比个人应用更为严苛，是因为个人用户对精度容忍度较高，而企业AI与业务成果直接挂钩，对准确性的要求近乎苛刻。

企业数据形态多样，涵盖文本、图像、数据库以及各类结构化与非结构化数据。因此，在应用中需充分利用模型的多模态能力，实现复杂输入的综合分析并输出准确结果。

接下来聚焦‘办公小浣熊’。这款产品面向企业及个人用户，提供AI原生的数据分析、文本处理及PPT生成功能。AI正深刻改变生产力工具的内涵。

传统上，我们依赖Windows、Office等工具进行文档处理，随后移动互联网与云协同工具兴起。如今，AI推动生产力范式从‘面向文件’转向‘面向任务’——AI能够综合处理多种文件与背景信息，主动端到端解决用户任务，实现从工具到助手的演进。

这正是‘办公小浣熊’的发展路径。自2024年1月作为国内首个数据智能体发布，到后续集成更多AI能力，直至即将推出的3.0版本，小浣熊已进化为全新的AI办公系统，与传统办公软件截然不同。

具体功能方面，精度是核心考量。我们之所以率先推出数据分析智能体，是因为通过模型训练与强化学习，在数据分析任务中，企业实际应用精度已超过95%，部分垂直领域甚至可达100%，达到企业可用的高标准。

若精度仅停留在80%-90%，大量用户使用时将引发频繁错误，因此确保模型在具体场景中的精度至关重要。

另一项关键功能是任务规划Agent。当用户目标明确时，问题较易解决；但在复杂情境下，信息输入不足或目标模糊，AI需通过引导帮助用户理清思路、深入调研，最终提供解决方案。

两种功能的结合，使我们既能高效满足企业明确的需求，也能辅助高层管理者应对复杂决策。

我们的终极愿景，是借助AI生产力工具，实现向AI生产力的全面跃迁。

最后补充一点，我近期体验了多种新型硬件，包括昨天刚拿到的英伟达DGX Spark（AI超级计算机），十分有趣。

在企业应用中，成本始终是关键考量。过去算力成本居高不下，但随着技术演进，无论是推理加速、模型架构优化还是硬件升级，如今已涌现出众多高性价比的硬件选项。

因此，未来AI的发展不仅会在软件层面解决企业难题，更将通过软硬协同的方式，以更低成本满足多样化需求。

谢谢大家！