文章来源：钛媒体
图片由 AI 生成
《全球首席信息官 （CIO） 报告》 中指出，尽管已有近半数企业启动了 AI 部署，但多数仍处于早期阶段，普遍面临 ROI 不明确、数据基础薄弱、专业能力不足等关键困境。
在联想集团高级副总裁、首席信息官、方案服务业务集团首席技术与交付官胡贯中 （Art Hu） 看来，中国与海外在 AI 交付方面的路径不尽相同。
海外依托传统 SaaS 模式打下的牢固基础，通过 SaaS「消费」AI 服务成为主流。相比之下，中国市场对软件与 SaaS 的认知度与成熟度不如海外，不过这也为中国市场提供 AI 交付提供了一些机会。
机会与挑战并存
无论从国家，还是企业层面，都在积极推动 AI 技术在 ToB 领域的应用。
国家层面，8 月 26 日，国务院印发 《关于深入实施 「人工智能+」 行动的意见》，明确将智能体列为重点发展领域，并提出了三个阶段的发展目标：2027 年，实现人工智能与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超过 70%；2030 年，新一代智能终端、智能体应用普及率进一步提升至 90% 以上；2035 年，我国将全面步入智能经济和智能社会发展新阶段。
《意见》 中也明确提出，要 「创新服务业发展新模式」，推动服务业从数字赋能的互联网服务向智能驱动的新型服务方式演进。包括探索无人服务与人工服务相结合的新模式，在金融、法律、交通、物流、商贸等领域，推动新一代智能终端、智能体等广泛应用。
在优化应用发展环境方面，《意见》 提出了一系列创新举措，为智能体技术的发展提供了强有力的支撑保障。通过布局建设一批国家人工智能应用中试基地，搭建起连接技术创新与产业应用的桥梁，加速智能体技术从实验室走向产业化。这些中试基地将成为智能体技术验证、成果转化和商业模式探索的重要平台。
同时，通过推动软件信息服务企业智能化转型，重构产品形态和服务模式，培育一批专注于人工智能应用的服务商，发展 「模型即服务」「智能体即服务」 等创新模式，打造人工智能应用服务链。形成从技术研发、产品化到商业化应用的完整产业生态，打破技术应用门槛，使更多企业能够以较低成本享受到智能体技术带来的红利。
企业层面，除了以阿里、华为、腾讯、联想、百度为代表的科技行业头部企业在积极推动 「模型即服务」「智能体即服务」 等创新模式，并结合应用场景，挖掘 AI+场景之外，诸如中信、中远海运这样的传统行业的龙头企业，央国企，也在积极结合自身所处领域的行业 Know-how，在垂类领域不断挖掘应用场景。
虽然 AI 应用、AI 服务有着很多机会，市场仍有很大的括展空间，但对于绝大多数企业而言，企业级 AI 真正落地，还有很多挑战。
据麦肯锡 2024 年企业 AI 应用调研，全球 73% 的企业在 AI 落地过程中遭遇 「预期与现实偏差」，超 40% 的项目因无法规模化或价值模糊而终止。当 AI 从 「技术热词」 走向 「产业刚需」，企业级 AI 落地的复杂性远超预期。技术、数据、组织、成本的多重挑战交织，正在重构企业智能化转型的底层逻辑。
AI 落地仍有诸多挑战
具体来看，AI 在企业侧落地的过程中，仍存在很多挑战。
首当其冲的就是幻觉问题。幻觉问题自从生成式 AI 出现，就一直是阻碍 AI 前进脚步的 「绊脚石」。与 C 端应用不同的是，企业级 AI 的应用对 「幻觉」 存在几乎是 「零容忍」 的，一个幻觉的错误很可能导致企业业务，甚至决策受到极大影响。
对此，胡贯中表示，幻觉问题是这一代 AI 架构中普遍存在的现象，且在短时间内是不可避免的，但随着技术的推进，大模型的幻觉率一直在下降。「大家都是在逐步迭代，尽可能去降低幻觉率，但即便如此，一定还会有小概率的幻觉存在。」 胡贯中指出。
胡贯中认为，企业可以通过围绕幻觉问题设计一些相应的场景解决方案，应对出现幻觉后企业面临的难题，而针对大模型生成内容的人工复核是当下比较常见的方法。
「目前在很多场景中，针对智能体处理结果，都需要进行风险评估。比如智能体跑出一个结果之后，无论是小任务，还是大任务，如果任务涉及到企业核心决策，就需要有人来判断是否接受这一结果，或是评判这个结果是否达标。」 胡贯中举例道。
与此同时，联想集团副总裁，方案服务业务集团业务应用服务交付负责人陈敏仪也向笔者表示，幻觉问题绝对不是仅仅依靠大模型能力的提升就能解决的。
「从应用角度出发，想要解决整体精准度和幻觉率的问题，一定需要一套从上到下的、一体化的解决方案。」 陈敏仪进一步指出，「这其中包括从模型，到工程化，到各种体验层和 UI 层，各个环节去系统性解决问题。」
幻觉问题一方面体现在模型能力和体系化解决方案能力的不足，另一方面，缺乏高质量的数据集用于训练、微调模型，也是绝大多数企业在应用 AI 大模型过程中感觉 「不好用」 的关键所在——因为 AI 的本质是 「数据驱动的决策」。对此，胡贯中认为，数据和数字化基础的准备程度是目前绝大多数企业应用 AI 的困境之一。
目前从数据的准备程度上看，多数企业的数据分散在 ERP、CRM、IoT 设备等分散的，各自成」 孤岛 「的数十个系统中，格式涵盖结构化表格、非结构化文档、时序传感器数据等多种不统一的格式，且存在大量 「脏数据」。
此外，即便企业投入资源清洗数据，垂直领域的 「隐性知识」 仍难以结构化：例如，半导体制造中的 「晶圆良率波动」 可能与上百个工艺参数相关，但工程师的经验判断 （如 「某台设备近期维护记录异常」） 往往未被记录，导致数据无法完整反映业务逻辑。
据 BCG 统计，企业可用于 AI 训练的有效数据占比普遍低于 10%，「数据丰富但信息匮乏」 成为常态。
另一方面，即便是数据内部流通，现在仍有很多企业并没有打破内部部门间的数据孤岛，究其原因，技术标准不统一、利益分配机制缺失，导致了 「数据孤岛」 难以打破。而唯有打破企业内部的数据孤岛，才能真正让企业级 AI 发挥价值。
除了幻觉、数据这类技术上的难题之外，ROI 不能确定也是阻碍企业级 AI 落地关键。胡贯中告诉笔者，通过联想对市场上用户的反馈得出——企业在大幅增加 AI 投入的同时，也越来越关注可量化的业务成效。「投资流向生成式 AI 过程中，企业也从对技术先进性的追求，逐渐转变为追求切实的商业价值。」 胡贯中指出。
这个观点并不是联想 「一家所言」，在此前的红杉资本大会上，全球超过 150 名顶尖 AI 企业的创始人共同得出了 「下一轮 AI，卖的不是工具，而是收益」 这样的结论。
在企业普遍追求降本增效的时代，企业虽然对 AI 会加大投入，但同时企业也更希望看到 AI 为他们带来 「既得利益」，「AI 在企业中应用，要么给企业带来新的增长，要么为企业节省开支，这两个都不能带来的技术，是没有意义的。」 此前笔者在与某零售行业 CIO 交流中，他曾向笔者多次强调。
一体化交付的误区与解法
在诸多的挑战面前，企业在落地 AI 应用过程中，需要的事一体化交付的能力。
以一体机举例，年初 DeepSeek 火出圈的同时，也带火了一体机的市场，但经过多半年的发展，有不少企业当初购买的一体机处于了 「吃灰」 的状态，究其原因，首先是企业认知上的错误——这部分企业认为 「购买了一体机=拥抱 AI」；其次是有了硬件，软件、场景没有，也让一体机 「无用武之地」。
一体机反应的不仅是硬件的采购热潮，其背后是企业对一体化交付能力的渴望。企业需要一个整套的数智化的解决方案，这套方案中，硬件只是载体，而软件和服务才是核心。
而这种一体化的服务也成为了很多具备这样能力的 AI 服务商布局的重点。
以联想为例，前不久，联想就宣布全面升级其 「联想混合式人工智能优势集」，进一步拓展其全栈 AI 能力。据了解，本次升级重点包括：强化 AI 基础设施解决方案、完善全周期 AI 服务组合，并扩展与全球技术伙伴深度融合的混合式 AI 工厂平台，助力各行业在多元化应用场景中高效部署 AI，释放生产力，提升业务灵活性，实现可量化的投资回报。
针对联想混合式人工智能优势集，胡贯中表示，AI 的突破不只是技术层面的革新，更是一项系统工程。真正推动企业走向智能化，需要的不仅是算法能力，更需要从基础设施、平台工具到行业场景的全栈布局与实践经验。
联想希望通过混合式人工智能优势集，让各个模块可灵活组合，在满足定制需求的同时，实现快速部署、可扩展、可复制，加速 AI 从试点到规模化落地。「未来，我们也将继续推动 AI 在更多行业中规模化落地，真正实现 「从技术创新到价值创造」 的跨越。」
当 AI 从 「单点实验」 走向 「规模化应用」，企业需要的不再是单一技术模块的供应商，而是具备整合能力的，从 「数据-模型-算力-场景-运维」 多维度出发的，能提供全链路一体化交付服务商。需求背后，是企业应对 AI 落地复杂性、降低试错成本的必然选择。（本文首发于钛媒体 APP，作者｜张申宇，编辑丨盖虹达）