本刊记者 郑雪 石青川

被认为是未来基础设施的AI，正推动企业的生产变革。

“我们是一家供应链公司，日常更关注AI对于准确率提升所带来的影响。以需求预测为例，在引入算法引擎和AI工具后，需求预测的准确率在85%～90%之间，这有助于我们的连锁餐饮客户更精准地管理库存。”顺新晖首席技术官（CTO）周军在接受本刊记者采访时说。

8月，《国务院关于深入实施“人工智能+”行动的意见》正式印发，阐明了“人工智能+”行动的“路线图”和“时间表”。

在这一背景下，越来越多企业正积极接入AI，探索其在不同业务环节的应用方式。与此同时，接入成本、技术适应性等问题也受到广泛关注。如何进一步推动AI与实体产业深度融合、释放更多创新活力，已成为行业共同思考的方向。

AI落地遇挑战：有企业遭遇 “水土不服”

“在我们数据开发部，AI早已成为团队‘标配’。它承担了大量重复性工作，比如可以直接问AI这段SQL（一种编程语言）是什么意思，能让工程师聚焦核心逻辑。我们的数据开发效率因此提升了50%。”国货洗护发品牌诗裴丝相关负责人对本刊记者说。他们将采购的AI产品用于编程、设计、数据分析等领域。

在医药研发领域，希格生科利用类器官疾病模型和AI技术，开发出全球首款弥漫性胃癌靶向药，该药已先后获得美国、中国的新药临床批准。

希格生科创始人兼CEO张海生对记者说：“AI帮助我们突破了传统候选化合物库的限制，候选化合物挑选的精度和广度提升很多。”

中国工业互联网研究院（以下简称“工联院”）对近1500例AI项目分析发现，在工业领域应用方面，不同行业的AI应用渗透率不同，大模型在电力、汽车、钢铁等行业渗透率较高。不同环节AI应用成熟度不同，传统AI（指判别式小模型，主要针对单一任务）在生产制造和运维服务使用较多，而大模型的应用分布呈“微笑曲线”，在产业链高附加值两端的研发设计和经营管理落地较快。

“各行业和环节的数字化基础存在差异，且不同环节对于模型准确性、稳健性和实时性等方面要求也不同。”工联院智能化研究所人工智能研究员杨昱文对本刊记者说。

不过，大模型逐步落地企业的过程中，也出现了不少“水土不服”的情况。

“我还是担心AI存在泄密可能。”马新（化名）告诉记者，作为一家中小型新材料企业的负责人，他们研究的新材料用于航空航天等前沿领域。他非常关心大模型使用中的数据安全问题。他说，公司相关业务对于信息保密有着要求严格，因此暂时不考虑在公司内使用AI。

AI幻觉（指AI一本正经地胡说八道），也常被“吐槽”。

“我们看到某AI问诊平台，建议糖尿病患者每日注射50单位胰岛素（远超安全剂量），这是因为训练数据混淆了不同体重患者的用药标准。”甘李药业信息技术部总监高源告诉记者说。

对于研发、临床等对信息准确性要求极高的领域而言，其核心诉求始终是提供精准可靠的答案。

除了上述问题，企业在推进AI落地时还需面对另一个现实挑战：如何找到真正适合AI并能产生实际价值的应用场景。

周军介绍，以货物配送为例，过去公司使用的技术已经能够很好地解决货在哪里、如何寻找最优路径的问题。如果引入AI，只不过是把之前做的再做一遍，而且大模型公司往往拿不出更好的解决方案。

“大模型所具有的查询或简单总结过往作业数据的功能，对我们来说意义并不大。”他说。

另一个关键的问题在于，企业能否下定决心，将钱投向AI。

苏州市智能网联科技发展有限公司（以下简称“苏州网联”）解决方案经理信传龙告诉本刊记者，AI的应用成本，包括算力的软硬件采购等，对于很多非IT行业的企业来说，属于高成本投入，往往影响企业AI使用意愿。

“如果为了AI，招人、买设备，花几百万，压力还是蛮大的。而且现在AI技术路线很多、更新很快，我们很担心投入的钱打了水漂。最好的方法，就是使用外部已经成熟的方案，几千或者几万，成本低一点，最多试错试掉了。”豪雅（上海）光学有限公司IT和数字化转型负责人张坤对本刊记者说。

企业用AI，花费知多少

采访中记者发现，钱主要花在两方面：软硬件和人。

软硬件主要解决模型及算力问题。硬件主要涉及GPU、服务器、传感终端、数采设备等采购，投资规模从数万元至数百万元不等；软件主要包括信息服务采购、数据预处理（指数据的采集、标注、存储、使用）等费用。

实践中，企业往往部署开源模型。模型自研成本高昂，不如使用成熟模型来得方便；且国内开源模型能力并不弱。为更好回答垂直领域问题，不少企业会对模型进行调优或二次开发。

传化智联采用“本地化通用模型部署+专属垂直应用定制与调优”的混合架构接入AI。

传化智联技术部副总经理陈海锋告诉本刊记者，国内不少开源模型能力很强，方便企业快速应用，他们在本地部署了通义千问和DeepSeek大模型，同时也对模型进行训练和调优工作。

如为了让模型精准理解“园区货物中转的动态调度逻辑”，他们会输入园区运营数据对模型调优，以便模型精准生成符合物流场景的动态调度策略。

调研中，记者发现，企业运用的算力来源多样。

有企业出于安全和保密需求，选择自建算力设备。金螳螂建筑装饰股份有限公司副总裁阴皓明告诉本刊记者，该公司采购了服务器等硬件，采用本地部署模式。

据了解，金螳螂是中国建筑装饰行业首家上市公司，在营销、设计、施工等核心环节使用AI。

“我们是一家寿险机构，属于中小公司，选择了一个相对轻资产的路线，通过云来调用模型。这部分主要计算Token（词元，处理文本的最小数据单元）费用，国内还是非常低的。”信美相互人寿AI技术负责人刘念说。

以信美花费的Token为例，通用知识一问一答花费不到1分钱；深度研究大概是几毛钱到几块钱之间。

实践中，不少企业混合使用上述两种方式，兼顾云端资源利用与本地数据安全。

“涉及核心数据（如客户数据）时，出于安全和保密需要，我们更愿意将这些数据握在自己手中。非核心数据（如交通路况等）愿意通过云端方式调用。”周军说。

当企业内部AI需求日益旺盛，人成为关键。

“自己招人做AI还是挺贵的。目前市场行情来看，招一个AI工程师，薪资七八十万起步，且至少组建3～5人的团队。”张坤介绍，他们内部没有建AI相关开发团队。

“我们没有额外招聘。”陈海锋说，他们内部培养了一支高素质的技术研发队伍，人才能力可以复用。

周军则更关注理解业务、对数据有敏感度且熟悉数据处理的人。他也曾尝试招聘AI研发工程师，但费用较高，还需为招来的人组团队，最终转而招聘数据治理方面的工程师。

企业使用AI，究竟要花多少钱？

“我们从一开始就希望能和成熟厂商合作，有什么用什么。企业部署AI的费用主要是购买第三方服务的费用。除了一次搭建，每年的订阅费、运维费是固定的，每年成本在十几万元。”张坤说。

豪雅选择和AI整体解决方案提供商星云创联合作，独立部署AI综合性应用平台。

协鑫科技是一家大型新能源企业，目前平均每年的AI投入在百万级别。协鑫科技数字与信息化中心副总经理朱云阁向记者透露，公司采购了GPU、服务器，对相关设备和AI模型进行本地化部署。此外，在通用模型和垂直模型上都有投入。

“我们的整体投入属于行业中高水准，且随着应用场景扩大呈阶梯式增长，重点向核心业务场景倾斜。”陈海锋说，传化智联上榜2025年《财富》中国500强，属大型企业。

阴皓明介绍，金螳螂在AI 上的投入累计已达数百万元，约60%用于本地服务器等硬件采购，约40%用于算法工程师等人才团队建设。

杨昱文估算，综合来看，传统企业接入AI，单一工位（指生产过程的最小基本单元）的质检优化，其成本量级通常在10万元左右；产线或部门级的整体改造，则需投入百万到千万元；而实现工厂级别全面智能化转型，投资额度则可能达到千万元及以上。

值不值？如何把成本打下来

企业应用AI，需要大笔投入，值吗？企业内心自有一杆秤。

周军告诉记者，主要看两方面：一是投入的场景是不是企业核心竞争价值所在，二是问题的解决是否会对企业发展产生长期影响。如果回答是肯定的，那就应该投。

“我们认为AI在辅助生产和赋能研发上能带来最大化收益。比如，我们训练的AI模型，可以在光伏拉晶时识别并自动调整相关设备参数，提高拉晶效率，降低硅耗和断线率。虽然AI应用还处于早期，但我们看好AI，接下来投入会越来越大。”朱云阁说。

那么，是否有方法把使用AI的成本打下来？

信传龙认为，相比于投资算力，算力租赁显然更适合非IT行业企业，不仅前期资金占用较少，还能避免技术过时风险。其所在公司负责运营的“苏州工业园区公共算力服务平台”是官方智算服务平台，不仅可按需租赁所需算力资源，还可提供企业所需的模型服务、数据服务、智能体服务。此外，苏州工业园区本地企业客户还可获得20%补贴。

“可以考虑政府补贴、AI标准化通用方案两种形式。”经济学者、工信部信息通信经济专家委员会委员盘和林接受本刊记者采访时说。

记者不完全统计，各地政府陆续出台算力券、数据券、模型券、场景券等，以进一步扩大人工智能应用。企业满足相应条件后即可申领。

以AI行业竞争激烈的上海、北京为例，7月，《上海市进一步扩大人工智能应用的若干措施》提及发放6亿元算力券、3亿元模型券、1亿元语料券，进一步扩大人工智能应用。

8月，2025年北京市高精尖产业发展项目资金和支持中小企业发展资金实施指南（第三批）显示，对首次解决重点行业典型应用场景需求并实际落地的优质解决方案、软件智能化、算力券进行补贴，单个企业、项目的奖励、支持、补贴金额，最高3000万元。

盘和林认为，标准化的通用AI+方案也是不错选择。“模型厂商或第三方服务商推出的通用方案，如果用户数量大，平台的开发成本摊薄，定价就会低一点。”

“针对质检等AI成熟应用的场景，优先采购云服务商经验证的AI解决方案，以规避自建数据中心和AI团队的高昂投入。”杨昱文说。

在杨昱文看来，企业还可通过以下途径有效控制并降低相关成本：一是“小步快跑”策略，优先聚焦业务流程核心痛点并开展小规模试点，投入可控且能快速验证价值，为后续规模化积累经验和数据；二是重视数据治理，应率先完成企业内部数据治理，作为提升AI性能的基础。

针对AI赋能新型工业化过程中存在的供需对接问题，杨昱文建议开展精准供需对接活动，打造“赋能服务团”，形成行业场景供需目录。面向重点行业领域，可搭建供需各方和产业链上下游的对接平台，推动供需精准匹配对接和深度交流合作。

为释放AI落地的产业潜力，杨昱文还建议加快建立高质量数据集建设标准与共享交易机制，为训练和测试高水平行业模型提供数据基础；同时建设共性技术平台、完善数据基础设施以及创造宽松创新生态，为AI与实体经济深度融合提供持久动力。

（封面设计图为创意性构想，画面由AI生成）