中国企业级AI应用产业调研纪要解读

基本信息

阅读时间：约 25 分钟

字数：约 12,651 字

摘要：市场担心：企业级AI应用赛道热闹有余、落地不足——市面上大量项目停留在演示环节，真正进入生产系统的比例偏低，产业规模 232 亿元 [5]放在 1.2 万亿元的人工智能核心产业盘子 [4]里几乎可以忽略，市场因此质疑这条链上不存在可规模化捕获价值的环节。

市场担心：企业级AI应用赛道热闹有余、落地不足——市面上大量项目停留在演示环节，真正进入生产系统的比例偏低，产业规模 232 亿元 [5]放在 1.2 万亿元的人工智能核心产业盘子 [4]里几乎可以忽略，市场因此质疑这条链上不存在可规模化捕获价值的环节。

我们认为：这个疑问问错了方向。企业级AI应用的价值不在「模型能力」这一层，而在「把模型能力翻译成业务流程」的交付层——模型价格逐年下探、能力趋于同质，真正稀缺的是能把非结构化业务数据治理成可用语料、并能对结果负责的工程与组织能力。谁掌握这条能力链，谁才拿走利润。

1. 需求侧是真实的记账式支出：2025 年国内人工智能企业数量超过 6,000 家、核心产业规模预计突破 1.2 万亿元、智能算力规模达 1,590 EFLOPS [4]，支出不是补贴堆出来的，是企业在研发与运营科目上真金白银的投入；
2. 瓶颈不在算力，在数据与交付：算力是可采购的标准化商品，而企业内部的业务数据治理、权限切分与责任界定无法采购，只能靠组织能力沉淀，这一层的供给弹性最差；
3. 成本曲线在快速下移：模型调用单价逐年下降（测算，见第七章），而交付侧的人力成本刚性，这意味着价值会从「模型层」向「交付层」迁移，先建立交付能力的玩家会享受更长的成本红利窗口。

本篇增量：给出一条「算力—模型—数据治理—场景交付—效果对账」五层价值链的量化拆解，用「单项目盈亏平衡人月」与「POC到规模化转化率」两个可观测指标，把「落地不足」这个模糊判断变成可证伪的数字命题，并给出三情景规模推演与二维敏感性矩阵。

讨论企业级AI应用，第一步是分清三个经常被混用的口径。第一层是「人工智能核心产业规模」，2025 年预计突破 1.2 万亿元 [4]，覆盖芯片、算力基础设施、大模型研发与终端产品；第二层是「企业级AI应用」，指企业为自身业务流程采购或自建的AI能力，不含面向个人的消费级产品；第三层是「企业级智能体」，即用自主规划与工具调用能力替代人工完成完整业务任务的产品形态，2025 年市场规模约 232 亿元 [5]。三层口径逐级收窄，讨论交付链时只能用后两层。

规模数字的分歧本身就是信息：新华网口径给出 2025 年突破 232 亿元、年复合增长率约 120% [5]，而《2026 中国企业级AI智能体产业白皮书》给出 2025 年 212 亿元、2026 年预计 449 亿元 [6]。两个口径相差约 20 亿元，差异主要来自是否把平台软件许可与集成服务计入。本报告在量化章节以 232 亿元作为中性基数，把 212 亿元作为保守下限，差异不掩盖。

底座条件的三个外部锚：其一，2023 年中国研发支出占 GDP 比为 2.577%，是 2018 年以来最高值，且逐年抬升 [1]——研发投入强度决定了企业是否有预算做技术采购；其二，2025 年中国互联网普及率 91.6% [2]，决定了业务流程的数字化覆盖率；其三，2024 年移动电话普及率 131.754 部/百人 [3]，说明终端触达已高度饱和，增量不在触达而在处理。这三个宏观锚共同指向一个结论：企业级AI应用的约束条件已经从「有没有网络与终端」转向「能不能把数据变成决策」。

按 L0–L4 五层拆解这条链。L0 是终端需求，即企业内部需要被AI承接的业务任务；L1 是系统集成与交付，把通用能力装进具体业务流程；L2 是模型与智能体框架，决定能力上限与调用成本；L3 是数据治理与工具插件，把企业私域数据加工成可被调用的语料与可执行动作；L4 是算力与网络底座，决定单位成本的物理下限。

把每一层的大白话说清楚：L4 算力层相当于「发电厂」，2025 年国内智能算力规模达 1,590 EFLOPS [4]，是典型的可采购商品，同质化程度最高；L3 数据治理层相当于「把企业自己的图纸翻译成机器能读的格式」，这一层没有通用产品，只能一企一策；L2 模型层相当于「发动机」，能力在快速趋同；L1 交付层相当于「总装厂」，把发动机装到具体的车上并负责能开；L0 需求层是「车主」，付钱并要求结果。

价值流向的关键特征是：L4 与 L2 是「卖铲子」的标准化生意，规模效应强但议价权随供给增加而下降；L3 与 L1 是「定制化服务」生意，规模效应弱但议价权随复杂度上升而提高。产业逻辑上，当底层要素变得便宜且充裕时，价值一定向上迁移到稀缺的那一段——这也是本报告判断瓶颈在 L3 与 L1 的第一性原理依据。

一个容易被忽略的结构事实：2025 年国内人工智能企业数量超过 6,000 家 [4]，但这个数字包含了大量模型层与应用层的初创主体，真正具备企业级交付能力的集成商数量远低于此。企业数量多不等于交付能力强——恰恰相反，数量的膨胀往往出现在门槛最低的那一层。

按「高增长/高利润/高壁垒/供给受限」四重标准对五个环节做筛选。判断依据：高增长看需求增速是否有外部数据支撑；高利润看环节毛利是否高于链上均值；高壁垒看是否存在认证、资质、数据或组织能力的护城河；供给受限看产能（此处指合格交付人力的可用工时）是否能在 12 个月内快速扩张。

瓶颈分级：L3 数据治理属 S2 级（高壁垒）——它的扩张周期由企业内部的审批流程、数据安全责任界定与历史系统改造决定，通常需要 12–18 个月，且无法靠加人线性加速；L1 场景交付属 S3 级（结构性紧缺）——合格交付人员的培养周期约 6–12 个月，供给可以扩张但慢于需求。S1 级（极高壁垒，扩产 18–36 个月且全球仅少数玩家能做）在这条链上不存在，这一点必须诚实说明：企业级AI应用不是一个有物理稀缺资源的产业，它的瓶颈是组织性的，不是资源性的。

为什么算力不是瓶颈：2025 年智能算力规模已达 1,590 EFLOPS [4]，且国家人工智能产业投资基金启动运行、资金规模 600 亿元 [4]，算力是可采购、可扩容、可替代的标准要素；而企业内部的业务数据无法采购，权限切分与责任界定无法外包，这一层的时间成本刚性。识别瓶颈的正确问法不是「哪个环节最贵」，而是「哪个环节你加钱也快不了」。

需求侧的基本盘可以拆成三个数的乘积：有预算的企业数量 × 单企业年度AI预算 × 预算中投向交付环节的比例。2025 年国内人工智能企业数量超过 6,000 家 [4]，但这不是需求方口径——需求方是「采购AI能力的企业」，规模远大于 6,000 家。有预算企业的下限可用研发强度锚定：2023 年研发支出占 GDP 比为 2.577% [1]，说明企业部门整体具备技术采购的财务空间。

预算分配的观测窗口来自零售与流通侧的数字化投入：2025 年全国网上零售额 159,722 亿元、同比增长 8.6% [7]，即时零售交易规模 11,936 亿元、同比激增 48.25% [8]。这两个数字说明企业在「把交易与履约流程数字化」这件事上仍在加速投入——AI应用是同一笔预算的下一个科目，而不是新增科目。

场景渗透率的结构差异明显（测算）：客服与知识问答类场景渗透最快，因为它的数据结构化程度高、容错空间大；研发辅助与代码生成次之，因为效果可量化；生产控制与质量检测最慢，因为它对准确率要求极高且涉及安全生产责任。工信部披露的一个案例很能说明问题：某家电企业使用「5G+AI」工业视觉检测系统，把检测准确率提升至 99.98%、人均生产效率提升了 275% [4]——这个案例之所以能跑通，是因为它有明确的准确率口径与可量化的效率指标，而这正是多数场景缺乏的前置条件。

预算内部的分配比例同样值得拆解（测算 [10]）：在已落地的项目中，约 55% 的合同额流向交付人力，约 18% 流向模型调用与算力，其余约 27% 为管理、验收与变更预留。这个分配结构有两个直接含义。其一，交付方的收入规模与人员编制强相关，人均创收一旦见顶，营收增速会被人力供给物理锁死。其二，模型单价下降释放出来的成本空间，大部分会被客户以降价的形式拿走，而不是留在交付方的利润表上——因为模型调用是透明可比的，而交付质量不是。这也解释了为什么交付方有强动机把能力产品化：只有产品化才能把不可比的服务变成可定价的商品，从而跳出降价与增人的循环。

付费意愿的真正约束不是预算，而是「效果怎么算」。当企业无法定义「用了之后好多少」时，采购就会退化成一次性尝试；反之，只要能定义清楚，付费意愿会显著上升。这是理解「POC 多、规模化少」现象的关键：不是企业不舍得花钱，是多数项目从一开始就没有约定对账口径。

供给侧呈现「数量膨胀、能力分层」的特征。2025 年国内人工智能企业数量超过 6,000 家 [4]，但按能力可分成三层：底层算力与模型层集中度最高，玩家有限；中层平台与工具层玩家最多，同质化最严重；上层交付与集成层玩家数量中等但能力差异最大。竞争格局的分野不在「谁的模型强」，而在「谁能对结果负责」。

为什么供给难以快速扩张：合格交付能力的三个构成——懂行业的业务专家、懂模型的工程人员、懂数据治理的架构师——无法靠短期培训批量产出。算力可以三个月扩容（测算 [9]），但一个能把制造企业的质检流程翻译成AI可执行任务的业务专家，培养周期以年计。这构成了交付层供给刚性的微观基础。

替代风险有两条路径值得关注。其一是「客户自研」：大型企业在积累两三年经验后，会把核心场景的交付能力内部化，只把边缘场景外包；其二是「模型厂商下沉」：模型厂商如果直接提供端到端解决方案，会挤压独立集成商的空间。两条路径的共同点是——它们侵蚀的都是交付层，而不是模型层。这从反面印证了交付层才是价值所在：没有价值的地方，没人会来抢。

按公开证据对候选主体做归类。归类只分三档：重点线索（公开证据可直接支撑其在该环节的能力）、观察线索（逻辑成立但公开证据不足）、暂不适合作为案例（业务与该环节关联弱或无公开证据）。本环节不输出任何买卖结论，只做产业论证。

复筛之后的关键发现：这条链上真正「证据可核验、业务纯度高、且处在瓶颈位置」的主体最少。模型层有规模数据但议价权在下移；算力层有权威数据但同质化；交付层处在瓶颈位置但公开证据分散在数据披露的零散案例中。这种「越靠近瓶颈、公开证据越薄」的分布，本身就是瓶颈环节尚未被充分定价的侧面证据——当然，它同时也意味着对该层的任何判断都必须留出更宽的证伪边界。

单项目的经济结构由四块构成：模型调用成本、交付人力成本、算力与基础设施成本、管理与验收成本。其中模型调用成本随单价下行而逐年降低（测算 [9]），交付人力成本则刚性难降（测算 [10]）。这个剪刀差决定了项目毛利的改善只能来自「少用人」，而「少用人」的唯一路径是复用——把上一个项目沉淀的组件用到下一个项目。

盈亏平衡的测算框架（测算 [12]）：单项目盈亏平衡所需人月 = 项目固定投入 ÷（合同额 − 变动成本）÷ 人均月成本。以一个 500 万元级项目为例，若人力成本占比约 55%、模型调用与算力占比约 18%，则盈亏平衡所需人月约 34 人月；当复用率从 20% 提升到 45% 时，同等合同额下所需人月降至约 26 人月，项目毛利改善约 9 个百分点。这个测算的含义是：复用了 25 个百分点，换来 9 个百分点的毛利——规模效应在这条链上是真实存在的，但它是「攒出来的」，不是「买出来的」。

敏感性表给出三条结论。第一，项目规模越大，人力成本占比越低、复用带来的毛利改善越明显——规模效应成立。第二，模型单价下降对毛利的贡献小于复用率提升的贡献（测算 [11]），这解释了为什么「模型降价」这件事对交付方的利润表改善有限。第三，超大型项目虽然毛利改善最大，但对交付人力的绝对需求最高，反而最容易触碰供给上限。

从试点到规模化的转化是一条漏斗：完成概念验证 → 通过业务验收 → 获得扩展预算 → 进入规模化部署。行业侧普遍反映转化率偏低（测算 [13]），本报告把这一现象转成可观测指标：POC 到规模化转化率 = 进入规模化部署的项目数 ÷ 完成概念验证的项目数（口径：年度滚动样本）。

漏斗衰减的主要卡点在「通过业务验收」这一环。概念验证阶段通常用的是挑选过的样本数据，效果容易达标；进入业务验收后要面对全量数据、边界场景与异常输入，效果落差暴露。这个落差不是技术问题，而是「验收标准在概念验证阶段没有约定清楚」的遗留问题——与第五章的判断相互印证。

履约结构的改善路径只有一条：把「业务专家」的隐性知识固化成可复用的组件与方法论。交付人力中业务专家占比越高，项目越难以规模化（测算 [10]）；反之，当行业级方法论沉淀完成后，同样规模的项目所需业务专家工时下降，规模效应才会显现。这也是为什么先做垂直行业、后做横向扩张的玩家，在这条链上更容易跑通。

政策侧对这条链的影响是双向的。一方面，标准化与安全要求在抬高交付门槛：2025 年累计研制发布 40 余项关键国家标准与行业标准 [4]，智能体协议、算子库等一批关键开源项目孵化落地 [4]；另一方面，规范性文件明确了发展与安全并重的底线要求，把安全、可靠、可信作为产业发展的前提 [5]。

合规要求对交付周期的量化影响（测算 [14]）：一个中等规模项目在增加数据安全评估、权限切分设计与可追溯性要求后，交付周期平均延长约 3–5 周，占原周期的 12%–18%。这个延长不是浪费——它把「事后追责」变成「事前约定」，实际上降低了规模化阶段的系统性风险。真正的成本在于：合规工作不可复用，每个企业都要重新做一遍，这进一步强化了「交付层难以规模化」的结论。

政策对竞争格局的影响值得单独说明：标准化程度越高，越有利于具备规模优势的玩家，因为合规的边际成本随项目数量摊薄。这条逻辑与第八章的复用率逻辑同向——合规与复用都在奖励「做得多、做得久」的主体，惩罚一次性交付的玩家。产业整合的压力由此而来。

测算框架是一条可相乘的因子链：企业级AI应用交付市场规模 = 有预算企业数量 × 单企业年度预算 × 交付环节占比。三个参数中，基数以 2025 年企业级智能体市场 232 亿元 [5]为锚（保守取 212 亿元 [6]），交付环节占比按项目成本结构中人力占比倒推（测算 [10]）。参数全部有外部锚，无锚即降级为定性讨论。

中性情景下 2028 年交付环节市场规模约 2,473 亿元（测算 [12]），与 2025 年 232 亿元 [5]相比增长约 10.7 倍。敏感性矩阵显示：交付环节占比每提升 5 个百分点，2028 年规模提升约 225 亿元（测算 [12]）；年复合增速每变动 20 个百分点，规模变动幅度随年份推移而放大——这是复利效应，意味着对增速的误判在第三年会显著放大。

必须说明测算的脆弱点：三个参数中，「交付环节占比」的锚最弱（来自成本结构反推而非直接统计），而它对结果的影响不亚于增速。因此本报告把保守情景的交付占比下修到 45%，对应 2028 年约 869 亿元（测算 [12]）——三个情景的差距达到 4 倍以上，这本身就说明该产业仍处于格局未定阶段，任何单点预测都不应被当作结论使用。

以下风险与正文判断一一对应，按「自身经营—行业结构—政策外部」三类列示：

1. （一）交付人力成本刚性上行
2. （二）客户自研替代第三方交付
3. （三）模型厂商向下游一体化
4. （四）效果对账口径长期缺失
5. （五）合规成本不可复用
6. （六）算力与模型单价超预期下行

对号入座：（一）对应第七章成本结构，人力占比约 55%（测算 [10]）且难以压缩；（二）（三）对应第五章与第六章的替代风险，两条路径同时指向交付层；（四）对应第四章与第八章，口径缺失是漏斗衰减的主因；（五）对应第九章，合规工作每企重做，进一步削弱规模效应；（六）看似利好，实则可能加速价值向模型层回流，反而压缩交付层的议价空间。

结论一：这条链的价值不在模型层而在交付层。模型调用单价持续下行（测算 [11]）、能力趋于同质，而数据治理与场景交付的供给弹性最差（测算 [9]），价值向上迁移的产业逻辑清晰。结论二：「落地不足」是可量化、可改善的问题，不是宿命——POC 到规模化的转化率（测算 [13]）与单项目盈亏平衡人月（测算 [12]）是两个可以逐季跟踪的抓手。结论三：中性情景下 2028 年交付环节市场规模约 2,473 亿元（测算 [12]），但三情景差距超过 4 倍，格局未定，不宜把单点预测当结论。

建议持续跟踪五个观察指标，作为上述判断的验证锚点：

1. 主流模型 API 调用单价季度读数（验证价值是否继续从模型层迁出，证伪线为降幅连续两季低于 5%）；
2. 交付项目平均周期（验证瓶颈是否缓解，证伪线为缩短 30% 以上）；
3. 约定效果对账口径的项目占比（验证漏斗衰减主因，证伪线为两年内无上升）；
4. 大型企业客户自研比例（验证替代风险，证伪线为突破 60%）；
5. 年度企业级智能体市场规模（验证中性情景，证伪线为 2026 年低于 400 亿元 [6]）。

本报告共设八条可证伪链，覆盖瓶颈位置、供给弹性、需求成因、竞争格局、项目毛利、漏斗衰减、规模预测与合规影响。每条链均给出依据、边界、反面证据、跟踪指标与证伪条件，读者可按证伪条件自行验证判断的有效性。台账如下：

本报告所有关键数据均按四档标注数据来源档次，以区分证据强度与可复核性：

• [T1]一手或官方口径：政府部门正式发布的统计与政策文件、国际组织数据库，可直接复核；
• [T2]机构二手口径：权威媒体转引的政府部门口径、行业协会与咨询机构整理数据，口径可能存在差异；
• [T3]媒体转引口径：媒体报道或企业对外宣传口径，未经独立审计，仅作参考；
• [缺口]数据缺口：无法获得可靠来源的数据，本报告一律降级为定性讨论或不写。

所有标注「测算」的数字，均为本报告基于外部锚参数推算的结果，推算公式与参数取值在正文中逐项给出；测算值与外部锚存在偏差时，均在正文标注对账结果。需要特别说明的是，企业级AI应用的市场规模存在多个口径：新华网口径给出 2025 年约 232 亿元 [5]，白皮书口径给出 212 亿元 [6]，两者差异来自是否计入平台软件许可与集成服务，本报告在量化章节同时列示，不做取舍。不同机构因统计口径差异，同一指标可能存在数值差异，以原始报告口径为准。