自2022年ChatGPT发布以来，AI正加速融入各行各业。今年国内“智能经济”概念的提出，更让这一趋势升温。然而，技术热潮之下，企业引入AI的实际进程究竟如何？又面临哪些深层制约？
近日，TE Connectivity（泰科电子，以下简称“TE”）发布的《行业技术指数》调研报告显示，行业技术企业的AI采用率已突破80%。但一个显著的变化正在发生：企业正从“拥抱技术”转向“要求回报”——投资回报率（ROI）已取代产品创新，成为管理者首要关注的目标。
在中国，85%的受访企业已不同程度采用AI，超过全球82%的平均水平；同时，74%的企业将成本列为AI应用的首要顾虑，而去年的焦点还是监管与道德。
Gartner研究副总裁Adam Ronthal也提到：“尽管企业AI部署落实率已从2024年的五分之二提升至如今的五分之四，数据和分析领导者仍需厘清思路并聚焦投资回报率（ROI），才能更好地实现企业日益增长的AI目标与愿景。”
当技术验证阶段逐渐过去，AI落地正面临一场关于价值创造、流程嵌入与规模化复制的真正考验。
AI落地演变
一个容易被忽略的事实是，实现智能化的前提是打通数字化闭环。
TE高级总工程师、先进制造技术高级总监张丹丹对21世纪经济报道记者分析，实现数字化意味着企业内部有很多数据更加透明，并可以利用这些数据进行分析和决策。相比之下，“个人认为，智能化更侧重于理解，即综合理解这些数据到底意味着什么。比如智能化制造，其实更多是理解所处的环境，也就是工况，以及对任务复杂度的理解。”
她进一步指出，自动化主要解决的是减少人的重复性工作，智能化则需要理解并处理更复杂的任务。在智能化制造环节做大规模部署时，仍面临不少挑战，因为要应对的环境更复杂。
TE中国区总经理兼亚太区人力资源副总裁张超认为，虽然业界普遍谈到“AI步入成熟期”，但具体企业的节奏会有差异。
以TE的实践来看，将AI技术融入企业包括三个阶段：文化转变（全员拥抱AI）、流程转变（AI嵌入研发、物流、制造、办公等主要流程）、价值最大化。
他表示：“TE目前正处于第二阶段。AI现在是一种最有效、最热门的工具，我们应该把它嵌入到日常工作中。”
张丹丹也判断：“从整体来看，我们已经从前几年的AI技术验证阶段，逐步走向常态化使用阶段，也就是逐步步入成熟期。”
她举了两个实际案例。其一是AI视觉检测，TE全球已部署和应用800多套，从过去“一个工厂一两套”变为“亚太地区有的工厂一次部署几十套甚至上百套”，显示出已经步入规模化使用AI阶段。
其二是工艺参数的优化和控制。例如TE在使用注塑机生产塑胶件过程中，借助AI对关键工艺参数进行控制和优化，保障产品性能。一旦一个工厂成功，其他工厂相似案例便可快速复制推广。她强调，“推进时首先要把ROI指标算明白，然后再去推广。”
至于不同类型AI技术的落地趋势，张丹丹观察到，AI应用正从早期的深度学习模型（用于视觉检测、工艺优化）扩展到大语言模型及智能体。“AI像助手一样，可以快速帮你获取信息、综合信息，给你不错的建议。从GPT到Agent，我们也在做越来越多尝试。”她指出。
TE汽车事业部中国区商业智能总监杨玲朗则回顾了2023年以来的心态变化：最初关注模型能力与安全性，随后意识到“数据治理是前提”——如果数据标准不统一，AI无法理解业务场景。到了去年，她明显感受到中国企业的管理层更加关注AI能否带来实际业务价值。“回归理性和务实，AI投入到底能否带来成本节约，是这个阶段的必然。”
仍存制约
今年被视为“智能体（Agent）元年”，但企业要真正接入智能体，显然将面临更多挑战。
杨玲朗对21世纪经济报道记者指出，当前阶段面临两个主要瓶颈：流程复杂度和系统集成、数据治理。
举例来说，制造业的业务流程复杂，单个智能体难以解决所有问题，因此需要将多个智能体融合，并与其他数字化技术结合。因此，AI工程师要透彻理解业务流程，业务人员也要真正懂得AI的能力边界。
此外，智能体运转需要与企业内部多个系统打通，获取不同数据源。内部系统的集成能力、数据的一致性与可采性，都是现实障碍。
杨玲朗认为，挑战虽然存在，但只要清楚差距点，就能找到解决方案。“现在智能体正处于试点和规模化应用的阶段，相信未来智能体应用仍是逐步增长的趋势。”
她进一步分析，在日常部署AI时，看重三方面能力：第一，AI是否真正嵌入研发、生产、销售、供应链、质量等流程，并提供关键作用，而不是停留在试点项目或者初步验证阶段；第二，AI是否基于企业自身数据，理解业务逻辑、场景，而非给出通用化答案；第三，AI是否具备稳定性、可控性和可扩展性，能够从单个工厂扩展到多个工厂，甚至在不同的区域可以被规模化使用。
杨玲朗认为，AI与公司业务结合的核心是人机协作：把重复、复杂的计算交给AI，把信息准备好后提供给专家做判断与决策。“当AI真正为业务在质量、交付、成本上带来实际改善的时候，我认为它才步入成熟期。”
她以供应链排产项目举例，传统方式是采用Excel文档来处理百万级数据，通常需要6~7小时，上线AI算法后缩短至6~7分钟。由AI提供基于不同业务目标的多个版本排产方案，业务人员再根据经验做最终决策。
在内部AI基础设施搭建方面，杨玲朗补充道，TE目前内部配置了三层投入：基础大模型、垂直模型、数据治理。“我们也在引入One Data的概念，只有数据治理好了，后续AI的推广使用才能更顺畅。”
Gartner杰出研究副总裁Rita Sallam表示：“2026年，人类、机器与组织智能的边界将不断模糊。企业以前所未有的方式依赖数据，AI系统不仅是辅助工具，更是协同工作的‘合作伙伴’。”
该机构预测，到2027年末，GenAI与AI智能体的应用，将给主流生产力工具带来30年来首次真正挑战，并引发价值580亿美元的市场格局重塑。到2029年，AI智能体从物理环境中产生的数据量预计将达到所有数字AI应用数据总和的10倍。
Gartner还指出，物理世界中的代理型AI应用因与环境交互而在逻辑、空间及多智能体场景中产生海量轨迹数据。这为世界模型创造了从数据中学习规律并进行精准预测与模拟的独特机遇。
当AI从“技术验证”走向“常态化使用”，决定胜负的不再是谁的算法更酷，而是谁能将AI真正嵌入业务流程、算清ROI、打通数据治理并实现人机协作的规模化复制。
极速配资提示：文章来自网络，不代表本站观点。
