AI落地的“十大问题”

▎投入少没效果，投入大风险大，AI落地到底该怎么办？

2025年是公认的企业级AI应用落地元年。AI已经不再一味卷技术、卷工具，而是向着卷应用、卷价值演进，如何能让AI在业务场景中发挥更大的价值，成为企业的“必修课”。

当AI从“效率工具”向“认知伙伴”跃迁，也说明AI的试验阶段已经结束，企业核心竞争力将取决于定制化AI应用和可量化的业务成果方面。

但现实是，很多企业虽然已经开始在企业级AI方面进行布局，但效果并不理想——据IDC数据显示，66.5%的中国企业已在局部应用AI，以期重塑商业模式、提升运营效率，但仅有27.2%的企业正迈向AI的规模化应用阶段；此外，Gartner的调研数据显示，全球仅有41%的生成式AI试点项目能成功进入生产阶段。

投入少没效果，投入大风险大，AI落地到底该怎么办？

今年，9月11-14日，一年一度的ITValue Summit数字价值年会将如期在三亚举办，我们将基于钛媒体/ITValue团队这一年的调研，与AI技术和落地应用中最具话语权的企业，体系化讨论企业级AI落地过程中的“真相”。

有真正的甲方现身说法，有真正的解决方案和案例分析，也有真正踩过的坑，还有甲乙方对AI落地不同视角的理解与碰撞。一切尽在2025 ITValue Summit数字价值年会。

我们梳理了AI落地中的十大问题，将在2025 ITValue Summit数字价值年会上将逐一分解，欢迎所有关注AI落地的同行者参与讨论、分享。

问题一：共识如何达成？

在生成式AI重塑商业逻辑的当下，企业正经历着从技术试点到战略重构的关键转折。

但一个严峻的事实是，这一转变并不是简单规模化的进程。麦肯锡的一项调查显示，64%的CEO因目标模糊导致项目止步试点，而80%的AI项目仍停留在文档分类等基础场景。

对于企业管理者而言，如何正确认识AI，并在此基础上，结合行业Know-How，经过深思熟虑，制定AI战略？如何与组织对齐战略目标，确保落地有条不紊？

问题二：数据是决胜关键

目前，获取高质量数据集仍是绝大部分企业应用AI过程中的一大痛点，数据孤岛、合规安全、资源投入……阻碍重重。

此外，数据质量问题的根源贯穿数据生命周期的全链条，数据采集、传输、存储……任何环节出问题都会成为AI落地效果大打折扣。

可以说，数据问题解决不好，企业级行业模型的应用落地就失去了“养分”，即便种下再好的种子，也结不出可口的果实。

问题三：场景如何选择？

企业在选择生成式AI应用场景时，往往面临多重决策困境，这些痛点既源于技术本身的特性，也与企业自身的资源、认知和组织模式深度绑定。首先，企业常陷入“技术优先”而非“业务优先”的误区，被生成式AI酷炫的能力吸引，却忽视场景与核心需求的匹配度。

另一方面，生成式AI场景的落地需要算力、人才、资金的持续投入，中小企业尤其容易陷入“想做却做不起”的困境。

战略上的盲目源于价值评估的模糊，技术适配的障碍受制于数据基础，而组织协同与资源约束又进一步放大了这些问题。企业在“试错成本高”与“错失机会风险大”的两难境地中踌躇不定。

问题四：模型怎么选才最具“性价比”？

基础模型的选型，要考虑根据不同场景，适配相对应的模型，还要兼顾性能、成本。

与此同时，技术路线选择也充满矛盾，“预训练模型+微调”需大量标注数据且成本高，“提示词工程+检索增强”虽灵活却在复杂场景不稳定。

此外，选择相对更为灵活的、开发度更高的开源模型，还是选择商业化更成熟，安全性相对更高的闭源模型，也是企业不得不面对的一个话题。

如果没有做好模型的选型，很可能就会让企业的AI应用在一开始就“胎死腹中”。到底如何平衡性能与成本？

问题五：行业模型如何落地？

不同行业，不同场景下，需要不同能力、不同侧重的模型，尤其是在一些行业专有场景之中，通用大模型的能力与垂类小模型相比，并没有优势。

而对于企业而言，应用行业模型的落地过程是一个涉及技术、数据、组织、合规等多维度的复杂工程，其难点往往交织在行业特性与技术局限性的矛盾中。

行业模型的落地绝非简单的技术移植，而是一场涉及战略、流程、文化的系统性变革。只有深刻理解行业本质需求，在技术理性与行业特性间找到平衡点，才能真正释放行业模型的价值。

问题六：如何确保AI可靠性与可解释性？

当生成式AI从实验室走向产业一线，企业面临的挑战早已超越算法精度本身，演变为技术可靠性、组织适应性与工程化能力的多维博弈。

这个过程中，AI的“幻觉”问题（模型生成错误信息）一直是AI在企业侧落地过程中最大的阻碍之一，尤其是在一些对准确性要求较高的场景下，AI幻觉问题甚至成为了这些场景下能否落地最关键的一环。此外，“黑箱”模型在一些特定的行业在应用的过程中，带来了员工“不信任”的风险。

AI大模型的产业价值，不仅取决于测试集上的准确率，更在于工程化落地的稳定性与效率。

问题七：知识库如何搭建才能更有“活力”？

知识库就像是大模型的养分，需要不断地注入营养给大模型，才能让大模型在业务场景发挥真正的作用。

真正能释放业务价值的知识库绝非静态的“资料仓库”，而是动态流动、持续迭代的“智慧引擎”。与此同时，如何让知识库摆脱“僵尸系统”的宿命，通过持续运营实现“新陈代谢”，知识库的动态性体现在持续迭代机制的建立上，只有让知识在应用中不断循环更新，才能适应业务的变化。

此外，知识库运营的核心是让其融入员工的日常工作，让员工“用得上，离不开”，而不是成为“僵尸系统”，也是是企业必须攻克的难题。

问题八：Agent时代，寻求人机协同的“最优解”

Agent AI触手可及，AI正在从单一任务执行者，进化为复杂业务场景的协同参与者，其编排逻辑与治理机制正成为企业数字化转型的关键命题。

在此进程中，AI已经从工具属性进化为协同伙伴，企业面临的核心挑战已从技术落地转向人机协作规则的重构。这种“共生关系”绝非简单的技术叠加，而是需要在分工界定、能力适配、界面设计、信任培育等维度建立刚性秩序，更依赖业务部门从被动接受者转变为主动设计者，唯有如此，Agent才能突破“实验室效果”，真正融入企业运营的毛细血管。

问题九：安全合规是永远的红线

安全合规始终是企业在选择数字化转型技术的过程中，最为关注的问题之一。

当AI大模型从实验室走向企业核心业务系统，其安全合规问题已从技术细节上升为战略风险。企业级应用的规模化、场景的敏感性与监管的全球化，使得算法偏见、隐私泄露等问题被放大为法律纠纷、声誉危机甚至业务停摆的导火索。这种困局不仅源于技术的复杂性，更在于AI治理体系与现有规则框架的适配断层。

问题十：AI人才瓶颈

AI价值的持续释放，高度依赖与之匹配的人才结构、跨部门协作机制及敏捷的运营流程。德勤调研显示，53%的高管认为“缺乏具备AI与业务融合能力的人才”是落地首要障碍；而近50%的企业现有组织架构与决策流程无法有效支撑AI项目的规模化部署与迭代优化。突破人才瓶颈需要组织、文化协同，可谓牵一发动全身。

而上述仅是AI落地中最突出的问题，还有更多大大小小的问题需要层层拆解。

宏观经济环境变化和新旧技术更迭交织，以AI博增长，企业还需要更多定力。