近日，微軟(MSFT.US)在最新全員大會上高調展示企業級AI業務進展，其中與巴克萊銀行達成的10萬份Copilot許可證交易成為焦點。

　　微軟首席商務官賈德森·阿爾索夫在會上披露，這家英國金融巨頭已簽約采購相當于10萬個使用席位的AI助手服務。若按每位用戶每月30美元的官方標價計算，這筆交易年化價值可達數千萬美元。

　　阿爾索夫進一步透露，包括埃森哲(ACN.US)、豐田汽車(TM.US)、大眾集團和西門子在內的數十家企業客戶，其內部Copilot用戶規模均突破10萬量級。

　　微軟CEO薩蒂亞·納德拉在大會上強調，公司正密切跟蹤客戶員工的實際使用率，而非單純追求銷售數字。盡管微軟拒絕就此置評，但這場內部會議釋放的信號清晰：這家科技巨頭正將企業級AI市場作為核心戰略陣地。

　　生成式AI價值在企業端綻放

　　從過去一年多的發展來看，AI技術應用的熱門場景更多的還是在消費側，無論是“文生文”的大語言模型，還是“文生圖”的多模態模型，更多的是輔助人們進行一些簡單的辦公，或者提供一些娛樂。

　　生成式AI離真正成熟的企業級應用尚需時日。不過隨著技術的不斷發展，2025年，將會有更多的企業級AI應用落地，而AI與產業的融合也將成為今年科技圈的焦點話題之一。

　　消費側的場景僅是生成式AI的冰山一角，生成式AI真正的價值還得看企業側、行業側的應用。相較于消費側，企業級AI應用有著更廣泛的需求和潛力。生成式AI在包括HR、財務和供應鏈流程自動化、IT開發和運維的智能化，以及企業資產管理、數據安全等方方面面均有著大展拳腳的機會。

　　從行業角度出發，包括金融、醫療、法律咨詢、教培等偏服務型的行業有望率先有較成熟的生成式AI落地。

　　企業級AI平臺將成最優解

　　除了金融和醫療行業以外，其他各個行業也都在積極探索生成式AI與業務結合的場景。各行業當下對待AI的態度如同幾年前對待云計算的態度一般。

　　而AI也將“接棒”云計算，成為未來企業數字化關注的焦點。過去十五年間，企業數字化成就了云計算，未來的十五年將迎來企業應用AI賦能的關鍵時刻，而混合云+AI也必將成為未來很長一段時間內，企業數智化的最優解。

　　目前，企業級AI應用方式主要有三類：嵌入軟件、API調用和搭建企業級AI平臺。

　　嵌入軟件是目前企業應用AI賦能業務最簡單的方式，但也是差異化最低的一個，無法根據企業自身需求進行更高層次的探索。

　　相較于嵌入軟件的形式，API調用具備了一定的差異化能力，企業可以根據自身需求調用外部大語言模型，從中取得一些不一樣的效果。這個方式相對比較經濟、便捷，同時又可以實現一定程度上的差異化需求。但企業所用的大語言模型也能被其他企業調用，時間久了差異化的能力會逐步減弱。

　　現階段，企業應用最好的方式就是搭建自己的企業級AI平臺。云計算將會是未來很長一段時間內企業數字化的主要手段，而AI發展的趨勢也是不可逆的，AI已經成為企業核心競爭力，所以企業需要打造自己的企業級AI平臺。雖然這種方式短期上來，企業的投入相較于其他兩種更大，但長期來看，企業投入的回報率非�？捎^。

　　企業搭建屬于自己的企業級AI平臺顯然已經成為當下各行業企業提升自身競爭力，以及差異化能力的重要手段之一。但是從現有的應用上來看，生成式AI在企業側的應用仍處于方興未艾的狀態。

　　縱觀生成式AI在企業側應用不難看出，目前仍存在幾點問題。

　　首先，大模型“幻覺”問題是制約生成式AI在企業側發展的首要因素。企業側應用不像消費側，企業側應用場景大多對于準確性、安全性要求要遠高于消費側的場景，而“幻覺”的問題將導致企業在決策、安全等方面面臨著眾多隱患，這也是生成式AI之所以在行業應用場景落地較慢的核心因素。

　　其次，現階段，大模型主要的能力還是體現在文字、文檔處理，一般性的聊天和較淺顯的專業問答方面，以及通用視覺領域的問答和生成方面，對于邏輯推理要求和準確性要求高的專業語言領域，涉及學科和工程相關圖片、視頻識別的專業視覺領域，以及“文生視頻”等能力仍需技術迭代。

　　目前，具備多模態能力的大模型產品目前仍難以在行業側的落地應用的能力，但多模態模型將成為大模型領域各大廠商角逐的焦點。隨著多模態模型成熟度不斷變高，會有更多的行業應用場景出現。

　　再次，安全問題也是企業關注的焦點。當下，數據已經成為企業重要的資產，在利用任何數字技術的時候，企業都會優先考慮安全問題，而應用生成式AI賦能業務，需要大量企業內部數據對原有模型進行訓練才能達到更好的效果。

　　在這個過程中，如何確保企業數據不會泄露，甚至被競爭對手利用，是當下企業對于應用生成式AI賦能業務有所擔憂的核心問題之一。

　　對此，企業需要采取一系列的安全措施和技術手段，如加強數據加密和訪問控制、建立安全審計和監控機制、采用對抗性防御技術提升模型的穩健性、完善隱私保護政策和機制等。

　　從現階段企業應用AI的趨勢來看，大多數企業對AI應用保持積極的態度，積極探索AI與業務相結合的方式，但我們離真正成熟的企業級AI應用爆發式涌現還尚需時日。不過無論是企業側，還是AI服務供應商側，都在積極的探索和布局。

　　數據、場景、規模化應用

　　當生成式AI風頭正勁，越來越多的企業開始積極在自身行業布局相關的AI應用。但在風頭之下，從準備工作到業務價值落地之間環環相扣，從數據準備到篩選場景，再到落地應用，每一個環節都會成為企業級AI應用的卡點。

　　從現階段應用來看，具備企業級AI應用落地的企業并不多，若想有更多成熟的生成式AI應用場景落地，企業首先需要大量多維度的高質量數據。無論是對于政府，還是企業，數據已經成為AI時代的“石油”。

　　2022年底，ChatGPT橫空出世以后，新一輪AI的浪潮席卷各行各業，企業對于數據的重視程度越來越高。隨著大數據產業的發展，數據質量越來越高的前提下，人工智能已經逐漸從以代碼為中心，轉向以數據為中心的人工智能。當下企業需要通過加強數據治理和增強數據質量，來解決模型輸出效果。

　　好的企業顯然已經在數據方面做好了“就緒”。比如寶馬從2018年就開始數據資產化進程，建立數據和AI的團隊，特別是最近幾年，很多企業把數據落湖，進行資產化。

　　數據資產化之后，對于大型企業來說，實現了跨地域、跨業務部門之間異構數據的互通互享。只有打通數據的通路，才能在此基礎上進行應用開發，無論是做用戶高級分析，還是AI模型的訓練，就顯得得心應手了。

　　而伴隨著生成式AI的火爆，合成數據也成為了大模型時代企業訓練大模型的“必備品”，Gartner數據顯示，2026年，GPT等大型語言模型就將耗盡互聯網上可用的文本數據;2030年，合成數據將徹底取代真實數據。

　　盡管合成數據發展的速度超乎想象，不過目前業內對合成數據的看法并不一致。

　　一種觀點認為，合成數據無異于“近親繁殖”，會造成模型崩潰的情況，這種觀點主要的核心理論是：如果在訓練中不加區別地使用AI產生的內容，模型就會出現不可逆轉的缺陷——原始內容分布的尾部(低概率事件)會消失。

　　另一種觀點認為，當現實中高質量數據不足的時候，合成數據能夠精準的提供高質量的數據。合成數據是現在比較有效的方法，特別是訓練一些大模型的時候，主要原因是因為合成數據的質量比較高，覆蓋性比較好，可以滿足利用一些比較精簡的數據集訓練出好用的模型產品。

　　數據的重要性在當下已經不言而喻，而數據就緒也成為了企業在利用大模型產品賦能業務發展的過程中的第一步，既是基礎，也是前提。

　　擁有了足夠量的高質量數據，企業才具備大模型的“入場券”，而進場之后，如何才能讓大模型產品幫助到自身業務發展?找準場景就成為企業第二步要做的事。

　　目前企業場景中，比較容易率先應用大模型的場景是對一些原有的類似智能客服的產品的迭代。

　　一方面，這些簡單的大語言模型的應用目前已經可以做到無需GPU卡就能實現，從部署成本上，給企業降低了部署的成本，當然也降低了試錯的成本;另一方面，原先的知識問答類的產品，并不能很好地理解人們的訴求，但當植入了大語言模型的能力之后，能讓智能問答類的產品有質的飛躍。

　　對于智能問答類的產品的延伸——知識圖譜，也是企業現階段可以率先應用大模型賦能的一環。

　　此外，從應用的深度上看，企業的IT運維管理方面，也是企業率先應用大模型時好的選擇。大模型的能力對復雜的IT運維環境提供了更好的監控，優化資源配備的能力，可以監控到指令級的問題，并對問題進行自動化的干預。

　　除了知識類和IT運維類的應用以外，立足各行業中，企業也在積極的探索大模型的應用。從目前的應用場景上看，醫療、金融這兩部分是比較常見的，也是落地比較快的兩個場景。

　　金融行業方面，現階段，大模型在金融行業的應用主要還是集中在風險評估和管理，以及知識圖譜平臺搭建方面。在風險評估方面，大模型可以通過分析大量的歷史數據和實時信息，預測市場風險、評估信用風險等，為金融機構提供更加準確和及時的風險管理決策支持。

　　另一方面，金融機構還在嘗試將大模型與知識圖譜平臺結合，用大模型代替NLP技術，在進一步提升效率的同時，提升風控水平。

　　醫療行業方面的應用目前主要集中在識別和同樣是類似問答的分診領域。一方面，通過行業大模型對大量醫療數據的學習和分析，可以自動識別病變特征，輔助醫生進行疾病診斷，提高診斷準確率與診斷效率;另一方面，通過類似“AI助手”的模式，利用大模型為患者提供分診助手也是在醫療側目前布局廠商較多的一類產品。

　　除了金融和醫療領域，其實還有很多領域涌現了不少大模型可以應用的場景，雖然這些場景有一些不錯的落地效果，但企業也不應該對大模型“趨之若鶩”。

　　如果一個企業級AI應用沒法形成規模化應用，那么這個應用、這個場景對于企業而言意義不大。無論是傳統AI，還是生成式AI技術，如果好幾月才能做一個場景，且無法規�；瘧�用，那就不能說是企業級AI。

　　如果能將AI的能力通過平臺化進行復制，重復使用AI的能力，對于企業而言，使用AI的成本與技術門檻將會下降很多。

　　平臺化僅是企業級AI規�；瘧�用的開始和前提，在實現了平臺化的能力后，通過公司內部的系統對AI應用集成決定了企業級AI規模化成敗的關鍵。很多內部的應用系統都具有關聯性，通過這些系統，將AI的能力進行集成后，就能產生聯動效應，才能實現真正的規�；瘧�用。

　　從微軟的千萬級訂單到各行業的積極試水，企業級AI已從概念驗證邁向規�；�落地的關鍵階段。未來十年，隨著大模型幻覺問題的技術突破、多模態能力的成熟、數據安全體系的完善，AI將深度滲透生產、管理、服務全鏈條，逐步從“試驗田”變為“生產力引擎”。對于企業而言，構建“數據資產化+場景智能化+平臺生態化”的能力體系，既是應對未來競爭的必修課，也是把握AI產業紅利的戰略機遇。

　　正如云計算重塑了企業IT架構，AI正以更深刻的方式，重新定義商業世界的效率邊界與價值創造邏輯。當技術創新與產業需求同頻共振，企業級AI的黃金時代，正在加速到來。