文章基于A16Z调研报告，揭示了2025年企业AI部署的四大趋势：预算持续增长并纳入核心IT支出；多模型策略成为主流，OpenAI、谷歌和Anthropic领先；采购流程日趋规范；企业从自建转向采购成品应用。软件开发成为首个"杀手级"AI应用场景。企业AI部署已从试验项目转变为战略行动，市场形态接近传统软件但变化节奏更快。
产业互联网第一媒体。产业家
企业部署 AI 不再是试验项目，而是战略行动。预算已经常态化、模型选择多元化、采购流程标准化、AI 应用开始系统落地。尽管产业需求和企业需求碎片化，但这正是企业拥抱的方向。一些关键厂商正在脱颖而出，企业也越来越多选择成品应用以加速落地。
市场形态愈加接近传统软件，但变化节奏与复杂性却完全不同——这是 AI 的特有节奏。
2025年，AI大模型在企业场景的落地走到哪了？
过去一年，AI在企业中的地位发生了根本性转变。它不再是创新实验室里一场场孤立的试验，也不仅是技术部门热衷的“新玩具”，而是真正走入了核心业务系统，成为IT和经营预算中不可或缺的一部分。
这是一场静悄悄却迅猛的演进：AI模型变得更多样，采购流程愈发严谨，企业不再“自己造轮子”，而是开始像采购传统软件那样，有条不紊地选择、部署、评估人工智能服务。技术领导者们正变得越来越成熟——他们明白，不同模型适配不同任务，用例碎片化是常态，而高质量的AI原生应用，正在快速超越传统软件厂商。
近日，A16z发布了一份主题为《AI技术在企业场景落地》的调研报告，报告基于与20多位企业买家的深度访谈和100位CIO的调研，全面回顾了企业在2025年如何部署、采购、集成和规划AI。
这份报告背后对应的是一个新的观点，即：AI不再是“是否值得尝试”的问题，而是“如何规模化落地”的现实挑战。
AI落地到底如何？又或者说，AI在企业场景中到底该如何落地？怎样更好的落地？可以说，它是一份调查，也更是一面全球企业落地AI的镜子。
让我们一起来走进这份报告。
以下为报告原文（部分语句做可读性调整）：
一年前，我们总结了企业在构建与采购生成式 AI（Gen AI）方面面临的 16 项变革。时至今日，形势已然大变。为此，我们重访了 20 多位企业买家，并调研了横跨 15 个行业的 100 位 CIO，试图帮助创业者了解企业客户在 2025 年及未来如何使用、采购与规划 AI。
尽管 AI 世界瞬息万变，过去一年市场格局的演进仍然超出了我们的预期：
1**、企业 AI 预算持续超标增长，从试点项目跃升为 IT 和业务核心预算的一部分。**
2**、企业在“多模型组合”上的运用日益成熟，开始注重性能与成本的平衡。OpenAI、谷歌和 Anthropic 是闭源市场的主力，而 Meta 与 Mistral 成为开源阵营的热门选择。**
3**、AI 模型采购流程日趋接近传统软件采购：评估更严、托管更讲究、标准化测试更受重视。与此同时，更复杂的 AI 工作流也在推高模型替换成本。**
4**、AI 应用生态逐渐成型：标准化应用开始取代定制开发，AI 原生的第三方应用迎来爆发增长。**
本报告将围绕企业在预算分配、模型选择、采购流程与应用使用四大维度的最新趋势，帮助创业者更细致地理解企业客户真正关注的重点。
一
预算：AI 支出超出预期，并持续增长
- AI 预算增长远超预期，且毫无放缓迹象
企业对大语言模型（LLM）的投入已大幅超出去年原本就很高的预算预期，且预计未来一年将继续增长，平均增幅约为 75%。正如一位 CIO 所说：“我 2023 年一整年的支出，现在一周就能用完。”
预算上升的原因有二：一方面，企业持续发掘更多内部用例，推动员工广泛采用；另一方面，越来越多的企业开始部署面向客户的 AI 应用，尤其是科技创新型企业，这些场景的投入呈指数级扩展。一家大型科技公司表示：“去年我们主要专注于内部效率提升，今年的重点将转向面向客户的 Gen AI，投入会大大增加。”
- AI 正式纳入核心预算，结束“试验期”
一年前，企业在 LLM 上的支出中仍有约 25% 来自创新专项预算；如今，这一比例降至 7%。企业普遍将 AI 模型和应用的费用纳入常规 IT 与业务部门预算，体现出 AI 不再是探索性项目，而是业务运转的“基础设施”。
一位 CTO 指出：“我们的产品正在陆续集成 AI 功能，相关支出也自然水涨船高。”这意味着，AI 融入主流预算的趋势还将进一步加速。
二
模型：多模型策略成为主流，
三大厂商初步确立领先地位
- 多模型时代已成常态，“差异化”而非“同质化”成驱动力
当前市面上已存在多个性能出色的 LLM，企业开始在实际生产中部署多种模型。虽然避免供应商绑定是一个重要原因，但更根本的动因是：不同模型在不同用例中的表现差异越来越显著。
本年度调查中，37% 的企业正在使用五种及以上的模型，较去年的 29% 明显增长。
虽然模型在某些通用评估中得分相近，但企业用户发现，其实际效果差异不容忽视。例如，Anthropic 的 Claude 更擅长细粒度代码补全，而 Gemini 更适用于系统设计和架构。在基于文本的任务中，用户反馈 Anthropic的语言流畅性和内容生成更强，而 OpenAI 的模型更适合复杂问答任务。
这种差异促使企业采用“多模型最佳实践”，既保障性能优化，又降低对单一厂商的依赖。我们预判这种策略将在未来继续主导企业的模型部署路径。
- 模型格局仍激烈，但三大厂商初显优势
虽然企业在实验和生产中持续试用多个模型，但市场上已出现三个领先者：OpenAI 保持市场份额领先，谷歌和 Anthropic 则在过去一年迅速追赶。
具体来看：
（1）OpenAI：其模型组合被广泛应用，GPT-4o 是最常部署到生产环境中的模型，推理模型 o3 也引发高度关注。67% 的OpenAI 用户在生产中部署了非前沿模型，这一比例远高于谷歌（41%）和 Anthropic（27%）。
（2）谷歌：在大型企业中表现更突出，得益于 GCP 客户基础和品牌信任。Gemini 2.5 不仅具备顶级上下文窗口，在性价比上也具明显优势——Gemini 2.5 Flash 每百万 Token 成本为 0.26 美元，远低于 GPT-4.1 mini 的 0.70 美元。
（3）Anthropic：在技术前沿型企业（如软件公司与初创企业）中受到高度青睐。其在代码相关任务中的表现尤为突出，是增长最快的 AI 编码应用背后的核心引擎。
此外，开源模型如Llama 与 Mistral 更受大型企业青睐，主要出于数据安全、合规和可定制性考虑。新玩家 xAI 的 Grok 模型也开始受到广泛关注，市场仍充满变数。
- 对于中小型模型而言，闭源模型的性价比优势愈发明显
如前所述，模型成本正以每年一个数量级的速度下降。在这一趋势下，闭源模型（尤其是中小型模型）的性能/成本比正变得越来越有吸引力。
目前在这一领域表现领先的是 xAI 的 Grok 3 mini 和谷歌的 Gemini 2.5 Flash。例如，一些客户表示，出于成本考量及生态系统集成便利，他们更倾向选择闭源模型。
正如一位客户坦言：“现在的定价已经非常诱人，而我们已经深度嵌入谷歌生态，从 G Suite 到数据库都在使用，他们的企业服务经验对我们来说很有价值。”另一位客户则更直白地总结道：“Gemini 很便宜。”
这反映出闭源模型在中低成本场景中正逐步赢得市场。
- 随着模型能力增强，微调的重要性正在下降
随着模型智能水平和上下文窗口显著提升，企业发现，实现优异性能已不再依赖微调，而是更多依靠高效的 Prompt 工程。
某家企业观察道：“我们不再需要提取训练数据去微调模型，只要把它放进一个足够长的上下文窗口，结果几乎一样好。”
这一转变带来两个重要影响：
（1）降低使用成本：Prompt 工程成本远低于微调；
（2）降低供应商绑定风险：Prompt 可轻松迁移至其他模型，而微调后的模型往往存在迁移困难和高前期投入。
不过，在某些超特定用例中，微调仍不可或缺。比如，一家流媒体公司就针对视频搜索中的查询增强，对开源模型进行了微调，以适应领域语言。
此外，若强化微调（Reinforcement Fine-tuning）等新方法在实验室外得到广泛应用，微调在未来也可能迎来新一轮增长。
总体而言，大多数企业在常规场景中对微调的 ROI 预期已经下降，且更倾向于在成本敏感型场景中选用开源模型。
- 企业对“推理模型”前景乐观，正积极准备规模化部署
推理模型（Reasoning Models）能够让大语言模型更准确地完成更复杂的任务，从而显著扩大 LLM 的可用场景。尽管目前多数企业仍处于测试阶段，尚未正式上线部署，但对于其潜力普遍持乐观态度。
一位高管表示：“推理模型能帮助我们解决更多新型、复杂的任务场景，我预计它的使用量很快会出现大幅增长。只是目前我们还处于早期测试阶段。”
在早期使用者中，OpenAI的推理模型表现最为突出。尽管 DeepSeek 在行业中也有不少关注，但在生产部署方面，OpenAI 的优势非常明显：本次调研显示，有 23% 的企业已在生产中使用 OpenAI 的 o3 模型，而使用DeepSeek 的仅为 3%。不过，DeepSeek 在初创企业中的采用率相对更高，企业市场渗透仍较低。
随着推理能力逐步融合进企业应用主流程，其影响力有望迅速放大。
三
采购：企业AI 采购流程趋于成熟，
正全面借鉴传统软件采购机制
- 模型采购流程日趋规范，成本敏感度提升
当前，企业在选择模型时已普遍采用系统性的评估框架。在我们访谈中，安全性和成本与准确性、可靠性一样，成为模型采购的核心考量。正如一位企业负责人所言：“现在大多数模型的基础能力都够用，价格反而成了更重要的因素。”
此外，企业在“用例-模型”匹配上也日益专业化：
（1）对于关键场景或对性能要求高的任务，企业更倾向于选择具有强品牌背书的顶级模型；
（2）对于内部或低风险任务，企业更多以“成本导向”作决策。
- 企业对模型厂商信任度显著提升，托管策略更加多元
过去一年，企业与模型厂商之间的信任明显提升。虽然仍有一部分企业偏好通过现有云服务关系托管模型（如通过 AWS 使用 OpenAI），但越来越多的企业选择直接与模型提供方合作，或通过 Databricks 等平台托管，尤其是在模型并未由主力云厂商托管时。
正如一位受访者所说：“我们想第一时间用上最新最强的模型，预览版本也很关键。”相较去年“尽可能绕回主云厂商”的策略，这种直接托管趋势是一个显著转变。
- 随着任务复杂性上升，模型切换成本也在快速上涨
去年，不少企业在设计AI 应用时刻意降低切换成本，希望模型“来去自如”。但随着“代理式工作流”的兴起，这一策略开始失效。
代理工作流通常涉及多步骤协作，模型之间的替换将牵一发而动全身。企业在构建提示语、设计护栏、验证质量方面投入大量资源后，更不愿意轻易更换模型。
一位 CIO 总结得非常直接：“我们所有提示都为 OpenAI 优化过了，每个 prompt 都有特定的结构和细节。要切到另一个模型，不仅要重新调教所有提示，还可能影响整个工作流的稳定性。”
- 外部评估基准日渐成为“模型采购的第一道筛选”
随着模型数量激增，企业采购者也越来越依赖类似 Gartner 魔力象限那样的外部评价体系，如 LM Arena。这类评估为模型采购提供了初筛参考。
尽管企业仍高度重视内部基准测试、金标数据集和开发者反馈，但外部指标正在成为“第一道门槛”。不过，企业普遍强调：外部 benchmark 只是评估的一部分，真正决定性因素仍然来自实际试用和员工反馈。
四
应用：AI 应用加速落地，
企业从“自建”转向“采购”
- 企业从“自己开发”向“购买成品”大幅转变
AI 应用生态正在迅速成熟。过去一年，企业从“自己构建”向“采购专业第三方应用”的转变非常明显。
原因主要有两个：
（1）性能与成本的动态差异使持续评估和调优成为必要，而这通常更适合由专业团队而非内部团队执行；
（2）AI 领域演进迅速，内部自研工具难以长期维护，且未必构成竞争优势，反而降低了“自建”的性价比。
例如，在客户支持场景中，超过 90% 的受访 CIO 表示正在测试第三方应用。一家上市金融科技企业曾尝试自研客户服务系统，但最终决定转向采购成熟方案。这一趋势在医疗等高风险行业尚未完全展开，因数据隐私与合规仍是首要考量。
- “按结果计费”仍不被 CIO 广泛接受
尽管“按效果付费”被广泛讨论，但企业在实践中仍有诸多顾虑——例如结果定义模糊、归因困难、成本不可控等。多数 CIO 表示：他们更倾向于按使用量计费的方式，因为这更直观、可预测、可控。
- 软件开发成为首个“杀手级”AI 应用场景
虽然 AI 已在内部搜索、数据分析、客户服务等多个领域落地，但软件开发的应用爆发最为显著。这得益于三重利好：
（1）模型能力显著提升；
（2）现成工具质量极高；
（3）投资回报率直接可见，适用行业广泛。
一家高增长 SaaS 公司 CTO 表示，他们现在近 90% 的代码由 Cursor 和 Claude Code 生成——而一年前使用 GitHub Copilot 时，仅占比 10-15%。这种跃迁式采用虽仍属于前沿现象，但可能正是企业界未来的风向标。
- Prosumer 市场（生产者消费者融合）拉动应用早期增长
强消费品牌带动企业采购决策的现象再次上演。
ChatGPT 是典型案例：许多 CIO 表示购买企业版 ChatGPT 是因为“员工用得惯、喜欢、信得过”。从生产者市场向企业端的自然延伸，加速了新一代 AI 应用的增长。
- AI 原生应用的速度与质量正在超越传统巨头
虽然传统厂商拥有渠道优势和品牌信任，但在产品质量与迭代速度上，AI 原生公司已开始超越。例如在编码工具领域，Cursor 这类专为 AI 场景构建的工具，让用户对传统的 GitHub Copilot 明显“不再满意”。
一位公共安全行业 CIO点出：“第一代和第二代 AI 编码工具差异极大。新一代原生产品更智能，也更实用。”
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
