研究显示,达到GPT-3.5水平的模型推理成本,从2022年底的每百万token 20美元,暴跌到2024年底的仅0.07美元,并且还在加速下跌1。预计到2030年,1万亿参数大语言模型的推理成本,会比2025年再降低90%以上2。一旦技术快速商品化并大幅降本,围绕“买哪个模型”来竞争并非战略重点,因为系统并不会自动变得“智能”。
AI的主战场已经发生根本性转移,但企业的转型步伐却严重滞后。标普全球对北美及欧洲1000家大中型企业开展的调研显示,42%的企业在当年叫停了多数AI项目,46%的AI概念验证项目还没落地投产便宣告搁置3。兰德公司的分析也表明,超80%的AI项目最终失败,失败率为非AI技术类项目的两倍4。
绝大多数情况下,问题的根源并非在于模型性能不够,而是数据基础薄弱、业务流程割裂,以及缺少真正让AI在企业实际场景中稳定落地的工程化能力。想要获得可持续的竞争优势,企业必须放下对“完美算法”的执念,转而深耕体系化能力,打造稳健、端到端的AI全链路系统。
新AI战略矩阵
要想将AI深度融入自身运营体系、成功实现工程化落地,管理者需要超越传统的“构建或购买”二选一的逻辑,构建一个全新的思维框架。
一方面,高管要明确价值创造的范围:AI是用来追求端到端的系统性转型,从根本上重塑工作流程、数据架构和运营模式,还是局限在任务层面,解决某些特定的业务场景。
另一方面,企业必须确定技术控制的深度:是直接整合外部的AI服务和平台,依托外部资源打造竞争优势;还是自行构建并掌控专有的AI能力(包括模型、基础设施和应用),构筑对手无法通过授权使用或复制的核心壁垒。
上述两大维度相互交叉,即可划分出四种截然不同的企业AI战略范式,以及四种形态的具体实践。
(点击查看大图)
1
既有AI方案采用者:借力整合+有限任务级
这类企业直接使用微软(Microsoft)365 Copilot、Salesforce Agentforce、钉钉等市面上已有的AI产品和服务,来解决具体的业务场景。这种策略很适合那些希望快速提升生产力,同时又能控制好执行风险的企业。
其优点包括部署周期短、投资回报看得见、集成难度低。但缺点也很明显:这只是一个暂时的位置,一旦所有竞争对手都用同样的平台、获得同样的供应商支持,这种优势就会很快消失。
选择这个象限的领导者,必须把它当成一个跳板,而不是终点。
2
内部模型构建者:构建自有+有限任务级
这类企业通过自行开发或者合作开发专有的AI模型或系统,例如特定领域的知识图谱,以构筑差异化的竞争壁垒。
这种策略适用于拥有难以复制的专有数据和深厚的领域知识,并且在某个高风险、强监管的领域(如生命科学、金融风控、工业安全)中形成了壁垒的企业。战略风险则在于容易陷入“内卷…