报告行业投资评级 * 报告未明确给出具体的行业投资评级 [7][8][9][10][11][12][14][15] 报告的核心观点 * AI正从单点工具进化为企业运行的“新基础设施”，2025年智能体在金融、制造、能源、互联网等行业开始批量落地 [4] * 2026年是企业AI应用从试点验证迈向规模化价值兑现的关键转折点，智能体成为企业AI落地的核心抓手 [4][7][34] * 企业AI落地效果不及预期，核心原因在于技术不成熟、人才不适配以及对AI认知不足 [59][60][61][62][63] * AI时代企业渴求兼具业务洞察与AI技术能力的“超级员工”，这将对现存员工的岗位及职责造成冲击 [66][67] * 未来的企业组织将向更加扁平化、敏捷化、小团队与单兵作战并行的方向变革 [107][108] * “十五五”规划下，企业需从底层技术、业务价值、组织生态和产业体系四个层面进行AI前瞻规划 [118] 2025年企业AI应用现状总结 * 人才结构：近五成中国企业中，狭义AI人才（AI算法及架构类人才）占比不足10% [20] 企业内部AI人才主要来源是内训培养，占比75% [23] AI应用人才必备的前五项技能均与智能体强相关 [26] * 项目落地范式：近五成企业表示AI项目可在1个月内快速落地 [28] 项目团队呈现“小团队化”趋势，2-3人团队成为新范式 [30] AI生成代码被大规模纳入开发流程，部分企业项目中AI生成代码占比达50%–60%，新项目可达98% [30] * 应用进展：75.3%的企业已能清晰感知自身的token使用量，71.4%已搭建智能体平台 [31] 日均token消耗量在百万级及以下的企业占比接近五成 [31] 规模在500人以内的企业，整体仍处于大模型应用的“规模化验证期” [33] * 2026年技术趋势：企业管理者最关心的前五项AI技术是：多智能体协同、多模态大模型、AI辅助编程、统一知识库管理、智能体场景化落地 [34] 2026年企业AI应用重心将从能力验证转向业务闭环，技术架构从单模型升级为协同生态 [36][37] 智能体成为企业应用AI主要抓手的原因总结 * 技术突破与成本下降：大模型在推理、规划等方面能力增强，推动智能体从被动执行迈向主动推理 [43] 工具调用框架完善，使其可连接外部系统 [43] 火山引擎等厂商将大模型调用成本降至原来的约三分之一 [44] Llama 3、DeepSeek等开源模型API调用成本低至0.1美元/百万输入token [44] * 生态逐步完善：行业应用平台涌现，降低开发门槛 [45] 专用训练平台可将训练效率提升数倍，降低综合成本 [46] * 政策与市场需求：北京、上海等地出台政策，直接支持通用智能体发展和应用落地 [47] 企业降本增效压力及业务流程数字化发展到高级阶段，是智能体大规模落地的根本动力 [48] 企业级AI技术落地效果分析总结 * 落地范式：企业“AI+”项目周期分为技术验证、场景筛选、应用开发、MVP验证、合规评审、全流量切换六个阶段 [56][57] AI项目流程瓶颈在于沟通和决策，小团队配合AI可使代码合并量上涨51% [58] * 效果不及预期：仅39%的受访者表示AI技术对企业息税前利润（EBIT）产生了实质性影响 [59] 业务流程的重新设计是AI落地成功的关键要素 [59] * 原因分析：底层大模型能力仍有提升空间，辅助工具准备不足 [60] 传统业务人才缺少AI敏感度，AI人才技能参差不齐 [61][62] 企业管理者对AI认知不足，存在错误预期 [63] AI时代人才需求与组织变革总结 * 企业渴求“超级员工”：企业需要能够覆盖从需求挖掘、产品研发到测试落地全流程工作的“超级员工” [66] 这导致传统岗位划分、技能要求和工作流程被重新审视 [66] * 未来AI人才特征：应是“原子化”人才，技能可灵活组合 [68] 必须是技能叠加的快速学习者 [69] 需要具备单兵作战的主动型人格 [70] 必须善于与智能体协作 [71] * 组织变革趋势：组织将更加扁平化，管理层级有望压缩至两到三层 [107][109] 组织将更加敏捷，业务流程中大量植入人机协同节点 [110] 小团队与“一人+多智能体”的单兵作战模式并行 [112] 组织的竞争力将由人才的能力密度与技能结构决定 [113] 云端协作与实体办公融合 [114] “十五五”规划下企业AI前瞻规划总结 * 政策指引：“十五五”规划要求企业在底层技术、业务体系、组织生态和产业协同方面进行全方位升级 [118] * 赋能底层技术：AI大模型从降低研发门槛、提升开发效率等维度，为数据设施、软件底座、硬件基础及AI自身的技术突破提供赋能 [119][120] * 助力业务价值升级：智能化发展将迈向“业务+数据”深度融合，智能体是驱动产业升级的关键抓手 [121][123] 企业需准备数据资产池、进行大模型选型、并识别具备商业价值、场景成熟度和可持续运营可行性的业务场景 [125][126][127][128] * 推动组织生态变革：需打造企业工程文化、完善AI人才梯队建设、建立AI人才激励机制、建设安全合规的治理体系、提升管理效率 [132][133][134][137][138] * 助力现代化产业体系建设：通过打通产业链数据与知识壁垒、推动跨领域融合、培育新业态新模式、提升产业链韧性与竞争力来构建现代产业体系 [139][140][141][142][143] 企业AI落地实践案例总结 * 安克创新（智能制造）：日均token消耗从年初100万跃升至年底500亿，单日Sota大模型使用成本约15万美元 [150] 基于自研平台部署超1000个AI智能体，代码生成提交占比达50%–60%，新项目高达98% [150] 建立“大六人”“小六人”双轨人才体系，计划2026年投入超1亿美元，向AI-native组织转型 [151][152] * 新奥泛能（能源）：AI辅助编码覆盖30%–40%开发任务 [153] 在印染行业案例中，AI调控使良品率从85%提升至97%–99% [153] 员工中专职AI人才占比20%，30%–40%员工使用AI工具 [153] * 鞍钢（钢铁）：采用“数据+AI”模式，初期投入数百万元，算力全靠云端租赁 [154] AI落地周期以年为单位，通过“双战队长”机制实现业务与IT协同 [155] * 平安壹钱包（金融）：AI技术已在多模态统一知识库、大小模型协同工作流、LLM + MCP智能体三大场景规模化落地 [156][157] 人才培养以实践为核心，复合型人才需掌握AI编排、Agent设计等技能 [158] * 阿里云（科技）：以“结果即服务（RaaS）”为核心，通过28个数字人上岗赋能十大核心业务场景 [159] 例如，技术文档翻译数字人将成本降至原1/200，网站AI助理将咨询响应时间从5小时缩至10秒 [159] 采用RIDE（重组、识别、定义、工程）方法论推动落地 [160]