产品战略 - AI原生公司与AI赋能公司存在显著差异，47%的AI原生公司已进入规模化阶段，而AI赋能公司仅13% [6] - AI赋能公司面临技术债、旧架构和用户习惯等阻力，11%仍处于预发布阶段，而AI原生公司99%已推向市场 [6][7] - 构建AI产品需从底层重构架构，打补丁式升级可能被原生对手击败 [7] 模型选择 - 80%公司依赖第三方API，但高增长公司更倾向微调现有模型(77%)或自研专有模型(54%) [11][12] - 模型选择的核心考量：准确性(74%)和成本(57%)形成"成本-性能-定制化"不可能三角 [15][16] - 模型商品化加速，公司平均使用2.8个不同模型供应商，采用多模型架构成为趋势 [20][23] 市场策略 - 40%AI赋能公司将AI功能打包进高阶套餐，33%选择免费提供，形成防御性策略 [31][34] - 重度用户导致负利润，订阅模式受挑战，基于使用量的定价模式正在兴起 [37][38] - 72%规模化公司提供AI可解释性，透明度从可选项变为必选项 [39][43] 组织人才 - 营收超1亿美元的公司中50%设立专门AI领导者，10亿美元以上公司达61% [47][51] - AI/ML工程师需求率达88%，招聘周期长达70天，合格候选人短缺是主因 [54][55] - 高增长公司工程团队37%专注AI，远超行业平均28%，AI成为研发体系重心 [57][60] 成本结构 - 预发布阶段人才成本占57%，规模化阶段降至36%，基础设施与推理成本占比升至47% [66][67] - 规模化公司月均推理成本达230万美元，是其他公司两倍，API使用费成最大负担 [68][71][72] - 开源模型采用率41%，推理效率优化成为降本关键手段 [73] 内部生产力 - 企业AI工具接触率70%但持续使用率仅50%，大企业更降至44% [76][79] - 编程助手普及率77%，生产力提升15-30%，33%代码由AI辅助完成 [81][82][83] - 工程团队是AI落地最佳切入点，实际效果优于宣传推广 [84][85]