好的，我将根据您提供的电话会议记录，为您总结关键要点。内容将严格遵循您的要求，包括行业/公司、核心观点与论据、其他重要内容，并引用原文数据。 涉及的行业或公司 * 行业聚焦于企业级人工智能（AI）软件应用与采纳[1] * 涉及公司包括大型科技云服务提供商（Microsoft Azure, AWS, Google Vertex）[2][21]、第三方软件即服务（SaaS）厂商（Salesforce, ServiceNow, Workday, Snowflake, Databricks, Palantir）[2][24][34][39]以及AI模型提供商（OpenAI, Anthropic, Cohere）[6][10][11][18] 核心观点和论据 * 企业AI采纳仍处早期阶段：几乎所有组织都在进行AI项目，但多数处于从试点向生产过渡的“爬行到行走”阶段（crawl to walk phase），大规模生产部署有限[2][47]；有客户认为部署复杂企业AI代理可能需要2-5年时间[2]，MIT研究报告称95%的AI试点项目失败[47] * 强烈的自建（DIY）偏好：许多企业偏好利用云提供商平台（如Azure AI Foundry, AWS Bedrock, Google Vertex）自建AI应用，而非购买第三方软件[2][49]；客户认为SaaS厂商的AI产品只是花哨的Python平台，未增添更多价值[6]，且自建方案更具定制化和成本效益[6][10] * AI货币化集中在应用层之下：当前AI收入大部分被模型提供商（OpenAI约120亿美元年化收入、Anthropic约40亿美元）、云基础设施（Azure AI收入估测186亿美元）和硬件（Nvidia数据中心收入1560亿美元）获取，而非应用软件公司[60][61][65]；第三方软件公司的AI货币化因自建趋势、未大规模生产及内部导向应用而受限[3][58] * 内部面向的用例主导：流行用例包括员工生产力（Microsoft Copilot, ChatGPT）、编码（GitHub Copilot）、自动化IT/运营（ServiceNow）以及为内部管理用例定制的AI应用[2][51]；客户部署的AI代理主要用于内部优化和增强人类，而非自主直接面向客户[28][51] * 数据是关键障碍与投资机会：数据集中和治理是规模化AI的关键障碍[6][52]；客户强调数据基础是扩展任何用例的关键[28]，这强化了多年数据投资周期的观点（利好Azure, Databricks, Palantir, Snowflake）[2][52]；也有客户采用RAG或“数据网格”（data mesh）架构来访问分布式数据[41][45] 其他重要内容 * 代理（Agents）技术尚未成熟：有客户认为代理准确率可能仅70%，且错误响应难以识别，在银行等场景中尚不可靠[11]；代理成本可能显著高于当前AI功能，因可能消耗数百万tokens[11] * 合同期限缩短与定价模式演变：由于创新速度快，客户不再签署3-5年合同，转向18个月合同[6]；AI产品定价模式复杂且不透明（如按次付费、信用点模式），成为采纳障碍[34][56] * 宏观环境影响与ROI不明确：宏观不确定性（如关税[40]）导致部分客户自2月起AI需求减弱[34][56]；许多AI项目价值难以量化[28][56]，投资回报率（ROI）不清晰影响决策[34][56] * 对SaaS席位模型的潜在风险：目前AI尚未导致SaaS应用被取代或广泛裁员[3][58]；但有观点认为若AI提取更多效率，未来可能减少对Workday等SaaS席位的需求[38]，尽管当前影响甚微（若有也不超过3-4%）[41] * 行业采用差异与试点现状：Salesforce的Agentforce产品虽有6笔交易上线，但收入贡献微小（单笔交易对Salesforce收入贡献不大，6笔总收入低于30万美元）[32]；其试点客户占比从第一季度的25%下降至15%[34]；Workday在HR侧的代理采纳情况较好，招聘代理（Recruiter）部署率为45%[37]