2025年AI应用自留地：行业Know~how和本地数据

1. 从互联网到 AI，应用的壁垒由信息的公开性转变为 私有性

1.1. 互联网应用的壁垒是信息的公开性

互联网时代最显著的特征是信息的公开性。纵观互联网发展的各个阶段， 信息的公开性始终是其演进的核心动力，公开程度也随着技术的进步而逐 渐加深。从 20 世纪 60 年代 ARPANET 的萌芽阶段，互联网以实现科研信 息共享为目标，奠定了信息自由流动的技术基础；到 90 年代万维网的诞生， 信息的公开性从学术界扩展至大众，门户网站和搜索引擎使信息获取更加 便捷；再到 2000 年代 Web 2.0 时代的到来，用户生成内容（UGC）的崛起 使得信息的多样性和实时性显著提升，社交媒体和视频平台成为信息共享 的重要载体；直至 2010 年代移动互联网的普及，智能手机和移动应用使信 息的传播更加即时和普惠。互联网打破了信息传播的时空限制，使得信息能 够以极低的成本和极高的效率在全球范围内自由流动，用户可以通过互联 网轻松获取来自全球的多样化信息。这不仅推动了技术的进步和商业模式 的创新，也深刻改变了社会的信息传播方式和用户行为，成为互联网生态不 可或缺的基石。 互联网应用作为信息共享平台，通过形式不同的公开信息为用户提供独特 的使用体验。互联网应用的核心功能是收集、整合和分发公开信息，以满足 用户在不同场景下的需求。在 PC 互联网时代，搜索引擎作为核心应用为用 户提供了底层运行环境，以此进入各类 Web 应用和垂直网站获取信息。而 在移动互联网时代，不仅各种各样的信息共享平台遍地开花，而且微信、淘 宝、抖音等超级应用平台在满足用户社交、购物、娱乐等底层信息获取需求 的基础上发展成为了更为丰富的应用生态系统。除此之外，互联网应用提供 如图文、视频、音频、直播等多样化的信息形式，以此发展出了不同应用平 台独特的表达方式，在为用户提供独特使用体验的基础上增强用户吸引力。 例如，图文形式（如新闻网站、博客）适合深度阅读和知识传递；视频形式 （如 YouTube、B 站）通过视觉和听觉的结合，提供了更直观和沉浸式的体 验；音频形式（如播客、音乐平台）则满足了用户在碎片化时间中的信息获 取需求；直播形式（如抖音直播、Twitch）通过实时互动增强了用户的参与 感和粘性。不同形式的信息不仅丰富了互联网应用的内容生态，还为用户提 供了多样化的选择，使其能够根据个人偏好和使用场景获得最佳体验。

公开信息平台积累了用户大量的思想沉淀和使用数据。互联网应用的公开 性不仅促进了信息的流动，还为用户提供了一个表达和沉淀思想的平台。用 户在社交媒体、论坛、博客等平台上分享观点、经验和知识，形成了海量的 思想沉淀，这无疑是互联网应用极具价值的无形资产。各大应用也根据平台 特征制定策略激励用户创作。除此之外，在使用互联网应用的过程中，用户 如浏览记录、点击偏好、互动行为、需求特征等行为数据也被记录下来。互联网应用通过分析、挖掘和应用这些数据，构建出详细的用户画像、为用户 提供个性化的服务，以此创造商业价值。

信息的公开性持续吸引用户并培养使用粘性，由此成为互联网应用的壁垒。 在互联网渗透率触顶且用户一天内总时长固定的前提下，不同互联网应用 竞争力的的根本差异在于能否吸引用户长时间地使用。信息的公开性不仅 让用户可以在平台上能够获取有价值的内容、参与互动并建立社交关系，而 且显著增强了用户的使用粘性，形成用户增长的良性循环，从而在不断改善 用户使用体验的同时使得用户对平台产生信任感和依赖感。在此基础上，互 联网应用能够形成强大的网络效应，扩大其在用户中的影响力，从而进一步 巩固其市场地位。因此，信息的公开性不仅是互联网应用的基础特征，更是 其壁垒的核心来源。

1.2. 互联网应用的壁垒被 DeepSeek 等一流开源 AI 大模型打破

互联网应用的公开信息被 AI 大模型吞噬。从大模型的产生来看，为使其获 得广泛的知识和灵活的逻辑推理能力，在训练过程中需要投入海量跨应用 的数据。训练量随着大模型的更新一次又一次地突破记录，例如训练样本 token 量从 GPT-3 的 3000 亿极速增长至 GPT-4 的 130000 万亿。可想而知， 只要信息是可以公开获取的，互联网时代所积累下来的用户思想沉淀和使 用数据都可以直接为大模型所用。从而使得互联网时代各种平台之间依靠 不同公开信息生产与积累所建立起来的界限被突破，最终都被整合在 AI 大 模型这一基础座驾之上。

不同应用之间独特的用户体验被 AI 大模型抹平。在互联网时代，用户通过 “提出需求-根据需求在相应的应用上检索-解决需求”的方式行动，在这个 过程中不同的应用平台建立了不同的交互方式，使得用户获得了独特的使 用体验。而在 AI 时代，公开信息都被 AI 大模型所吞噬，用户可以直接面 对 Agent 通过最简单的“提出需求-解决需求”的方式行动。因此，互联网 应用由不同形式的公开信息所带来的独特用户体验也同样被AI大模型所抹 平。

DeepSeek-R1 等模型以开源、高性价比的优势彻底打破互联网应用的壁垒。 尽管 AI 大模型拥有足以吞噬互联网应用的能力，但以 ChatGPT 为代表的 高性能模型却是闭源的，这无疑制约了 AI 的广泛使用。直至 DeepSeek-R1 模型横空出世，彻底打破了互联网应用的壁垒。DeepSeek-R1 采用标准化的 MIT License，完全开源，不限制商用，这意味着任何企业或个人都可以部 署该模型。除此之外，DeepSeek-R1 在数学、编程、推理能力方面接近 OpenAI 的 o1 模型，但通过优化的算法和架构设计，大幅降低了训练和推理的成本。 并且可以将参数量达 672B 的原始版本通过蒸馏将推理能力进一步迁移至 1.5B、7B、8B、14B、32B、70B 等更小参数的模型，以降低实际应用场景 中对算力的需求。DeepSeek-R1 开源和高性价比的属性不仅降低了技术的应 用门槛，还提供了高度的灵活性和可定制性，加速了 AI应用的落地与普及。

1.3. AI 应用的壁垒转变为信息的私有性

AI 应用的壁垒是信息的私有化。在公开信息的价值正在被 AI 大模型的通 用能力所不断稀释的情况下，私有信息则因其独特性、稀缺性和难以复制性， 在当前阶段无法直接成为通用大模型训练的原料，而成为 AI 应用构建竞争 优势的关键。在将来，私有信息不仅是 AI 模型训练和优化的核心资源，更 是企业在 AI 时代构建护城河、实现差异化竞争的重要基础。具体而言，信 息的私有化壁垒主要体现在垂直领域的行业 Know-how 和私有数据两个方 面。

垂直领域的行业 Know-how 是 AI 应用的核心竞争力之一。与互联网平台 上的公开数据不同，垂直领域行业 Know-how 依赖于在行业中长期积累的 经验、案例和规则，能够深度理解特定行业的专业知识、业务流程和决策逻 辑。垂直领域行业 Know-how 往往无法通过公开数据获取，也就避免了大 模型对其的吞噬。正是因此，在互联网时代基于行业 Know-how 构建的应 用凭借其对专业知识和行业场景的深刻理解，将在 AI 时代形成难以替代的 壁垒。这些垂直领域的应用不仅不会被 AI 大模型所取代，反而会利用 AI 大模型增强自身，进一步发挥其独一无二的功能，在特定场景中持续创造价 值。 私有数据是 AI 应用的另一大核心竞争力。在 AI 应用的实际使用中，仅有 普遍智能是远远不够的。通过输入专业知识库增强大模型的专业能力甚至 投喂私有数据对通用大模型的进一步训练，最终将其变成通用智能基础之 上具有不同专业背景的“专家”，才能更好地胜任具体任务。但是与公开数 据不同，私有数据通常由企业或机构独家拥有，具有高度的独特性和稀缺性。 这些数据包括用户的个人行为数据、企业的运营数据、机构的内部文档等，往往包含了更深层次的洞察和价值。例如，在医疗领域，AI 模型需要掌握 大量的医学文献、临床数据和诊疗经验，但这些数据通常由医疗机构、研究 机构或行业专家独家掌握；在制造业领域，AI 模型需要熟悉生产流程、设 备参数和供应链管理，但这些数据通常嵌入在企业的内部文档和专家经验 中。所以对于我们已经到来的 AI 时代来说，尽管利用公开数据训练出智能 高效的通用模型非常重要，但这些公开模型层无法获取到的私有训练数据 是商业化过程中的核心竞争力，在未来也必将围绕私有数据诞生 AI 时代独 特的商业模式。

2. 以私有信息为基础的企业级 Agent 是 B 端企业应用 的终极形态

2.1. AI 时代 B 端企业应用将发展为企业级 Agent

传统互联网 B 端应用功能界限明确、协同效率不足。互联网时代以 SaaS（软 件即服务）为代表的 B 端企业协同办公平台由众多满足不同功能的细分应 用组成，尽管这些平台几乎可以满足所有行业的基本需求，并通过云端部署 和订阅模式，为企业提供了低成本、快速上线的标准化服务，然而在具体场 景中各细分应用却依据不同部门或业务分别组建为相对独立的工作流，而 并未真正打通不同应用之间的内在联系。例如，业务应用模块的 CRM（客 户关系管理）通过深入的客户分析以更好地满足客户需求、HRM（人力资 源管理）通过组织协调管理企业内的人力资源，而基础办公模块中的工作群 聊、在线文档等也只针对特定的需求。不用应用之间的界限明确，这显然不 利于企业内的信息管理、资源共享及效率提升。

传统 B 端应用将深度融合于普适性的 AI 大模型座驾之上。在 B 端，大模 型凭借其强大的信息处理能力和灵活的交互方式发展为企业应用的基础座 驾，从而以此作为统一的交点将现有的 B 端应用深入融合在一起。届时信 息可以在企业内部实现更高效利用，例如制造业企业在生产时，可以通过融 合多应用的大模型预测产品销量，又可以直接凭借得出的数字分配生产资 源，并且给出人员的协调建议。可以说，AI 在 B 端的应用真正实现了跨部 门的有效协作，推动企业运营能力的大幅提高。 私有信息赋予 AI 大模型个性化，以进一步发展为企业级 Agent。尽管大模 型为企业提供了基础智能支持，使其能够快速实现智能化升级，但仅凭大模 型无法应对更复杂和更独特的应用场景。于是，B 端企业在精准理解自身特 定业务需求的基础上定制 AI 应用解决方案成为主流趋势。在这一过程中， 企业私有信息作为 AI 应用壁垒的角色真正展现出来。私有信息记载了超出 了一般知识的行业洞察，为大模型通用智能提供了深度定制化和个性化的能力，从而搭建出独属于企业自身的 AI Agent。B 端应用的交互模式也将随 之被彻底更新，人人都可以与这一包含了几乎所有企业信息的专家进行直 接沟通，从而在“千人千面”个性化服务的基础上真正帮助企业运营实现智 能化转型。

以垂直领域 Know-how 定制 AI 工作流和搭建私有知识库是当前实现企业 级 Agent 的两大基础。得益于 DeepSeek 等一流大模型的开源属性，Agent 智力的获取不再是制约因素，充分利用包括垂直领域 Know-how 和私有数 据两者的私有信息则日益成为部署企业级 Agent 的关键环节。以垂直领域 行业 Know-how 可以搭建定制化的 AI 工作流，从而将大模型所具有的功能 按照特定的任务串联在一起执行，这赋予了 Agent 行动力。企业的私有数据 则可以用于搭建私有知识库，以此充分利用企业经验以优化当前任务，这赋 予了 Agent 记忆力。当前，行动力和记忆力是实现企业级 Agent 的两大基 础。

2.2. 企业级 Agent 基础之一：以垂直领域 Know-how 定制 AI 工 作流

基于行业 Know-how 的定制 AI 工作流实现 B 端企业个性化应用。基于行 业 Know-how 的定制化 AI 工作流是针对特定行业需求、数据特征和业务流 程设计的人工智能解决方案。它将 AI 技术与传统行业工作流深度结合，通 过行业数据优化、业务规则嵌入和持续迭代，为 AI 大模型赋予行动力，实 现 B 端企业的个性化应用。这种工作流不仅能够准确地完成自动化重复任 务，确保合规性和数据安全，同时其模块化设计和灵活性使其能够适应多场 景需求，优化资源配置、快速响应行业变化。无论是金融、医疗、制造还是 零售等各个行业，定制化 AI 工作流都能显著提升业务价值，成为企业智能 化转型的核心驱动力。 企业可以通过 Coze、Dify 等低代码或无代码平台搭建定制化 AI 工作流。 目前 Coze、Dify 等平台为用户提供了定制化 AI 工作流服务。在具体使用 时，企业根据行业需求选择合适的预构建模块（如数据处理、模型训练、模 型 API 调用等），并通过拖拽式界面将这些模块组合成完整的工作流；在此基础上利用平台提供的工具上传行业或企业自身的数据，对预训练模型 进行微调，以适配特定场景；最后通过 API 或插件将 AI 工作流无缝集成到 现有业务系统中，实现自动化操作，并借助平台的实时监控和迭代功能持续 优化工作流。

百姓车联团队使用 Dify 搭建 AI 工作流解决车辆风险定价的匹配问题。百 姓车联在美国运营某车损互助平台，需要利用车辆 VIN 码对每位用户的车 辆进行风险评估，但由于 VIN 码的非标准性等原因，现有匹配工具无法有 效识别车辆车型。百姓车辆团队在专业知识的基础上，将 AI Agent 无缝引 入现有业务系统中，搭建起定制化AI工作流，以帮助其匹配最合适的车型。 经过多轮调试后，相比于纯粹的规则匹配仅 20%-30%的准确率，该定制化 AI 工作流最终达到了 97.8%的超高水平，实现了业务能力的大幅优化。

BestBlogs.dev 搭建定制化 AI 工作流，自动为用户提供高质量内容服务。 BestBlogs.dev 是一个收集和分享科技、设计、商业、个人成长等高质量领域 内容的网站。之前网站采用大而全的提示词实现文章摘要的生成、内容评分 及翻译工作，但过多的任务使得输出难以控制和修改，效果不尽如人意。为 加以优化，该网站利用 Dify 平台搭建定制化 AI 工作流，将全部流程梳理为 爬取、初评、分析和翻译四大子流程，在每一子流程内利用 Dify 平台上提 供的多种 AI 工具进行更为细致的调整。目前网站已完成灰度测试，全部文 章都采用 AI 工作流进行自动化处理，文章分析质量有了大幅提升，翻译结 果也明显改善。未来 BestBlogs.dev 将继续利用定制化 AI 工作流的方式为用户提供更智能、更个性化的内容服务。

目前企业自主搭建定制化 AI 工作流尚具有挑战性。首先，尽管 Coze、Dify 等平台提供了便捷的工具和 API 接口（如 DeepSeek 等开源大模型），但这 些通用技术并不能直接满足垂直领域的特定需求，这往往需要深度定制应 用或利用其他在垂直领域 Know-how 基础上搭建出的私有应用，才能实现 精准的业务支持。此外，企业需要对自身业务有深刻理解，才能定制出可用 的 AI 工作流。这包括对业务逻辑、数据流程和用户需求的全面掌握，这涉 及到企业内部的跨部门协作和技术人才的充分支持。对于广大 B 端企业来 说，自主搭建定制 AI 工作流存在困难，因此成为制约发挥企业级 Agent 潜 力的重要因素。

2.3. 企业级 Agent 基础之二：私有知识库的搭建

私有知识库逐渐成为企业建构的基础设施之一。在 AI 日益渗透企业运营的 时代，作为大模型记忆力的私有知识库的发挥着越来越重要的作用。借此企 业不仅能够将分散的数据资源系统化、结构化，从而使企业私有数据转化为 可复用的知识资产、提升数据利用效率、建构企业技术壁垒，还能通过定制 化的数据训练和优化，突破通用模型的局限性，提升企业应用在特定场景下 的表现，增强决策的科学性和准确性，进一步巩固企业的差异化竞争优势。 向量数据库配合 RAG 是当前搭建私有知识库的理想选择。目前企业利用私 有数据精调模型在技术和成本上不具有优势，更理想的选择是外挂向量数 据库搭配 RAG。相比于其他类型的数据库，利用向量技术所搭建的向量数 据库凭借高效的非结构化数据处理能力、语义搜索支持、与大模型的深度集 成以及强大的可扩展性等显著优势，将在企业本地部署私有知识库的过程 中扮演重要作用。而检索增强生成（Retrieval-Augmented Generation，RAG） 则可以与向量数据库密切配合，在不改变大模型的情况下通过检索大规模 文档集合中的相关信息来优化生成过程，从而显著提高预测的质量和准确 性。例如电商企业可以通过向量数据库结合 RAG 快速匹配用户搜索意图， 提供精准的商品推荐。

在实际使用中，包括向量数据库的建立、检索与调用三大环节。首先通过建 立向量索引，企业将非结构化数据（如文本、图像、音频）通过清洗、提取、 划分、标准化等步骤后转化为高维向量并存储到向量数据库中。当用户提出 特定需求后，进行在线相似度增强，即利用向量数据库的近似最近邻算法实 现高效的语义搜索和相似性检索。通过 API 或集成工具将向量数据库与企 业现有业务系统及大模型连接，从而支持实时向量数据库的实时调用和查 询，以提升 AI 应用的准确性和效率。

西门子依托亚马逊云科技建构企业级智能私有知识库，助力数智化转型。 西门子中国大禹团队经过调研发现，长期以来企业内部资源的检索和调用 都存在结构散乱、检索速度慢、交互不便等问题。但传统方式部署知识库难 以有效解决信息涉及不同领域、横跨多个业务单元的难题。通过与亚马逊云 科技合作，西门子部署了“RAG 架构+向量数据库”的解决方案，将企业海 量的私有数据转变为服务企业智能运营的私有知识库。并在此基础上量身打造了智能聊天机器人“小禹”。在上线的首周，“小禹”便有超过 4000 位内部用户使用，占当时西门子员工的八分之一，共解答了超过 12000 个 问题。相较于传统机器人，依托私有知识库的“小禹”回答生成速度更快、 对搜索关键词的命中率更高，为企业用户提供了智能高效的使用体验。

吉大一院部署本地医疗知识库，提升临床决策的效率和准确性。尽管医院 积累了大量的诊疗数据，但由于缺乏合适的手段，这些数据无法帮助医生有 效提升诊疗水平。吉大一院技术团队在本地部署 DeepSeek-R1 的同时，利 用 RAG 技术成果构建了覆盖诊疗规范、药物数据库和病例库等信息的本地 医疗知识库。当接收到患者的症状和病史信息后，系统将迅速从多源数据中 精准匹配相关信息，医生可以借助这些结构化的资料为病人制定更为科学 的治疗方案。不仅如此，医生最新的治疗方案也将被重新纳入数据库中，实 现数据库的自我更新。

受限于数据和技术问题，目前企业自主搭建私有知识库同样面临挑战。一 方面，私有知识库的性能和效果高度依赖于输入数据的质量，但是企业数据 通常分散在不同系统且质量参差不齐，需要进行大量的清洗、标注等处理工 作，以确保入库后的数据能够准确反映业务需求，但目前多数企业缺少相关 经验和工具；另一方面，私有知识库的搭建和优化涉及高维数据处理、近似 最近邻算法调优以及分布式系统管理等多项较为复杂的信息技术，门槛较 高，企业往往缺乏相关专业人才和经验，导致部署和运维难度加大。这些挑 战共同制约着企业应用私有知识库，为 AI 大模型赋予记忆力在当前阶段往 往需要外部服务商加以配合。

3. 私有信息服务——AI 在 B 端企业应用中的潜力业务

3.1. B 端 AI 应用持续加速，私有信息服务业务极具潜力

随着 DeepSeek-R1 等一流开源大模型的不断涌现，AI 大模型的商业化运用 迎来加速期。在开源生态的推动下，AI 大模型的商业化落地将更加广泛和 深入，为各行各业带来前所未有的效率提升和价值创造。当前国内电信三大 运营商外，阿里云、百度智能云、华为云、腾讯云、火山引擎、天翼云、京 东云等云服务均已全面接入 DeepSeek，超过十余家国产 AI 芯片企业完成 对 DeepSeek 的适配或服务。海外主流大模型聚合平台及公有云例如微软 Azure AI Foundry 和 Github、亚马逊 Amazon Bedrock 和 Amazon SageMaker AI、英伟达等同样积极采纳。主流企业对大模型的接入将会显著推动 AI 在 广大 B 端企业的推广，各行业的数字化转型持续加速。在这一过程中，势 必催生新的商业模式。 私有信息作为 AI 应用的基础，其服务业务极具潜力。尽管 AI 大模型不再 成为制约因素，但经过上文的分析得知，企业充分利用自身私有信息仍面临 诸多障碍，这也意味着为企业提供私有信息服务在AI加速普及下极具潜力。 私有信息服务包括两方面，其一，为企业提供在垂直领域 Know-how 基础 上搭建出的私有应用或帮助企业梳理自身业务流程，搭建定制化AI工作流。 其二，通过专业服务帮助企业整合、清洗和标注其分散杂乱的私有数据，构 建高质量的知识库资产。以埃森哲、亚信科技、彩讯股份、鼎捷科技为代表 的服务商为下游企业提供私有信息一站式解决方案，这将成为推动企业智 能化转型的重要驱动力。

3.2. 在 AI 商业化浪潮下，国内私有信息服务业务迎来新机遇

国内企业深入数字化转型，助推 AI 应用商业化落地。根据埃森哲发布的 《重塑生产力，增长新前沿——2024 中国企业数字化转型指数》报告，生 成式 AI 技术的突破既为企业带来了业务重塑机遇，又通过强大的市场竞争 压力迫使企业加快数字化转型节奏。相较于全球 77%的企业高管相信 AI 能 帮助实现企业业绩增长，中国这一比例达到了 90%，反映出中国企业对 AI 应用的乐观情绪。2024 年近六成的中国企业计划提高数字化投入，相较于 2023年提高了 6%。AI技术的突破无疑为其商业化落地创造了坚实的基础， 越来越多的企业计划应用 AI 重塑企业制造、财务、供应链等核心职能。可 以预见，在不远的将来 AI 将广泛应用于企业运营的各个环节。

私有信息是 AI 应用的核心竞争力，看好国内 AI 私有信息服务企业。在大 模型性能不断突破的背景下，AI 将助力国内企业的运营效率进一步提升， 利用企业自身的私有数据并且构建定制AI工作流也将成为提升企业未来竞 争力的关键。在这一趋势下，像埃森哲、亚信科技、彩讯股份、鼎捷科技这 样的私有信息服务商，不仅能够解决企业在数据治理和 AI 落地中的痛点， 还能为其创造显著的商业价值。私有信息服务在国内企业广泛拥抱 AI 的浪 潮中，具有广阔的市场前景和可持续的增长潜力。

3.2.1. 埃森哲 AI 咨询服务业务销售额及收入持续增长

美国 AI 产业取得显著商业化成果的公司是做咨询的埃森哲。尽管科技巨头 对 AI 投资动辄上百亿美元，但这些投资产生直接收益尚需时间检验。由于 目前正处于 AI 商业化应用的关键节点，越来越多的客户从概念验证转向大 规模的实际实施，这给埃森哲的 AI 咨询业务带来这直接收入。根据埃森哲 的统计，客户在 IT 上的总支出没有变化，但相较于互联网时代较为容易的 应用开发，AI 时代私有信息与底层大模型工具的结合更为紧密，需要更为 专业的外部力量加以帮助，所以客户将传统的 IT 服务上的开支转移到了生 成式 AI 上。企业愿意为能够解决实际问题的 AI 定制化服务支付高额费用， 所以在当前情况下这种“技术+咨询”的模式能够快速产生直接收益。 在 AI 广泛应用于 B 端企业的浪潮下，埃森哲 AI 方向的销售额和收入连续 上涨。根据埃森哲披露的财报，在整个 2023 财年（2022 年 9 月至 2023 年 8 月），生成式 AI 业务的销售额和收入仅为约 3 亿、1 亿美元。但随着 AI 应用的快速扩张，埃森哲生成式 AI 销售额加速增长，2024 财年（2023 年 9 月至 2024 年 8 月）为客户提供了超过 700 项生成式 AI 的咨询服务，项目 规模从平均不到 100 万美元快速增长至部分超过 1000 万美元，四个季度的 生成式 AI 业务销售额分别为约 4 亿、6.5 亿、9 亿美元、10 亿美元，共计 约 30 亿美元，已有约 9 亿美元确认为收入。这一数据较 2023 年分别实现 了 10 倍和 9 倍的增长。2025 财年第一季度新增生成式 AI 业务季度销售 12 亿美元，再创历史新高，并产生了约 5 亿美元的收入。这无疑标志着 AI 产 业已经逐渐找到商业化落地的途径，广大的下游客户对 AI 应用需求的不断 增长。

埃森哲为客户提供私有信息服务的一站式解决方案。埃森哲的盈利模式并 不依赖于开发底层 AI 技术开发，而是专注于将现有第三方提供的 AI 技术 与企业的实际需求结合，利用自身对行业的洞察和经验帮助客户梳理数据 资产、优化业务流程、部署 AI 应用，从而实现业绩增长。2024 年 3 月，埃 森哲与亚马逊及 Anthropic 宣布展开合作，由亚马逊提供云服务，Anthropic 提供 Claude 大模型，埃森哲则根据客户的需求定制和调优 Claude 大模型， 增强其在知识管理、预测分析等方面的能力。2024 年 5 月，埃森哲宣布与 甲骨文公司合作，利用甲骨文 Oracle Cloud Infrastructure（OCI）GenerativeAI 和埃森哲在财务计划、风险管理方面的经验，推动企业数字化财务转型， 实现智能的采购支出分析、财务计划与需求预测、动态场景规划。 埃森哲与英伟达展开深入合作，积极推动 AI 应用在下游客户中的广泛普 及。2024 年 7 月，埃森哲推出了基于英伟达 AI Foundry 的 AI Refinery 框 架。英伟达 AI Foundry 用于提供生成式 AI 平台式服务，在此基础上 AI Refinery 帮助客户利用开源 Llama 3.1 打造定制化大模型，重塑客户业务流 程。2024 年 10 月，埃森哲正式宣布成立英伟达事业群，与英伟达展开深入 合作，在全球培训 30000 名 AI 专业人员，帮助客户通过埃森哲 AI Refinery 优化业务，扩大对 AI 工具的利用和拓展。除此之外，埃森哲也将推出新的 英伟达 NIM 代理人蓝图，用来模拟工厂内机器人的活动情况，整合英伟达 Omniverse、Isaac 和 Metropolis 软件，以帮助下游企业建设自动化工厂。

埃森哲的 AI 咨询服务取得了显著成绩。例如，宝马与埃森哲共同打造生成 式 AI 平台 EKHO 来收集和分析企业数据。当员工在该平台提出问题时，平 台会选择合适的知识库，运用过去的案例加以解决，并可以基于用户的反馈 不断优化答案，同时该次提问的有效信息也可以收集起来用以解决此后遇 到的相关问题。EKHO 平台可以帮助进行高效地营销并优化供应链流程， 有力推动了北美业务的增长。 为配合持续增长的业务需求，公司数据和 AI 员工人数将持续增长。据 2024 财年四季报披露，埃森哲数据和 AI 员工人数为 57000 人，至 2025 财年一 季报该方向员工人数增加至 69000 人，预计到 2026 财年末这一数字将再次 增加至 80000 人。不断投入的人力资源即是业务拓展的需要，也反映出埃 森哲对未来 AI 商业化落地的积极态度。

3.2.2. 亚信科技构建“渊思”行业大模型，推动 AI 商业化应用

亚信科技构建多层次“渊思”行业大模型助力 AI 在 B 端的商业化应用。在 当下大模型“百模齐放”的局面下，亚信科技认为向下扎根、充分理解和服 务垂直行业、帮助行业客户“零门槛”应用大模型是 AI 商业化落地的关键。 亚信科技发布“渊思”行业大模型，以“平台、模型、工具”三个层面满足 真实场景的实际需求，解决了大模型在业务系统中最后一公里的落地问题。 亚信科技依托“产品+服务”的模式，加速 B 端企业一站式智能转型，目前 已在通信、政务、能源等 20 多个重点行业实现规模落地。

亚信科技为用户提供行业大模型构建和数据库解决方案。2025 年 2 月 10 日，亚信科技实现 DeepSeek 的全面兼容接入。在通用人工智能与认知增强 平台上，用户可以进行基于 DeepSeek 的大模型无需或仅需少量代码，便可 以通过模型选择、数据准备、模型训练、模型评估、安全防护、模型部署等 六步构建行业大模型。经垂直行业知识问答的实测表明，基于 DeepSeek 的 知识检索增强生成等能力表现优异。除此之外，亚信科技打造数据库产品与 解决方案，为企业提供数字基座。亚信数据库产品经多次发展迭代，发展出 向量型等六大体系，满足多场景的使用场景需求。目前，亚信与中国移动等 企业展开了深入合作，如河北移动基于亚信科技数据基础平台构建了数字 资产管理体系，数据治理效率提升了近 70%，安全风险降低约 90%。

3.2.3. 彩讯股份推出应用开发平台 Rich AIBox，实现 AI 应用多场景落地

彩讯股份依托 Rich AIBox 平台助力企业搭建个性化 AI 应用。以往 AI 应用 落地存在过度依赖大模型能力、工作流调度流程难以控制、可交互性差等问 题。彩讯股份基于一站式 AI 应用开发平台 Rich AIBox 为企业用户提供数 据集管理、模型训练/调优到 AI Agent 智能体生成的全流程解决方案，凭借 完整的工具链实现了对每个开发环节的精确控制，高效赋能企业实现模型 落地。Rich AIBox 由下至上由基础设施层、模型层、智能体开发层、应用层 组成。其中智能开发层是核心，通过数据管理和模型管理实现对企业私有数 据的处理和理解，通过 Agent 管理让 AI 能力有效接入现有的企业流程，实现高效协同办公。

彩讯股份 Rich AIBox 产品已实现多场景落地。例如，AIBox 帮助某地市不 动产登记中心链接海量不动产领域知识，实现工作人员、企业、民众的快速、 准确、完整的对话式 AI 智能咨询问答服务，又如，为某 500 强企业构建专 属知识库平台和智能客服机器人，提供订单查询、产品推荐等功能，提升客 户使用体验。

3.2.4. 鼎捷数智布局企业级智能体平台 IndepthAI，赋能企业迈向数智化

鼎捷数智发展出企业级智能体平台 IndepthAI，为企业提供多元化 AI 能力。 鼎捷数智将 42 年行业经验的积累封装成数据融入 IndepthAI 平台中，提供 了丰富的“AI+”产品矩阵。基于各行各业的特殊属性发展了装备制造云、 零件云、财务云等个性化 AI 应用。例如，鼎捷数智的汽车行业大模型已落 地多家主机厂及 T1 供货商。通过 IndepthAI 平台，鼎捷数智将上汽的历史 数据和企业文档统一加工处理，为上汽建构了汽车售后智能在线问答平台， 针对售后场景的非结构化知识，实现自然语言与知识之间的灵活交互。

鼎捷数智将行业 Know-how 与 AI 深度结合，发布 PLM 系统。鼎捷数智覆 盖了研发设计类、数字化管理类、生产控制类及 AIoT 类四大工业软件。随 着 AI 技术日趋成熟，鼎捷数智在多年行业 Know-how 基础上将 AI 大模型 与稳态产品软件紧密融合，典型代表是新一代工业软件与 AI 集成的 PLM 系统（产品全生命周期管理）。新一代 PLM 探索了基于 IndepthAI 助力的 需求分析、智能推荐、图纸转 BOM 等应用场景，并接入知识中台和 ChatFile， 实现知识库的智能问答和结构化、非结构化文件信息的智能查找，帮助企业 迈向标准化、精细化和数字化管理。

编辑：火腿肠