Gartner今年发布了《Gartner：2025 年中国人工智能十大趋势》，这是该机构首个针对中国AI趋势的报告。而沿着这十大趋势，我们可以看到中国企业的AI落地状况——谁在用AI？怎么用AI？

一是开放式生成式AI模型，逐渐成为企业评估和选择模型的重要标准。

Gartner高级首席分析师费天褀介绍，中国开放大模型的核心目的是实现生态掌控和合规自主。开源策略确保模型可控、安全。DeepSeek年初发布开源模型，引发全球AI厂商跟进。当前开源模型在推理上的成本已大幅降低，性能差距也在不断缩小。

数智前线观察，6月29日，华为和百度纷纷宣布部分大语言模型的开源，加入开源及生态争夺战中来。

有趣的是，Gartner 6月调研显示，在190份回应中显示，大语言模型使用最多的是DeepSeek，海外模型也被广泛采用。其他国内模型中，“千问”占38%，其次是百度、字节、腾讯、华为和智谱。整体来看，大语言模型的赛道正快速收敛，主流玩家逐渐稳定，“其他”仅占12%。资本趋于理性，关注点正转向长期价值与应用落地。

二是自建（Build）策略倾向，在政企、国企和工业场景中明显。

费天褀观察到，对于中国企业来讲，更愿意“造轮子”，原因是企业为了掌握核心技术、保护数据主权，实现业务深度耦合和定制化创新。尤其在政企、国企和工业场景中，自主可控需求更强。

对于人工智能各层的自研倾向也不同。在基础设施层，企业多采用大型云服务或私有化部署；模型层主要以市场成熟模型为主，最多辅以微调，而在工程工具上已有明显自研倾向。在应用层，自研趋势更为明显，企业常通过内部团队或外包完成模型部署与API编排。

三是Agentic AI（代理式AI），15%的AI Agent进入生产落地，高于全球平均水平。

代理式AI正成为今年的热词，它是强调具备感知、自主学习和执行能力的方法论。在此基础上，有两种形式的Agent，一种是类似传统RPA和Chatbot等AI助手，另一种是更主动、进化型的AI Agent。在中国市场，代理式AI广泛应用于客服、数字员工和业务协同等场景。

当前AI Agent多为聚焦任务的“窄智能体”，完成度较高。Gartner6月对中国企业用户的调研，AI Agent试点阶段占比42%，已有15%进入生产落地，高于全球平均水平。

四是节俭型AI（Frugal AI），企业要关注隐性成本。

企业，尤其适合中小企业更倾向轻量化、本地推理、边缘计算。尽管AI潜力巨大，但其算力、人力和调优等隐性成本仍不容忽视。

五是工程能力加速AI开发，这也是中国企业的“隐藏王牌”。

工程能力是中国企业推动AI落地的关键优势，也是AI从PPT走向生产的加速器。许多企业通过提升工程能力，加快了模型原型向业务系统的转化。以DeepSeek为例，其在现有算力基础上，通过工程调优提升性价比和输出质量。在应用层，企业也在探索模型与数据的解耦机制，实现“企业自有数据与多模型适配”，加强数据治理与数据的工程管控。

六是协同式AI安全防御，企业要重视安全问题。

目前，企业应用大模型的安全问题逐渐显现，例如员工在工作时用了外部大模型App，就涉及到企业数据出域、Shadow AI的治理问题等。企业内部要搭建一个端到端的AI治理框架，它不仅仅是技术侧，而是多方协同的治理共识。

七是快速增加AI人才储备，中国人才已跻身世界第一梯队。

从学术视角看，中国学者AI研究在顶级会议论文中，占比从2019年的29%升至2022年的47%，已跻身世界第一梯队。AI教育也深入中小学，为产业提供充足人才储备。对企业而言，这一趋势极具利好，尤其在生成式AI门槛降低后，更需要具备业务经验和场景创新能力的人才。

八是无处不在的AI（Ubiquitous AI），终端应用率先爆发。

中国AI应用落地不一定是从办公场景起步，发展最好的AI应用是在B2C场景、消费者导向率先爆发，并且很多是集中在终端，如汽车、穿戴设备、手机App等。这一点与数智前线了解的推理算力消耗大头，目前来自汽车、手机企业等吻合。

企业积极探索AI赋能场景，包括数字人在导览、直播、娱乐互动中的广泛应用，以及银行等传统行业中的智能交互体验，如语音转账、界面自适应等，体现出中国AI落地的多元与活跃。

九是包容式AI生态系统，大模型厂商都在找寻自己的生态位。

越来越多中国厂商从单一产品转向“模型、平台、工具、服务”一体化生态布局。平台不再只是模型托管，更强调场景适配、数据整合和工具协同。生态边界日趋模糊，关键在于合作互补。用户关心的不是用哪个模型，而是结果效果，厂商在找寻自己的生态位，形成生态合作分工，打通技术接口，助力企业高效部署和应用落地。

十是数据到AI生态体系，是一个长期演进的闭环。

企业使用AI的核心竞争力在于其独有数据，这些数据构成了成功应用AI的关键壁垒。因此，企业越来越重视从数据、模型到应用的完整链条。

很多企业使用ChatBI等能力的反馈可能是“准确度不高”或“能问的东西不多”。其实，生成式AI的效果高度依赖数据治理，若缺乏高质量数据和清晰规则，模型很难输出准确结果。构建可信的数据与AI的信任框架，这需要企业用自有数据、知识库跟AI去做打通， 实现可观测、可适应的数据生态，并通过DataOps确保数据流程的高效、安全与透明。这是一项系统性工程，远超建好数据库和RAG那么简单。

费天褀告诉数智前线，生成式AI对企业最大的影响，是提升了员工的AI素养。然而，企业普遍对AI的投资回报率（ROI）信心不足。调查显示，仅13%的受访者非常有信心能准确衡量AI的收益。ROI难以量化，一直是AI应用中的难题。尽管如此，51%的企业仍持乐观态度。相比通用场景，AI在“决策智能”上的ROI更清晰，例如制造业通过AI优化工艺，哪怕节省3%的燃料，也能带来数千万元的成本节约。（赵艳秋）