企业级AI开发现状如何？各企业在使用AI的战略上有什么变化？AI公司应该作出什么样的调整来应对挑战？

　　——由ICONIQ Capital发布的2025年人工智能现状报告，把这次的重点放在了“变现”上。

　　报告指出，虽然目前OpenAI在各企业的模型使用中遥遥领先，但越来越多公司在不同场景的AI产品中开始采用多模型并行的策略。多数受访企业采用OpenAI模型搭配1-2个其他供应商模型的组合策略。

　　这项报告深度访谈总结了2025年4月对300名来自构建AI产品的软件公司高管进行的调查数据，包括 CEO、工程负责人、AI负责人和产品负责人，非常具有参考价值。

　　报告显示，虽然OpenAI的GPT系列模型依然最受欢迎，但现在越来越多公司在不同场景的AI产品中开始采用多模型并行的策略。

　　2.关于AI支出：AI人才是目前最昂贵的项目；存储、处理和AI基础设施上的支出比推理和训练要多

　　然而，随着AI产品的规模化，人才成本在总支出中的比例往往会下降；与之相反的是，随着产品开始获得市场认可，基础设施和计算成本往往会上升。

　　从左到右从上到下分别为：模型训练与微调、LLM与AI应用开发、监控和可观察性、推理优化、模型托管、模型评估、数据处理与特性工程、向量数据库、合成数据与数据增强、产品与设计、编码辅助、DevOps和MLOps。

　　报告显示，大多数受访企业至少每月都会训练或微调模型，根据产品成熟度的不同，预估每月模型训练成本在16万到150万美元之间浮动。

　　另外，AI公司在产品正式发布后，推理成本会大幅飙升：高增长型企业在产品进入通用可用阶段（GA）和规模化时，相关支出可达同行两倍之多。

　　多数企业在营收突破1亿美元时都已设立专门的AI高管职位——这很有可能是因为运营复杂度提升，且需要统一主导AI战略布局。

　　目前，许多公司采用混合定价模式，将订阅制/方案定价与按用量计费或按效果付费相结合；大多数AI赋能企业采取两种策略：要么将AI功能作为高级版本的核心卖点，要么直接免费开放这些功能。

　　在定价的策略上，有四成企业表示暂不调整定价策略，但有37%的受访公司正在探索基于用量、投资回报率（ROI）和使用层级的全新收费模式。

　　从实际生产力影响来看，代码辅助工具带来的效益远超其他应用场景——在高速增长的初创企业中，AI生成的代码量已占总量的33%，显著高于其他公司27%的水平。

　　以AI为优先的企业将产品推向市场的速度远超仅在现有产品中添加AI的公司。数据显示，仅1%的AI原生公司仍处于预发布阶段，而AI赋能公司中有11%。

　　近半数（47%）AI原生公司已达到关键规模并验证市场契合度，而仅开发AI赋能产品的公司中这一比例仅为13%。

　　这就引发了一个问题：AI原生机构是否在团队构成、基础设施和资金模式等方面具备结构性优势，使其能更高效地验证产品市场匹配度并实现规模化，甚至可能跳过那些拖累AI赋能公司的试错阶段？后者往往需要将AI改造到现有工作流程中。

　　OpenAI的GPT仍然是最受欢迎的模型；然而，许多公司正越来越多地采用多模型方法来应对不同场景下的 AI 产品，根据用例、性能、成本和客户需求，利用不同的供应商和模型。

　　这种灵活性使它们能够优化多种应用，如网络安全、销售自动化和客户服务，同时确保跨地区的合规性和卓越的用户体验。

　　当前架构设计普遍支持快速切换模型，部分企业更倾向采用开源模型，以获取成本与推理速度的双重优势。

　　AI正在重塑企业的产品服务定价策略。调研显示，当前主流是混合定价模式，即基础订阅费+按用量计费。部分企业更进一步，尝试完全按使用量或客户实际效果收费。

　　报告指出，目前大多数AI赋能的SaaS厂商仍将AI视为差异化卖点或增值噱头，而非独立利润中心。

　　虽然将AI功能打包进高级套餐或免费提供是快速提升采用率、抵御竞争的最快方式，但随着企业开始积累AI使用数据和投资回报率（ROI）分析，预计未来几年这一策略将发生转变——为避免利润率压缩，很可能会转向基于用量的收费模式。

　　虽然目前有相当一部分公司免费提供AI功能，40%的受访公司没有计划改变定价，但37%的受访公司正在探索基于消费、投资回报率和使用等级的全新定价模式。

　　Full Stack AI Company的产品副总裁受访表示，公司正在观察AI能力能否为客户带来额外价值。

　　一旦达到关键采用规模并验证增值效果，该公司可能会对现有平台套餐进行分层（例如：推出包含完整AI/智能体功能的高级版，同时限制基础版和企业版的功能）。

　　AI不仅仅是技术问题，还是组织问题。大多数头部企业正在组建由AI/ML工程师、数据科学家和AI产品经理组成的跨职能团队。

　　展望未来，大多数企业预计其20%-30%的工程团队将专注AI领域，而高增长企业的这一比例预计高达37%。

　　调查结果显示sq安卓vpn，找到合适的人才仍然是一个瓶颈。在AI相关岗位中，人工智能/机器学习工程师是所有人工智能特定角色中招聘时间最长的，平均招聘周期超过70天。

　　企业对招聘进度的态度呈现两极分化的态度：部分企业认为进展顺利，但有54%的受访者表示进度滞后，主要原因是合格人才的储备不足。

　　平均而言，采用AI技术的公司正将其研发预算的10-20%用于AI研发。另外，多数公司计划在2025年追加相关投入。

　　报告显示，在产品开发的早期阶段，人才通常是最大的开支（包括招聘、培训和技能提升）；但随着产品成熟获得市场认可，云成本、模型推理和治理开始构成主要支出。

　　在各类基础设施成本中，受访者认为API使用费是最难控制的支出，这表明企业在外部API调用产生的可变成本方面面临最大的不确定性。

　　大多数受访企业至少每月都会训练或微调模型，根据产品成熟度的不同，预估每月模型训练成本在16万到150万美元之间浮动。

　　尽管大多数受访公司为约70%的员工提供了内部AI工具，但实际定期使用这些工具的员工仅占一半左右。

　　来自New York Life的高级副总裁Don Vu受访表示：单纯部署工具（尤其是对大型企业而言）注定收效甚微。要真正赋能员工，必须在开放使用权限的同时建立配套支持体系——包括系统化培训、树立标杆榜样，以及最关键的，高管层的持续支持。

　　报告显示，在员工使用率超过50%的高采用率组织中，平均在七个或更多的内部应用场景中部署AI，包括代码助手（77%的受访者使用）、内容生成（65%）和文档搜索（57%）。

　　从实际生产力影响来看，代码辅助工具带来的效益远超其他应用场景，这与各场景的使用热度排名高度一致。在高速增长的初创企业中，AI生成的代码量已占总量的33%，而其他公司则为27%。

　　高增长企业往往更积极地试验和采用新AI工具，这表明头部公司已将AI视为战略杠杆，并正加速将其整合到内部工作流程中。

　　此外，大多数公司正在衡量内部AI使用的生产率提升和成本节约，超过30%的受访公司会追踪定性和定量的AI驱动的效率收益。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。