Iconiq Capital的最新报告揭示了AI在企业级应用中一个耐人寻味的悖论：尽管公司对AI的研发投入空前高涨，对AI产品和智能体的构建热情不减，但内部员工对公司提供的AI工具的实际使用率却远低于预期，凸显了AI从技术概念到真正产生商业价值和推动生产力提升所面临的人员、成本与战略层面的深层挑战。
在经历了一轮概念炒作的狂热之后，人工智能领域正在翻开新的篇章，其重心已然从宏大的愿景转向了具体的落地与实践。硅谷财富管理公司Iconiq Capital发布的《2025年AI现状报告——构建者手册》正是这一转型的有力注脚，它深入剖析了AI从构思、交付到规模化扩展的每个阶段，并揭示了将生成式AI转化为持久商业优势的战术路线图。然而，报告也抛出了一个引人深思的矛盾：尽管企业在AI上的投入屡创新高，员工对内部AI工具的实际利用率却呈现出不均衡甚至“腰斩”的趋势，这使得AI在企业内部的生产力潜力未能被充分释放1。
从概念炒作到落地实践：AI投资与优先级的演变
这份基于2025年4月对300名AI公司高管和Iconiq社区AI领袖的深度访谈的报告，首先描绘了一幅企业对AI投入的宏大图景。无论是年收入不足1亿美元的初创公司，还是超过10亿美元的大型企业，都正将超过25%的研发预算投入到AI开发中。这清晰地表明，AI已不再是边缘性的技术探索，而是企业核心竞争优势的基石。
报告指出，这种战略性投入的一个显著成果是“AI优先公司”（AI-first companies）的崛起。这些公司以AI为核心设计产品，其将产品推向市场的速度明显快于那些仅仅将AI集成到现有产品中的“AI增强型公司”1。数据显示，近一半（47%）的AI原生公司已验证了市场契合度并实现了关键规模，而AI增强型公司仅有13%达到此阶段。这种差异化源于AI原生公司在设计之初就围绕AI的独特能力构建，这使得它们能更自然地利用AI的创新潜力，尤其是在**智能体工作流（Agent workflows）**的构建上——近80%的AI原生构建者正在投资这类自动化系统，旨在代替用户执行多步骤操作。
值得注意的是，开发者对AI的关注点也正发生转移。报告显示，67%的受访者表示他们正在开发智能体，59%的人专注于面向终端用户的应用开发，而仅有44%的人投入到基础设施建设中。这表明，AI领域正在从底层计算能力的搭建转向更直接面向用户和业务场景的智能应用层，预示着AI技术正加速向解决具体问题、提升实际效率的方向迈进。同时，报告还揭示了多模型架构的普遍性，平均每个受访者在其客户产品中使用了2.8个模型，反映了企业在寻求性能、成本和特定用例适配性之间最优解的策略。
人才、成本与未被充分释放的潜力：AI转型的深层阻碍
然而，AI的全面落地并非一帆风顺。报告的核心发现之一是：AI部署面临的最大挑战已不再是纯粹的技术问题，而是转向了**“找到合适的AI应用场景和衡量投资回报率（ROI）”**1。这凸显了技术与业务结合的复杂性，以及企业在将AI能力转化为实际价值时所面临的深层困惑。
成本与准确性是企业领导者普遍关注的两大核心问题。74%的受访者将大语言模型的输出准确性列为三大关注问题之一，而57%的人则对成本表示担忧1。随着AI产品从开发初期转向扩展阶段，其成本结构也随之改变：在初期，人才支出（57%）是主要开销，但到了扩展阶段，基础设施（22%）、模型推理和治理费用将成为主导，而人才支出占比则降至36%。这种转变要求企业重新思考其预算分配和资源优化策略。
更为关键的是，报告揭示了AI在企业内部“普及率高，员工使用率却腰斩”的悖论。尽管大多数受访公司已为约70%的员工提供了内部AI工具的访问权限，但只有约一半的员工定期使用这些工具1。在年收入超过10亿美元的大公司中，这一比例甚至更低，仅为44%1。这与Google搜索结果中提到的一项更广泛调查（2024年75%职场员工已用AI2）形成鲜明对比，后者可能涵盖了员工个人使用公共AI工具（如ChatGPT）的情况，而Iconiq报告则聚焦于公司内部提供的AI工具的采用率。这种脱节表明，仅仅提供工具是不够的，企业必须提供外部激励，并深入理解员工的实际需求和工作流程。在AI采纳率较高的公司中，AI工具平均部署在七个以上的内部用例中，包括编程助手（77%）、内容生成（65%）和文档搜索（57%），且这些领域能带来15%至30%的生产力提升1。这提示我们，明确的用例和可量化的效益是推动员工采纳的关键。
此外，“人”的问题也日益凸显。报告强调，AI不仅是技术挑战，更是组织挑战。企业正在积极构建跨职能团队，包括AI/ML工程师、数据科学家和AI产品经理。然而，招募到合适的AI/ML工程师仍然是瓶颈，平均招聘周期超过70天1。高达54%的公司表示招聘进度滞后，这使得AI人才储备不足成为阻碍AI转型的重要因素。
迈向成熟：AI商业模式与企业战略的未来考量
AI的兴起也在重塑传统的商业模式，尤其是定价策略。报告观察到，许多公司已开始采用混合定价模式，结合了基础订阅费用和按使用量计费的方式。一些公司甚至尝试完全基于使用量，或根据客户实际获得的结果进行定价。尽管目前许多公司为AI功能提供免费服务，但超过三分之一（37%）的公司计划在未来一年调整定价，以更好地反映客户所获得的价值及其对AI功能的使用程度1。这种转变源于AI模型API成本结构的变化，传统订阅模式难以适配所有用户场景，企业正向“使用量驱动+可控打包”的新定价方式转型，以实现可持续的商业模式。
模型部署的挑战也从纯粹的技术难题演变为更深层次的策略性考量。企业在部署AI模型时，最常遇到的问题包括幻觉（hallucinations）、可解释性与信任（explainability & trust），以及ROI验证（proving ROI）1。这些问题不再能仅仅通过技术优化来解决，它们触及了AI在真实商业环境中应用的可信度、透明度以及最终的经济效益，需要企业在技术、产品和业务层面进行协同解决。
综上所述，Iconiq Capital的这份报告描绘了一个AI领域充满活力但也充满挑战的转型期。它提醒我们，AI的未来不仅仅取决于算法的突破和算力的增长，更在于企业如何有效地整合这些技术，克服人才、成本、组织协作以及用户采纳的深层阻碍。只有当AI真正融入员工的日常工作流程，并为其带来可量化的价值时，企业才能真正从这场技术革命中获得持久的商业优势，并最终影响到整个社会的工作方式和经济格局。