2025年的商業世界正站在新舊轉換的十字路口。在商業敘事重構、科技浪潮席卷的當下，WISE2025商業之王大會以“風景這邊獨好”為基調，試圖在不確定中錨定中國商業的確定性的未來。我們在此記錄這場思想盛宴的開篇，捕捉那些在變局中依然堅定前行的聲音。

11月27-28日，被譽為“年度科技與商業風向標”的36氪WISE2025商業之王大會，在北京798藝術區傳導空間落地。

今年的WISE不再是一場傳統意義上的行業峰會，而是一次以“科技爽文短劇”為載體的沉浸式體驗。從AI重塑硬件邊界，到具身智能叩響真實世界的大門；從出海浪潮中的品牌全球化，到傳統行業裝上“賽博義肢”——我們還原的不僅是趨勢，更是提煉無數次商業實踐中磨煉出的真知。

我們將在接下來的內容中，逐幀拆解這些“爽劇”背后的真實邏輯，一起看盡2025年商業的“風景獨好”。

商湯科技 賈安亞 拍攝：36kr

從2023年的“智能涌現”到2025年的加速落地，AI的應用范式正在經歷深刻的變革。

商湯科技的賈安亞在演講中表示，當下國家政策大力推動“人工智能+”戰略，與此同時現實中僅有極少數企業真正兌現了AI的價值。

她認為，企業AI落地的關鍵突破點在于兩個維度的轉變：一是從傳統IT部門主導轉向業務層驅動的應用模式，讓真正的一線使用者成為技術引入的決策者；二是精準的場景選擇策略——避開對容錯率極低的財務等領域，聚焦于供應鏈、人事、運營等具備容錯空間且能產生顯著增量價值的業務環節。

隨著多模態技術的成熟和軟硬結合帶來的成本優化，AI將從單純的生產力工具進化為能夠深度融合企業數據流程的系統化解決方案。而在轉換過程中，企業需要的不再是一個孤立的模型，而是能夠端到端解決實際業務問題的完整方案。

以下為商湯科技賈安亞演講速記，經36氪整理編輯：

賈安亞：謝謝主辦方的邀請，我是來自商湯科技的賈安亞，主要負責各種生產力相關的AI原生產品。

在正式演講之前，我想先與大家分享一下本周的一些經歷。上周Nano Banana和Gemini3發布后，我感受到了又一波AI技術涌現帶來的激動人心的變化。

我自己體驗了很多新功能，包括使用NotebookLM，基于Nano Banana生成PPT，也在小紅書上看到許多用戶用來開發游戲應用等。

我做了很多復刻實驗，確實非常有趣，也深刻感受到技術進步為個人應用帶來的可能性，它確實大幅降低了應用使用和設計的門檻。

我看到很多人說，未來的壁壘可能不是技術壁壘，而是創意壁壘。去年，我對這句話還有很多疑問，畢竟我們做軟件研發，門檻確實很高。

但現在真正看到基于AI做前端應用、游戲開發、小程序開發時，發現它確實能夠節省大量時間，包括前端語言學習等環節。所以推薦大家去嘗試，包括很多國內優秀的模型，我們自己的模型也有很多類似的應用場景。

今天我主要聚焦于AI在國內企業側的應用。相比個人側的陪伴類應用和創意類應用，企業應用是一個更加嚴肅、更加嚴苛的話題。

從政策層面看，好消息是國家推出了很多優秀政策，大家可以看到"人工智能+"政策，希望在2027年實現智能終端和智能體覆蓋率超過70%。這個政策的重要性可以參考十年前的"互聯網+"，它推動了中國互聯網的大規模普及，創造了巨大的經濟社會價值。國家的大力支持，能夠自上向下推動企業側AI的落地和應用。

我們也看到應用模式發生了很多變化。從2022年底、2023年初大模型概念出現以來，過去兩年多大模型應用范式發生了顯著變化。

2023年，很多人還在做預訓練、增量訓練、微調等工作，今年上半年開始談論強化學習，后來是智能體，現在是多智能體。我們看到AI落地應用對算力的消耗越來越小，但對場景和實際落地價值的關聯度越來越高。

當然，雖然整體趨勢在變化，我們也看到落地中的一些挑戰和困難。這是MIT在7月份發布的報告，對美國大量企業的大模型落地情況進行了調研，發現只有5%的企業在落地大模型后，最終在財務報表上看到了實際價值。

當然，我認為這個5%的標準相對苛刻，因為要在財務報告中看到具體量化價值確實不容易，實際有效應用應該超過這個數字。

但這也確實說明，大模型在企業側落地仍面臨很多挑戰，包括科技發展過快導致部署能力可能在3個月后就被顛覆，需要重新部署；以及這些技術如何與企業自身數據和流程打通等問題。

但也有一些讓我們AI從業者比較開心的發現，比如企業內部自主進行的AI落地，相比外部合作伙伴幫助企業做落地，成功率不到三分之一。

我們也看到，企業側自上而下建設的成功率也不算太高，但很多員工已經自發使用各種AI工具。所以AI工具在企業側的實際應用，超過了報告所展示的數據。

右邊這是Gartner在九月發布的報告，主要針對智能體做的一些分析。其中一些觀點比較有趣。

智能體概念今年很火，但實際上很多所謂的智能體并非真正意義的智能體，而是過去的低代碼、RPA，或者只是大模型做了簡單業務層封裝就稱為智能體。

從我們的觀點來看，智能體這個概念并不重要，重要的是如何結合企業需求、結合各類技術和應用，幫助企業實現業務目標。

看到這些調研后，一方面我們了解到：企業側還有巨大的未被滿足的需求，另一方面也看到大量企業需求和供給側效率還不夠完善，這為未來幾年AI在企業側落地帶來了巨大的商業機會。

在過去兩年中，我們也與很多企業進行了探索。令我們比較開心的是，2023年我們更多與頭部企業合作落地，現在形成標準化產品和解決方案后，有更多中小企業、學校、醫院等機構基于我們的通用方案進行應用。

基于我們的觀察，有幾個重要發現。首先，AI應用落地與傳統信息化存在很大的范式差異。

傳統信息化大多由企業CTO、IT部門主導建設，建設完成后交給業務部門使用。但我們現在看到，真正對企業有可衡量價值的AI應用落地，實際上是通過業務層驅動的——業務層優先使用我們的工具，認為好用后，再通過企業引入的方式進行落地。這種模式很好地彌補了過去IT部門和業務部門之間在需求理解和實施方面的gap。

第二個重要觀察是場景選擇的關鍵性。

我們曾與頭部金融機構合作，他們希望第一個應用場景是財務部門。我們有一個拳頭產品叫辦公小浣熊，主要提供AI數據分析、文檔智能和PPT生成等功能。

當時，我和客戶建議不要選擇財務部門作為首發場景。為什么？原因是財務部門對數據精度要求極高，數據復雜度也非常高。

我們實踐下來發現，比較好的AI企業落地場景需要具備兩個特點：第一是有容錯率，第二是對用戶有很高的增量價值。財務人員本身數據處理能力很強，而且報表不能出錯，但AI目前無法保證100%準確，這就不是最佳場景。

相反，企業供應鏈、進銷存、人事和運營等領域，雖然擁有大量數據要素，但缺乏足夠的數據科學家進行業務分析，這反而是企業落地的絕佳場景，能夠立竿見影地看到增量效果。

有了這樣的優質場景進行落地后，才能更快推動企業進一步擴大AI建設。

另一個重要觀點是，AI在企業的落地不僅僅是購買一兩個產品，而是一個系統化工程，特別是對大型企業而言，需要從多個層面為企業創造深入價值。

我們可以將AI在企業里的價值簡單分為三類：一是個人價值，這相對明確，主要是個人提效，無論是寫文案、寫代碼還是數據分析。但在企業內部，整體運營效率不僅取決于個人效率，更取決于整體企業管理效率，以及團隊間和團隊內的協作效率。

因此我們希望AI長期不僅實現個人提效，還能提升團隊溝通效率，降低協作門檻，在整體管理層面提升效率。當然這需要隨著AI發展來驗證可能性，特別是企業管理效率的提升。

這也符合Sam Altman（OpenAI CEO）提到的AI五層進化理論，等到了第四、第五層時，會出現真正的企業級智能。

我們可以看到，越偏向個人應用，越容易有相對標準的產品和解決方案；面向企業管理層時，則更加個性化，更需要針對行業和企業個體的定制化。

今年上半年，國內開源模型非常火熱，很多企業開始自主部署開源模型，但大家遇到一個問題：購買了英偉達或國產化芯片，部署了各類大模型，為什么用不起來？因為對企業來說，需要的是能夠端到端解決業務問題的解決方案，而不是單純的模型。

拆解來看，企業在大模型之上，需要與企業數據、流程、業務流等相互結合。模型本身可能是語言模型、多模態、文生圖、文生視頻等各種選項，但對企業業務目標的理解和行業理解，才是企業落地中更重要的部分。

在技術層面，我們越來越意識到多模態的重要性。商湯科技在模型訓練階段，通過引入更多的多模態協同訓練方式，在強化學習階段引入沙盒、規劃等智能體所需的必要能力，提升模型在解決企業業務時的準確性。這非常重要。

為什么說企業落地比個人落地更加嚴苛？因為個人對精度感知沒那么強，而企業AI與企業最終成果直接關聯，精度要求非常高。

我們可以看到，企業數據要素非常多樣，不僅包括文本，還有圖片、數據庫、各類結構化和非結構化數據。在企業應用時，需要考慮如何結合模型多模態能力，實現復雜輸入、融合分析和結果輸出。

我們來聚焦看看辦公小浣熊。我們面向企業級和個人用戶，提供AI原生的數據分析、文本處理、PPT生成解決方案。AI對生產力工具帶來了重大變化。

過去我們有Windows、Office套件，主要基于信息化基礎，面向文檔的工具化應用，后來有了移動互聯網和云端協同工具，現在有了AI，我們可以將傳統面向文件的生產力范式，轉變為面向任務的生產力范式。通過處理不同文件和背景信息，面向用戶任務更主動地端到端解決實際問題，這是生產力工具向生產力助手的轉化過程。

這也是辦公小浣熊的演進路線。2024年1月發布時，我們是國內第一款數據智能體，到后續融入更多AI能力，再到今年即將發布的3.0版本，實際上，小浣熊是一個全新升級的AI辦公系統，與傳統辦公系統有很大區別。

關于具體功能，由于精度非常重要，我們為什么要做中國第一個數據分析智能體？是因為通過模型訓練和強化學習，在數據分析任務上，我們的企業實際落地精度會超過95%，在許多垂直數據分析任務上甚至可以達到100%，這是企業側真正可用的精度。

如果精度只有80%-90%，大量用戶使用時會產生很多錯誤信息，所以保證模型在應用場景中的精度至關重要。

第二個重要功能是任務規劃Agent。我們發現，如果明確知道目標，問題相對好解決；但面對復雜問題時，往往缺乏足夠的信息輸入和明確目標，需要通過AI引導方式，幫助用戶更好地理解目標，進行深度調研，給出解決問題的思路。

通過這兩種方式結合，我們既能很好地解決企業明確的目標訴求，也能幫助企業資深管理人員解決復雜任務。

我們的最終目標，是希望通過AI生產力工具，轉變為AI生產力。

最后補充一點，我最近體驗了很多新硬件形態，包括昨天拿到的英偉達DGX Spark（AI超級計算機），非常有趣。

在企業落地時，成本是重要因素。過去大家認為算力成本很高，但現在隨著技術發展，無論是推理加速、模型架構優化還是硬件優化，我們在實際企業落地中有很多優秀的低成本硬件選擇。

所以未來的AI的發展，不僅從軟件側解決企業問題，還將通過軟硬結合的方式，以更低成本滿足大家的需求。

謝謝大家！