科技云报到原创。

近日，微软（MSFT.US）在最新全员大会上高调展示企业级AI业务进展，其中与巴克莱银行达成的10万份Copilot许可证交易成为焦点。

微软首席商务官贾德森·阿尔索夫在会上披露，这家英国金融巨头已签约采购相当于10万个使用席位的AI助手服务。若按每位用户每月30美元的官方标价计算，这笔交易年化价值可达数千万美元。

阿尔索夫进一步透露，包括埃森哲（ACN.US）、丰田汽车（TM.US）、大众集团和西门子在内的数十家企业客户，其内部Copilot用户规模均突破10万量级。

微软CEO萨蒂亚·纳德拉在大会上强调，公司正密切跟踪客户员工的实际使用率，而非单纯追求销售数字。尽管微软拒绝就此置评，但这场内部会议释放的信号清晰：这家科技巨头正将企业级AI市场作为核心战略阵地。

生成式AI价值在企业端绽放

从过去一年多的发展来看，AI技术应用的热门场景更多的还是在消费侧，无论是“文生文”的大语言模型，还是“文生图”的多模态模型，更多的是辅助人们进行一些简单的办公，或者提供一些娱乐。

生成式AI离真正成熟的企业级应用尚需时日。不过随着技术的不断发展，2025年，将会有更多的企业级AI应用落地，而AI与产业的融合也将成为今年科技圈的焦点话题之一。

消费侧的场景仅是生成式AI的冰山一角，生成式AI真正的价值还得看企业侧、行业侧的应用。相较于消费侧，企业级AI应用有着更广泛的需求和潜力。生成式AI在包括HR、财务和供应链流程自动化、IT开发和运维的智能化，以及企业资产管理、数据安全等方方面面均有着大展拳脚的机会。

从行业角度出发，包括金融、医疗、法律咨询、教培等偏服务型的行业有望率先有较成熟的生成式AI落地。

企业级AI平台将成最优解

除了金融和医疗行业以外，其他各个行业也都在积极探索生成式AI与业务结合的场景。各行业当下对待AI的态度如同几年前对待云计算的态度一般。

而AI也将“接棒”云计算，成为未来企业数字化关注的焦点。过去十五年间，企业数字化成就了云计算，未来的十五年将迎来企业应用AI赋能的关键时刻，而混合云+AI也必将成为未来很长一段时间内，企业数智化的最优解。

目前，企业级AI应用方式主要有三类：嵌入软件、API调用和搭建企业级AI平台。

嵌入软件是目前企业应用AI赋能业务最简单的方式，但也是差异化最低的一个，无法根据企业自身需求进行更高层次的探索。

相较于嵌入软件的形式，API调用具备了一定的差异化能力，企业可以根据自身需求调用外部大语言模型，从中取得一些不一样的效果。这个方式相对比较经济、便捷，同时又可以实现一定程度上的差异化需求。但企业所用的大语言模型也能被其他企业调用，时间久了差异化的能力会逐步减弱。

现阶段，企业应用最好的方式就是搭建自己的企业级AI平台。云计算将会是未来很长一段时间内企业数字化的主要手段，而AI发展的趋势也是不可逆的，AI已经成为企业核心竞争力，所以企业需要打造自己的企业级AI平台。虽然这种方式短期上来，企业的投入相较于其他两种更大，但长期来看，企业投入的回报率非常可观。

企业搭建属于自己的企业级AI平台显然已经成为当下各行业企业提升自身竞争力，以及差异化能力的重要手段之一。但是从现有的应用上来看，生成式AI在企业侧的应用仍处于方兴未艾的状态。

纵观生成式AI在企业侧应用不难看出，目前仍存在几点问题。

首先，大模型“幻觉”问题是制约生成式AI在企业侧发展的首要因素。企业侧应用不像消费侧，企业侧应用场景大多对于准确性、安全性要求要远高于消费侧的场景，而“幻觉”的问题将导致企业在决策、安全等方面面临着众多隐患，这也是生成式AI之所以在行业应用场景落地较慢的核心因素。

其次，现阶段，大模型主要的能力还是体现在文字、文档处理，一般性的聊天和较浅显的专业问答方面，以及通用视觉领域的问答和生成方面，对于逻辑推理要求和准确性要求高的专业语言领域，涉及学科和工程相关图片、视频识别的专业视觉领域，以及“文生视频”等能力仍需技术迭代。

目前，具备多模态能力的大模型产品目前仍难以在行业侧的落地应用的能力，但多模态模型将成为大模型领域各大厂商角逐的焦点。随着多模态模型成熟度不断变高，会有更多的行业应用场景出现。

再次，安全问题也是企业关注的焦点。当下，数据已经成为企业重要的资产，在利用任何数字技术的时候，企业都会优先考虑安全问题，而应用生成式AI赋能业务，需要大量企业内部数据对原有模型进行训练才能达到更好的效果。

在这个过程中，如何确保企业数据不会泄露，甚至被竞争对手利用，是当下企业对于应用生成式AI赋能业务有所担忧的核心问题之一。

对此，企业需要采取一系列的安全措施和技术手段，如加强数据加密和访问控制、建立安全审计和监控机制、采用对抗性防御技术提升模型的稳健性、完善隐私保护政策和机制等。

从现阶段企业应用AI的趋势来看，大多数企业对AI应用保持积极的态度，积极探索AI与业务相结合的方式，但我们离真正成熟的企业级AI应用爆发式涌现还尚需时日。不过无论是企业侧，还是AI服务供应商侧，都在积极的探索和布局。

数据、场景、规模化应用

当生成式AI风头正劲，越来越多的企业开始积极在自身行业布局相关的AI应用。但在风头之下，从准备工作到业务价值落地之间环环相扣，从数据准备到筛选场景，再到落地应用，每一个环节都会成为企业级AI应用的卡点。

从现阶段应用来看，具备企业级AI应用落地的企业并不多，若想有更多成熟的生成式AI应用场景落地，企业首先需要大量多维度的高质量数据。无论是对于政府，还是企业，数据已经成为AI时代的“石油”。

2022年底，ChatGPT横空出世以后，新一轮AI的浪潮席卷各行各业，企业对于数据的重视程度越来越高。随着大数据产业的发展，数据质量越来越高的前提下，人工智能已经逐渐从以代码为中心，转向以数据为中心的人工智能。当下企业需要通过加强数据治理和增强数据质量，来解决模型输出效果。

好的企业显然已经在数据方面做好了“就绪”。比如宝马从2018年就开始数据资产化进程，建立数据和AI的团队，特别是最近几年，很多企业把数据落湖，进行资产化。

数据资产化之后，对于大型企业来说，实现了跨地域、跨业务部门之间异构数据的互通互享。只有打通数据的通路，才能在此基础上进行应用开发，无论是做用户高级分析，还是AI模型的训练，就显得得心应手了。

而伴随着生成式AI的火爆，合成数据也成为了大模型时代企业训练大模型的“必备品”，Gartner数据显示，2026年，GPT等大型语言模型就将耗尽互联网上可用的文本数据；2030年，合成数据将彻底取代真实数据。

尽管合成数据发展的速度超乎想象，不过目前业内对合成数据的看法并不一致。

一种观点认为，合成数据无异于“近亲繁殖”，会造成模型崩溃的情况，这种观点主要的核心理论是：如果在训练中不加区别地使用AI产生的内容，模型就会出现不可逆转的缺陷——原始内容分布的尾部（低概率事件）会消失。

另一种观点认为，当现实中高质量数据不足的时候，合成数据能够精准的提供高质量的数据。合成数据是现在比较有效的方法，特别是训练一些大模型的时候，主要原因是因为合成数据的质量比较高，覆盖性比较好，可以满足利用一些比较精简的数据集训练出好用的模型产品。

数据的重要性在当下已经不言而喻，而数据就绪也成为了企业在利用大模型产品赋能业务发展的过程中的第一步，既是基础，也是前提。

拥有了足够量的高质量数据，企业才具备大模型的“入场券”，而进场之后，如何才能让大模型产品帮助到自身业务发展？找准场景就成为企业第二步要做的事。

目前企业场景中，比较容易率先应用大模型的场景是对一些原有的类似智能客服的产品的迭代。

一方面，这些简单的大语言模型的应用目前已经可以做到无需GPU卡就能实现，从部署成本上，给企业降低了部署的成本，当然也降低了试错的成本；另一方面，原先的知识问答类的产品，并不能很好地理解人们的诉求，但当植入了大语言模型的能力之后，能让智能问答类的产品有质的飞跃。

对于智能问答类的产品的延伸——知识图谱，也是企业现阶段可以率先应用大模型赋能的一环。

此外，从应用的深度上看，企业的IT运维管理方面，也是企业率先应用大模型时好的选择。大模型的能力对复杂的IT运维环境提供了更好的监控，优化资源配备的能力，可以监控到指令级的问题，并对问题进行自动化的干预。

除了知识类和IT运维类的应用以外，立足各行业中，企业也在积极的探索大模型的应用。从目前的应用场景上看，医疗、金融这两部分是比较常见的，也是落地比较快的两个场景。

金融行业方面，现阶段，大模型在金融行业的应用主要还是集中在风险评估和管理，以及知识图谱平台搭建方面。在风险评估方面，大模型可以通过分析大量的历史数据和实时信息，预测市场风险、评估信用风险等，为金融机构提供更加准确和及时的风险管理决策支持。

另一方面，金融机构还在尝试将大模型与知识图谱平台结合，用大模型代替NLP技术，在进一步提升效率的同时，提升风控水平。

医疗行业方面的应用目前主要集中在识别和同样是类似问答的分诊领域。一方面，通过行业大模型对大量医疗数据的学习和分析，可以自动识别病变特征，辅助医生进行疾病诊断，提高诊断准确率与诊断效率；另一方面，通过类似“AI助手”的模式，利用大模型为患者提供分诊助手也是在医疗侧目前布局厂商较多的一类产品。

除了金融和医疗领域，其实还有很多领域涌现了不少大模型可以应用的场景，虽然这些场景有一些不错的落地效果，但企业也不应该对大模型“趋之若鹜”。

如果一个企业级AI应用没法形成规模化应用，那么这个应用、这个场景对于企业而言意义不大。无论是传统AI，还是生成式AI技术，如果好几月才能做一个场景，且无法规模化应用，那就不能说是企业级AI。

如果能将AI的能力通过平台化进行复制，重复使用AI的能力，对于企业而言，使用AI的成本与技术门槛将会下降很多。

平台化仅是企业级AI规模化应用的开始和前提，在实现了平台化的能力后，通过公司内部的系统对AI应用集成决定了企业级AI规模化成败的关键。很多内部的应用系统都具有关联性，通过这些系统，将AI的能力进行集成后，就能产生联动效应，才能实现真正的规模化应用。

从微软的千万级订单到各行业的积极试水，企业级AI已从概念验证迈向规模化落地的关键阶段。未来十年，随着大模型幻觉问题的技术突破、多模态能力的成熟、数据安全体系的完善，AI将深度渗透生产、管理、服务全链条，逐步从“试验田”变为“生产力引擎”。对于企业而言，构建“数据资产化+场景智能化+平台生态化”的能力体系，既是应对未来竞争的必修课，也是把握AI产业红利的战略机遇。

正如云计算重塑了企业IT架构，AI正以更深刻的方式，重新定义商业世界的效率边界与价值创造逻辑。当技术创新与产业需求同频共振，企业级AI的黄金时代，正在加速到来。

【关于科技云报到】

企业级IT领域Top10新媒体。聚焦云计算、人工智能、大模型、网络安全、大数据、区块链等企业级科技领域。原创文章和视频获工信部权威认可，是世界人工智能大会、数博会、国家网安周、可信云大会与全球云计算等大型活动的官方指定传播媒体之一。