人工智能正在经历一次重要迁移。 过去几年，大模型竞争的核心是“让AI变得更聪明”：更大的参数规模、更强的推理能力、更丰富的知识储备，推动AI能力边界不断突破。 AI不仅需要理解世界，更需要进入世界。 具身智能需要在复杂环境中实时感知与行动，汽车需要成为持续进化的智能终端，手机需要真正理解用户，工业设备、航天装备等场景也需要AI在有限资源和复杂环境中稳定运行。 AI发展下一阶段，不只是云端模型能力竞争，更重要的是智能如何走向终端、连接真实世界的竞争。端侧AI是其中的关键基础设施。 端侧AI正重新定义人工智能进入产业的方式：通过更高效的模型、更紧密的软硬件协同以及更完善的生态体系，让AI从数据中心走向千行百业。 在这一趋势下，企业竞争的核心也正在发生变化。未来的领先者，不仅需要拥有强大的模型研发能力，更需要具备将模型转化为产业能力的全栈能力。 面壁智能正是这一产业演进过程中的探索者之一。 从较早布局端侧大模型路线，到构建MiniCPM系列模型体系，再到探索训练框架、系统平台和产业生态，面壁智能试图解决是“如何让AI进入更多设备和真实场景”。 WAIC 2026提供了一个观察窗口：端侧AI是否已经跨过从技术验证走向规模化落地的关键节点？ 答案，或许正在具身智能、手机、汽车以及更多智能终端中逐渐显现。 01 从模型能力到产业落地，端侧AI正在跨过关键节点 过去几年，人工智能产业的竞争主要围绕云端展开。大模型参数规模、训练算力投入以及通用能力提升，成为行业关注的核心指标。 随着AI从技术探索走向产业应用，新问题浮现：当AI真正进入具身智能、手机、汽车、工业设备等真实环境，仅依靠云端模式是否能够满足需求？ 现实场景对AI提出了不同要求。具身智能需要在动态环境中实时感知和决策，智能汽车需要低延迟处理复杂信息，手机需要在保护用户隐私的同时提供个性化服务，而工业设备则要求AI能够稳定运行于不
爱分析 ifenxi
专注于AI市场的研究咨询机构
IP属地：未知
0关注
4粉丝
0主题
0勋章
从2B参数模型到200亿元估值，面壁智能押中了什么？
从2B参数模型到200亿元估值，面壁智能押中了什么？
决策智能，企业AI的下一站
技术迭代的加速，正在把企业AI推向一个新的分水岭。Agent能力不断突破，企业高层和一线员工对AI的热情持续升温，但真正进入业务流程、承担真实任务并产生业务结果的应用，仍然只是少数。 这意味着，企业AI已经从“能不能用”的阶段，进入到“能不能被组织承接”的阶段。模型能力本身不再是唯一变量，数据口径、业务语义、权限体系、流程稳定性和责任归属，正在成为AI从试点走向规模化落地的关键约束。 在此背景下，观远数据创始人兼CEO苏春园做客“对话首席”栏目，与爱分析展开了一场深度对话。作为长期深耕企业数据分析与决策智能领域的厂商，观远数据一方面见证了企业从BI、数据中台走向AI决策的演进，另一方面也在Context Layer、Agent落地路径和决策智能平台等方向进行了持续探索。 本次对话围绕企业AI真实落地进度、Agent进入工作流的关键障碍、Context在企业AI中的作用、5A落地路径方法论、决策智能平台，以及企业级AGI的演进方向等主题展开。 核心观点： 1、企业AI的真实状态是“两头热，中间难” 企业高层对AI高度重视且持续加码，一线员工对AI工具接受速度极快，但中间的IT与数据决策层反而非常谨慎，核心矛盾不是技术，而是组织AI建设与AI风险管控能力的滞后。 2、AI真正进入企业的标志，不是“能用”，而是“进入工作流” 判断AI是否落地的关键标准不是POC完成与否，而是是否进入业务工作流。当前只有5%的AI应用真正进入业务流程，从“工具体验”走向“业务执行”。 3、企业AI的核心瓶颈正在从“模型能力”转向“Context能力” 决定AI效果的关键不再是模型本身，而是上下文系统，包括指标体系、业务语义、组织权限与策略结构等。没有统一Context，AI只能输出“正确但无用”的结果。 4、企业AGI本质上是持续进化的决策系统。 企业AGI是闭环系统，从数据到上下文，形成决策，转
决策智能，企业AI的下一站
工业AI的下一个规模化场景
安全生产和工序SOP分析，是工厂管理中长期存在的高频场景。过去，这类工作更多依赖人工巡检和事后追溯。随着大模型和智能体进入工业现场，AI实时识别、告警纠错和闭环管理正加速从试点验证走向规模化复制。 安生智联是国内少数专注于AI安全生产和工序SOP合规管理的方案提供商。在本次与爱分析的深度访谈中，安生智联联合创始人兼CTO南阳，围绕工业AI落地阶段的判断、AI在安全生产和工序SOP质量管理中的落地方式，以及工业客户衡量AI项目价值的逻辑等话题进行了系统分享。 核心观点 1、AI在安全生产和工序SOP领域，正从技术验证走向规模化复制。 工业场景对稳定性、准确性和数据可获得性要求很高。安全生产和工序SOP场景中，AI技术成熟度较高、企业刚需性强、数据也相对容易获得，该领域正处于从试点验证到效益显现、进而走向规模化复制的关键窗口。 2、在AI安全生产场景中，大模型的价值在于降低误报率，提升告警可用性。 小模型适合数据充足、边界清晰的场景，但在烟火识别等少样本场景中容易产生误报。大模型通过二次研判，可以有效过滤因光线变化、飞虫等因素导致的无效告警，让系统真正具备上线使用价值。 3、工序SOP AI分析的落地难点，在于把静态标准变成动态执行闭环。 大多数工厂都有SOP文件，但文件无法实时判断人员是否按规范执行。AI系统需要把工位操作过程转化为采集、分析、告警、纠错和追溯链路，才能解决事后倒查、责任追溯和执行一致性问题。 4、工厂对AI项目的付费意愿，与收益回报周期高度相关。 工业客户更关注AI项目能否带来明确收益。收益回报周期在1年内的AI项目更容易推动落地，超过2年则较难立项。 01大模型能提高安全生产场景的准确性 爱分析：安生智联目前主要从安全生产和SOP合规两个方向切入工业AI。你们是如何判断这两个方向的市场机会的？哪些场景更适合工业AI落地？ 南阳：安生智联主要面向企业安全领域
工业AI的下一个规模化场景
爱分析发布2026年中国AI数据基础设施市场规模报告
爱分析发布《2026年中国AI数据基础设施市场规模报告》。爱分析测算，2025年中国AI数据基础设施市场规模约为450亿元，预计2029年将达到1984亿元，2025-2029年复合增长率约为45%。 报告认为，随着大模型和Agent进入经营分析、知识检索、流程协同和业务执行等环节，企业数据体系需要进一步具备语义理解、数据调用、权限审计和上下文管理能力。 未来，企业AI数据基础设施的竞争焦点将集中在“企业AI数据入口”，本体平台、多模态数据管理、高质量数据集和Agent数据调用等方向将成为市场增长的重要驱动力。 1. 核心观点 企业AI建设正在推动数据基础设施系统性升级。 模型、算力和应用率先成为企业投入重点，但在真实业务场景中，AI能否准确理解指标口径、业务对象、流程规则和权限边界，正在成为影响应用效果的关键变量。由此，企业AI数据基础设施的重要性开始上升。 爱分析测算，2025年中国AI数据基础设施市场规模约为450亿元，预计2029年将达到1984亿元，期间复合增长率约为45%。这一市场的增长，主要来自存量数据平台升级、本体平台建设、多模态数据资产化、高质量数据集供给，以及Agent数据调用需求释放。 爱分析认为，AI数据基础设施的竞争，核心是争夺“企业AI数据入口”。企业AI应用需要通过统一入口完成数据访问、语义理解、工具调用、权限控制和过程审计。未来，AI数据基础设施的价值，将集中体现在对数据入口、语义入口和Agent调用入口的统一承载能力。 本体平台将成为企业沉淀语义资产、支撑AI理解业务的关键能力。企业需要将流程、指标口径和业务规则等知识结构化，形成可被AI识别、调用和复用的语义资产。随着AI应用从问答走向分析、协同和执行，本体平台将成为企业AI数据基础设施中承接业务语义和行动规则的核心能力层。 整体来看，企业AI数据基础设施的建设重心正转向本体平台，并带动多
爱分析发布2026年中国AI数据基础设施市场规模报告
在Palantir与Databricks之外，企业AGI平台是中国企业AI落地的新路径
过去两年，智能体快速进入企业应用视野，企业对AI价值的认知也经历了从概念验证到场景探索的过程。内容生成、文档处理、辅助客服等场景率先落地，使企业初步感受到通用智能在提升办公效率和降低知识工作门槛方面的价值。 随着应用持续深入，企业关注的重点正在发生变化。相比于“能否接入大模型”，企业更关心的是，如何让AI进入核心业务，并形成自身可持续积累的智能能力。 第一章：从“AI之笔”到“AI之脑”，企业AI正进入新的发展阶段 当AI进入到企业核心业务时，面临非常多企业真实环境带来的挑战。数据分散、语义不统一、权限责任复杂等问题，都会影响AI对业务的理解、调用和执行。 Palantir近一年重新成为企业AI讨论中心，正是因为它提供了一种重要思路。通过Ontology和AIP把数据、业务对象、权限、流程和工具调用连接起来，让AI从回答问题进一步进入真实运营。其价值在于推动AI从“看见问题”走向“推动问题被解决”。 但中国市场并不适合原样复制Palantir，中国市场的核心需求，在于建设一套让AI进入业务行动的基础设施。中国企业在数据治理基础、统一语义、权限责任边界等方面与海外客户存在差异，本土路径需要从企业自身基础条件和场景需求中形成。 爱分析认为，企业AI应用正在从个人工具走向业务流程，再走向组织级智能能力建设。这个过程可以概括为三个阶段：AI之笔、AI之手和AI之脑。三者对应的不是概念包装，而是企业AI价值重心的变化：从个人效率提升，到业务执行增强，再到组织智能升级。 第一阶段是AI之笔，核心价值是个人效率提升。大模型首先在内容生成、知识问答、文档处理等场景中落地，帮助员工更快完成信息加工和表达类工作。由于这些场景对业务系统改造要求较低、使用门槛相对较低，往往成为企业启动AI应用的第一批入口。 从企业经营视角看，AI之笔主要改变的是“人如何更高效地完成工作”，对企业核心业务流程、决策
在Palantir与Databricks之外，企业AGI平台是中国企业AI落地的新路径
爱分析发布2026年中国市场Palantir落地进展与趋势研究报告
爱分析于7月8日正式发布《2026 爱分析·中国市场Palantir落地进展与趋势研究报告》。本报告指出，多数中国企业不适合一步到位建设全企业级重本体，渐进式本体才是现实路径。真正的竞争不在谁能复制Palantir，而在于谁能定义企业AI的行动层。 序言 过去一年，Palantir被重新推到企业AI的舞台中央。 在美国市场，它不再只是一个带有情报、国防和政府色彩的软件公司，而被越来越多地理解为企业AI落地的一个样本。成立二十多年的Palantir，用本体Ontology和AIP把数据、业务对象、权限、流程、工具调用和行动审计连在一起，让AI不只回答问题，而是进入真实运营。 这里有两个关键概念。Ontology不是一张静态知识图谱，而是把订单、设备、供应商、工单、库存、客户、员工、资产等业务对象，以及它们之间的关系、权限和可执行动作组织起来。AIP则是在这套业务对象和权限体系之上，让AI以可控方式调用工具、触发流程、参与决策和执行。 于是，中国市场也开始追问：谁是中国版的Palantir？ 这个问题看上去很引人注目，但真正值得回答是这三个更具体的问题：第一，中国企业到底需要Palantir的哪种能力？第二，这种能力为什么很难在中国原样复制？第三，如果不能照搬，中国市场应该走什么样的本土路径？ 爱分析认为，中国市场真正缺的不是一个Palantir复制品，而是一套让AI进入业务行动的基础设施。中国企业确实最需要Palantir所代表的能力，但中国市场最不适合原样复制Palantir。所谓中国版Palantir，不会长得完全像Palantir，它更可能从本土数据治理、轻量语义层、行业场景和可控行动闭环中长出来。 一、行动，才是Palantir的核心 理解这个问题，首先要把Palantir从几个常见误解里拿出来。 Palantir不是传统BI，也不是披着新名字的知识图谱。它当然有数据
爱分析发布2026年中国市场Palantir落地进展与趋势研究报告
爱分析发布2026年中国智能体记忆市场规模研究报告
爱分析于7月6日正式发布《2026爱分析·中国智能体记忆市场规模研究报告》，本报告重新定义记忆，明确它是智能体在交互中沉淀、动态更新并持续指导决策的经验资产。 爱分析预测，中国智能体记忆市场规模将从2025年的14.4亿元激增至2030年的642.5亿元，期间复合增长率超过110%。 1、报告综述 过去两年，行业对于智能体能力提升的关注点主要集中在模型升级迭代层面。主流观点认为，更强的模型意味着更强的智能体能力。随着OpenClaw等新一代智能体产品落地，行业发现模型能力可以支撑智能体完成长程任务，但真正决定任务效果和智能体能力上限的，将变成记忆能力。 记忆正在成为智能体产业链中，增长速度最快、市场潜力最大的基础设施赛道。爱分析测算显示，中国智能体记忆市场规模将从2025年的14.4亿元，增长至2030年的642.5亿元，期间复合增长率超过110%。 图1： 2025-2030年中国智能体记忆市场规模预测 尽管市场增长迅速，当前行业对于记忆的认知仍存在明显偏差。第一个误区，便是认为记忆与基础模型深度耦合，属于模型的重要能力之一。 事实上，模型负责智能体思考，记忆负责智能体成长。模型决定智能体能够做什么，记忆决定智能体能够做得有多好。对于企业而言，组织经验并不属于某个模型，而属于企业自身；对于个人而言，偏好、关系和行为习惯也不依附于某个模型，而属于用户自身。 因此，记忆不是模型的附属功能，而是全新的智能体基础设施，并形成独立的市场空间。 根据爱分析测算，到2030年，记忆在智能体基础设施中的占比将接近26%，成为仅次于模型的第二大独立市场。 图2： 2025-2030年记忆在智能体基础设施中的占比 第二个误区，是对于记忆价值的错误认知。一部分观点将记忆理解为知识库升级，一部分观点将记忆理解为超长上下文能力，还有一部分观点将记忆作为节省token的重要手段。这些认知都忽略了记忆
爱分析发布2026年中国智能体记忆市场规模研究报告
AI接管场站运营，某新能源企业将问题发现到解决时间缩短60%
随着新能源装机规模持续增长，企业运营管理范围不断扩大，场站数量快速增加，设备运行数据、经营管理数据以及现场运维数据呈指数级增长。与此同时，行业竞争也从资源获取和项目建设逐渐转向运营效率竞争。如何充分释放数据价值、提升发电收益和运营效率，成为新能源企业关注的核心议题。 在这一背景下，越来越多企业开始探索Data+AI融合应用，希望借助大模型和智能体技术提升经营决策效率和设备运维水平。然而，由于工业场景数据复杂、专业知识门槛高、业务流程链条长，AI在工业领域的落地始终面临诸多挑战。 某新能源企业联合寄云科技，通过建设新能源智能运维与分析决策智能体平台，打造覆盖经营分析、设备运维和故障诊断的一体化AI智能体体系，实现“从发现问题、分析原因到现场解决”业务闭环，为新能源行业Data+AI应用提供了具有代表性的实践样本。 1、业务快速扩张背后，新能源运营面临新的管理挑战 作为新能源项目开发、投资和运营管理平台，该企业在全国十余个省市运营近百个工商业分布式及集中式光伏项目。 随着业务规模不断扩大，企业逐渐积累起海量经营数据与设备运行数据。然而，数据规模的增长并未自动转化为管理效率提升，企业在经营分析和设备运维领域面临诸多现实挑战。 首先是经营分析效率不足。 企业经营分析涉及多个业务场景、多种分析模板以及来自不同系统的数据来源。长期以来，大量经营报表依赖人工汇总、统计和分析，相关人员需要每天从多个系统中提取数据并形成报告，不仅工作量巨大，而且容易出现统计偏差。 对于中高层管理者而言，获取关键经营指标同样存在障碍。传统方式下，管理层需要依赖下属准备报表，或者通过BI系统逐层查询数据。由于分析流程复杂、数据更新存在滞后，管理层难以及时掌握企业经营动态，影响决策效率。 其次是设备运维效率有待提升。 新能源场站每天会产生大量SCADA和物联网告警信息。虽然系统能够发现异常，但无法自动判断问题的重
AI接管场站运营，某新能源企业将问题发现到解决时间缩短60%
爱分析发布2026年央国企Agent实践报告
导语: 政策与大模型技术双轮驱动下，央国企Agent 建设已告别早期单点技术验证阶段，全面迈入规模化试点与体系化落地新阶段。 爱分析于6月24日正式发布《2026爱分析·央国企Agent实践报告》，本报告完整复盘央国企Agent 落地阶段、建设模式与场景价值，梳理数据、系统、组织、人才、合规等落地难题，提供Agent落地路径，为央国企智能体规划、建设、运营提供行业参考。 报告完整版已发布，如需获取《2026爱分析·央国企Agent实践报告》，请点击以下链接下载：https://mp.weixin.qq.com/s/iqH0r7cr4BkvWLdUvuiPbg 1. 报告综述 央国企Agent建设正在从技术验证走向生产级落地。进入2025年以来，随着政策推动、模型能力提升、国产算力和行业模型建设加速，央国企开始将Agent纳入AI专项工作的重点方向，应用重心也逐步向生产、研发、安全、采购和经营管理等核心业务环节延伸。 Agent的价值判断标准已经从模型效果转向业务价值。过去，企业更关注模型回答是否准确、知识库检索是否有效、交互体验是否流畅。现在，央国企更关注Agent能否嵌入真实业务流程，能否提升经营和生产决策质量，能否降低安全合规风险，能否沉淀专家经验。评价标准变化的背后，是央国企Agent建设从技术试点项目向生产级项目转变。 央国企Agent建设正演变为集团级智能化基础设施。央国企组织层级多、业务链条长、数据安全要求高，单点应用难以支撑规模化落地。当前更可行的路径，是集团层面统建算力、模型、平台、安全治理和技术标准，二三级单位围绕真实业务场景开展应用落地，形成底座统建和场景自治并行的建设模式。统一底座解决安全可控、能力复用和重复建设问题，场景自治保证Agent贴近业务现场、解决真实问题。 未来央国企Agent的成功关键是进入核心业务流程，形成可复用、可治理、可持续迭代的能
爱分析发布2026年央国企Agent实践报告
CEO要放下Ego，相信AI比自己强
数势科技CEO黎科峰最近迷上了一件事：自己写文章。 每天一篇，发在公众号【AI夜行】上，雷打不动。不是品牌稿，不是公关文，是他把脑子里的想法录成音，让AI帮他整理、帮他写，结果比任何编辑写的都要好。他说，这件小事让他想通了一件更大的事：人脑袋里面想的东西，和真正动手做出来的东西之间，距离已经被极度压缩了。 这个判断，是数势科技过去三年整个组织演化的起点，也是他对AI时代最核心的认知——AI不是工具升级，是一次重新定义组织与价值的机会。 在爱分析这次访谈里，黎科峰和我们谈了三件事：他怎么理解AI和数据的关系，为什么他认为数据才是真正的护城河；他怎么看AI时代组织该怎么建；以及数字员工这门生意，壁垒究竟在哪里。 核心观点： 代码会被平权，流程会被平权，方法论也会被蒸馏。唯有私有数据、私有语义、私有经验，大模型拿不走。 组织AI化的第一步，不是买工具、搭平台，而是管理者自己下场用AI。不信AI比自己强，就不可能真正放手。 未来ToB市场一定比过去更集中，垂直SaaS的生存逻辑正在被颠覆。卖代码的时代过去了，卖结果的时代来了。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 组织AI化，先要求管理者从指挥者变成使用者 爱分析：数势科技大概什么时候开始做组织AI原生化这件事？ 黎科峰：我们做得比较早。2023年很多团队还没看清方向时，我就判断要先把组织压扁。因为如果一个leader下面管很多人，他很容易继续做指挥者，而不是自己下场尝试AI。 AI原生不能靠口头指挥，必须每个人亲自上手，包括我自己。过去两年，我们最重要的事就是让大家真正使用AI、体验AI。只有亲自用过，知道它能做什么、不能做什么，组织才可能真正转身。 招聘新人的时候，我们同样不能继续用老思维。我们要逼自己判断：哪些问题适合AI解决，哪些事情应该交给AI，哪些环节人应该往后退。 爱分析：很多
CEO要放下Ego，相信AI比自己强
跨越聊天陷阱，企业级智能体三步破局
导读： 大模型与智能体快速发展，C端AI产品迭代迅猛，但企业AI落地普遍遇阻，存在场景难选定、应用浮于表面、全员推广困难三大痛点。本次邀请的专家分享了多家企业落地实战案例，围绕“快、深、广”落地方法论，以能否办成一件事作为智能体项目成败标准，分阶段拆解落地实操路径，为企业智能化转型提供落地参考。 分享专家：蓝凌智能副总裁&AI业务负责人，杨泽 01企业AI落地三大现实卡点 当前AI技术，尤其是大模型领域发展迅速。今年以来，从DeepSeek Moment到OpenClaw，再到近期各类智能体产品涌现，C端应用日新月异。但与此同时，AI在企业内部的落地仍存在差距。即便智能体或大模型能力再强，目前很多企业里，仍有不少员工用“豆包”等工具撰写文档，这可以说是组织落地AI最突出的问题之一。 AI作为组织能力的放大器，当企业希望用好它时，常遇到几个难题： 第一，场景过多。企业内适合AI的场景很多，该从哪些入手才能更快获得业务回报？只有看到成效，企业才愿持续投入。 第二，容易流于表面。很多企业落地AI时停留在聊天层面，私有化部署一个模型让员工提问。这未能真正融入企业知识、流程及制度，仍浮在业务表层。 第三，组织内部推广难。很多企业在全员推广时遇到阻力。要打造AI原生型组织，需要每个人解决问题时都能自发想到用AI。如何实现全企业有效推广，是一大挑战。 在蓝凌众多智能体项目中，如何判断项目成功？关键看智能体能否帮我把一件事完整、闭环地做成。 完成这件事需要能理解任务意图；能调用企业知识、数据、制度等资产；更要能在合规前提下操作系统，考虑权限管控、可审计性等条件。 智能体可大可小，但都应具备这些能力。 02 快-深-广，企业智能体落地三步走 那么，企业内部究竟该如何落地智能体？即便面临诸多挑战，我们在近两年服务超过200家客户转型的过程中，总结出一套方法，归纳为“快、深、广
跨越聊天陷阱，企业级智能体三步破局
智能体将大规模吞噬劳动力市场
来源：爱分析ifenxi，《2026爱分析·中国企业智能体市场规模报告》，2026 年 6 月发布 爱分析ifenxi是AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 导语： 企业的IT预算终有天花板，但对生产力的渴望永无止境。今天，企业智能体正以势不可挡的姿态，先吞噬企业IT市场，再吞噬劳动力市场。它不仅重塑了企业的成本结构，更让市场从传统的信息化软件采购，演进为百万亿级的数字劳动力交易。在这场生产力范式转移中，谁能率先驾驭数字员工，将率先享受新一轮生产力红利。 一、打破传统IT天花板，中国企业智能体正式迈向数字劳动力交易时代 中国企业智能体市场正经历一场深刻的范式转变，从传统的软件市场向数字劳动力市场演进。爱分析观察到，目前国内已经形成了一个从底层基础设施、智能体操作系统，到上层数字员工及数字劳动力交易生态的完整产业链。 其中，智能体基础设施为企业提供算力、模型、数据、记忆等底层能力；智能体操作系统负责智能体开发、编排与管理；数字员工直接面向业务场景交付价值； Skill、智能体和数字员工的标准化流通，正在催生数字劳动力交易生态，这将成为智能体时代最具增长潜力与想象力的全新蓝海市场。 二、五年狂飙80.5%，中国智能体市场规模将在2030年冲破4900亿元大关 2025-2030年间，中国智能体市场总规模将迎来爆发式增长。爱分析测算，市场规模将从2025年的256.8亿元大幅跃升至2030年的4925.2亿元，五年间将实现高达80.5%的复合年增长率（CAGR）。 爱分析认为，2028年将成为市场的关键转折点。2025-2027年前期，增长主要由IT预算释放下的基础设施和平台部署驱动；而2028年后，随着智能体自主执行能力的提升，数字劳动力开启第二增长曲线，IT投入与数字劳动力需求形成双轮驱动。 三、重心全面向价值层转移：2030年数字员工与交
智能体将大规模吞噬劳动力市场
数据质量不过关，AI决策是空转
本文来自爱分析ifenxi（北京爱分析科技有限公司），AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 AI 正在改变企业使用数据的方式。 过去企业数据建设的目标，是实现业务流程线上化，并把分散的数据治理成可管理的资产。AI时代，企业更关心的是数据能否直接参与判断、预测和决策，从”人看报表”走向”系统主动决策”。这意味着，企业数字化正在从流程数字化、数据资产化，进一步走向可信决策自动化。 在此背景下，爱分析对百望股份CTO王志伟进行了深度访谈。百望股份长期深耕发票、财税、企业信用和交易数据服务领域，积累了大规模真实交易与企业经营数据，以此为根基，百望股份提出战略升级：将公司定位为AI时代的企业商业信用基础设施运营商：以真实交易数据定义企业商业信用，让企业更可信、交易更智能、融资更容易、出海更合规。 本次访谈重点讨论了AI时代数据底座演进方向、行业模型机会、AI应用规模化落地条件，以及百望股份如何用统一数据中台和统一AI中台支撑战略落地等问题。 核心观点： 1、AI不会直接替代数据平台，统一数据底座仍是AI的基础。 大模型可以大幅提升数据治理、打标、建模等环节效率，但没有高质量数据供给，AI能力很难真正进入企业关键决策。 2、通用大模型不会吞噬所有行业模型，真实交易数据和强合规Know-How会长期形成壁垒。 财税、医疗、金融、企业信用等领域专属数据不可能简单进入公开大模型，业务规则、授权链路、审计要求和风险责任也难以由通用模型独立承担。 3、AI应用规模化的关键是把专属数据、行业Know-how和刚需场景组织成可计量的能力调用。 财税合规、企业商业信用、金融风控、智采慧销与全球税务合规等场景，既有高频业务入口，也有明确付费意愿，是AI可规模化落地的应用。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 企业数据正从资产化走向可信决策自动化 爱
数据质量不过关，AI决策是空转
免费开放一周后，我们调研了Agnes AI用户社区
过去一周，Agnes AI成为国内AI开发者社区讨论度较高的大模型厂商之一。 原因很简单，它宣布向全球开发者免费开放文本、图片和视频模型API，且不限时、不限额度。消息发布后，大量开发者涌入社区体验产品。根据Agnes AI最新官方数据，从6月1日开始免费后，六月第一周的 Agnes-2.0-Flash 调用量已超过1万亿（1T）；Agnes-Image-2.1-flash生成超过200万张图片；Agnes-Video-2.0生成超过200万秒视频。 不过，对于大模型厂商而言，“免费”不是最难的事情。真正的挑战在于：模型能力是否经得起真实场景检验？热度能否转化为长期用户？ 带着这些问题，爱分析进入了Agnes AI用户社区，并持续观察开发者讨论、产品迭代以及实际应用情况。我们发现，相比“免费”本身，开发者更关注Agent能力、长上下文处理以及模型能否胜任真实业务场景。并且在热度之外，一些新的变化也正在发生。 以下是爱分析在用户社区中的一些真实观察。 01 为什么Agnes AI突然火了？ 6月1日，Agnes AI宣布向全球开发者免费开放旗下文本、图片、视频三大模型API，并承诺不限时、不限额度开放。这意味着开发者无需购买Token，也无需担心免费期结束。尤其是在Agent兴起的背景下，越来越多开发者面临Token成本快速增长的问题。因此，消息发布后，很快吸引了大量开发者关注。 当然，仅靠免费并不足以支撑持续热度。从公开信息来看，Agnes AI目前已经形成覆盖文本、图片、视频三大模态的模型矩阵。其中，文本模型进入Claw-Eval榜单，图像模型和视频模型进入Artificial Analysis相关榜单。 图1 Claw-Eval榜单（Agnes-2.0-flash位于第19位） 图2 Artificial Analysis相关榜单（Agnes Image 2.
智能体是个伪市场
2026年，智能体成为企业AI落地的行业共识。但市场火热背后，智能体概念正被快速泛化，很多厂商只是在原有产品上接入AI模型，就贴上智能体标签，而企业客户真正需要的，并不是一个新的对话入口，而是能够理解企业知识、拆解复杂任务、调用工具并协同执行的数字员工。 在滴普科技创始人 、董事会主席、执行董事兼CEO赵杰辉看来，真正有价值的企业智能体要回到模型能力本身，厂商需要具备模型训练能力，训练出具备企业级记忆机制、长任务规划和智能体协同的企业大模型。 围绕企业智能体落地，滴普科技正在推进两条核心产品线：一是 Deepexi 企业大模型，支撑企业本体建模、记忆、长任务规划和智能体协同；二是 FastAGI企业智能体平台，负责模型之间、Skills 之间、AI 员工之间的协同与调度。Deepexi 提供企业本体和规划能力，FastAGI 负责把这些能力组织起来，让多个 AI 员工能够在一个完整的业务场景里协同执行。两条线合起来，才是企业AI落地 的完整形态。 在本次与爱分析的深度访谈中，赵杰辉系统阐述了对智能体市场的判断、滴普科技的产品路径，以及AI 员工对企业组织形态的影响。 核心观点： 1、企业智能体概念被泛化，长期有价值的是企业大模型。真正的企业智能体不能脱离模型，模型承担数据整理、知识逻辑承载和推理作用。AI厂商如果没有模型能力，本质上仍是传统集成商。 2、企业智能体落地的关键，是建立企业级记忆和长任务规划能力。智能体必须具备记忆机制，把企业资料、流程、规则、故障、经验等转化为本体，形成企业知识网络。这样模型才能实现推理和规划，支撑复杂任务执行。 3、AI 员工会重构科技公司的组织形态，FDE 团队重心是 Skills 和数据开发。FDE 工程师的角色会发生变化，将自身能力 AI 化。科技公司竞争力会从经验积累转向学习能力和变化能力。 01 企业智能体概念被
智能体是个伪市场
电建财务公司建设财神大模型，实现AI技术应用落地
中国电建集团财务有限责任公司（以下简称“电建财务公司”）是中国电力建设集团有限公司的“内部银行”，成立于2015年12月，主要为集团成员企业提供资金集中管理、资金结算、信贷业务、外汇业务等金融服务。公司人员规模不足百人，却掌管数百亿资金，金融属性突出，业务专业性强。 在国务院国资委和电建集团数字化转型升级部署下，电建财务公司提出建设“司库型、数智化、行业一流”财务公司的发展目标，大力推动数字化、智能化建设。 2024年起，公司开始规划AI大模型应用，因担心模型效果不达预期而一直处于调研阶段。2025年DeepSeek等开源大模型能力显著提升后，公司正式启动AI大模型应用项目，与中关村科金开展合作，实现大模型与智能体在电建财务公司内部落地。 01 聚焦三大战略目标，推动大模型落地应用 作为典型的央国企财务公司，电建财务公司落地AI大模型应用时，重点聚焦以下三大战略目标，用以更好地发挥“AI+财务公司”深度融合作用： 首先是工作效率提升。通过筛选出贴合业务实际的AI技术应用场景，助力工作效率提升，减少重复劳动。 其次是经营效能提升。通过充分发挥AI技术的海量数据分析能力、语言解析能力等专业优势，更好地为经营决策提供辅助支撑，提升业务经营效能。 最后是服务提质增效。借助大模型和智能体的拓展应用，践行立足集团、服务集团经营理念，打造全新的数智化金融服务生态，提升金融服务的能力与水平。 最终形成底层可扩展、场景可复制的AI应用范式，实现从技术能力到业务价值的闭环转化，为财务公司数智化转型提供核心驱动力，同时形成可借鉴、可复制的建设成果经验。 02 项目以双平台为核心体系，实现技术到价值闭环落地 整个大模型应用项目的技术架构分成四层，包括国产信创算力底座、多模态模型矩阵、大模型应用开发平台和大模型应用平台。 项目核心构建“大模型应用开发平台+大模型应用平台”双层体系，形成技术到价值
电建财务公司建设财神大模型，实现AI技术应用落地
Know-how很快被AI追平，真正的壁垒没多少了
在大模型、智能体与AI Coding驱动的企业软件新世界里，旧的竞争壁垒正在迅速消融。专业知识与Knowhow正在被AI重新定义，智能体应用被分钟级生成，传统企业服务厂商的核心价值正面临大考。 在此背景下，我们与在PaaS领域深耕多年的得帆智能创始人兼CEO张桐，进行了一次深度对话。这家公司经历了上一轮技术周期，如今正将能力延伸至智能体应用平台、数字员工平台，构筑新一代企业AI基础设施。 本次访谈重点讨论几个核心问题：行业Knowhow如何从个人经验转向组织化AI能力，AI Infra的长期壁垒在哪里，以及企业AI商业模式如何从软件授权走向持续运行服务等。 访谈核心观点： 行业Knowhow不会消失，但会被重新定义。知识型Knowhow会被大模型快速拉平，真正稀缺的是项目推动、组织协同、责任心、判断力和复杂场景落地能力。企业要做的不是依赖个人专家，而是把专家能力沉淀为组织化、AI化的能力。 企业AI平台层将持续壮大。AI Coding会分流大量个性化、长尾化、流程型应用需求，企业可以自建更多智能体应用。同时，智能体普及也会驱动对平台型基础设施更广泛的需求。 智能体数字员工不是RPA的升级版，而是新的企业执行单元。RPA复刻操作，Agent理解任务、调用工具、处理异常并交付结果。数字员工的核心，是具备企业身份、权限和上下文理解能力，并能够真正进入业务系统完成工作。 企业AI的商业模式会从一次性软件授权，逐步转向平台订阅、智能体运行量和结果交付相结合的持续服务模式。智能体使用越深入，模型调用、工具执行、流程编排和运行保障的消耗越大，未来企业不是简单购买一个软件系统，而是为智能体持续交付业务结果付费。 AI能力仍然遵循1万小时定律。对AI的颠覆性感到焦虑是常态，应对方式是打不过就加入，即自身深度使用AI，提升认知。在AI上面投入的时间决定了认知高度。 ToB领域，新的创业公司会越
Know-how很快被AI追平，真正的壁垒没多少了
软件公司没有护城河，拼的是学习速度和生存韧性
技术迭代的加速正将企业软件行业推向一场深刻的重塑，单纯的产品功能堆砌已难以构筑竞争壁垒，企业面临的是从技术架构到服务能力的全方位转型压力。 如何在模型快速更迭的时代沉淀核心资产，并重构适应AI时代的组织，成为企业亟需破解的关键命题。 在此背景下，爱分析与蓝凌董事长杨健伟展开深度对话。作为长期深耕企业数字化与知识管理赛道的资深实践者，杨健伟不仅带领蓝凌完成了自身的AI架构升级，更通过服务数千家大型企业的经验，洞察到AI助力组织进化的深层逻辑。 本次访谈将围绕企业如何构建可持续的记忆体系，以及软件厂商在大模型时代的生存法则展开。 核心观点： 企业软件厂商的产品迭代节奏必须变快。AI编程和智能体能力正在快速成熟，几百万行代码级别的平台已可通过AI完成，这直接冲击了软件公司过去依靠代码沉淀形成竞争力的逻辑。 模型会变，但企业长期沉淀的是数据、知识、流程和记忆。企业不应把AI基础能力绑定在某一个模型上，而应从企业架构出发，推导数据架构，把知识、业务数据和智能体记忆统一纳入治理体系。 软件公司没有永恒的护城河，真正的壁垒只有两个：学习创新的速度和生存韧性。谁能更快看到新技术、学会新能力、完成试验、产品化并交付给客户，谁就有机会在新一轮竞争中跑出来。 以下为本次对话实录，在不改变原意基础上略有修改。 01 AI加速企业软件重构 爱分析：最近半年，您在智能体行业观察到了哪些新的变化？ 杨健伟：最大的变化是，技术变化和迭代速度太快了，快到传统软件公司的节奏已经跟不上。 去年10月、11月，我们还不敢确定，一套老的平台能不能完全用AI编程搞定。但到春节前后，行业里已经出现了一个300万行代码的产品平台，完全通过AI编程完成。这件事带来的冲击很大，因为几百万行代码，已经相当于一个核心企业软件模块的体量。 过去我们认为，写代码、沉淀代码，是软件公司的重要竞争力。但现在，AI并不是一个技术出来之后就
软件公司没有护城河，拼的是学习速度和生存韧性
告别软件售卖，进入工业AI的托管时代
在工业智能化进入深水区、大模型重塑各行各业的背景下，工业智能体正在从辅助提效向生产控制的深层进化。 作为一家国内工业SaaS厂商，蘑菇物联率先开启了All in AI战略转型，创始人兼CEO沈国辉正带领公司经历一场从提供软件到提供能源托管的范式变革。 沈国辉拥有深厚的离散型制造管理经验，自2016年切入工业AIoT赛道至今，持续推动“工业真AI”在能源管控领域的落地实践。 本次访谈，爱分析与沈国辉深度探讨了未来智慧工厂形态、AI如何赋能公辅车间场景、工业软件厂商未来出路等话题。 核心观点： AI驱动公辅能源全托管：通过大小模型协同的云智控技术，蘑菇物联正推动空压站、制冷站等公辅能源车间的无人化运营，实现从卖软件到卖能源托管的商业模式重构。 工业软件的出路是服务化：单纯卖软件在AI时代将越发艰难，工业企业的付费意愿更倾向于可见价值，能源托管模式将节能收益与无人值守价值打包，破解传统工业软件盈利困局。 未来工厂公共车间都会走向全托管模式：公共能源车间，如压缩空气、冷冻水等，将如电力一样走向外包化，AI承担控制、诊断、巡检等标准化工作，人类聚焦于无法被替代的维修、保养等柔性任务。 01 从提供软件到提供能源托管的模式升级 爱分析：蘑菇物联提出“All in AI”之后，技术产品、商业模式上会发生哪些变化？ 沈国辉：首先说技术产品。当前大家更多是用AI去做报表、生成文档，这个本来就是大模型擅长的，C端已经普及。工业场景最敏感的是控制，其次是配方，这两点是我们核心关注的场景。 我们从2020年开始做AI控制，用AI参与车间控制，包括空压站、制冷站、锅炉房、水泵房等，这些车间产生的不是直接产品。 以汽车厂为例，直接产品是汽车，但生产过程离不开压缩空气、冷冻水、蒸汽和循环水。这些车间统称为公辅能源车间，是公共辅助的供能车间。 我们从2020年开始使用马尔科夫过程、LSTM等强化学习、深度
告别软件售卖，进入工业AI的托管时代
Agent自我进化的未来，速度是唯一壁垒
今年以来，基础模型的竞争不再停留在多模态、Coding等单点能力上，而是转移至Agent的全面比拼。基础模型吞噬通用Agent的趋势不可避免，Agent厂商还有哪些竞争壁垒？企业服务行业，以及企业组织本身将发生哪些变化？ 01 Agent自我进化重构商业模式 Agent定义始于2023年，Planning、Memory、Tools、Action成为标准框架。但今天，这四个模块发生了根本变化。 图1：自主智能体架构 Planning正在从固定流程，变成边走边看的动态探索。拖拉拽式的流程编排成为过去式，现在的Agent开始面对真实世界，目标明确，但路径不明确。它会不断试错、观察环境、修正路线。 Memory也不再只是上下文记忆。过去的记忆，本质是为了保证对话连续性。现在开始探索形成层级结构。Agent会记住任务状态，记住用户偏好，记住自己的角色，甚至记录与理解企业规则与组织文化。记忆从超长的缓存，变成长期的认知。 Tools同样发生了变化。过去只是调用计算器、搜索、API，现在开始形成Skill体系。Skill不只是工具，而是经验、流程、Knowhow的封装。同时，模型所具备的超强Coding能力，可以使得Agent为自己创建大量需要临时调用的工具。 Action也不再是单次动作执行，而是形成长期反馈闭环。Agent会持续观察结果，持续修正行为，持续优化路径。 图2：Agent各模块变化 四个模块共同变化，本质上是在让Agent从工具变成可成长的系统。 过去，企业购买的是软件功能，为此支付订阅费、授权费或者调用费。在Agent时代，企业购买的是Agent持续进化能力，为此支付对应的token费用。 过去，token是调用成本，未来，token是Agent进化的基础资源。Agent进化越快，token消耗量越大，厂商收入越高。这使得厂商能够跟随客户一起成长，大幅改善既往低客单、低
Agent自我进化的未来，速度是唯一壁垒
去老虎APP查看更多动态