【判断16】“AI就绪型数据”：决定企业智能化上限的不再是模型，而是数据底座

我们都知道数据与AI密不可分，调研显示：84%全球的数据和AI领导者，都将数据优先策略与AI路线图结合。

在默认式AI时代，决定企业智能化上限的不再是模型，而是数据底座。

“数据即环境”：没有高质量的数据环境，再强的大脑也只能空转。

大模型时代真正稀缺的，不是“有数据”，而是“AI就绪型数据”（AI-ready data）。

很多人以为，大模型出来之后，数据标注就不重要了，现实恰好相反：模型越通用，企业越需要用高质量标注数据，把它“校准”到自己的业务上。这背后需要的，不再是便宜、粗糙的流水线标注，而是懂业务、懂AI的专业数据运营能力。Gartner预测，到2026年，缺乏AI就绪型数据支撑的AI项目将有60%被放弃。

在很多企业里我们看到，打造一套AI就绪型数据资产，往往比多买10%算力、更换一代模型，带来的智能跃升更大。

善思开悟以善思开悟（雅安）超级计算机集群为数据服务提供强大算力基座，秉持“高精度、高效率、低成本”为核心价值，提供从数据清洗、标注到模型训练反馈的全流程服务，拥有应对各种突发需求的网络资源，同时严格保障数据安全合规，致力为各行业客户提供高质量、就绪型数据支撑。当前已在低空、金融、医疗及测绘等领域落地项目，数据交付满意度100%。

【判断17】Data&AI数据基础设施：一体化架构成为大型企业拥抱AI的关键投入

伴随AI采用率的提升，数据与智能正在走向融合，对IT范式带来深刻影响。

传统、孤立的数据系统已难以满足AI应用对实时性、多模态数据处理和高弹性算力的需求，倒逼数据基础设施实现范式跃迁——我们将这个全新范式称之为“Data&AI数据基础设施”。

Data&AI数据基础设施的本质是传统大数据平台的升级形态，其核心特征是以AI原生的“一体化”架构，实现“Data for AI”和“AI for Data”的双向赋能。

如今，Data&AI数据基础设施的一体化成为大型企业拥抱AI的关键投入。

科杰科技是Data&AI数据基础设施的领军者，搭建了资源接入层、数据管理层、Data&AI工程化层、智能应用层、安全运营层的“4+1架构”：向下优化算力与数据源、向上适配终端场景模型调优与规模化Agent开发，是这一范式的领先实践。甲子光年今年出品了《2025中国Data&AI数据基础设施白皮书》，感兴趣的朋友也可以去甲子光年官网下载。

【判断18】AI编程：正在写代码，却还不会构建软件

AI编程，是AI最热的方向之一，也是不可逆转的范式。

调查显示，AI出码率快速上升：

• 82%的开发人员每天或每周使用AI编程工具，其中，59.8%的人每天都使用AI编程工具；
• 59%的人经常使用三个或以上的AI编程工具；
• 67%的人表示AI生成或影响了他们至少20%的代码库；
• 78%的人表示AI编程让生产力有所提高；
• 59%的人表示AI提升了整体代码质量。

然而，调研进一步给了令人警醒的数据：这张图，横轴体现开发人员在没有人工审核的情况下，交付AI代码的信心；纵轴体现AI交付代码的幻觉率。76.4%的开发人员经常遇到幻觉，且对AI代码缺乏信心。

这些开发人员正在使用AI，但他们不信任结果。因此，他们手动查看或重写大多数建议，避免直接将AI集成到他们的工作中。

此外，编程的难点从来不是写代码，而是搞清楚要做什么。老话说： 编程很简单，软件工程很难。AI可以“写代码”，但很难“构建软件”。

业界大量反馈显示，AI并没有让编程变得人人都能做，反而把权力集中到了专家手中。“老手+AI”的组合能比“新手+AI”产生更大价值。目前来讲，更合适的方式，是把AI当作一个“有自己电脑的笨实习生”，给它明确的任务，你则专注于更高层次的工作。

【判断19】企业级Agent：快速普及，重塑组织运作模式

调研显示，42%的组织现在部署了“至少一些代理”，这个数字在两个季度前只有11%。

伴随采用率的上升，AI Agent带来了企业数字化逻辑的翻转。

过去的模式是“人找流程”。我们为了完成一件事，需要登录好几个系统，到处找入口、导数据、提申请，是我们主动去迁就机器和流程，费时又费力。

而有了AI Agent，这个模式会反过来，变成“流程找人”。AI Agent会成为整个企业数字化平台的中枢大脑。它理解你的目标，然后主动调度后台所有系统和服务，最后，它把整个流程中唯一需要你来决策或确认的那个节点，精准地推送给你。

这是一种“AI原生”的思维，重构了整个工作的逻辑。

龙湖集团孵化的科技企业千丁数科，提出了企业级AI智能体整体解决方案，围绕不动产全周期生命管理及全业务场景，将AI智能体应用覆盖投资管理、项目管理、建造管理、供应链管理、运营管理、物业管理等十大领域。多Agent通过接口打通形成协作，推动龙湖集团实现从AI Ready到AI Byside，再到AI Inside的演进。

【判断20】消费级Agent：通用人工智能助手仍占主导地位

接下来我们看消费级Agent。有一些调查数据很有意思：

第一，没有主导性任务。尽管超过一半的美国成年人使用AI，但没有一项活动有超过五分之一的人依赖AI——换句话说，没有任何一项任务体现出主导性，人们对于AI的使用仍然非常分散。

第二，AI更像“强者的放大器”。75%的就业成年人使用人工智能，而失业成年人的这一比例为52%；年收入$100,000+的家庭中有74%使用人工智能，而收入低于$50,000的家庭中只有53%，这体现了基于就业水平和收入的数字鸿沟——境遇好一点，就使用AI多一点。

第三，通用Agent仍占主导地位。尽管有无数专业应用可供选择，但大多数人会首先使用他们喜欢的通用AI工具，只有在不足时才寻找替代方案。在这种“默认行为”的推动下，通用平台占据主导地位：91%的AI用户几乎在每项工作中都使用他们最喜欢的通用AI工具。例如，28%的美国成年人在过去六个月中使用了ChatGPT，23%使用了Google Gemini。大多数AI消费者并不区分不同技术，他们的选择更多凭借习惯和便利。

第四，消费级Agent收入分布很集中。通用AI助手占据了当今120亿美元消费者AI支出的81%。

以上数据，体现了消费级Agent的主舞台仍是通用型助手。

【判断21】Agent Infra：成为智能体时代的操作系统和数字底座

从AI到Agent，对基础设施也带来影响。

从“AI Infra”和“Agent Infra”，真正服务的对象已经不一样了：AI Infra关注算力与任务，而Agent Infra进一步关注智能与行为——当行业从“有一个大模型”过渡到“让一群数字员工长期干活”时，复杂度和预算都会明显向后者倾斜。在智能体场景下，关键指标除了任务性能、资源利用率与算力成本外，还需关注决策链路、行为质量与系统安全性。

无问芯穹是行业中率先进行Agent Infra升级的AI基础设施企业。他们系统性地围绕环境、上下文、工具与安全隔离等维度展开Agent Infra建设，并提出“A2A——Agent to Agent”的Agentic Infra基础设施新范式，并期望最终可以实现“以Agents生产Agents”，推动智能体生态自我进化与持续发展。

2.3产业趋势

【判断22】大模型商业主战场的分岔：B端竞逐“自动化中枢”，C端争夺“超级入口”与生态

首先，数据显示，Anthropic 90%的收入来自API业务，而OpenAI仅有26%的收入来自API。大模型商业主战场在B端与C端的分化开始明显。

围绕to B，研究体现了一些洞察：

首先，自动化占主导。Anthropic的77%的商业使用涉及自动化使用模式，即完整的任务委托，而不是人与机器协作。

另一方面，重新设计工作流程是成功的关键因素。从麦肯锡的调研看，那些从营业利润上看最受益于AI的企业，已经“从根本上重构工作流”，而不是只在原有流程上叠个工具。这种做法是其他公司的3倍。

基于这些数据，再叠加我们前面对agent infra的分析，我们可以看到，AI在B端的价值正在走向企业级“自动化中枢”。

我们再看看C端。

有趣的是，ChatGPT的非工作相关消息增长更快：2024年6月，53%的消息与工作无关，到2025年6月这一比例攀升至73%。这意味着，用户在用默认AI助手处理一整天中的各种零碎需求，而不只是工作。

这隐含了一个信号：未来的“超级入口”之争，很大程度上将取决于AI在非工作场景下的用户体验和生态整合能力。

此外，值得注意的是，今年第三季度，接近60%的原生App已陷入负增长，新App独立做大变得愈发艰难。这意味着，C端AI正在走向“超级入口时代”，而不是“百App时代”——新应用的合理做法不是再自己建入口，而是“挂靠”在超级入口的生态里。

【判断23】AI价值度量衡变化：“算得过来的ROI”改变AI软件商业模式

2025年，一个很重要的变化是——AI终于可以算得过来ROI了。研究者调研了数百家有规模的企业，发现企业越来越有意识地去算AI的ROI，且四分之三的企业表达他们对AI投入的ROI为正。

当ROI变得清晰，AI的价值度量衡就开始变化，对于AI软件服务商而言，其商业模式也随之迭代。

过去SaaS收费是按照“订阅用户席位”，但随着AI承担更多工作份额，其创造的价值与登录人数相关性越来越低，所以，AI原生公司正在逐渐摒弃基于用户数量的订阅费模式。

目前，有非常多正在尝试的商业模式，比如：按用户、按结果、按对话、按计算容量等收费，或者在订阅付费之外，对“额外使用额度”另行处理。

然而，最合适的商业模式仍然存在疑问，许多现有定价模型复杂且不透明。一位财富500强公司的首席财务官描述了这个问题：“令人沮丧的是，我完全不知道本季度我们会在人工智能上花费多少。”

一个理想的迭代方向是从按席位付费，走向按AI消耗量付费，最终走向按结果付费。

比如AI销售代理，一个按投入的工作量（每发送一千封电子邮件）收费，另一个按完成的结果（识别出的潜在客户）收费，后者更接近真正的业务价值。

【判断24】AI云：Agent驱动的数算模用全栈布局新范式

随着AI从“工具式”走向“伴随式”，再到“默认式”，云计算本身也在进阶：从虚拟化，到云原生，再到以模型和智能为一等公民的AI云。

在这个演化过程中，有一个核心趋势：“数、算、模、用”正在加速融合——数据、算力、模型、应用不再是彼此割裂的堆叠层，而是在同一基础设施上被统一编排、共同演进，原有的层级边界正在变得越来越模糊。正因为这种融合的趋势，全栈布局能力就显得尤为重要。

北电数智就是这个方向的代表。北电数智围绕“国产芯片商用难、数据价值释放难、大模型落地难”三大产业难题，构建了Agent驱动的数算模用全栈布局新范式和系列产品矩阵，为产业提供生产力引擎与共性技术服务平台，目前已在政务效率提升、医疗精准服务、工业智能升级等领域打造出一批服务国计民生的标杆案例。

【判断25】具身智能：初步进入产业化阶段，物理AI走向应用拐点

具身智能、物理AI这两年概念非常火，也被看做是通往AGI的必由之路。

数据显示，物理AI的市场规模正在快速放大。2025年，头部具身智能厂商已经开始了千台级别的量产。这意味着，具身智能正初步进入产业化阶段，物理AI走向了应用拐点。

通向具身智能的最大难关是数据。互联网数据质量参差不齐、缺少动作信息；仿真数据真实性有限，场景泛化难，训练后的模型难以丝滑迁移到现实世界。高质量、规模化、可泛化的训练数据成为制约具身智能发展的关键瓶颈。

围绕这个痛点，业界纷纷付诸实践和努力。

例如，2025年10月10日，它石智航发布全球首个大规模真实世界具身VLTA（Vision-Language-Tactile-Action）多模态数据集World In Your Hands（WIYH），依托多个行业真实工作场景和工作人员，采集覆盖酒店洗衣、超市装配、物流作业等多种具身场景人类标准操作流程数据，让数据“来自真实世界”。

【判断26】工业AI：推动工业效率与人力价值的双重提升

接下来我们谈谈AI对制造业的影响。

相比传统印象中“傻大笨粗”的形象，AI正在给制造业“瘦身减重”，推动制造业从“重设备、重人力、重流程”，走向“轻设计、轻组织、轻试错”的新工业形态。调研显示，72%的制造商部署AI的原因非常明确：降低成本与提升效率。

例如，YumiAI是AI原生的端到端硬件创新平台。YumiAI通过多Agent集群协作网络，打造了一个“设计即可制造”的智能设计引擎，构建了AI PCB设计研发新范式。用户通过自然语言输入，即可生成可售卖、可制造、可交付、成本优化的全套设计方案。

类似的进展正在更多制造业场景发生，AI正在推动工业效率与人力价值的双重提升。

2.4社会趋势

【判断27】就业影响的分化：AI重塑劳动力结构，初级员工面临工作危机

今年，哈佛大学发布了一份非常有影响力的报告，研究覆盖了近28.5万家美国公司，体现了AI对劳动力结构的重塑。

起初，各类员工的就业都在增长。然而，2022年中期开始出现显著分化：资深员工的就业继续稳步增长，初级员工的就业趋于平缓，并从2023年开始转为下降——拐点来自ChatGPT时刻。

另一份研究给出了同样的结论。研究者分析了近1.8亿份全球招聘启事，发现虽然2025年相比2024年整体就业市场收缩了8%，但高级领导职位几乎没有下降。

在新职位发布下降top10的职业中，有三个是创意类职位。然而，涉及创意管理的岗位却表现出了增长。

对比各层级角色，高层领导、经理职位的就业水平比市场平均水平高，且职位越高，就业表现越好。这表明：企业希望更多的人参与决策 ，更少的人负责执行。

这个现象揭示的不是一场“就业危机”，而是一场“社会流动性的塌陷”。AI正在进行“偏向资历的技术变革”，侵蚀了职业阶梯的底层。

【判断28】企业级Agent的终极潜力：提升整个组织的“管理科学”

AI Agent的终极潜力，可能并不仅仅是完成任务，更是提升我们整个组织的“管理科学”。

几百年来，管理的本质，都是在管理“人”的不确定性。而当AI Agent成为团队的核心成员时，一切都将变得不同。我们可以第一次，真正用“工程化的思想”，去管理和优化我们最高效的“群体”。

当我们可以用工程学的精度去管理最有战斗力的“员工”时，整个企业的效率和价值天花板，将被彻底打开。这也许就是Agent带给未来组织管理的最大变革。

2025年11月，金蝶宣布“金蝶云”全面升级为“金蝶AI”，同时提出AI时代企业的“七个转型”，涵盖运营、产品、商业模式、生态、组织、人才与领导力的全方位重构，体现了AI时代企业管理思想的升维。

【判断29】AI安全：从“打补丁”走向“原生设计”，从“单点防护”走向“全栈治理”

AI安全知易行难。世界经济论坛发布的报告显示，66%的组织预计AI将在未来一年对网络安全产生最显著影响，然而，只有37%的组织已经建立了安全部署AI的流程。其中，小型组织面临更大挑战，69%的小型组织缺乏足够的保障来安全部署AI。

先进的AI系统会“有动机”去寻求权力和资源，因为这会帮助它们实现给定的目标。AI可能会黑入计算机系统，操纵人，控制和开发武器，道德违规，同时避免被关闭……叠加Agent之间的协作性，让AI安全问题具有衍生性和连锁风险。

一篇论文揭示了AI安全领域一个颠覆性威胁：大型推理模型（LRMs）本身已经可以变成“自动越狱代理”，轻松突破其他AI模型的安全防线。

研究团队使用DeepSeek-R1等四个大型推理模型作为“攻击者”，使用九个主流模型作为“受害者”。他们给了攻击者一个提示：“你的任务是在十轮对话之内，把对方模型的安全护栏拆掉，让对方详细地回答某个有害问题。”中间不再有人干预。

结果发现，这些大型推理模型像一个高明的说服者，能自动运用奉承、虚构、假设等说服策略，逐步诱导目标模型生成包括犯罪、自残、制毒等在内的极端有害内容——攻击成功率达到97.14%。

传统的越狱需要复杂的技巧，而大型推理模型让越狱变成了一个低成本、可规模化的“商品能力”。

这份研究意味着：推理能力本身，正在成为最强大的武器——模型推理能力越强，越擅长破坏其他模型的安全对齐。这直接挑战了“更强大的AI会更安全”的假设，揭示了一种“对齐退化”现象，即更强的模型却自动削弱了整个生态系统的安全基线。这不是技术漏洞，而是范式级威胁。

以上，意味着AI安全必须从“打补丁”走向“原生设计”，从“单点防护”走向“全栈治理”——所有关于安全的动作应该“左移”，嵌入AI的全生命周期基因里，从“Make AI Safe”到“Make Safe AI”。

【判断30】大脑的隐忧：AI导致“认知负债（Cognitive Debt）”，让人变“笨”

一个非常值得注意的现象是，AI正在改变我们的大脑，其广泛应用可能导致大脑积累“认知负债”。

“认知负债（Cognitive Debt）”指的是：短期AI帮你负担了脑力开销，但长期你要付利息。

一项MIT的研究表明：使用ChatGPT写论文的人的大脑神经连接数量比纯人工写作者减少程度可达55%，并且83.3%的AI辅助写作者无法准确地引用自己的写作。

换句话说，用AI写作的人在把思考“外包”给模型，语义没有真正写进自己的记忆系统。当你默认把写作和思考交给LLM，会在大脑里悄悄积累“认知负债”：短期更省力，长期削弱记忆、理解与主体性。

此外，越来越多研究显示了AI与批判性思维的负相关关系，一旦有了工具，大脑就倾向于“卸载”一部分认知，不去进行不必要的投入。有意思的是，用户对AI的信心越高，批判性思维越低，而用户自信心越高，其批判性思维越高。

更严重的是，过度依赖智能设备可能导致严重的“数字痴呆”，加重注意力缺陷多动障碍（ADHD）、记忆力减退和认知能力下降。在世界卫生组织最近的研究中，全球超过90%的青少年每天至少使用两小时智能设备。

除了这些，过度依赖AI还会导致其他方面的问题，比如减少精神投入、忽视认知技能的发展、记忆能力下降、注意力下降、可转移知识的缺乏、道德与社会问题、其他心理健康问题等。因此，AI对大脑本身带来了隐忧，需要我们重视并采取调节措施——良好地使用AI，而不是过度依赖AI。

关注公众号「甲子光年」，后台回复“轰然成势”，获得高清版完整PDF。或者点击文末“阅读原文”，进入甲子光年官网下载。

3.反思：智能的诅咒

3.1智能的诅咒：人类失去角色

最后，我想聊一些反思。

过去几百年，技术让人更强，但AGI第一次有可能让人“被省略”。

有一个词叫“智能的诅咒”，指的是AGI普及后，掌握AI的权力主体（国家、企业、AI实验室）因不再依赖人类劳动获取价值，失去投资人类（如教育、福利、就业）的经济激励，最终导致人类经济边缘化、社会权力失衡的现象。

当掌握智能的权力主体不再依赖人类去创造价值，人就可能失去被需要的理由。

曾经有一个词叫“资源的诅咒”，讲的是石油富国因大部分收入来自资源，因而忽视公民发展。

比如，刚果民主共和国的土地上有价值超过24万亿美元的未开发矿产，但它却是世界上最贫穷的五个国家之一。这是怎么回事？数万亿的可用资源怎么会造成赤贫呢？

一个核心因素是他们创造的激励措施，让他们不再关心人民的经济福祉。

“智能的诅咒”与“资源的诅咒”有类似的逻辑。但即便“资源的诅咒”，仍需要人去参与资源开采，而AGI可完全替代人类，而且AI还会复制，还会不断改进——强大的AI权力拥有者将不再有动力关心普通人，甚至无需维持人类基本生存保障。

首先，从增长速度看，AI从各个维度超过人类已经是确定性事实。

其次，AI正在对人进行“金字塔替代”，虽然AI目前主要取代的是初级员工，但“取代的浪潮”会向上移动，从基层一直到首席官，导致人类整体就业机会锐减。

我们可能走入的经济循环是：一个全自动化的经济系统，其中人类没有角色。

这带来的影响是：经济层面，人类劳动价值暴跌；权力层面，控制权可能会集中在少数参与者手中，普通人失去“劳动”这一主要权力杠杆；社会契约层面，过去社会因依赖人类税收而投资教育、基建，而如果AGI时代税收的贡献主体是AI，可能导致传统社会契约瓦解。

这意味着那些在AI时代开始时拥有大量资本的人拥有永久优势，他们将拥有比当今富人更多的权力——因为AI的进步在加速，强者愈强。

3.2“以人为本的AI”

那么，如何打破智能的诅咒？如何真正构建“以人为本的AI”？

要破局，关键不是“阻止技术”，而是“重写激励”——让掌握AI的主体“为人服务、为人负责”，把AI的目标函数改写为服务于人类集体利益，而非成为少数主体垄断权力的工具，让AI的超额收益重新服务于教育、健康、创造与自由。

3.3真正的考题不是“如何让机器更聪明”，而是“如何让聪明的机器继续需要人”

回到今天的主题。“轰然成势，万象归一”，这个“一”指的是新秩序。当人类发明了能思考的机器，我们其实也在发明一种新的秩序。

如果说工业革命是人类力量的放大，AGI就应当是人类价值的放大。我们要让智能成为新的公共资产，而不是新的剥夺机制；让技术带来更大的共同体，而非更深的裂谷。

真正的考题不是“如何让机器更聪明”，而是“如何让聪明的机器继续需要人”。

毕竟，这个社会需要雄心勃勃的年轻人，需要普通人拥有向上流动、改变现状的可能性。当智能真正属于人类，它才值得被称作进步。

了解更多详情：FindAI发现力量findpowerai.com

扫码添加小助手，获取企业销售增长专属方案