中国企业大模型日均调用量暴增263%，阿里云通义千问市占率翻倍至32.1%，标志着AI应用已从试点走向生产。本文从16年企业信息化实战经验出发，深度剖析大模型落地的三个关键转变，并提出'八步走'战略框架，为正处于数智化深水区的企业提供可执行的转型路线图。
最近看到一组数据：2025年下半年，中国企业大模型日均调用量暴增263%，阿里云通义千问的市占率翻倍至32.1%，稳坐行业头把交椅。作为一名在软件实施和财务信息化领域摸爬滚打16年的从业者，这组数字让我感触颇深——它不仅仅是市场份额的变动，更折射出中国企业数智化转型已进入深水区。
今天想结合这些行业动态，聊聊我对AI智能应用在企业落地的一些观察和思考，希望能给正在推进信息化建设的同行们一些参考。
日均调用量263%的增长是什么概念？这意味着大模型已经从过去少数企业的”技术尝鲜”，变成了支撑日常业务运转的”基础设施”。
回想2023年初，我们还在讨论大模型能不能用、敢不敢用；到了2024年，大家开始关注用在哪些场景；而现在，2025年的数据告诉我们：大模型已经成为企业运营的标准配置。沙利文的数据显示，2025年上半年中国企业级大模型日均调用量已达10万亿tokens，较2024年下半年增长363%。
这种爆发式增长背后，我看到三个关键转变：
1. 从“单点试验”到“规模部署”
早期的AI应用多是客服机器人、文档生成这类单点场景。现在，企业开始构建覆盖全流程的智能体系。以我在财务领域的观察为例，过去RPA（机器人流程自动化）只是处理固定规则的报销审核，现在结合大模型的理解能力，已经能够实现非标准化票据的智能识别、合规性判断，甚至风险预警。
2. 从“技术驱动”到“业务牵引”
过去是IT部门找业务场景”推销”AI技术；现在是业务部门主动提出需求，要求用AI解决实际痛点。这种转变说明技术的价值已经被验证，企业更关注如何解决具体问题、产生可量化的业务价值。
3. 从“封闭自建”到“开放生态”
通义千问市占率的翻倍，很大程度上得益于其开源策略。目前阿里已开源300多个模型，全球开发者基于千问衍生的模型超过14万个。这种开放生态降低了企业应用门槛，让我们这些信息化从业者能够基于成熟底座快速构建行业解决方案，而不必从零开始训练大模型。
面对AI浪潮，企业最需要的不是焦虑，而是一套清晰、可执行的行动框架。结合这些年我在企业信息化建设中的实践经验，以及业界最佳实践，我将其总结为**”八步走”战略**，兼顾数字化打底与智能化升级：
转型成败，始于战略。必须由高层牵头，明确转型愿景与核心业务价值（降本、提效、增收、优化体验），并设定可量化的KPI。切忌”为AI而AI”，每一个项目都应对准明确的业务指标。
在我参与过的项目中，成功的往往是那些一开始就明确”要解决什么业务问题”的，而不是那些”要用什么新技术”的。比如某制造企业，目标很明确：通过AI将订单交付周期从15天缩短到10天。围绕这个目标，再倒推需要哪些数据、哪些系统改造、哪些AI能力，路径就清晰了。
全面盘点企业现有的业务流程、IT系统、数据资产和组织能力。识别核心痛点：是数据孤岛严重，还是流程割裂？是系统老旧，还是决策依赖经验？输出一份清晰的成熟度评估与实施路线图。
这一步最容易被忽视，但也最关键。我见过太多项目因为前期调研不充分，做到一半才发现某个关键系统无法对接，或者数据质量根本支撑不了AI模型，导致项目延期甚至失败。
规划面向未来的技术架构，包括云平台、业务/数据/技术中台以及API体系。制定统一的数据标准、主数据管理规范和接口规范，并建立涵盖安全、合规、灾备的治理框架。这是避免未来重复建设与整合噩梦的基础。
特别是对于集团型企业，如果各子公司各自为政，最后形成的将是新的”烟囱式”系统，整合成本极高。我通常建议先花2-3个月做架构设计，虽然看起来”慢”，但能为后续实施节省大量返工时间。
数据是AI的”燃料”。必须打通内外部数据，进行有效的采集、清洗、集成，建立可用的数据仓库或数据湖。目标是实现数据可看、可用、可管、可追溯，为上层智能应用提供高质量的数据资产。
避坑提醒：不要试图”一次性搞定所有数据”。建议采用”小步快跑”策略，先构建最小可用数据集验证效果，再逐步扩展。我曾见过一个项目，团队花了8个月做全域数据治理，结果业务需求已经变了，非常被动。
推进基础设施上云，搭建低代码开发、集成平台以及统一的AI能力平台（封装算法、模型、算力）。统一身份管理、权限控制和运维监控，提升整体技术体系的敏捷性和效率。
技术选型建议：80%的场景无需自研大模型，直接调用通义千问、DeepSeek等成熟API即可。仅在特殊专业领域（如特定行业的合规规则）需要进行轻量化微调。
选择高价值、易见效的”速赢”场景进行试点，例如智能客服、文档处理、供应链优化等。采用小步快跑、MVP（最小可行产品）快速迭代的模式，在3-6个月内验证价值，建立组织信心，再逐步扩展到核心业务链路。
这里要引入”Agent”概念——不只是简单的问答，而是能够自主执行任务的智能体。以财务共享中心的智能审批Agent为例，其演进路径应该是：
Chat阶段Agent阶段：跨系统操作，自动触发付款、更新预算、生成凭证
数智化的本质是组织变革。需调整组织架构，设立数据、AI相关岗位；开展全员数字化素养与技能培训；建立业务与技术的混编团队，打破部门墙，培养既懂业务又懂技术的复合型人才。
组织保障三要素：
建立数智化运营监控体系，实时跟踪关键指标。形成”复盘-优化-推广”的闭环机制，并持续引入大模型、RPA、数字孪生等新技术，推动企业从智能化向自治化持续演进。
关键指标：不要只看准确率，更要关注任务完成率和用户满意度。一个准确率90%但经常中断的AI应用，不如准确率80%但能稳定跑完流程的。
通义千问市占率的提升，很大程度上得益于开源策略的成功。根据沙利文报告，开源模型调用占比已提升至44.4%，与闭源模型的55.6%已非常接近。
结合我的实践经验，给出以下选型建议：
选择开源模型（如通义千问、DeepSeek）的场景：
选择闭源服务（如豆包、文心一言）的场景：
混合策略：这是目前最务实的选择。核心敏感业务用开源模型本地化部署，通用场景调用闭源API，两者通过统一网关调度，实现成本与安全的平衡。
掌握新工具链：熟练运用主流大模型的API（如通义千问）、低代码AI平台以及MLOps工具，将AI能力快速集成到业务系统中。
深化数据能力：数据工程、特征工程的能力比以往任何时候都重要。要能治理数据、理解数据，为模型提供优质输入。大模型是”吃数据”的，数据质量直接决定AI效果。
聚焦复杂问题：AI擅长处理规则明确的重复任务。你的核心价值应转向解决那些需要深刻业务理解、复杂系统架构和创造性思维的难题。
拥抱“提示词工程”：学会如何与大模型高效沟通，通过精心设计的提示（Prompt）引导其产出符合业务需求的高质量结果，已成为一项关键技能。
成为业务伙伴：深入业务一线，共同挖掘和定义高价值的AI应用场景，用技术语言翻译业务需求，确保项目”对准靶心”。很多企业把90%的预算投在算力和模型上，却忽视了数据清洗和知识库建设，最后效果大打折扣。建议将至少30%的项目资源投入数据治理。
选择务实路径：对于大多数企业，尤其是中小企业，初期无需自建大模型。充分利用阿里云等提供的企业级MaaS（模型即服务）和成熟行业解决方案，是低成本、高效率启动转型的明智选择。
关注投资回报：建立清晰的价值评估体系，每个AI项目都应有可衡量的效率提升、成本节约或收入增长指标。用事实和数据赢得持续的资源投入。
构建安全合规底座：特别是金融、政务、医疗等行业，必须将数据安全、隐私保护和算法合规置于首位。优先考虑支持私有化部署、数据脱敏和全链路审计的技术方案。
重视“人机协同”的组织能力，而非简单替代：AI不是要取代人，而是要增强人的能力。建议企业在推进AI时，同步设计人员转岗和技能提升计划。让被替代岗位的员工转向AI训练师、数据分析师等新角色，实现组织能力的升级而非简单裁员。
站在2025年的节点回望，我深刻感受到：企业信息化正在经历从”数字化”到”数智化”的质变。
“通义千问”市占率的登顶，只是一个开始。它宣告了一个新时代的开启：AI技术不再是可选项，而是决定企业未来生存与发展的必答题。这场变革的本质，是让机器处理重复，让人专注于创造与决策。
最大的风险不是技术落后，而是行动迟缓。对于有志于引领时代的企业和技术人而言，现在正是将战略愿景转化为具体行动，在数智化浪潮中构筑自身核心竞争力的黄金窗口。
这条路没有捷径，但方向已然清晰。你，准备好了吗？
参考数据来源：
本文由 @数智产研笔记 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。