深度洞见｜探索与突破：大模型在中国市场的实践

1

大模型产业应用的发展趋势

// 人工智能产业进入高速发展期，创造多个技术、市场、监管的里程碑

自2022年ChatGPT问世后，生成式AI（大模型）进入高速发展期，标志着AI经济新纪元的到来。大模型技术的快速迭代不仅促进了文字生成领域的发展，还扩展到图像、音频和视频等多模态内容创作，极大地丰富了AI技术的应用场景，加速其在各行各业的商业化进程。在这一过程中，中国政府出台了前瞻性的政策，推动基础算力建设的同时强化监管，确保大模型健康有序发展奠定广泛应用基础。

// 其中，大模型核心技术快速演进，应用发展从2C迁移到2B端，为企业应用注入了发展信心

大小模型融合：AI应用的新路径

大模型以其卓越的性能和广泛的适用性而著称，但对计算资源的需求和维护成本往往较高。相比之下，小模型专注于解决特定领域的问题，以其轻量化和易于部署的特点受到青睐。因此，大小模型的融合或成为企业在人工智能应用上的新趋势。通过巧妙地结合这两种模型的优势，企业可以针对性地安排模型间的调用和协作，从而提升人工智能应用的综合性能。这种策略不仅优化了资源利用，还有助于推动人工智能技术在更广泛领域的应用和创新。

语言处理和幻觉控制：大模型能力的飞跃

大模型在语义理解、文本处理和知识整合技巧上的跨越性提升使得机器能够生成高质量的文本内容。行业内也不断提出如增加上下文长度、微调和外挂知识库等解决方案，以有效缓解“LLM幻觉”问题，推动AI技术正朝着更加可靠和实用的方向迈进。

视觉赛道：模拟现实世界的前沿探索

在视觉识别和生成领域，AI技术正以前所未有的速度进化，从静态图像识别到动态视频分析，再到三维空间重建和虚拟现实创建，AI模型不仅能够精确解析现实世界的细节，还能创造出逼真的虚拟场景。这种能力对娱乐、教育和医疗等行业具有深远的战略意义，预示着未来AI将在模拟现实世界中扮演更重要的角色。

多模态模型：发展迅速塑造巨大应用潜力

多模态模型的发展代表着AI技术从单一感知向综合理解的跃升。该模型能够同时处理图像、文本、语音等多种信息形式。与传统的单一模态模型相比，多模态模型在性能和成本方面具有明显的进化优势，帮助企业构建更加高效、灵活的多模态信息处理系统，满足不同场景下的业务需求。

AI Agent：应用落地的新思路

AI Agent智能体技术作为一种新型的工程框架，不仅提供了灵活的模块化设计，便于根据具体需求进行定制，还在一定程度上简化了开发流程，降低了应用门槛。其设计理念更是强调了智能体的自主性、交互性和适应性，使得AI能够在不断变化的环境中保持高效运行。AI Agent的出现与发展为各行业带来了全新的应用设计思路。

// 从产业应用方向来看，各国发力方向有所不同，这与国别的产业基础关系较大

美国：AI技术与虚拟经济的深度融合

自次贷危机以来，美国经济结构的调整使得第三产业、虚拟经济在GDP中的占比持续上升，而制造业等传统实体经济的比重则有所下降。这种经济结构的变化促使美国在AI技术应用上更倾向于虚拟经济领域，如金融科技、游戏产业、社交媒体等。CB Insights的数据显示，在美国的AI初创公司中，有相当一部分集中在软件与服务、金融科技、虚拟现实、广告与营销等虚拟经济相关的领域，反映其AI技术 “脱实向虚”的应用趋势。

中国：AI技术助力实体经济转型升级

与美国相比，实体经济一直是中国经济发展的重要支柱。中国拥有完整的工业体系和庞大的制造业规模，这为AI技术在实体经济中的应用提供了广阔的空间。中国政府高度重视AI技术的发展，并将其作为推动实体经济转型升级的重要手段。在制造业、农业、交通等领域积极推广AI技术的应用，通过智能化改造提升生产效率、降低成本、优化产品质量，以支持产业升级与转型。

2

大模********型典型企业实践和总结

// 大模型应用存在微笑曲线效应：研发和营销领域是重点

行业研究发现大模型应⽤实践存在微笑曲线效应，大模型应用在研发设计和营销服务端的应用最为活跃，而⽣产制造环节应用则较为缓慢。主要原因是大模型长于知识加工处理和标准化作业，因而在研发和营销领域，可以大幅提升工作效率，甚至在某些脑力工作中取代了人力，从而推动了生产过程的工业化和自动化。相反，在生产制造环节，由于工艺复杂、实时性和可靠性要求高、与现有系统的集成难度大等原因，应用相对有限。

// 典型企业的落地应用和经验总结：

以国内某领先汽车集团为例，该企业在工程设计、市场营销、用户服务以及日常工作等多个领域积极探索深入应用人工智能。

研发端深度应用

在研发领域，该汽车集团将大模型主要应用于自动驾驶技术的开发。传统上，自动驾驶的研发依赖于知识图谱方法，即通过积累大量的驾驶场景数据构建庞大的知识库，并进行长期的机器学习。现在，该车企利用大模型的自监督和预训练的认知逻辑，加速知识图谱的构建过程，显著缩短了研发周期，其中图谱构建周期缩短了约30%。

服务端最佳实践

在服务领域，大模型技术的应用同样取得了显著成果。随着车辆智能化发展，功能与场景的丰富也同时提升了车辆诊断的复杂程度。在售后服务领域，通过大模型辅助的故障诊断系统，可通过交互式问题能更快速地定位到车辆问题，提升故障检测和排查的效率。在应用效果上，原本平均需要3小时才能完成的故障排查工作，现在仅需45分钟，甚至30分钟，效率提升了66%至75%，极大缩短了用户等待时间，提高了工作效率。此外，基于用户车辆的运行数据，大模型还能直接面向客户提供保养建议，优化了用户体验。

除汽车行业之外，随着不同行业对于大模型应用的积极探索，大模型已渗透至不同产业业务价值链的各个环节，为企业带来不同效果的经营赋能。

// 但是，与传统AI应用有所不同，在大模型的企业实施过程中，业务价值上下对齐、技术底座适配以及人员工作习惯和文化转变等挑仍亟待解决。

价值对齐挑战：寻找技术与业务的交汇点

大模型往往拥有强大的数据处理能力和高度的灵活性，但如何将其优势转化为具体的业务价值并非易事。企业需要明确大模型应用的目标, 确保技术投入与业务需求相匹配，避免陷入“为了技术而技术”的误区。

技术底座适配挑战：构建稳固的支撑平台

大模型通常需要庞大的计算资源和复杂的技术架构支持，这对于许多企业的现有IT系统而言是一大考验。企业需评估自身技术底座是否能够承载大模型的运行需求，包括计算能力、存储容量与网络带宽等。在必要时，企业或需要进行基础设施的升级或重构，以确保大模型稳定、高效运行。此外，数据治理与安全合规也是不容忽视的环节。

工作习惯和文化挑战：推动组织变革

大模型的引入往往伴随着工作习惯和企业文化的重大调整。传统的业务流程和工作模式或不再适用于大模型环境，员工需要接受新的工具、方法和思维方式。这不仅涉及到技能培训，更是对创新精神和工具使用意识的培养。

3

罗兰贝格大模型企业应用观点

// 全面的视角：远远不止是技术的应用

为了充分挖掘大模型的应用潜力，罗兰贝格认为企业高管（CxO）需从战略、执行、人才等三个关键方面入手，检视企业是否具备落地大模型的条件。在战略你层面，哪些行业或职能领域将被大模型应用重塑？哪些场景影响力和价值明显？在执行层面，企业需要具备哪些能力？如何在平衡成本和安全的前提下，部署大模型？在人才层面，需要什么样的新型人才，哪些工作习惯和文化将被大模型所改变？

我们不应仅仅将大模型视为一种工具和技术，而应视作推动组织全面变革的催化剂。要真正将AI应用价值落地，企业必须构建与自身战略愿景相适配的AI应用路线图，确保企业当前的运营模式、流程变革、员工心态等已做好准备。

// 如何降低AI应用落地风险，提升AI带来价值收益的确定性？

首先，战略层面需在企业内部形成共识。

常见做法包括通过共创工作坊的形式，邀请各业务领域及部门参与，探讨内容主要涉及当前业务模式是否会被大模型的广泛应用所影响或者颠覆、哪些职能领域最可能被大模型重塑、领域内挑战和机遇是什么，及其如何被大模型应用所解决等。建议根据行业价值链进行应用场景扫描，聚焦高频发生、高人力投入、高能耗等重点场景进行研讨。研讨中可以使用大模型用例库作为辅助工具，避免天马行空、后期落地困难等问题，在集体共创的形势下，快速识别高优先级的场景用例。高优先级场景通常具备业务价值高、实施落地相对容易等特点，这些场景将被作为后续研讨和落地的重点对象。

第二，基于现有的数据和IT基础设施，以轻量化方式快速落地，实现对于用例的验证。

在探索大模型应用价值的过程中，企业常常陷入深谋远虑但执行不足的困境，导致犹豫不决，错过技术红利期。罗兰贝格建议，企业既要有宏观的视野，同时更加重视短期快速闭环落地，通过实践检验大模型技术与企业具体业务场景的适配情况。因此，企业可以在高优先级场景中选择1~2个相对容易快速落地的用例，搭建轻量化的模型开发平台，结合自有数据和语料，开展模型的开发和鼓励业务部门试点应用。该做法通常更容易帮助业务人员评估模型的应用价值和升级前景，从而在内部取得共识。同时，快速落地过程中也会暴露内部数据和IT基础设施上的问题和缺陷，如数据质量是否达标、访问控制权限是否设置等，从而为大模型战略的形成建立共识，为大模型相关能力的建设指明方向。

第三，持续推动对新技术的主动学习，适应新的工作方式与节奏。

大模型的应用也对组织和员工的学习能力、工作方式提出新考验。典型的问题包括人才缺乏时间深入学习和掌握大模型技术、组织缺乏配套的培训和技术支持，以及行为文化上缺乏“走出舒适区”的鼓励和引导等。为解决这些问题，管理者需推动工作方式的适应性改变，支持创新式的人机协作，鼓励学习-实践-分享，奖励借此机会实现效率提升的个人和团队等。在模型开发过程中，需鼓励用户尽早参与，陈述需求和痛点，参与测试和应用验收，让大模型在落地过程中始终与业务价值对齐。

第四，逐步建设AI专业化人才梯队。

许多企业尚未意识到大模型对其人才战略带来的潜在深远影响。罗兰贝格认为，有超过一半的岗位技能将因大模型的崛起而受到不同程度的冲击。以软件开发人员为例，随着大模型的引入，其需掌握提示工程生成代码的新技能，还需具备审核AI生成代码质量、鉴定安全性等能力，以适应相关法律法规要求。因此，企业需要重新评估招聘策略，吸引和留存具备新技能、适应新角色的优秀人才，以推动企业专业人才梯队可持续发展。

第五，重视大模型应用相关风险控制和安全保障。

企业是否具备一套完善的风险协议和保障措施，以化解潜在的诸如LLM幻觉风险？企业核心业务数据资产是否已入湖且可供大模型学习，哪些敏感数据需要进行处理？企业需要对上述问题高度重视并有效回应，其中最基本的手段包括训练前开展数据清洗、定期实施安全性测评、建立风险评估和管理、实施访问控制和权限管理等。

// 罗兰贝格在企业大模型应用领域的服务

罗兰贝格结合过往众多战略、运营、实施类项目经验及行业洞察积淀，建立完整AI从战略到实施的服务体系和工具箱，帮助企业看清AI机会、设计AI实施战略、部署AI落地场景以及不断夯实和提升配套组织能力等，通过伴随式的服务，帮助企业释放AI价值，“消除一些幻想，增加一些结果”。

---