问题——从“想用”到“能用”，企业应用生成式AI仍存断点。近年来，生成式AI加速进入商业视野，成为企业数字化转型的重要议题。但实际推进中，不少企业出现“热启动、冷落地”：立项积极，到了试点或推广阶段却效果波动、投入产出难以衡量；部分业务部门缺少可量化目标，应用停留在演示层面。此外，数据泄露、模型输出合规、知识产权及行业监管等风险顾虑，也让一些企业在核心业务上不敢大规模使用。 原因——场景、数据与能力三重约束叠加，制约规模化应用。一是场景端“找不准”。通用模型能力虽强，但与行业流程、数据口径和决策链条仍存在适配差距；企业如果没有系统梳理业务痛点，容易出现“为了用而用”。二是数据端“用不了”。企业数据分散在多套系统中，治理标准不一；同时合规要求趋严，跨部门、跨系统调用数据需要满足权限、审计、留痕等要求，落地复杂度随之上升。三是能力端“建不起”。生成式AI落地涉及算力、模型选择、提示工程、评测、持续迭代以及运维治理等环节，许多企业在人才储备、工具链和工程化经验上不足，导致试点难以转入长期稳定运行。此外，自建基础设施和模型训练成本高、周期长，也削弱了企业的中长期投入意愿。 影响——落地成败将拉开企业效率与治理水平差距。业内普遍认为，生成式AI的价值不在“单点展示”，而在对知识生产、数据分析与流程协同的系统重塑。落地顺利的企业有望在客户服务、研发协同、经营分析、风险管控等环节提升效率与响应速度；推进不力则可能带来资源浪费、合规隐患，甚至影响组织内部信任。在竞争加剧的背景下，企业对可控、可评估、可扩展的应用模式需求更为迫切。 对策——以“技术底座+专业能力”形成闭环，推动从试点走向复制。针对上述痛点，德勤中国与亚马逊云科技成立生成式AI联合实验室，提出“1+3”合作框架：“1”是以云端为核心的技术底座，提供专用算力、托管大模型能力与机器学习工具等，帮助企业降低从零搭建门槛，提高部署效率与运行稳定性；“3”对应咨询侧三类关键能力，分别聚焦应用战略规划、安全与合规治理、场景挖掘与落地实施，强调把业务目标、风险边界与技术路径统一为可执行方案，形成“从规划到交付、从试点到运营”的闭环。 据介绍，联合实验室同步推出三项面向企业的解决方案，力求以更易上手的方式降低应用难度：一是智能BI方案，通过自然语言交互生成查询语句并输出分析结果，推动数据分析从“依赖专门人员”向“业务人员可用”转变；二是企业知识管理方案，在权限控制与隐私保护前提下整合与检索内部资料，支持智能问答与知识调用，提升协同效率并减少重复劳动；三是面向大模型持续运营的LLMOps平台，覆盖模型调优、评测与运维等环节，以工程化与自动化手段降低长期使用成本，提升持续迭代能力。上述方案分别对应企业决策分析、办公协同与技术治理等关键场景，旨在提高可复制性与可推广性。 前景——从“点状应用”走向“体系能力”，企业需进行规模化落地。业内人士认为，生成式AI在企业端的下一阶段竞争焦点，将从“是否部署”转向“能否稳定产出、风险可控”。一上，企业应以业务价值为牵引，优先选择客服、文档处理、内部知识检索、经营分析等流程清晰、收益可量化的场景开展试点，并设置可衡量指标，验证效果后再逐步推广。另一方面，数据安全与合规应作为底线要求，通过分级授权、脱敏加密、审计追踪等措施建立治理体系，并将风险评估贯穿需求、开发、测试与上线全过程。同时，选择成熟的技术底座与可持续运维机制，有助于降低自研成本与试错代价，推动应用从短期示范转向长期运营。
生成式人工智能能否在企业真正产生价值，关键不在“上不上新技术”，而在能否打通场景、数据、治理与工程能力；以问题为导向、以合规为底线、以试点为抓手、以体系化能力为支撑，才能让新技术从热度走向深度，在稳健可控中释放数字化转型的长期红利。