1. 克服企业应用人工智能的障碍 Overcoming Enterprise Barriers to AI Adoption Erik Walenza

2. 目录 01 跨国公司在中国的创新 / MNC Innovation in China 02 企业人工智能采用趋势 / Enterprise AI Adoption 03 AI预算分配 / AI Budget Allocation 04 向企业推销人工智能的策略 / Tactics for Selling AI 05 人工智能用例评估与决策 / AI Use Case Evaluation

3.

4. 01 跨国公司在中国的创新 MNC Innovation in China

5. 跨国公司在中国注重新型创新和渐进式创新，但增长趋势有所不同。 Multinational companies emphasize new and incremental innovation. 贵公司在中国优先考虑哪些创新领域？ What innovation horizon is your organization prioritizing in China? 63% 阶段 1：增量 • 截至2025年，渐进式创新和新型创新在中 71% 国仍占主导地位，但趋势有所分化。优先 82% 视野 2：新产品 考虑渐进式创新的跨国公司比例从71%下 66% 降到63%，而优先考虑新型创新的比例则 33% 地平线 3：颠覆性 2024 18% 2025 从创新角度来看，您的结果与预期相比如何？ How do your results compare to expectations, by innovation horizon? 超出预期 视野 1：增量 前景 2：新产品 地平线 3：颠覆性 11% 11% 的结果未能达到预期，但其比例从18%上 低于预期 32% 27% 19% 升到33%。 57% 74% 44% 42% 29% 40% 27% 16% • 尽管颠覆性创新在大多数情况下（74%） 符合预期 16% 从66%上升到82%。 51% 22% 25% 59% 2024 2025

6. 跨国公司优先投资产品和服务，而管理流程和商业模式则较少受到关注。 MNCs prioritize investment in products & services. 您的组织在哪些方面进行投资以提高竞争力？ Where is your organization investing to improve competitiveness? 产品与服务 65% 24% 8% 2% • 在华跨国公司将最多的投资投向产品和服 务领域（65% 为高投资），并通过核心产 品层面的创新来增强竞争力。 运营流程 38% 40% 15% 8% • 运营流程（38%）和商业流程（35%）受 商业流程 35% 商业模式 管理流程 33% 23% 11% 21% 35% 38% 26% 高的 53% 中等的 低的 无需投资 10% 4% 11% 到中等但均衡的关注。

7. 越来越多的跨国公司在中国进行创新以满足国内需求。 A growing number of MNCS are innovating in China for China. 以下哪一项最能描述贵公司在中国的创新战略？ Which best describes your company’s innovation strategy in China? 中国走向全球 21% 24% 2023 2024 2025 26% 中国为中国 38% 39% 41% 35% 全球为中国 35% 43% • 企业正优先考虑以中国市场为中心的创新（“中国为中国”+“全球为中国”=76%）。专注于为中国本土市场开发新产品和服务的企业比例从2024年的39%上升到 2025年的41%，成为最常见的创新战略。 • 2025年，只有24%的企业（略低于2024年的26%）在中国开发面向全球市场的产品，这表明中国作为全球创新中心的发展势头有限。

8. 02 企业人工智能采用趋势 Enterprise AI Adoption Trends

9. 高管对 GenAI 的采用: 三大汽车制造商的 26 位高级经理（L-1 和 L-2）。 GenAI adoption by executives: 26 senior managers (L-1 and L-2) at OEM. 您目前在工作中使用人工智能工具的经验水平如何？ What is your current level of experience using AI tools at work? 我每天在工作中使用几种人工智能工具。 我每天在工作中使用一到两种人工智能工 具。 2 6 我在工作中偶尔会使用人工智能工具。 我很少或从不在工作中使用人工智能工具。 11 7 聊天 GPT 19 DeepSeek 12 副驾驶 上海大众内部工具 4 4 豆宝 2 迪普 格隆克 Discord Microsoft 365 GitHub Copilot Novlisky 餐巾纸AI 困惑 1 1 1 1 1 1 1 1

10. 全球企业人工智能软件市场预计将从 240 亿美元增长到 2030 年的 1660 亿美元。 The enterprise AI software market is expected to grow to $166 B in 2030. 企业 AI 软件市场规模（按用例划分）（2024 年） Enterprise AI Software Market Size, by Use Case (2024) 复合年增长率 ($ Bn) 7 市场规模（十亿美元） 2025-30 2024 2030 企业软件： 12% $264 $521 企业 AI 软件： 38% $24 $166 9% 32% 6 5 人工智能在企业软件中 的占比 4 3 2 1 0 客户服务 销售协助 资料来源：IDC、Grand View Research、AGP 分析 信息安全 知识管理 业务自动化 编程 数字助理 人力资源流程 内容创作

11. 企业 GenAI 采用情况（按功能划分）。 Enteprise GenAI adoption by function. 受访者所在组织经常使用生成式人工智能 (gen AI)，按功能划分 Respondents’ organizations regularly using generative AI (gen AI), by function 受访者百分比 34 23 17 16 13 12 8 7 6 7 营销和销售 产品和/或服务开发 信息技术 其他公司职能 服务工程 人力资源 风险 战略与 公司财务 供应链/库存管理 制造业 功能内最常见的人工智能用例 Mostly commonly reported gen AI use cases within function 受访者百分比 营销与销售 产品和/或服务开发 16 营销策略的内容支持 15 个性化营销 8 销售线索识别和优先排序 10 设计开发 6 科学文献和研究评论 6 加速早期模拟/测试 它 7 IT 帮助聊天机器人 7 数据管理 6 IT帮助台AI助手

12. 与 2023 年相比，受访者现在更有可能表示他们正在使用生成式人工智能。 Respondents are more likely now than in 2023 to report using GenAI. 2023-24 年使用生成式人工智能工具的个人经验 Personal experience with generative AI tools, 2023-24 受访者百分比 2023 8 2024 13 经常用于工作 14 16 26 经常在工作和工作之外使用 工作之外经常使用 16 至少尝试过一次 40 35 18 8 没有曝光 不知道

13. 特定任务 GenAI 工具从试点到生产的急剧下降揭示了 GenAI 的鸿沟。 The drop from pilots to production for tools reveals the GenAI divide. 调查过 → 驾驶到 → 功实施 Investigated → Piloted → Implemented 80% 60% 50% 40% 20% 调查过 5% 驾驶 通用法学硕士 成功实施 嵌入式或特定任务的 GenAI 影子人工智能经济，员工使用率远超官方采用率 the shadow AI economy, employee usage far outpaces official adoption 已购买 LLM 订阅的公司 40% e经常使用法学硕士学位的员工 90% 0 25 50 75 100

14. 亟待解决的首要问题：三大汽车制造商的 26 位高级经理（L-1 和 L-2）。 Top problems to solve: 26 senior managers (L-1 and L-2) at top 3 OEM. 流程效率低下—重复任务、手动工作、缺乏自动化。 Inefficient processes 22 数据孤岛—关键信息被锁定在不同的系统或团队中。 Data silos 13 削减成本的压力—需要提高效率，同时仍要取得成果。 Pressure to cut costs 11 竞争压力—竞争对手加快步伐以适应市场变化。 Competitive pressure 8 缺乏可操作的见解—没有数据支持就做出决策。 Lack of actionable insights 6 不断变化的客户期望—需要个性化、速度或质量。 Changing customer expectations 4 人才短缺—难以招聘或留住熟练的员工。 Talent shortages 4 市场不确定性—适应快速变化的条件或中断。 Market uncertainty 客户不满意—投诉、糟糕的服务体验或客户流失。 Customer dissatisfaction 3 1

15. GenAI 对高风险工作的适应性。 Perceived fitness of GenAI for high-stakes work. “你会把这个任务分配给人工智能还是初级同事？” 结果表明，人工智能已在简单工作领域胜出，70% 的人倾向于用人工智能起 草电子邮件，65% 的人倾向于用人工智能进行基本分析。但对于任何复杂或 长期的工作，人类则以 9 比 1 的优势占据上风。分界线并非智力，而是记忆 力、适应性和学习能力，而这些正是区分 GenAI 鸿沟两端的特质。 “Would you assign this task to AI or a junior colleague?” 复杂项目 （多周工作、客户管理） 10% The results reveal that AI has already won the war for simple work, 70% prefer AI for drafting emails, 65% for basic analysis. But for anything complex or long-term, humans dominate by 9-to-1 margins. The dividing line isn't intelligence, it's memory, adaptability, and learning capability, the exact characteristics that separate the two sides of the GenAI Divide. 90% 快速任务 电子邮件、摘要、基本分析） 70% 0 25 人工智能首选 代理人工智能 (Agentic AI) 是一种在设计上嵌入持久记忆和迭代学习的系 统，它直接填补了 GenAI 鸿沟的学习空白。与当前每次都需要完整上下文的 系统不同，代理系统能够保持持久记忆，从交互中学习，并能够自主编排复 杂的工作流程。早期的企业实验包括：处理端到端完整问询的客服代理、监 控和批准日常交易的财务处理代理，以及跟踪跨渠道互动的销售渠道代理， 这些实验表明，自主性和记忆力如何弥补企业发现的核心差距。 30% 50 人类偏好 75 100 Agentic AI, the class of systems that embeds persistent memory and iterative learning by design, directly addresses the learning gap that defines the GenAI Divide. Unlike current systems that require full context each time, agentic systems maintain persistent memory, learn from interactions, and can autonomously orchestrate complex workflows.

16. 03 AI预算分配 AI Budget Allocation

17. 人工智能投资总体保持稳定或适度增长，很少有公司大幅削减或大幅扩张。 AI investments are generally holding steady or growing moderately. 在中国，2025/2024 年你们对人工智能和生成人工智能的投资增长了多少或下降了多少？ In China, by how much did your investment in AI and generative AI grow or decline in 2025 / 2024 ? 下降10-19%, 5% 下降20%以上, 3% 增长50%以上, 11% • 稳定的投资占主导地位，大部分公司 （35%）表示，到2025年，人工智能和生 成式人工智能的投资将保持不变。 增长20-50%, 19% 没有变化, 24% • 温和增长是普遍现象——近一半（46%） 的公司表示增长，但大多增长幅度不大： 24%（增长10-19%）和18%（增长 <10%）。只有8%的公司实现了强劲增长 （>20%）。 • 下降幅度有限：只有14%的公司经历了投 资下降，其中大多数下降幅度较小 （<10%）。 增长率小于10%, 19% 10-19%的增长, 19%

18. 跨国公司优先考虑 GenAI，以加强合作、加快产品开发并提升商业影响力。 MNCs prioritize GenAI for collaboration, R&D, and commercial impact. 贵公司目前在中国哪些地方使用或开发生成式人工智能解决方案？ Where is your company currently using or developing Generative AI solutions in China? 目前正在使用/开发中 埃沃 * 51% 内部聊天机器人 49% 产品研发/设计 45% 产品/服务特点 销售支持 营销内容和渠道 图像/视频合成 人力资源管理 编码副驾驶 16% 研发/设计（49%）方面最积极地应用生 25.3 p.p. 成式人工智能，这反映出企业高度重视 提高效率和加速创新。 10.7 p.p. 37.6 p.p. 43% 11.3 p.p. 15.1 p.p. 24% 14.0 p.p. 24% 16.6 p.p. 22% 流程模拟 • 企业在内部聊天机器人（51%）和产品 19.4 p.p. 43% 39% 为客户打造的聊天机器人 2024 变革 11.9 p.p. -7.4 p.p. • 产品和服务功能（45%）、销售赋能 （43%）以及营销内容和渠道（43%） 也排名靠前，这表明企业正在超越后台 应用程序，将人工智能嵌入到面向客户 的活动中。

19. 中国创新重点的决策正在向市场靠拢，总部的比重有所下降。 Decision-making on innovation priorities is shifting from HQ to China. 贵公司的哪个层级负责确定中国的创新重点？ At which level of your organization are innovation priorities for China determined? • 中国的创新重点越来越多地由国家层面制定（35%），这反映出 决策方式正在向更贴近市场的转变。 • 总部的影响力仍然占主导地位（50%），但有所下降，而区域中 心（15%）的作用仍然较小。这凸显了决策权的重新平衡，地方 化程度更高，但区域协调有限。 国家/地区 [价值] （+15 个百分点） 36% 总部 [价值] （-11个百分点） 20% 54% 50% 26% 14% 地区 [价值] （-4 个百分点） 2025 2024 2023

20. 组织在生成式人工智能上花费的数字预算份额。 Share of organization’s digital budget spent on generative AI. 受访者百分比 % of respondents 保健和医疗产品 17 先进产业 7 技术 4 6 金融服务 4 3 5 消费品和零售 1 5 专业服务 6 0 8 46 7 16 13 55 19 61 21 18 6 70 12 6 64 4 6 12 63 5 1 13 60 7 2 11 全面的 9 7 3 8 媒体和电信 1 6 7 5 能源与材料 7 12 26 5 47 12 12 58 20 40 >20% 16-20% 14 60 11-15% 6-10% ≤5% 不知道 80 100

21. 组织在分析人工智能技术上花费的数字预算份额。 Share of organization’s digital budget spent on analytical AI technology. 受访者百分比 % of respondents 保健和医疗产品 先进产业 1 6 技术 15 2 6 1 17 5 12 能源与材料 3 媒体和电信 9 11 3 消费品和零售 11 全面的 11 0 6 7 3 5 8 28 13 13 44 14 66 10 3 2 22 23 10.5 16 专业服务 13 11 5 37 68 18 金融服务 18 7 48 8 21 11 49 3 14 47 7 34 13 48 20 40 >20% 16-20% 60 11-15% 6-10% ≤5% 不知道 17 80 100

22. 高管选择 GenAI 供应商的直接引述。 Direct quotes on executives selecting GenAI vendors. 源自访谈并按类别编码 Derived from interviews and coded by category 他们想要什么 直接报价 我们信任的供应商 / A vendor we trust “我们更有可能等待现有的合作伙伴添加人工智能，而不是冒险投资一家初创公司。” “We’re more likely to wait for our existing partner to add AI than gamble on a startup.” 深入了解我们的工作流程 / Understanding of our workflow “大多数供应商不了解我们的审批或数据流是如何运作的。” “Most vendors don’t get how our approvals or data flows work.” 对现有工具的干扰最小 / Minimal disruption to current tools “如果它不能接入 Salesforce 或我们的内部系统，就没人会使用它。” “If it doesn’t plug into Salesforce or our internal systems, no one’s going to use it.” 清晰的数据边界 / Clear data boundaries “我不能冒险将客户数据与其他人的模型混合，即使供应商说没问题。” “I can’t risk client data mixing with someone else’s model, even if the vendor says it’s fine.” 随着时间的推移而改进的能力 / Ability to improve over time “第一周它确实有用，但之后它只会重复同样的错误。我为什么要用它呢？” “It’s useful the first week, but then it just repeats the same mistakes. Why would I use that?” 情况发生变化时的灵活性 / Flexibility when things change “我们的流程每个季度都在改进。如果人工智能无法适应，我们就会回到电子表格时代。” “Our process evolves every quarter. If the AI can’t adapt, we’re back to spreadsheets.”

23. 04 向企业推销人工智能的策略 Tactics for Selling AI to Enterprises

24. 中国的创新挑战正从资金转向领导力协调和组织流程。 Innovation challenges in China are shifting from funding to alignment. 哪些挑战影响了贵公司在中国的创新能力？ What challenges are affecting your organization's ability to innovate in China? 2025 埃沃* 全球和区域领导层缺乏协调 22% 3.8 p.p. 缺乏足够的投资 14% -5.9 p.p. 难以发现机会 13% 1.6 p.p. 缺乏正式的创新流程 13% 2.7 p.p. 领导层没有优先考虑 11% -3.1 p.p. 地缘政治紧张局势（例如中美贸易争端）** 9% - 领导层与一线人员缺乏协调 7% -2.8 p.p. 难以吸引人才 6% -6.8 p.p. 人才流动率高 4% 1.0 p.p. 领导层流动率高 2% 0.7 p.p. 2024 变革 • 中国的创新重点越来越多地由国家层面制定（35%），这反映出 决策方式正在向更贴近市场的转变。 • 总部的影响力仍然占主导地位（50%），但有所下降，而区域中 心（15%）的作用仍然较小。这凸显了决策权的重新平衡，地方 化程度更高，但区域协调有限。

25. 阻碍人工智能应用的瓶颈：三大汽车制造商的 26 位高级经理（L-1 和 L-2）。 Bottlenecks for AI adoption: 26 senior managers (L-1 and L-2) at OEM. 缺乏明确的商业案例——不确定人工智能在哪里创造真正的价值。 Lack of clear business case 17 人工智能专业知识短缺——人工智能专家和项目经理的接触有限。 Shortage of AI expertise 17 安全和隐私——管理敏感数据、合规性和道德使用。 Security & privacy 13 数据质量和可用性——孤立的、不完整的或质量差的数据。 Data quality and availability 8 变革阻力——文化犹豫或害怕失业。 Change resistance 6 提升劳动力技能——需要培训非技术人员使用人工智能。 Upskilling workforce 5 扩大试点规模的困难——概念验证在广泛部署之前停滞不前。 Difficulty scaling pilots 风险管理——对错误、责任和声誉损害的担忧。 Risk management 4 3

26. 组织认为相关的人工智能风险。 Gen AI risks that organization consider relevant. 受访者百分比 商业风险 % of respondents 监管/法律风险 63 52 51 43 42 40 30 27 24 13 13 12 8 不准确 知识产权侵权 网络安全 个人隐私 监管合规 可解释性 公平与公正 劳动力流失 组织声誉 国家安全 环境影响 政治稳定 人身安全 Inaccuracy Intellectual property infringement Cybersecurity Personal individual privacy Regulatory compliance Explainability Equity and fairness Workforce labor displacement Organizational reputation National security Environmental impact Political stability Physical safety

27. DVF 评估是通过测试假设和收集数据来为每个维度分配置信度分数来进行的。 A DVF tests hypotheses to assign confidence scores to each criteria. (D) 期望值 用户或客户想要它吗？ 我们寻求： …真正的问题 …我们能够解决的问题 我们可以购买 ROI 是否达到我们的 或者建造它吗？ 门槛？ 可行性 生存能力 (F) (V) …创造真正的价值

28. GenAI试点项目为何失败：企业扩展AI的最大障碍。 Why GenAI pilots fail: top barriers to scaling AI in the enterprise. 用户被要求对每个问题进行 1-10 的评分 阻碍组织发展的障碍 / The barriers keeping organizations trapped User were asked to rate each issue on a scale of 1-10 要点：这些障碍反映了定义 GenAI 鸿沟的根本学习差距：用户抵制不适应的 工具，缺乏上下文的模型质量不合格，系统无法记忆时用户体验会受到影 响。即使是狂热的 ChatGPT 用户，也不信任不符合他们期望的内部 GenAI 工具。 挑战变革管理 Challenging change management Takeaway: The barriers reflect the fundamental learning gap that defines the GenAI Divide: users resist tools that don't adapt, model quality fails without context, and UX suffers when systems can't remember. Even avid ChatGPT users distrust internal GenAI tools that don't match their expectations. 缺乏高管支持 Lack of executive sponsorship 用户体验差 Poor user experience 模型质量问题的突出最初似乎违反直觉。ChatGPT 和类似工具的消费者采用 率激增，超过 40% 的知识型员工个人使用 AI 工具。然而，将这些工具集成 到个人工作流程中的用户，却表示在企业系统中使用时它们并不可靠。这一 悖论在用户层面体现了 GenAI 鸿沟。 模型输出质量问题 Model output quality concerns 不愿意采用新工具 Unwillingness to adopt new tools 0 2 4 6 8 10 The prominence of model quality concerns initially appeared counterintuitive. Consumer adoption of ChatGPT and similar tools has surged, with over 40% of knowledge workers using AI tools personally. Yet the same users who integrate these tools into personal workflows describe them as unreliable when encountered within enterprise systems. This paradox illustrates the GenAI Divide at the user level.

29. 用户偏好驱动因素：通用 LLM 接口 vs. 集成工具。 User preference drivers: generic LLM interface vs. Integrated tool. 用户偏好驱动因素：通用 LLM 接口 vs. 集成工具 通用工具为何胜负难料 / Why generic tools win, and lose User Preference Drivers: Generic LLM interface vs. Integrated Tool 要点：GenAI 的鸿沟体现在用户偏好上：ChatGPT 胜过企业工具，因为它更 好、更快、更熟悉，即使两者使用类似的模型。但同样的偏好也揭示了为什 么企业仍然陷在鸿沟的错误一边。 Takeaway: The GenAI Divide manifests in user preferences: ChatGPT beats enterprise tools because it's better, faster, and more familiar, even when both use similar models. But this same preference exposes why organizations remain stuck on the wrong side of the divide. 更加信任 Trust more 一位中型律所的企业律师就体现了这种动态。她的公司投资了 5 万美元购买 了一款专门的合同分析工具，但她始终默认使用 ChatGPT 进行起草工作： “我们购买的 AI 工具提供了死板的摘要，自定义选项有限。使用 ChatGPT， 我可以引导对话并不断迭代，直到我得到我真正需要的内容。根本的质量差 异显而易见，ChatGPT 始终能提供更好的输出，即使我们的供应商声称使用 相同的底层技术。” 已经熟悉界面 Already familiar with the interface 答案更好 The answers are better 0% 30% 60% 90% A corporate lawyer at a mid-sized firm exemplified this dynamic. Her organization invested $50,000 in a specialized contract analysis tool, yet she consistently defaulted to ChatGPT for drafting work: "Our purchased AI tool provided rigid summaries with limited customization options. With ChatGPT, I can guide the conversation and iterate until I get exactly what I need."

30. 高管如何选择 GenAI 供应商。 How executives select GenAI vendors. 源自访谈并按类别编码 定义鸿沟的学习差距 / The learning gap that defines the divide Derived from interviews and coded by category 要点：ChatGPT 的局限性恰恰揭示了 GenAI 鸿沟背后的核心问题：它会忘记上下 文，无法学习，也无法进化。对于关键任务型工作，90% 的用户更喜欢人类。这 种差距是结构性的，GenAI 缺乏记忆力和适应性。 边缘情况下会中断，无法适应 Breaks in edge cases Takeaway: ChatGPT's very limitations reveal the core issue behind the GenAI Divide: it forgets context, doesn't learn, and can't evolve. For mission-critical work, 90% of users prefer humans. The gap is structural, GenAI lacks memory and adaptability. 无法根据我们特定的工作流程进行定制 Can't customize to our workflows 那位曾经支持使用 ChatGPT 进行初稿撰写的律师，在处理敏感合同时也划清了界 限：“它非常适合头脑风暴和初稿撰写，但它无法保留客户偏好，也无法从之前的 编辑中学习。它会重复同样的错误，并且每次会话都需要大量的上下文输入。对 于高风险的工作，我需要一个能够积累知识并不断改进的系统。” 每次都需要太多手动上下文 Too much context required 它没有从我们的反馈中学习 Doesn't learn from feedback 0% 23% 47% 70% The same lawyer who favored ChatGPT for initial drafts drew a clear line at sensitive contracts: "It's excellent for brainstorming and first drafts, but it doesn't retain knowledge of client preferences or learn from previous edits. It repeats the same mistakes and requires extensive context input for each session. For high- stakes work, I need a system that accumulates knowledge and improves over time."

31. 高管如何选择 GenAI 供应商。 How executives select GenAI vendors. 企业真正想要的：跨越鸿沟的桥梁 / What enterprises actually want 源自访谈并按类别编码 Derived from interviews and coded by category 最成功的供应商明白，跨越GenAI鸿沟需要构建高管们反复强调的系统：AI 系统不仅要生成内容，还要在其环境中学习和改进。 灵活应对变化 Flexibility when things change The most successful vendors understand that crossing the GenAI Divide requires building systems that executives repeatedly emphasized: AI systems that do not just generate content, but learn and improve within their environment. 随着时间的推移而不断进步的能力 Ability to improve over time 对劳动力影响的担忧远低于预期。大多数用户欢迎自动化，尤其是在繁琐的 手动任务中，只要数据安全且结果可衡量。 清晰的数据边界 Clear data bounderies Concerns about workforce impact were far less common than anticipated. Most users welcomed automation, especially for tedious, manual tasks, as long as data remained secure and outcomes were measurable. 对现有工具的干扰最小 Minimal disruption to current tools “我们每天都会收到数十个关于AI驱动采购工具的推介。然而，我们现有的 BPO合作伙伴已经了解我们的政策和流程。我们更有可能等待他们的AI增强 版本，而不是转向未知的供应商。”——全球快速消费品采购主管 深入了解我们的工作流程 Understand our workflow 我们信任的供应商 A vendor we trust 0 20 40 60 80 100 "We receive dozens of pitches daily about AI-powered procurement tools. However, our established BPO partner already understands our policies and processes. We're more likely to wait for their AI-enhanced version than switch to an unknown vendor." —— Head of Procurement, Global CPG

32. 05 人工智能初创企业的制胜策略 The Winning Playbook for AI Startups

33. 跨越鸿沟的制胜策略。 The winning playbook for crossing the divide. 要点：成功跨越 GenAI 鸿沟的初创公司在狭窄的工作流程中取得了小规模、可见的成功，并随后扩张。设置负担低、价值实现速度快的工具比繁重的企业构建工具 表现更佳。渠道推荐和同行信任是弥合鸿沟的关键增长杠杆。 最成功的初创公司通过实施以下两种策略，既解决了人们对学习系统的渴望，也化解了人们对新工具的质疑： Takeaway: Startups that successfully cross the GenAI Divide land small, visible wins in narrow workflows, then expand. Tools with low setup burden and fast time- to-value outperform heavy enterprise builds. Channel referrals and peer trust are key growth levers for bridging the divide. The most successful startups addressed both the desire for learning systems and the skepticism around new tools by executing two strategies: 针对特定工作流程进行定制 利用推荐网络 Customizing for specific workflows Leveraging referral networks

34. 针对特定工作流程进行定制。 Customizing for specific workflows. 嵌入非关键或相邻流程并进行大量定制，展现清晰的价值，然后扩展到核心工作流程至关重要。成功的工具有两个共同点：低配置负担和即时可见的价值。相比之 下，需要大量企业定制的工具往往在试点阶段就停滞不前。 Embedding in non-critical or adjacent processes with customization, demonstrating clear value, then scaling into core workflows is critical. Tools that succeeded shared two traits: low configuration burden and immediate, visible value. In contrast, tools requiring extensive enterprise customization often stalled at pilot stage. 我们的样本中成功的类别包括: • 用于呼叫摘要和路由的语音 AI • 合同和表格的文档自动化 • 用于重复工程任务的代码生成 Successful categories from our sample included: Voice AI for call summarization and routing Document automation for contracts and forms Code generation for repetitive engineering tasks 一些初创公司凭借在小型但关键的工作流程（尤其是在销售和市场营销领域）中的主导地位而脱颖而出，并不断扩张。 Some startups excelled by dominating small but critical workflows, especially in sales and marketing, and then expanding. 范围狭窄 / Narrow Scope 简单执行 / Simple Execution 复杂的执行 / Complex Execution 快速取胜（支出、分类、合同审查） Fast wins (Spend, Categorization, Contract Review) 早期试点（谈判机器人） Early pilots (Negotiation Bots) 范围广泛 / Broad Scope 部分试点（供应商风险监控） Partials pilots (Supplier Risk monitoring) 失败（全面采购协调） Fails (Full Procurement Orchestration)

35. 利用推荐网络。 Leveraging referral networks . 为克服信任壁垒，成功的初创公司通常会采用以下方式：与系统集成商建立渠道合作关系，通过董事会成员或顾问的采购推荐，以及利用熟悉的企业级市场进行分销。 To overcome trust barriers, startups often used channel partnerships with system integrators, referrals, and distribution through familiar marketplaces. 供应商关系 Vendor Relationship 现有供应商合作伙伴关系，20% Existing vendor partnerships, 20% 对等网络 Peer Networks 非正式同行推荐，13% 董事会成员或顾问推荐，10% Informal peer recommendations, 13% Board member or advisor referral, 10% 活动与媒体 Events & Media 内部流程 Internal Process 会议演示或小组讨论，9% Conference demos or panels, 9% 新集成商/合作伙伴推荐，15% 行业出版物或网络研讨会，6% New integrators / partner referrals, 15% Industry publications or webinars, 6% 冷入库 其他 Cold Inbound Other

36. 跨越分界线的窗口正在收窄。 The narrowing window to cross the divide. 要点总结：跨越生成式 AI 分界线（GenAI Divide）的窗口正在迅速关闭。企业正加速锁定具备学习能力的工具。Agentic AI 与记忆框架（如 NANDA 与 MCP）将决 定哪些厂商能帮助企业跨越分界线，哪些则会被困在另一侧。 Takeaway: The window for crossing the GenAI Divide is rapidly closing. Enterprises are locking in learning-capable tools. Agentic AI and memory frameworks (like NANDA and MCP) will define which vendors help organizations cross the divide versus remain trapped on the wrong side. 企业对“可随时间自我适应”的系统需求日益增长。Microsoft 365 Copilot 与 Dynamics 365 正在引入持久记忆（persistent memory）与反馈回路（feedback loops）。OpenAI 的 ChatGPT 记忆测试版也反映出通用工具正朝相同方向发展。 Enterprises are increasingly demanding systems that adapt over time. Microsoft 365 Copilot and Dynamics 365 are incorporating persistent memory and feedback loops. OpenAI's ChatGPT memory beta signals similar expectations in general-purpose tools. 初创公司若能迅速弥合这一差距，构建能从反馈、使用与结果中学习的自适应智能体（adaptive agents），就能通过数据与集成深度建立持久的产品护城河。而实现 这一点的窗口期极其短暂，多个行业的试点项目已在进行中。 Startups that act quickly to close this gap, by building adaptive agents that learn from feedback, usage, and outcomes, can establish durable product moats through both data and integration depth. The window to do this is narrow. In many verticals, pilots are already underway. “一旦我们投入时间训练系统理解自身业务流程，切换成本就会变得极高。目前我们在评估五种不同的生成式 AI 方案，但最终能最佳学习并适应我们流程的系统，才 会赢得我们的长期合作。” —某市值 50 亿美元金融服务企业 CIO "We're currently evaluating five different GenAI solutions, but whichever system best learns and adapts to our specific processes will ultimately win our business. Once we've invested time in training a system to understand our workflows, the switching costs become prohibitive." - CIO, $5B Financial Services Firm

37.

38. THANKS Erik Walenza Managing Partner, Asia Growth Partners erik.walenza@asiagrowthpartners.com