9日23日，2026云栖大会上，阿里云智能集团副总裁霍嘉做出了一个判断——大模型落地后的第四年，AI应用才真正迎来了元年。他形象地打了个比方：“四年是一个奥运周期，练了四年终于比赛了，AI也是到今天才开始被理解和尝试——它不是一个聊天工具，不是一个娱乐工具，而是走到了生产力工具的早期。”
企业级应用作为检验AI应用价值的核心场景，已成为各大厂商竞相布局的关键赛道。当行业焦点从技术发布转向落地成效，AI应用元年并不意味着企业已经准备好一切，恰恰相反，大量具体的问题才刚刚浮出水面：模型能力持续进阶、智能体产品层出不穷，企业究竟用得怎么样？数据、人才、技术难题待解，AI融入核心生产经营流程的“最后一公里”又该如何跨越？霍嘉分享了阿里云的答案。
企业AI落地，从一个值得解决的问题开始
事实上，中国AI从不缺用户，缺的是落地应用场景和实质业务价值。日前，中国互联网络信息中心政策与国际合作所发布报告显示，截至2026年上半年，我国生成式人工智能用户规模突破7亿，普及率超过50%。麦肯锡发布的报告也指出，88%的企业已至少在一个职能中常态化使用AI，但仅有6%的企业能利用AI创造显著的价值。
企业对AI的高涨热情，未必能直接转化为落地成果。越往业务深处走，企业间的差距就越凸显。
霍嘉将当前AI市场的客户大致分为四类：一是AI原生企业，如模型创业公司、AI短剧公司等；二是高科技企业，如互联网、汽车、手机企业；三是企业客户；四是政府客户。根据他的观察，从规模化应用和Token调用量看，越靠前的类别占比越高。这意味着，当部分企业开始筛选更好用的AI工具，有的企业却还没找准第一步的方向。
企业AI展位人潮涌动
对于仍在摸索阶段的企业而言，AI专业人才匮乏、可参考的实践不足是绕不开的门槛。“AI时代与移动互联网时代最大的区别，是很少能看到真正落地的真知灼见。”霍嘉表示，“四年前大家同时起跑，直到今年才有东西可以分享。”他也指出，对于后两类客户，传统的IT项目式工作方式已经跟不上模型的迭代速度，“模型基本每月发布一次，很难用‘规划—执行—规划—执行’的方式去运用技术创造价值。”
在过往的落地案例中，霍嘉发现，AI项目失败很少是因为模型不够聪明。他总结了三种典型的失败案例。第一类，在数据和算力基础不足的条件下强行训练垂类模型。第二类，企业积累的数据无法适配Agentic环境。如果说去年数据治理的核心痛点是“IT Data不等于AI Data”，那么今年，数据的定位已从服务模型训练转向服务业务应用，需要解决的难题也变成了“IT Data不等于Agentic Data”。第三类，打造的智能体仅面向极少数人，AI化收益有限。霍嘉举例，曾有一家大型B2B电商平台，每天只有100多笔交易，却计划投入大额预算做AI改造。
正因如此，霍嘉并不避讳对客户说“不”的经历，“很多东西是技术可行，但代价不值得”。在他看来，企业的诉求始终离不开“增收、提质、降本、增效”八个字。模型在持续迭代升级，但企业的经营本质目标从未改变。阿里云要交付的从来不是一个演示Demo，而是能解决实际问题、创造真实收益的落地应用。
深入生产一线，从“有人用”到“离不开”
走向企业端的AI，不仅要解决“有没有人用”的普及问题，更要答好“应用深度够不够”“企业离了它行不行”的价值命题。
这要求AI厂商不能只具备单点的大模型能力，更要拥有覆盖芯片、基础设施、AI应用的全栈技术能力，跳出单一产品的局限，在效果、成本、安全等多个维度做出全局最优判断。例如，应用效果不达预期，可能需要同步调整模型、校验数据、重构流程；项目成本居高不下，可能涉及算力、部署、应用全链路的协同优化。只有深刻理解业务的内部逻辑，以及技术与真实场景的适配关系，才能更高效地解决实际问题、更稳定地支撑业务运行。
作为国内少有的具备完整AI技术栈的科技企业，阿里云长期深耕产业前沿需求，致力于让AI更可扩展、更实用、更普惠地服务千行百业。2026云栖大会期间，阿里推出面向企业、专为智能手机设计的全栈式Agentic解决方案Qwen Intelligence；同时围绕Agentic Cloud战略推出一系列全面升级，支持企业级智能体的部署、运行及安全。
在办公场景，阿里云也展示出了深耕政企市场的决心。随着AI从个人提效走向组织级生产力，办公有望成为智能体规模化落地的重要市场。阿里云正推动企业级AI深度渗透组织内部，目前已推出面向政企市场的千问办公私有化版本，可满足政企客户对安全可信、数据合规、本地部署的核心要求，推动“数字员工”走上岗位、融入业务流程。
“所有产品的先进性，一方面来自于技术的前瞻预判，另一方面源于市场的真实反馈。”霍嘉表示。全栈能力持续迭代更新的同时，制胜的答案还要回到业务场景里寻找。在一次次交付中沉淀的业务理解与落地能力，才是阿里云赖以生存的护城河。
针对企业AI落地普遍存在的痛点——高价值场景难定位、技术可行性与投入产出比难验证、生产级上线难推进，阿里云早在FDE（前沿部署工程师）概念火爆之前，就探索出一套行之有效的落地方法论：摸底调研前置、方案设计与研发并行、快速产出可运行Demo。
由中国石油昆仑数智联合阿里云共同打造的工业Agent，正是业务理解驱动AI落地的典型案例。作为中石油旗下信息科技公司，昆仑数智拥有覆盖ERP、MES、DCS的完整工业系统体系，其核心痛点在于：如何在既有的工业系统和生产流程里找到能真正产生业务价值的AI场景。结合前期调研、数据摸底与一线经验，项目最终选定炼化常减压装置这一产线“龙头”作为试点。依托阿里云全栈技术能力与FDE交付思路，36天即产出可运行业务Demo，产物生成效率提升5—10倍，端到端工业场景复刻效率提升3—5倍。
常减压装置是原油加工工序的核心装备
如果说工业场景考验的是AI扎根业务的深度，与中央广播电视总台合作的世界杯项目则检验着阿里云短周期、高要求下的综合交付能力。据悉，阿里云团队仅用7天就打造出国内首个足球赛事专属AI陪伴式助手“AI观赛助手”，实现赛事新事件1分钟内响应、赛事信息0幻觉；同时上线“高光时刻”核心能力，60秒内即可完成新场景切片生成，相较行业方案成本降低约90%。
从重工业核心产线的深度扎根，到顶级赛事媒体场景的快速攻坚，两个截然不同的落地样本，印证了同一条产业逻辑：AI应用的真正机会，蕴藏在海量具体而复杂的业务问题之中。当行业逐步褪去概念热度，回归商业本质，决定厂商长期竞争力的，终将是对业务场景的理解深度、对交付效率的把控能力，以及为客户创造实质价值的核心实力。
