AI应用展望分析

商业模式变革有望成为共识，看好细分领域率先 放量。

1.AI 应用展望一：从交付工具到交付结果，重视 AI 应用商业模式变革

不同于传统软件，Agent 应用从交付工具转变为交付结果，商业模式也对应发生改变，按 效果付费的新范式有望成为行业共识。1）产品定位：传统软件定位为软件即服务，将软件 应用作为辅助工具，旨在提升人类员工的工作效率与企业的管理能力；Agent 应用定位为服 务即软件，将软件应用作为数字员工（数字生产力），旨在替代人类员工完成任务交付最终 结果；2）收入影响指标：传统软件应用是工具属性，员工人数是影响软件厂商收入的关键 指标；Agent 应用是服务属性，具体效果或成为影响软件厂商收入的新指标；3）商业模式： 考虑到产品定位与收入影响指标变化，软件厂商的 Agent 产品开始新商业模式探索。以 Salesforce 为例，Agent 最早沿用 SaaS 订阅模式（50 美元/人/月），后转变为按用量付费 （每使用一次客服 Agent 2 美元），我们认为，后续有望转变为按实际使用效果付费。

2.AI 应用展望二：数据复杂度影响落地节奏，看好细分场景率先放量

我们认为，Agent 产品必须要与垂直行业数据、垂直场景数据深度结合，才能实现真正的 商业化落地，从业务逻辑与实际进展看，数据复杂度低、幻觉容忍度高的场景有望率先实 现规模化商业落地。

2C 应用幻觉容忍度较高，商业化进展或领先于 2B。从 AI 落地节奏来看，2C 场景（广告、 电商、虚拟陪伴等）因幻觉容忍度较高，成为商业化进展较领先的业务场景。以 Meta 为例， Meta 于 2024 年开始推荐系统与广告系统的 AI 升级，实现了用户留存时间的增长与广告转 化率提升。根据公司 25Q1 电话会介绍，得益于推荐系统的 AI 改进，过去半年内 Facebook 用户使用时长增加了 7%，Instagram 用户使用时长增加了 6%，得益于广告系统的 AI改进， 25Q1 Reels 的新的广告推荐模型带动广告转化率提高了 5pct。在 2B 场景，客户场景的复 杂度相对较高、对模型输出的精准度要求更高，落地节奏或慢于 2C 场景。

2B 应用分场景来看：数据复杂度是影响 AI 应用落地节奏的关键因素，数据复杂度越低的 场景商业化进展越快。1）简单难度梯队：企业知识库、企业高管数智助手率先完成产品落 地，主要通过大模型实现企业文件资料与业务系统数据的读取与分析，不涉及跨业务系统 的数据双向交互；2）中等难度梯队：企业人/财/物管理 Agent、销售/客服 Agent 或是 25 年的重点放量环节，此类环节涉及多业务系统的数据交互，同时对于数据分析精准度要求 较高，24H2 海外应用厂商通过企业数据中台架构搭建了此类 Agent 的技术基础，有望在 25 年实现业务放量；3）复杂难度梯队：生产/工艺流程 Agent 对于精准度要求再度提升， 同时涉及数据的实时预测与分析，目前此类应用仍在试点阶段，以 Palantir 为例，24Q4 公 司推出的 Warp Speed 计划，正是以优化工业生产为目标的系列 Agent 功能，目前仍在验 证阶段。

2B 应用分行业来看：数据基础好、客户预算足的行业进展较为领先。1）数据基础好：企 业私有数据是大模型降低幻觉的重要因素，因此信息化程度高、数据基础好的行业具备更 优的 AI 落地基础；从海外来看，Agent 应用下游景气度较高的行业主要包括政府、军事、 工业、金融、法律等数字化基础较好的行业；2）客户预算足：客户预算也是影响产品落地 节奏的重要因素，大型客户相较中小型客户的 AI 投资意愿更强，因此大客户占比较高的软 件公司 AI 业务进展也更为领先，以 ServiceNow 为例，其下游大客户较多，截至 24 年底， AI 产品渗透率已接近 12%（存量客户 8,000+家，AI 应用采购企业数为 1,000 家左右）。

3.AI 应用展望三：AI+营销/销售，数据丰富+可量化 ROI+标准化流程三大因 素驱动 AI 快速商业化

AI 在营销和销售领域的应用已从技术探索阶段迈入到规模化应用。营销和销售领域成为 AI 大模型落地较快的场景之一，核心原因在于其数据驱动的本质、业务目标的可量化性、流 程的标准化特征与 AI 技术特性高度契合。 一、营销和销售是企业直接产生收入的环节，业务目标可量化，ROI 驱动快速验证。营销 和销售的核心目标（如销售额提升、提升广告支出回报率 ROAS、转化率、客户留存率） 具有明确的量化指标，便于企业快速评估 AI 应用效果，因此企业更愿意投入成本尝试。 相比之下，医疗、金融等领域虽信息密度高，但合规风险和伦理争议（如误诊责任、数据 隐私）导致落地周期更长。营销领域的 “短平快” 特性（如短视频广告的即时反馈）使 其成为 AI 商业化试水的理想场景。 二、数据资源的天然优势。营销领域是企业数据密集的场景，涵盖用户行为、消费偏好、 市场趋势等多维度数据。这些数据为 AI 模型提供了丰富的 “燃料”，使其能够快速学习 并优化营销策略。此外，营销数据的实时性（如短视频平台的日活数据）和结构化特征（如 广告点击、转化等指标）进一步降低了模型训练门槛，加速技术落地。 三、流程标准化与工具化：低门槛的技术集成。营销全链路（从内容生成、投放优化到效 果分析）具有清晰的流程节点，流程的可拆解性降低了技术集成难度，企业无需重构业务 体系即可快速部署 AI 解决方案。 企业客户对于 AI 营销的需求已经从单一工具向全链路智能中枢升级。营销链路可以分为公 域引流阶段以及私域引流阶段，传统营销模式下企业注重在公域引流上的投入，但在后互 联网时代下，越来越多企业注重私域运营以实现企业业务的稳定增长。 1）洞察环节：企业利用 AI 打通线上线下数据，自动聚合多源数据（社交媒体、CRM、电 商平台），实时生成市场趋势报告。 2）内容生产：营销内容生成与创意突破。基于大模型生成个性化文案、图像及视频，缩短 创作周期。 3）媒介投放：利用 AI 进行精准营销，并动态优化广告预算分配，实现 ROI 的快速提升。 4）后链路管理：自动化客户触达与售后服务，提升客户互动体验。

AI 营销/销售领域的市场格局非常分散。AI 营销/销售领域的市场格局非常分散，按照沙利 文《中国营销及销售 SaaS 解决方案市场行业研究报告》数据显示，2023 年迈富时 （Marketingforce）是中国最大的营销及销售 Saas 解决方案厂商，份额为 3%；Saleforce、 微盟、纷享销客、有赞市场份额分别为 1.8%/1.8%/1.5%/0.9%。 AI 有望重塑行业格局。当前，AI 已成为重塑数字营销及销售行业的重要力量。我们认为， 对行业的深刻理解、AI 技术领先性、成熟的销售网络、强大的品牌知名度等将成为厂商胜 出的重要因素。 AI 营销/销售行业的相关公司包括：Saleforce、迈富时、微盟集团、纷享销客、有赞等。

4.AI 应用展望四：AI+HR，应用全面开花，从“效率工具”到“战略中枢”的跃 迁

AI 在 HR 领域的应用已经“全面开花”。美国人力资源管理协会（SHRM）调查显示，大约 66%的 HR 专业人士已经在日常工作中使用人工智能，高于八个月前的约 30%。HR 科技企 业 HireVue 发布的《2025 全球 AI 招聘指南》调查了全球 4000 多名 HR 负责人和员工，结 果发现 AI 在 HR 领域的采用率已从 2024 年的 58%跃升至 2025 年年初的 72%。国内大型 互联网公司的 HR 部门已经开发出内部 AI 系统，覆盖招聘、培训、员工关怀等多领域。如 字节开发了 AI 面试官，可以根据岗位要求自动生成面试问题并评价候选人回答；阿里的人 才发展团队则利用 AI 分析员工学习数据，为数万员工定制个性化的学习路径。 HR 领域成为 AI 大模型落地较快的场景之一，本质上是由其业务特性、技术适配性和市 场需求共同决定的。

1、HR 业务流程天然适合自动化改造。HR 职能涵盖招聘、培训、绩效、薪酬、员工关系等全生命周期管理，其中大多数环节具 有重复性、规则性和数据密集型特征： 1）招聘场景：涉及到简历筛选、职位描述撰写、面试邀约等流程，需处理海量文本数据； 2）员工服务场景涉及到假期申请、薪资查询、政策咨询等高频事务性工作，可通过 AI 聊 天机器人 7×24 小时响应； 3）合规管理场景涉及到合同审核、考勤核算、数据合规等需严格遵循法规的环节，AI 可 自动校验风险点。

2、HR 场景是典型的语言密集型领域，LLMs 可以很好的解决语义理解与生成、跨模态信 息处理、对话交互等核心问题。

3、HR 系统积累了企业较完整的结构化（如员工档案、考勤记录、绩效评分、薪酬数据等） 和非结构化数据（如面试录音、培训反馈等），且企业对 HR 环节“降本增效”的需求非常刚 性。

AI 在 HR 领域正从“效率工具”到“战略中枢”进行跃迁。AI 大模型在 HR 领域的商业化 应用，短期可以解决招聘、行政等环节的效率瓶颈，降低成本；中期可以通过员工数据洞 察（如离职预警、技能图谱），辅助管理层进行组织优化；长期会成为企业“人才战略大脑”， 自动规划人才供应链、预测劳动力市场趋势，甚至参与企业文化建设（如智能员工关怀）。 因此，HR 领域成为大模型技术与企业管理深度融合的最佳试验场之一。 根据艾瑞咨询《2025 年中国人力资源数字化研究报告》（以下简称“报告”），2024 年中国 人力资源数字化市场规模约 303 亿元，同比增长 13.2%。全球经济下行压力下，企业 IT 支 出趋于保守，对人力的管理目标也从业务增长向成本优化转移。人力数字化市场进入存量 优化阶段，增量需求更多依赖于 AI 应用及功能迭代。AIGC 技术成熟及应用场景深化，催 生员工培训、知识管理、人才盘点等场景有望在未来 2-3 年内实现 AI 成熟应用。《报告》预 测，2027 年中国人力资源数字化市场规模将达到 484 亿元。

HCM SaaS 市场格局相对分散，北森控股蝉联榜首。根据 IDC 发布的《中国人力资本管 理 HCM SaaS 市场 2024 上半年跟踪报告》，北森位居中国 HCM SaaS 市场整体第一， 市场份额上涨至 14.93%，自 2016 年至 2024 年上半年已连续 8 年蝉联榜首。在 Core HCM、招聘管理 SaaS 和绩效管理 SaaS 三大 HCM SaaS 子市场中，北森也凭借战略及 产品的创新突破，连续多年保持领先，优势明显。 除北森外，市场上还有众多其他厂商参与竞争。如浪潮海岳 HCM 凭借领先的技术实力与 市场表现，入选 2024 年度中国企业人力资本应用市场 TOP3，成为大型企业人力数字化转 型首选。此外，金蝶、用友、SAP、Oracle 等厂商也在市场中占据一定份额。 AI 时代，具有丰富的 HR 垂直场景数据、积极布局 AI 的企业有望获得更多增量机会。面对 AI 浪潮带来的历史性机遇，领先厂商如美国的 Workday、HireVue，以及中国的北森控股、 金蝶国际、用友网络等公司均在积极布局 AI Agent 布局。其中部分公司的 AI Agent 产品已 经快速实现商业化变现：如 Workday FY26Q1 由 AI 驱动的订阅收入为 20.59 亿美元，同比 增长 13.4%；北森控股的 AI 面试官自 24 年 8 月份推出后，迅速获得数百家企业客户购买。 我们认为，市场份额高、HR 垂直场景数据积累丰富、AI 布局早的企业有望获得更多增量业 务机会。 AI+HR 领域相关上市公司包括：Workday、北森控股、金蝶国际、用友网络等。

5.AI 应用展望五：AI+医疗，AI 正在构建药物研发新范式

AI 正在构建药物研发新范式，创新药有望进入全新发展阶段。AI 正在加速向新药研发的各 个环节渗透，未来将从化学合成环节走向临床前及临床试验等生物环节，全球头部创新药 研发企业纷纷拥抱 AI。基于多模态深度学习算法，研究者能够系统整合基因组、蛋白质组 等高维数据，实现全维度靶点特征挖掘与优先级排序。知识图谱技术的创新应用同样成效 显著，BenevolentAI 通过构建跨学科知识图谱，成功挖掘出具有全新作用机制的慢性肾病 治疗靶点，相关候选药物进入到临床试验阶段。只有当 AI 被用于连接药物发现各个阶段之 间的点，并构建一个从假设到临床前和临床阶段的端到端系统时，才能真正实现范式转变。

各类大模型正广泛应用于药物发现的各个环节。药物发现领域的大模型包括三类，一种是 使用专门针对蛋白质（如 ProGen 和 ESM3）、DNA（如 DNABERT 和 Evo）、单细胞数据 （如 scGPT）和小分子（化学语言模型）等特定科学领域的 tokens 序列表示进行训练的特 定基础模型。另一种是调整经过良好训练的通用大型语言模型以适应特定的科学领域，例 如用于小分子的 Tx-LLM 和用于蛋白质的 ProLLAMA。第三种涉及从头开始训练科学数据 增强的 LLM，主要使用文本数据和少量科学数据，例如 BioGPT 和 Galactica。利用大模型 可以加速潜在药物候选物的识别，预测药物的安全性、有效性和药代动力学性质，优化先 导化合物，并预测合成途径，通过自动化和加速药物发现的各个阶段，帮助研究人员更有 效、更高效地识别有希望的药物候选物，从而显著缩短药物开发时间并降低成本。

各大厂积极进行 AI 医药研发大模型的布局。Google 推出 AlphaFold 模型用于预测分子结 构，同时利用通用 LLM Gemma 微调推出用于医药研发领域的大模型 TxGemma，在此基 础上推出智能助手 TxGemma-Chat 与智能体系统 Agentic-Tx；微软于 2025 年 2 月发布适 用于包括小分子、蛋白质、核苷酸等多实体的预测大模型 NatureLM；Salesforce 推出了蛋 白质生成 AI 大模型 ProGen；微软发布了蛋白质生成的通用 AI 框架 EvoDiff；亚马逊为其 AWS 机器学习平台 SageMaker 发布了蛋白质折叠工具；英伟达推出了用于药物发现的生 成 AI 云服务 BioNeMo，并投资了制药公司 Recursion Pharmaceuticals 和 Iambic Therapeutics。 DeepMind AlphaFold 持续迭代，革新药物发现范式。AlphaFold 系列模型是由 Google DeepMind最早于2018年提出的预测蛋白质结构的模型，基于Transformer架构进行构建， 而后持续迭代。2021 年开源 AlphaFold 2，借助该模型，发布了 AlphaFold 蛋白质结构数 据库， 98.5%的人类蛋白质结构全被 AlphaFold2 预测出来。2024 年 5 月提出 AlphaFold 3 版本，实现对蛋白质之外的上亿个结构物分子的复合物进行联合结构预测，还可以模拟蛋 白质、DNA、RNA 和小分子之间的复杂相互作用，而这种能力有望帮助科学家加深对疾病 机制和药物相互作用的理解，对药物发现至关重要，使得大模型在医药研发领域的可用性 进一步提升。

商业化进展来看，医疗制药领域 AI应用进展迅速。AI制药领域公司商业模式包括以下几类， 1）CRO 商业模式是大多数公司商业化的首选方案，即提供分子设计服务（如设计和优化 小分子、抗体、多肽、PROTAC 等），代表企业包括 AbCellera、Insilico Medicine、Evotec 和 Labcorp；2）AI 制药 SaaS 服务，通过提供 AI 软件辅助药物发现流程，用户通过订阅 服务的方式访问平台，获取用于药物发现的各类工具和资源，代表企业包括 Insilico Medicine、Exscientia 和 Atomwise 等；3）自研管线，通过 AI 驱动进行药物发现并积极推 动管线进程，海外代表性企业包括 Recursion Pharmaceuticals、Atomwise、Exscientia、 Relay 等。国内代表企业如英矽智能、未知君、剂泰医药等。

AI 正在驱动临床试验范式的系统性变革，AI 制药市场规模增长迅速。根据 BCG 数据，在 临床前阶段的药物发现步骤中，AI 可以节省至少 25%~50%的时间和成本。根据 The Business Research Company 最新数据，全球 AI 制药市场规模将从 2023 年的 15.8 亿美 元增长至 2028 年的 56.2 亿美元，年复合增速达 28.5%。