作者： 董興榮 李秦

人工智能技術的快速發展正在深刻改變商業世界。如今，AI不僅能自動生成文本、圖像等內容，還能通過數據分析優化決策，連接線上、線下場景，逐漸成為企業轉型升級的關鍵工具。通過構建數據感知、智能分析、實時決策、自主執行的閉環體系，企業得以實現運營效率的指數級提升與商業模式的顛覆性創新。

數字經濟時代，人工智能技術的突破性發展正以前所未有的速度重塑全球商業圖景。從生成式AI重構內容生產邏輯，到機器學習算法驅動精準決策，AI已從單點工具演變為推動企業系統性變革的核心引擎。在這場以“數智融合”為特征的產業革命中，企業數智化轉型不再是選擇題，而是關乎生存發展的必答題。面對技術浪潮，企業必須以開放姿態擁抱智能革命，深挖數據要素價值，重塑人機協作范式，在數智時代構筑可持續的競爭優勢。

近日，Gartner研究副總裁孫鑫圍繞人工智能技術的演進與發展，探討了生成式人工智能（GenAI）、AI Agent等對企業數智化轉型與財務變革的影響，以及智能技術的未來突破與發展趨勢。

人物介紹PROFILE

孫鑫

Gartner研究副總裁

01

人工智能技術的演進與發展 人工智能技術成熟度曲線

當前，人工智能技術發展呈現顯著的階段性特征。Gartner發布“2024年人工智能技術成熟度曲線”（圖1）為行業提供了重要的參考框架。該曲線圖通過縱軸（技術期望值）與橫軸（時間周期）揭示技術演進規律：在最初的“技術萌芽期”，人們對新技術極度關注；隨后進入“期望膨脹期”，也就是熱度極高且常被高估的階段；接下來是“泡沫破裂低谷期”；隨后逐漸轉入“穩步爬升復蘇期”；最后到達“生產成熟期”。

圖1 Gartner2024年人工智能技術成熟度曲線

孫鑫表示，“現階段，多數人工智能技術仍處于相對早期的階段，包括‘復合型AI’‘AI工程化’等，它們距離進入‘生產成熟期”尚需時日。比如，現在炙手可熱的“生成式人工智能’大約還需2至5年才能進入‘生產成熟期”；而“通用人工智能”則可能還要10年以上的時間。因此，行業對于不同技術應有更為客觀的預期，不要盲目追逐某些概念。”

生成式人工智能是人工智能技術的焦點領域，它能夠基于大型原始內容庫的數據，生成全新的內容、策略、設計與方法，大語言模型等基礎模型是其中的核心技術。自2022年OpenAI的ChatGPT誕生以來，對于生成式人工智能，企業經歷了從創意探索到落地部署的轉型。2025年，企業的關注重點轉向執行層面，注重技術融合與商業價值兌現，期望將生成式人工智能妥善嵌入業務流程，為企業創造新的收益和增長點。

Gartner調研顯示，中國企業對于生成式人工智能的投入意愿明顯高于全球平均水平。此外，談及未來12個月內是否計劃在企業內部部署生成式人工智能，中國企業的比例也更高，反映出本土市場對于生成式人工智能技術潛力的高度認可。

大模型競爭與產業生態重構

大模型行業的競爭態勢日趨激烈，不同大模型之間的差異化也在逐步縮小，ChatGTP、DeepSeek等現象級產品為生成式人工智能產業帶來沖擊和機遇。其中，DeepSeek R1以極度開源化的模式，讓企業能夠以低成本部署并應用一個性能強大的模型，使得大模型行業加速進入“商品化”或“平民化”階段。

Gartner將生成式人工智能技術邏輯架構分為四個不同層次（圖2）：第一層是生成式人工智能的基礎架構供應商，包括IaaS、PaaS、AI芯片供應商等，這些角色會在市場中不斷涌現并產生競爭或“攪局”效應；第二層是模型供應商（Model Providers）；第三層是AI工程化，也就是把生成式人工智能模型從“測試、試點”推進到“生產”階段的能力，這對于企業來說至關重要；第四層則是生成式人工智能應用或當下熱門的“智能體”，它們能讓模型真正被終端用戶消費和使用。

圖2 生成式人工智能技術邏輯架構

“每家企業都需要考慮是否要自建或購買這些不同層次的能力。對于很多企業而言，如今自建大模型已無太大意義，因為現有模型的能力已足夠成熟。如果想產生差異化，一方面可以考慮以更低成本獲得基礎架構能力；另一方面就要思考是否需要投入AI工程化，或者如何搭建符合自身需求的應用，尤其是在垂直行業或具體領域中，以便充分釋放生成式人工智能的價值。”孫鑫談到。

數據治理：AI時代的核心競爭力

在大模型時代，數據的來源更加廣泛。企業日常運營中，員工與AI溝通時使用的自然語言，以及生成的圖片、視頻等內容，都屬于非結構化數據。因此，企業構建系統化的非結構化數據治理體系，已成為釋放人工智能效能的關鍵路徑。對此，Gartner提出了“AI就緒數據（AI-Ready data）”這一概念，強調數據要能適應企業不同的應用場景。在此基礎上，企業還要持續、實時關注數據質量，有效規避“大模型幻覺”帶來的可信度風險。

當前，新一代AI特定數據技術正在重塑企業數據治理格局，幫助企業更好地完成數據中臺建設，從而順利接入大模型和智能體的應用場景。此外，部分數據庫服務商也已推出“數據標記”“合成數據”“數據豐富”等功能，甚至在數據庫層面直接引入提示工程，以確保企業數據能更好地為人工智能應用做好準備。

“在人工智能應用生態中，數據管理極有可能成為企業的最后一條‘護城河’。”孫鑫強調，“因為通用的數據、通用的算法和通用的大模型已經人人可得，例如DeepSeek或其它開源模型，體量越來越小、性能越來越好，卻并不能給企業帶來真正的差異化。如果企業想要獲得新的營業額增長，必須基于自身的數據環境和企業特性，打造貼合業務需求的算法或模型。這一點對于未來企業部署大模型或推進AI舉措至關重要。”

數據和分析（D&A）正在從一個小眾領域走向普及。與此同時，D&A領導者面臨的壓力已經從“資源少、事情多”變成了“資源多、事情更多“，而且這項工作由于風險的增加而變得更具挑戰性。Gartner提出以下九大趨勢，將幫助D&A領導者應對他們所面臨的壓力、期望和需求。

趨勢1：高消耗數據產品。為了充分利用高消耗數據產品，D&A領導者應重點關注關鍵業務用例，通過產品關聯和規模化來減少數據交付方面的挑戰，優先交付可重復使用和可組合的最小可行數據產品，以便讓團隊不斷改進這些產品。同時，D&A領導者還必須在數據生產和使用團隊之間就關鍵績效指標達成共識，這對于衡量數據產品的成功至關重要。

趨勢2：元數據管理解決方案。有效的元數據管理應先從技術元數據出發，然后擴展到業務元數據以增強上下文。通過整合各種類型的元數據，企業能夠實現數據目錄、數據脈絡和AI用例。因此，選擇有助于自動發現和分析元數據的工具勢在必行。

趨勢3：多模態數據編織。建立強大的元數據管理實踐涉及獲取和分析整個數據管道中的元數據。數據編織提供的洞察和自動化可滿足編排需求、通過數據運維（DataOps）實現更卓越的運營，并最終實現數據產品。

趨勢4：合成數據。識別缺失、不完整或獲取成本高的數據對于推進AI行動至關重要。合成數據既可以作為原始數據的變體，也可以替代敏感數據，能夠在促進AI發展的同時保護數據隱私。

趨勢5：代理式分析。使用AI智能體進行數據分析，完成業務成果的自動化閉環具有變革性意義。Gartner建議嘗試開發自然語言接口連接業務洞察的用例，并評估供應商的數字化工作場所應用集成路線圖。同時，建立治理機制可最大程度地減少錯誤和幻覺，并且通過AI就緒數據原則評估數據就緒度十分重要。

趨勢6：AI代理。AI代理對于滿足臨時的、靈活的或復雜的自適應自動化需求至關重要。企業不能僅僅依賴大語言模型（LLM），還需要采用其他形式的分析和AI技術。D&A領導者應使AI代理能夠無縫訪問和共享所有應用的數據。

趨勢7：小語言模型。相比大語言模型，Gartner更推薦企業考慮使用小語言模型，以便在特定領域獲得更加準確、更符合語境的AI輸出結果。Gartner建議提供用于檢索增強生成或微調自定義領域模型的數據，特別是在本地使用時，可以處理敏感數據并減少計算資源和成本。

趨勢8：復合型AI。多種AI技術的結合可提高AI的影響力和可靠性。D&A團隊不應局限于GenAI和LLM（大語言模型），還應整合數據科學、機器學習、知識圖譜以及優化等技術，以實現全面的AI解決方案。

趨勢9：決策智能平臺。從數據驅動到以決策為中心的轉變至關重要。Gartner建議采取的步驟包括：優先考慮急需建模的業務決策、調整決策智能（DI）實踐、評估DI平臺。成功的關鍵在于重新發掘數據科學技術并解決決策自動化的道德、法律和合規問題。

02

人工智能技術驅動企業數智化轉型 企業數智化轉型新范式及實踐路徑

當前，企業數字化轉型面臨AI技術浪潮帶來的全新機遇。Gartner調研顯示，74%的CEO（首席執行官）認為人工智能將是對其行業影響最深遠的技術。然而，現實困境同樣顯著：63%的員工表示尚未在核心業務中應用生成式人工智能，反映出技術引入與應用之間的差距。

孫鑫認為，“企業高管們也逐漸認識到，如果沒有充分利用生成式人工智能，或者沒有把這項技術培訓給員工，對企業的影響可能非常深遠。未來不一定是AI取代人，更有可能是能熟練運用AI的人取代不使用AI的人。隨著更多業務人員學習并掌握AI技術，那些沒做好準備的人，在職業發展上會面臨明顯劣勢。”

在此背景下，AI Agent的快速發展為企業提供了變革性的機遇。Gartner認為，AI Agent是利用人工智能進行感知、決策、采取行動，并在數字或物理環境中自主或半自主地追求既定目標的軟件實體。需要明確的是，大語言模型只是模型，不是AI Agent。而通過特定指令（如子程序）執行的任務、來自機器人流程自動化（RPA）工作流的自動化過程、自動化軟件中的功能、包括對話助手在內的任何類型的助手，以及像助手用戶體驗（UX）這樣的界面，都不是AI Agent。真正的AI Agent具備適應、規劃和獨立行動的能力，能夠超越傳統的AI助手、機器人流程自動化（RPA）工具與聊天機器人，在較長時間內實現組織的目標。

然而，近一年來，出現了一種名為“Agent Washing”的現象，某些供應商可能會夸大其產品的功能，重新品牌化現有技術為AI Agent，然而實際上卻未能驗證這些AI Agent的真實能力。這種情況可能導致市場的混淆和誤導性的投資決策。為了有效挖掘AI Agent的潛力，同時降低與“Agent Washing”相關的風險，企業應考慮以下戰略建議。

第一，建立定義的共識。企業應在組織內部確立對AI Agent及其功能的明確定義，創建潛在用例清單，以引導IT部門與業務單位進行AI Agent的構建。

第二，關注低風險試點。企業可以通過以低風險試點項目為起點，減少在展示商業價值時的不確定性，確保在進行重大投資和廣泛實施之前，這些試點項目能夠提供具體的商業成果。

第三，審查供應商聲明。企業需要仔細審查供應商的聲明，要求提供與目標用例類似的部署案例參考。

第四，持續監控。應用開發領導者應持續監控AI Agent的發展動態，并深入了解不同產品在代理能力范圍內的適配位置。

第五，技能發展。AI Agent技術發展迅速，企業需要具備評估和應用這些技術的內部能力。通過培訓現有員工或引進專業人才，企業可以建立自己的AI Agent知識庫，減少對供應商的依賴，做出更加獨立和明智的決策。

第六，集成AI Agent能力。企業可以將AI Agent能力集成到產品和服務中，針對高價值用例進行開發，以增強生產力和決策能力，構建強大且可擴展的解決方案。

生成式人工智能在財務領域的應用

在財務領域，人工智能技術的應用已形成多維矩陣，當前諸多實踐場景拓展了傳統AI或自動化技術的應用邊界。

首先是流程自動化。傳統模式下，財務報表的編制和生成，需要經歷冗長的數據歸集與格式調整流程。而融合生成式人工智能的新型解決方案，可通過語義理解與動態模板生成技術，實現端到端流程的自動化處理，使得效率指數級提升。

其次是風險管控。在風險探查和異常值檢測方面，生成式人工智能具備獨特的數據處理優勢。它不僅能夠穿透分析非結構化合同文本，精準識別重復支付、條款沖突等合規性風險；更可構建動態風險監控模型，通過異常交易模式識別，將事后審計轉化為事中干預。

再次是財務預測與分析。生成式人工智能在財務預測與分析領域也有突破性應用，借助時序數據建模與多變量分析，可覆蓋年度審計趨勢預判、現金流動態推演等應用場景。

最后是戰略決策支持。在運維層面，生成式人工智能可以深度嵌入定價策略優化、管理會計分析等戰略領域。基于自然語言交互的智能對話系統，使得非技術背景的財務人員能夠通過語義指令，即時獲取多維度經營分析看板，以此重構財務職能的價值定位。

盡管當前財務領域已經出現很多成熟的AI用例，但在Gartner的調研中，46%的財務主管仍坦言AI應用的進展滯后于預期。對此，孫鑫談到，“財務領域對人工智能技術的應用普及度相對較低，其原因并非在于沒有需求，而是因為財務人員對準確度要求極高。如果在關鍵財務數據測算中出現數值偏差或小數點錯位，其引發的連鎖反應可能對企業經營產生重大影響。因此，面對本質上帶有‘黑盒’屬性的大模型應用，財務部門往往會更加謹慎，采取漸進式接納策略，即先觀察其他部門應用成效，再評估財務場景的適配性。”

然而，當財務團隊真正理解生成式人工智能對于財務的價值時，其技術應用態度將發生顯著轉變。對于企業而言，關鍵在于構建精準的技術評估體系：一方面需要甄別具有實質性價值的財務智能化培訓方向，另一方面須建立清晰的技術應用圖譜，向財務人員直觀展示人工智能技術在特定業務場景中的能力。只有這樣，才能真正提升財務人員的積極性和AI素養。

03

人工智能的未來技術突破與發展趨勢

當前，市場對于AI Agent與大模型的技術期待仍處于高位。盡管現有AI Agent的應用場景仍局限于特定任務，但企業用戶普遍對其功能深度和廣度抱有較高預期，這需要行業進行合理的預期引導。從技術實現層面來看，AI Agent的發展面臨以下五大核心挑戰。

一是可靠性瓶頸。代理工作流程中通常有許多步驟，基于大模型的AI Agent系統在每個步驟都有出錯的可能。“例如，一個大模型代理需要調用十次不同的大模型，每個步驟出錯率為 10%，則累積下來只有約三分之一的概率是正確的。對于很多關鍵任務，這樣的準確度無法被企業接受。再比如，市面上一些對話式BI報表的開源模型，正確率只有75%，對于某些高要求的企業來說，這也是遠遠不夠的。”孫鑫解釋道。

二是規劃能力局限。規劃是代理的核心特征，即如何靈活地制訂一系列任務來實現預期目標。普通大模型在規劃方面表現一般，復雜任務規劃則需要借助更強大的推理型大模型。然而，推理型大模型往往非常昂貴，也不一定能適配某些特定行業。雖然DeepSeek等專業模型展現出較強的推理能力，但對企業來說仍需結合自身數據做進一步訓練和適配。

三是成本和延遲。很多智能體嚴重依賴對大模型的多次調用，這增加了生成輸出的潛在成本和時間。AI代理架構可能包括反饋循環和多代理設置，這進一步加劇了潛在的成本和延遲問題。因此，企業需要衡量：每調用一次大模型都要付出成本，那么是否值得用AI Agent來完成某個特定工作？如果算力或工具的調用難以控制，企業就需要謹慎評估AI Agent帶來的投入產出比。

四是可解釋性缺失。大模型仍然是一個帶有概率特征的“黑箱”，幾乎無法真正“理解”自己的輸出或邏輯。因此，在設計AI Agent時，必須考慮到可解釋性的問題，尤其是在合規或要求可審計的業務場景下，更要確保輸出過程可被溯源。

五是安全治理難題。隨著自主性提升，AI代理在規模化治理與安全方面更難管理。它們所觸發或參與的一系列事件與交互鏈，很可能對系統使用者不可見，也難以在事前進行阻止。

未來，企業需要構建一個“AI智能體訓練環境”，讓智能體能在穩定且數據充分的環境中理解數字化情境，從而在企業內得到真正有效的應用。具體來看，AI Agent的發展趨勢包括以下幾方面。

趨勢一：規劃和推理。缺乏規劃能力限制了AI代理的采用。未來，更先進的模型會在規劃和推理能力上不斷提升，幫助智能體實現更高效、可靠的任務執行，并且以更低成本的方式供企業使用。

趨勢二：大動作模型。大動作模型（LAMs）是經過訓練和優化，生成一系列動作以實現目標的基礎模型。大模型本身就能執行部分智能體操作，原生具備調用工具的能力，從而省去對智能體工作流的單獨設計。在硅谷，這種“讓模型通過強化學習與計算機界面交互，進而完成一系列操作”的思路正在引發熱議。

趨勢三：多模態模型。多模態AI可以讓AI代理同時處理和理解多種形式的數據，包括文本、音頻、圖像和視頻。結合先進的傳感器，這種能力將增強AI代理的感知能力，使系統能夠有效地與物理世界互動。

趨勢四：神經符號AI。神經符號AI將機器學習（ML）方法和符號系統（例如知識圖譜）融合，以創造更強大、更值得信賴的AI模型。這種方法為AI代理提供了一個推理基礎設施，能夠以更有效、可靠的方式解決更廣泛的任務。

在新質經濟發展背景下，央國企等企業要順應智能變革趨勢，以司庫建設為抓手，使其成為企業高質量經營的核心動能和基座，加快推進財務數智化轉型。

《2024—2025年中國司庫報告》以“數智化動能，共建中國式司庫”為主題，從高質量發展和中國式司庫、司庫體系建設和管理重點、未來司庫洞察和發展趨勢三個視角展開，全維度刻畫和勾勒中國式現代化司庫的發展全景。

《2024—2025年中國司庫報告》

（主報告+子報告）

點擊圖片，支持訂購/試讀

值得一提的是，本次司庫報告通過收集、調研、訪談、對標，形成了多類型、多屬性、多規模、多階段的企業案例樣本庫，包括央企，國企，民企和上市公司等。此次，報告對標桿案例進行特別策劃、獨立成冊，即《標桿案例集》，進一步發揮司庫標桿引領，持續挖掘具有借鑒意義和典型價值的中國司庫建設樣本。通過綜合實踐、卓越司庫和智慧財務三個維度加以展開論述。

通過以上這幾個方面的內容，本次司庫報告精心打磨33萬字以上、123張數據圖表、63家企業案例和18家銀行案例，多視角、全方位展示中國企業司庫管理的發展視圖，共建中國式司庫。

訂購平臺，微信小程序：財資知識云