提供操作建议与洞察以优化 决策。 作业流程可部分实现自动化。 • • 自主化运营流程/自我优化。 AI助手支持人工进行行动规划 与生成。 • • 图2 自主化征程：一场贯穿四大成熟度阶段的真正转型 成熟度 等级定义 自主化指数 实现自主智能供应链 真正意义上的自主智能供应链包含两大维 度（见图2）：任务自动化与决策自主化。在任务 自动化层面，机器将取代人工执行具体任务。例 我们的调研显示，大多数企业才刚刚开始探 索和部署自主化能力。尽管约25%的受访企业已 开启自主化征程，但在从0（完全人工）到100% （完全自主）的指数体系中，供应链各项活动的自 主化成熟度中位数仅为16%（平均成熟度则为21%）。 预计在未来五到十年内，该成熟度中位数将大幅 提升至42%。 为了更深入地理解如何向更高自主化水平迈 进，我们将典型的供应链流程划分为9个集群和 29项具体活动（见图3）。例如，“生产制造”集 图3 端到端供应链活动被划分为29项具体活动，并根据任务相似性归入9个集群 实现自主智能供应链 12 图4 大多数活动集群将在智能系统的驱动下经历重大转型， 部分集群未来将迈向高度自主化 自主化成熟度 [全球专家组观点] 预警、风险、改进 5 运营采购 8 设置、维修与切换 9 25 50 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 未来状态描述

库公司的崛起为智能软件研发行业在启动期奠定了数据处理与管理的基础；高速发展期 （2001-2021年），智能软件研发行业在高速发展期开始注重灵活、高效和响应变化的开发方法；成熟期（2022年至今），智能软件研发行业在 成熟期实现了技术飞跃，进入全新智能化阶段，功能复杂且高效。 行业特征 1 2 3 发展历程 萌芽期 1960-01-01~1969-01-01 1963年，IBM宣 算能力的增强，推动了智能软件研发行业在多种应用场景中的广泛渗透与快速发 展。 成熟期 2022-01-01~至今 2022年，ChatGPT的成功推出标志着人工智能技术取得飞跃，引领智能软件迈入全新智能化纪元。此时，智能软件不仅在功能上愈发 复杂高效，更广泛渗透至多个行业领域，实现深度应用。 智能软件在成熟期广泛渗透至多个行业领域，实现深度应用，对各行各业产生了深远影响，推动了智能化转型和产业升级。 3倍，预计未 来十年的年复合增长率将逼近40%。面对如此庞大的数据存储需求，存储技术的革新显得尤为关键。当前，相变存储器（PCM）、磁 阻随机存取存储器（MRAM）和阻变存储器（RRAM）是较为成熟的新型存储技术。PCM的产业化进程最快，英特尔与美光早在2015 年便联合推出了相关产品；MRAM已实现产业化，主要应用于嵌入式存储领域，能大幅降低系统功耗，最高可达90%以上；而RRAM虽 尚

被国内大多云厂商托管 • 获得各类社区奖项8个 企业级应用 • 2021 OSC 中国最受欢迎开源项目 • 2022 InfoQ 十大开源新锐项目 • 2022 CSDN 中国开发者影响力项目 • 2022 开源成熟度评估 – 优秀二级 • 2022 开源创新大赛 – 二等奖 • 2023 开源创新榜 优秀开源项目 • 2023 开放原子基金 年度生态开源项目 • 2023 GLCC优秀社区 Nacos 2.0技术架构演进 LLM模型参数托管 • 凭据管理 • 增量推送 • 推送反压 • 服务健康检查优化 生态融合探索 Go & Python 框架支持 K8S Controller & xDS协议 Mesh支持 成熟插件并入 国产化支持 Spring AI & Diff 等AI框架支持 官网持续优化 易用 ｜ Nacos3.0 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台

平台可以灵活支持不同业务场景。 4. 政策支持：全球范围内，许多国家和地区已经将人工智能作为 战略重点，相关政策的出台为行业发展提供了良好的环境。 5. 技术的成熟度提升：随着深度学习、自然语言处理等技术的进 步，大模型的性能不断优化，商业化应用日益成熟。 当前，市场上已经出现了一些以大模型为核心的 SaaS 平台， 它们通过 API 接口为企业提供便捷的功能调用，降低了技术门槛。 然而，随着需求 o 大型企业：专业需求多样，追求定制化与集成化解决方 案。 2. 行业内需求： o 数据分析与决策提升。 o 自动化客户服务与支持。 o 个性化推荐系统的构建。 3. 竞争分析： o 成熟企业的市场占有率。 o 初创公司的特色与市场切入点。 4. 成长潜力： o AI 市场和大模型技术的发展趋势。 o 政府政策对人工智能行业的支持。 根据当前市场调研，预计未来几年大模型 SaaS 需求不断增长。  机器学习/深度学习：支持预测分析、推荐系统等，用于金 融、零售及其他行业的数据驱动决策。 最后，从地域特征来看，市场细分也存在显著差异。北美和欧 洲地区在人工智能应用上较为成熟，企业对于 AI 技术的接受度 高；而亚太地区，尤其是中国、日本、印度，正迅速追赶，市场潜 力巨大。 以下是对不同细分市场的一个简要总结： 市场细分 主要应用 客户类型 金融服务 风险评估、信贷审批、客户服务

800 600 400 200 0 • AI, NLP 等技术加速创新 • 以 GPU 为代表的算力提 升 基础设施 不断完善 自然交互 广泛应用 底层技术 不断成熟 • LBS 、移动支付全面普 及 • 服务从线下到线上 • IM 主导移动互联网 • 智能设备数量不断增 长 Number of Users (million) 2015 2021 843

框架，任何一个环节出问题都可能导致服务不可用，因此对运维团队的技术深度和 广度要求极高。 在运营与优化阶段，仅仅提供裸算力是远远不够的。用户需要的是开箱即用的模型服 务、数据服务、开发平台和工具链；同时需要探索成熟的运营模式和市场推广能力，对算 力、模型、数据进行定价和计费，提供按需付费、订阅制等灵活商业模式；另外，需要吸 引足够多的开发者和 AI 企业在其算力平台上进行应用开发和模型训练，形成繁荣的应用生 意图，提供更加精准的服务。 以利川文旅大模型实际落地成效为例，关于文旅运营效果，截至 2025 年 8 月，搭载了 利川文旅大模型的游利川文旅平台构建覆盖 GBC 三端 25 个场景的全链条服务体系，应用场 景成熟度高。平台已签约商户 542 家商户，覆盖景区 100%、酒店 80%、餐饮 59.2%，平台注 册用户超 4 万人，经营流水超 1300 万元。关于行业影响力，作为首个文旅行业大模型亮相 第七届数字中国峰会，在

能家居 领域，具身智能技术使得家电设备更加智能化、便捷化；在智慧医疗领域，具身智能机器人 能够辅助医生进行手术、护理等工作。 1.1.4.2 具身智能崭露头角 �� 随着大模型技术的不断成熟，内容生成领域也迎来了百花齐放的发展态势。大模型在 文本生成、图像生成、语音生成等多个方面展现出了强大的能力。 （1）文本生成 大模型在文本生成领域的应用包括新闻报道、小说创作、广告文案等。通过训练大模 与迭代；以及员工知识问答助手，提升内部知识共享与问题解决的速度。 资料来源：生成式人工智能在保险行业的应用（研讨材料），麦肯锡。 图2 保险业大模型应用成效初现 �� 这些用例之所以成为首选，是因为它们技术成熟度高、实施难度相对较低，且能够迅 速看到成本节约与效率提升的效果。中国人寿财险、阳光保险集团等领先企业正是通过在 这些非敏感且成本可控的场景下开展探索，不仅验证了大模型技术的可行性，还为后续向 智能客服机器人旨在为客户提供个性化、有温度、高品质的服务体验。当前已覆盖车 险报案、产险保单查询、寿险保单查询、寿险续期回访等重要场景。充分利用95510服务场 景历史音频数据多、语音转文字技术较成熟、AI训练语料标注和问答知识库基础较好的优 势，智能客服机器人项目取得明显成效。上半年，累计智能服务量538万件，智能服务率 58.09%，比2023年提升14pt，半年累计替代545人月工作量，在车险报案等场景精简服务

架构技术优势，覆盖芯片设计、软硬件协同优化的系统级解决方案及全链条生 态整合能力，英特尔目前在人工智能服务器 CPU 的市场占据 80% 以上的份额 *。 3、推理场景 推荐系统 推荐系统作为 AI 在商业领域的成熟应用，是电商、广告等多行业的核心技术支撑。随着数据量的激 增，精准洞察用户需求、实现高效匹配成为竞争关键。现代推荐系统融合深度学习与大数据分析技 术，构建起用户需求与内容展示间的精准连接，既为用 步阶段，企业 通常会选择一个局部地域进行集中化部署，以便快速在全球开展业务，服务全球客户；在扩张 阶段，企业一般采用单元化架构，按国家或地域维度来建设，从而更好地支持本地业务发展；当 企业进入成熟期后，为了给客户提供更优质的服务，会更加注重服务的稳定性和运营的精细化， 进而更加关注业务数在全球多活容灾、成本控制和性能优化等能力。阿里云在全球不同地域提 供的云产品具有高度一致的服务体验和服

参与者包括技术巨头、专业 AI 公司和初创企业。技术巨头如 Google、Microsoft 和 Amazon 依托其强大的研发能力和广泛的用 户基础，推出了多功能的商务 AI 解决方案，覆盖面广且技术成熟。 专业 AI 公司如 OpenAI 和 DeepMind，以其前沿的 AI 技术和创新 能力，专注于高精度和高定制化的商务智能体服务。初创企业则凭 借其灵活的经营模式和快速的迭代能力，在特定垂直市场中寻找突 实现高效的全文检索能力。此 外，使用 Amazon S3 或阿里云 OSS 作为海量数据的存 储解决方案。 2. 机器学习与深度学习 商务 AI 智能体的核心是智能化决策与预测能力，因此需选用 成熟的机器学习框架和工具： o 模型开发框架：选用 TensorFlow 和 PyTorch 作为深度学 习框架，支持复杂的神经网络构建与训练。 o 自动化机器学习（AutoML）：采用 H2O.ai 通过以上分析可以看出，商务 AI 智能体应用服务方案的实施 不仅能够在短期内为企业带来显著的成本节约和效率提升，还能通 过优化业务流程和提升客户体验，为企业创造长期的商业价值。此 外，随着 AI 技术的不断成熟和应用的深入，企业在未来的收益潜 力将进一步扩大。 14. 法律法规与合规性 在设计和实施商务 AI 智能体应用服务方案时，必须严格遵守 相关法律法规和行业合规性要求，以确保服务的合法性和安全性。

中，审计团队平均需要耗费 42%的工作时间用于数据清洗和基础分 析，而高风险领域的识别准确率仅为 68%。这种现状迫切需要通过 智能化工具实现效率突破。 DeepSeek 等大语言模型技术的成熟为审计变革提供了新的可 能性。相较于通用 AI 模型，审计智能体需要具备三个核心能力维 度：首先是领域知识的深度适配，包括国际财务报告准则 （IFRS）、美国通用会计准则（GAAP）等超过 2000 抽 样和规则引擎，效率与覆盖率难以平衡。以某国际会计师事务所的 实践为例，其年度审计项目中，仅财务报表科目核对环节就需投入 超过 2000 人天，且人工错误率高达 3%-5%，而 AI 技术的成熟为 流程重构提供了可能。 审计智能化的核心痛点可总结为以下三点： 1. 数据异构性：企业 ERP、银行对账单等数据源格式差异大，预处 理消耗 40%以上工时 2. 规则迭代滞后：现行审计准则每年更新，但人工维护的检测规则 模块化架构设计，确保可兼容不同厂商的 AI 模型；其次建立审计 质量防火墙，所有智能体输出必须经过双因子验证（区块链存证 +抽样复核）；最后构建持续学习机制，每月将新颁布的会计准 则、监管案例反哺训练数据。预计到 2030 年，成熟应用的智能审 计系统可将标准审计项目周期压缩至现行时间的 35%，同时使关键 审计事项覆盖率从目前的 82%提升至 98%以上。 10.2 与其他技术的融合可能性 随着审计智能化进程的加速，DeepSeek