“满足数据基础成熟、场景痛点明确、商业化路径清晰等条件的行业将成为AI（人工智能）落地的‘先锋军’。总体来看，医疗、制造、金融领域将最先爆发；教育行业也有爆发潜质。”7月28日下午，毕马威中国数字化赋能及人工智能主管合伙人张庆杰在“2025世界人工智能大会暨人工智能全球治理高级别会议”（WAIC 2025）上接受《每日经济新闻》记者（以下简称NBD）专访时，作出上述判断。
当前，人工智能技术正加速从实验室走向产业实践，成为驱动企业数字化转型的核心引擎。与此同时，随着生成式AI技术加速渗透千行百业，大模型产业正从概念热潮迈入务实发展的深水区。
当前市场呈现多重鲜明特征：“价格战”硝烟渐浓，模型训练与部署成本持续下探，技术门槛不断降低；落地场景加速分化，不同行业对AI的需求呈现差异化发展；通用模型与垂直模型的路径之争愈演愈烈。
对此，张庆杰认为大模型成本下降是一把“双刃剑”，需警惕陷入“廉价平庸化”陷阱。他强调，企业必须在技术、商业、社会三个维度把握平衡，既要关注成本与效能的非线性博弈，也要处理好规模化与差异化的矛盾统一，更要平衡效率提升与风险控制。
要避免模型“廉价平庸化” 需平衡三个方面
NBD：您此前表示未来两年将迎来人工智能应用大爆发，能否具体说说哪些行业会成为应用爆发的“先锋领域”？
张庆杰：人工智能应用的爆发需要数据基础成熟、场景痛点明确、行业需求强烈、商业化路径清晰、价值贡献较大、监管绿灯等前提条件，满足这些条件的行业将成为AI落地的“先锋军”。
总体来看，医疗、制造、金融领域将最先爆发。教育行业也有爆发潜质，但目前监管政策暂不清晰。能源、农业等行业的长期价值虽大，但受基础设施限制，可能增速略缓。
NBD：从发展趋势来看，大模型的应用方向正从通用大模型转向行业垂直模型乃至企业私域模型，这对企业的技术储备和资金投入有怎样的要求？
张庆杰：从通用大模型转向行业垂直模型或私域模型，本质上是从“技术探索”到“生产级应用”的跨越，对（企业）技术储备和资金投入的要求呈指数级提升。
在技术储备方面，要从AI三要素来看——企业需具备行业级数据治理与隐私计算能力，需具备模型定制能力与领域自适应技术，需支持算力的异构管理与混合部署。
在资金投入方面，企业在算力、数据治理、定制开发等方面的成本将普遍增加2~5倍。
NBD：模型成本大幅下降的同时，如何确保其颠覆性应用价值的释放，这里面有哪些关键的平衡点需要把握？
张庆杰：在模型成本大幅下降的背景下，要避免“廉价平庸化”需在三方面把握平衡。
在技术维度，需要关注成本与效能博弈，平衡“够用就好”与“性能冗余”、平衡通用基座与垂直精调、平衡集中训练与边缘智能；在商业维度，需要关注规模化与差异化的统一，平衡标准化与定制化、平衡技术护城河与生态开放度、平衡直接与间接价值捕获；在社会维度，则应关注效率与风险的拉锯，平衡应用激进性与伦理安全、平衡数据飞轮与隐私保护、平衡人力替代与人机协同。
企业应用AI易陷入五大误区
NBD：AI时代的商业模式转型会呈现哪些具体特征，能否举例说明某类企业可能的转型路径？
张庆杰：AI时代商业模式转型呈现三大核心特征：一是能力服务化转型，如工程机械企业从产品提供商转为智能化服务商；二是价值捕获方式革新，如农业无人机企业按增产效果收费；三是生态平台化升级，如“海尔卡奥斯”平台连接15万家制造企业。
以制造业为例，转型分三阶段：1~2年完成数据筑基，2~3年实现服务重构并提升效率40%，3~5年完成生态跃迁使服务收入占比从不足5%提至35%以上。
NBD：您认为企业在利用AI实现高效资源配置和流程优化时，最容易陷入哪些“应用误区”？
张庆杰：企业应用AI易陷入五大误区。一是过度追求技术先进而忽视业务适配，如直接套用通用大模型不做领域适配；二是数据基础滞后，数据标准不统一、标注不足就仓促上马，约60%项目的失败源于此；三是组织协同不足，技术与业务部门脱节，仅35%的企业具备有效协作机制；四是过度自动化，关键环节全权交由AI会增加风险；五是缺乏持续投入，将AI视为一次性项目，但成功的企业通常会用15%~20%的预算持续优化。
NBD：人才在AI时代依然不可替代，那么企业在优化人才招聘和培养体系时，应培训员工重点提升哪些与AI协作有关的核心能力？
张庆杰：企业需重点培养员工五大协作能力：一是人机协作能力，员工应理解AI边界并校正输出；二是数据素养，员工应能解读AI的输入和输出逻辑；三是批判性思维，员工应独立判断AI建议并识别偏见；四是持续学习能力，员工应快速掌握新型AI工具；五是创新整合能力，员工需将AI与传统流程结合创造价值。
企业应该建立分层培养体系并注重实战，具备这些能力的团队比普通团队的效率高40%以上。
NBD：数据作为布局AI的关键，企业在数据治理、隐私保护与AI应用价值挖掘之间该如何平衡？
张庆杰：企业平衡数据治理与价值挖掘需要四项策略：一是建立分级分类管理体系，对核心与非敏感数据差异化管控；二是用隐私计算实现数据可用不可见，如某银行通过“联邦学习”（一种在没有任何人看到或接触数据的情况下训练AI模型的方法），提升了25%的反欺诈准确率；三是构建全生命周期管理机制，欧盟企业会向GDPR（《通用数据保护条例》）合规投入营收的1.2%，以此获取15%业务增长；四是形成数据伦理审查制度，由跨部门团队进行事前评估。企业完善治理体系后，其AI项目的成功率高出行业平均值40%。
