中国 AI 采购大变天23 亿大单背后谁在真正赚钱【摘要】基于沙利文 2025 年度中国通用大模型项目中标核心数据解析行业从创新试点到核心业务刚需的底层转型逻辑拆解能源、金融、制造等关键领域的工程落地实践与技术架构为企业 AI 技术选型、架构设计与采购决策提供可验证的参考依据。引言过去两年中国人工智能市场经历了从概念爆发到价值回归的完整周期。2023 年大模型技术的突破引发了全行业的跟风热潮企业纷纷投入少量资金购买 AI 账号用于文案写作、客服回复等边缘场景。2024 年部分企业开始进行小规模创新试点但多数项目仍停留在展示层面未能产生实质性业务价值。进入 2025 年市场发生了根本性转变AI 已经从 “锦上添花” 的创新工具变成了 “降本增效” 的经营刚需。本文面向企业技术架构师、AI 产品经理、技术负责人及行业决策者全面分析 2025 年中国大模型市场的结构性变化深度拆解核心业务场景的技术实现路径系统梳理企业 AI 采购的核心考量与避坑指南并对未来 3-5 年的行业发展趋势做出客观预判。一、 市场剧变从创新试点到经营刚需的底层逻辑1.1 数据背后的结构性转变沙利文发布的《2025 年度中国通用大模型项目中标研究报告》显示2025 年中国大模型市场披露中标金额达到 295.2 亿元较 2024 年增长超过 3.5 倍。这一增长并非简单的规模扩张而是伴随着深刻的结构性变化。B 端和 G 端客户已经成为大模型市场的绝对主力采购占比高达 89%个人用户仅占 11%。这一数据标志着中国大模型市场已经彻底完成了从消费级向企业级的转型。个人用户市场的增长已经趋于平缓而企业级市场正处于爆发式增长的初期。从项目规模来看千万级项目已经成为常态。2025 年金额超过 1000 万元的 AI 大模型项目有 314 个其中超亿元的大型项目有 44 个。与 2024 年相比千万级项目数量增长了 4 倍亿元级项目数量增长了 6 倍。大型机构不再进行零散的、试探性的采购转而进行一次性的、全面的一体化建设。1.2 采购逻辑的根本性重构企业采购逻辑的转变是市场剧变的核心驱动力。AI 费用已经从 “创新预算” 划入 “经营成本”每一分钱的投入都需要明确的投入产出比。在创新预算时代企业采购 AI 的主要目的是展示技术先进性项目往往由 IT 部门主导业务部门参与度低。项目验收标准主要是技术参数和演示效果很少关注实际业务价值。很多项目在验收后就被束之高阁成为 “僵尸系统”。在经营成本时代企业采购 AI 的唯一目的是解决实际业务问题项目由业务部门主导IT 部门提供技术支持。项目验收标准是可量化的业务指标比如成本降低了多少、效率提升了多少、收入增加了多少。只有能够产生实实在在业务价值的项目才能获得持续的资金投入。采购决策的关注点也发生了根本性变化。企业不再只看模型的参数规模、测评分数等技术指标而是更关注产品的实际落地能力。私有化安装部署难度、国产芯片适配程度、长期使用成本、数据安全性、系统运行稳定性、后期维护服务成为企业采购时最看重的六个核心维度。1.3 客户群体的分化与需求升级不同类型的客户呈现出明显的需求分化形成了三个清晰的客户层级。第一层级是国企、央企和政府机构。这类客户的采购规模最大单个项目金额往往超过千万元甚至亿元。他们最看重的是合规性、数据安全性和国产适配性。这类客户的采购流程繁琐、审核严格但一旦通过前期测试验证后续就会持续追加投入在多个部门推广复用合作周期长达 3-5 年甚至更久。第二层级是大型民营企业。这类客户的采购规模也很大他们最看重的是投入产出比和业务融合能力。他们愿意为能够带来明确业务价值的 AI 产品支付高价但对产品的要求也非常苛刻。他们通常会先进行小规模试点验证价值后再进行大规模推广。第三层级是中小企业。这类客户的采购规模较小单个项目金额通常在几十万元到几百万元之间。他们最看重的是成本和易用性。他们通常会选择 SaaS 化的大模型服务降低初始投入和运维成本。他们更关注能够快速见效的标准化应用比如智能客服、智能文案等。二、 技术落地从聊天工具到核心业务大脑的架构演进2.1 大模型应用架构的三代演进大模型应用的技术架构在过去两年经历了三代演进每一代都对应着不同的应用场景和业务价值。第一代架构是通用 API 调用架构。这种架构非常简单企业通过调用通用大模型的 API实现一些简单的文本生成功能比如写文案、回复客服消息、做 PPT。这种架构的优点是开发成本低、上线速度快缺点是数据安全差、行业适配性低、幻觉问题严重。它只能应用于非核心的、对准确性要求不高的场景。第二代架构是微调 RAG检索增强生成架构。这种架构在通用大模型的基础上通过行业数据进行微调并结合检索增强生成技术解决了通用大模型的行业适配性和幻觉问题。企业可以将自己的内部文档、业务数据上传到向量数据库大模型在生成回答时会先检索相关的内部数据然后基于这些数据生成准确的回答。这种架构的优点是行业适配性好、准确性高、数据相对安全缺点是只能解决特定的问答类问题无法深度嵌入核心业务流程。第三代架构是行业专属大模型 全流程嵌入架构。这种架构是目前最先进的大模型应用架构也是核心业务场景的主流架构。它不再是在通用大模型的基础上进行修修补补而是基于行业数据从头训练或大规模预训练行业专属大模型。同时它通过业务系统集成层深度嵌入企业的 ERP、MES、CRM 等核心业务系统成为企业的 “核心业务大脑”。这种架构的优点是能够深度融入核心业务流程产生巨大的业务价值缺点是开发成本高、周期长、技术难度大。2.2 核心业务场景的技术实现路径大模型已经深度嵌入到采购、交易、风控、生产等企业最核心的业务流程中成为真正的生产力工具。以下是三个典型行业的技术实现路径。2.2.1 能源电力行业全产业链智能化国家能源集团将 AI 大模型融入了从采购、生产到交易的全产业链取得了显著的经济效益。智能评标是国家能源集团最成功的 AI 应用之一。传统的人工评标存在效率低、主观性强、容易出错、存在腐败风险等问题。国家能源集团的智能评标系统采用了 “OCR 大模型 规则引擎” 的技术架构。首先系统通过 OCR 技术识别各种格式的标书包括扫描件和电子文档。然后大模型从标书中提取投标人的资质、业绩、报价、技术方案等关键信息转化为结构化数据。接着规则引擎根据国家能源集团的评标标准对每个投标人进行多维度打分。最后大模型生成详细的评标报告供专家参考。智能评标工具接入后国家能源集团每年的综合效益达到 19 亿元。电力交易是另一个核心应用场景。传统的电力交易需要人工 24 小时盯盘根据市场行情手动调整交易策略。国家能源集团的电力交易 AI 系统采用了 “实时数据采集 大模型预测 自动交易执行” 的技术架构。系统实时采集电网负荷、电价、天气、政策等多维度数据大模型基于这些数据预测未来的电价走势生成最优的交易策略。经过人工审核后系统自动执行交易指令。电力交易环节的人工盯盘时间从 1.5 小时压缩到 15 分钟每度电收益提升 5%-10%直接新增 400 万元收入。2.2.2 金融行业核心业务智能化交通银行搭建了国产千亿级金融大模型应用在贷款、资金交易、风险管控等核心业务领域。个人贷款审批是金融大模型最成熟的应用场景之一。传统的个人贷款审批需要人工审核客户的征信报告、收入证明、银行流水等大量资料处理时间长容易出错风险识别准确率低。交通银行的智能贷款审批系统采用了 “多源数据融合 大模型风险评估 自动审批” 的技术架构。系统自动采集客户的征信数据、交易数据、行为数据、社交数据等多维度数据大模型基于这些数据生成全面的客户风险评估报告。对于低风险客户系统自动审批通过对于中高风险客户转人工审核。目前该系统已经为 3000 多万个人客户提供服务单笔业务处理时间缩短 40%同时提高了风险识别的准确率。资金交易是金融行业的核心业务之一对实时性和准确性要求极高。交通银行的智能资金交易机器人采用了 “实时行情监控 大模型策略生成 自动交易执行” 的技术架构。机器人实时监控全球金融市场的行情变化大模型基于历史数据和实时数据生成最优的交易策略自动执行交易指令。目前智能机器人处理的资金规模已经超过千亿元大大降低了人工操作的风险提高了交易效率。2.2.3 制造行业经验数字化与生产智能化宝钢股份联合科大讯飞打造了钢铁行业专属 AI 平台解决了钢铁行业长期存在的 “老师傅退休技术就失传” 的痛点。钢铁生产是一个高度复杂的过程涉及到上千个工艺参数很多生产经验都掌握在老工人的脑子里。老工人退休后这些宝贵的经验就会失传给企业带来巨大的损失。宝钢股份的钢铁行业专属 AI 平台搭建了 630G 容量的行业专业数据库包含了宝钢几十年的生产数据、设备运行数据、故障记录、维修手册、老工人的操作视频和经验总结。平台采用了 “知识图谱 大模型推理” 的技术架构。首先通过知识图谱技术将非结构化的经验数据转化为结构化的知识。然后大模型基于这些知识进行推理和问答。当生产线出现故障时工人可以输入故障现象大模型会根据历史故障记录和老工人的经验给出可能的原因和解决方法大大缩短了故障排查时间。当新工人遇到问题时可以随时向大模型请教相当于有一个 “数字老师傅” 在身边指导。目前该平台已经上线了 149 个智能工具累计使用次数达到 145 万次。它不仅解决了经验失传的问题还提高了生产效率降低了生产成本提升了产品质量。2.3 行业大模型的关键技术壁垒行业大模型的开发和落地存在四大关键技术壁垒这些壁垒决定了企业能否在激烈的市场竞争中脱颖而出。第一是行业数据的积累和治理。高质量的行业数据是行业大模型的核心资产。没有足够多、足够好的行业数据就不可能训练出优秀的行业大模型。行业数据的治理是一个非常复杂的过程需要解决数据采集、数据清洗、数据标注、数据安全等多个问题。很多企业虽然积累了大量的行业数据但这些数据大多是分散的、非结构化的、质量参差不齐的无法直接用于训练大模型。第二是模型的轻量化和私有化部署能力。大多数企业都要求数据不出域因此大模型必须能够在企业内部私有化部署。但通用大模型的参数规模通常非常大需要昂贵的 GPU 服务器才能运行很多企业无法承担这样的成本。因此模型的轻量化技术变得非常重要。通过模型压缩、量化、蒸馏等技术可以在不显著降低模型性能的前提下大大减小模型的参数规模使其能够在普通的服务器甚至边缘设备上运行。第三是国产芯片的适配能力。随着国际形势的变化国产替代已经成为不可逆转的趋势。国企、央企和政府机构的 AI 项目几乎都要求适配国产芯片。但国产芯片的生态还不够完善很多大模型在国产芯片上的运行性能不佳。因此能否高效适配昇腾、海光、寒武纪等国产芯片已经成为大模型厂商的核心竞争力之一。第四是系统的稳定性和可维护性。核心业务系统要求 99.99% 以上的可用性任何一分钟的停机都可能给企业带来巨大的损失。大模型是一个非常复杂的系统涉及到算力、模型、数据、应用等多个层面任何一个环节出现问题都可能导致系统故障。因此大模型厂商必须具备强大的系统运维能力能够快速定位和解决问题保障系统的稳定运行。三、⚖️ 选型决策企业 AI 采购的核心考量与避坑指南3.1 技术选型的六大核心维度企业在选择大模型产品时应该从以下六个核心维度进行综合评估每个维度的权重和评估方法如下表所示。表格评估维度权重评估内容评估方法国产芯片适配程度25%是否支持昇腾、海光、寒武纪等主流国产芯片是否针对国产芯片进行了深度优化在国产芯片上的运行性能实际测试大模型在国产芯片上的推理速度、吞吐量和准确率私有化安装部署难度20%是否支持一键部署是否兼容企业现有基础设施部署周期对运维人员的技术要求查看部署文档进行小规模部署测试数据安全性20%是否支持数据不出域是否提供数据加密、访问控制、审计日志等安全功能是否通过等保 2.0 三级及以上认证查看安全资质证书进行安全渗透测试长期使用成本20%初始授权费算力成本维护费二次开发成本升级迭代费用计算全生命周期的总成本系统运行稳定性10%系统可用性指标平均故障恢复时间并发处理能力容错能力进行压力测试和稳定性测试后期维护服务5%技术支持团队的响应时间和专业能力是否提供现场支持升级迭代频率了解现有客户的服务评价Q企业应该先做通用大模型试点还是直接上行业大模型A对于大多数企业建议先从非核心业务的通用大模型试点开始验证 AI 的价值和企业的接受度。在积累了一定的经验和数据后再针对核心业务引入行业大模型降低项目风险。对于已经有明确的核心业务痛点并且有足够的资金和技术实力的企业可以直接考虑行业大模型。3.2 常见的选型误区与风险企业在 AI 采购过程中容易陷入以下几个常见的误区这些误区可能导致项目失败给企业带来巨大的损失。第一个误区是只看技术参数和测评分数。很多企业在采购大模型时会把模型的参数规模、在各种测评榜单上的排名作为主要的决策依据。但实际上技术参数和测评分数与实际业务价值之间没有必然的联系。一个在通用测评榜单上排名第一的大模型可能在某个特定的行业场景中表现不佳。企业应该更关注大模型在自己的实际业务场景中的表现而不是通用的技术指标。第二个误区是只看初始采购成本不看长期使用成本。很多企业在采购时会优先选择价格最低的产品。但实际上初始采购成本只是全生命周期成本的一小部分。算力成本、维护费、二次开发成本等长期使用成本往往会远远超过初始采购成本。企业应该综合考虑全生命周期的总成本而不是只看初始价格。第三个误区是盲目追求通用大模型不考虑行业适配性。通用大模型虽然功能强大但它缺乏行业知识无法解决行业特有的问题。对于核心业务场景通用大模型的表现往往不如专门训练的行业大模型。企业应该根据自己的行业特点和业务需求选择合适的行业大模型。第四个误区是忽视数据安全和合规要求。数据是企业的核心资产数据安全和合规是 AI 项目的底线。很多企业在采购大模型时只关注功能和性能忽视了数据安全和合规要求。这可能导致数据泄露、合规风险等严重问题。企业应该优先选择能够提供完善的数据安全和合规保障的产品。第五个误区是不做 POC 测试就大规模采购。POC概念验证测试是验证大模型产品是否符合企业需求的最有效方法。很多企业为了节省时间和成本不做 POC 测试就直接进行大规模采购。结果发现产品无法满足实际业务需求导致项目失败。企业在采购前必须进行严格的 POC 测试测试场景要尽可能贴近企业的实际业务。Q私有化部署一定比 SaaS 更安全吗A不一定。私有化部署需要企业具备完善的安全防护体系如果企业自身的安全能力不足SaaS 服务提供商的专业安全团队可能提供更好的保护。但对于涉及核心机密数据的业务私有化部署是更稳妥的选择。企业应该根据自己的数据敏感程度和安全能力选择合适的部署方式。3.3 不同规模企业的选型策略不同规模的企业由于资金实力、技术能力、业务需求不同应该采取不同的选型策略。对于国企、央企和政府机构应该优先选择国产大模型厂商的产品支持国产化替代。优先选择能够提供私有化部署、并且已经在本行业有成功落地案例的厂商。在采购时要严格审核厂商的合规资质和安全保障能力。可以采用 “试点先行、逐步推广” 的策略先在一个部门或一个业务场景进行试点验证成功后再在全公司推广。对于大型民营企业应该根据自己的业务需求选择最适合的大模型厂商。可以考虑混合部署的模式核心业务采用私有化部署的行业大模型非核心业务采用 SaaS 化的通用大模型。在采购时要重点关注产品的投入产出比和业务融合能力。可以与厂商建立长期的战略合作关系共同开发适合自己业务的 AI 应用。对于中小企业应该优先选择 SaaS 化的大模型服务降低初始投入和运维成本。优先选择功能完善、易用性好、价格合理的标准化产品。可以从智能客服、智能文案、智能数据分析等能够快速见效的应用入手逐步探索 AI 的价值。在积累了一定的经验和资金后再考虑更复杂的 AI 应用。四、 市场格局落地为王时代的竞争态势与未来趋势4.1 2025 年市场竞争格局分析沙利文统计了 6 家主流通用大模型企业的公开招标数据不含运营商2025 年科大讯飞中标项目 210 个总金额超过 23 亿元一举摘下中标项目数及中标金额的双料桂冠。其披露金额更是占据了 TOP6 厂商的 52%超过了第二名到第六名的总和。这一结果充分说明AI 商业化已经彻底进入 “实战检验期”。技术参数不再是衡量大模型厂商硬实力的唯一标准甚至不是最重要的标准。能不能进入核心流程、能不能安全交付、能不能把技术变成省钱提效的真本事才是决定市场份额的关键因素。其他主流厂商也在各自的优势领域取得了不错的成绩。百度凭借文心一言的技术优势在互联网、电商等领域占据了一定的市场份额。阿里凭借云计算基础设施的优势在电商、物流等领域表现突出。华为凭借昇腾算力和国产芯片适配的优势在政府、国企等领域增长迅速。腾讯凭借社交和企业服务生态的优势在教育、医疗等领域有一定的布局。4.2 头部厂商的核心竞争力拆解科大讯飞能够在激烈的市场竞争中脱颖而出主要得益于以下三个核心竞争力。第一是深厚的行业积累。科大讯飞在人工智能领域深耕了二十多年在教育、医疗、制造、能源等多个行业都有非常深厚的积累。它了解这些行业的痛点和需求积累了大量的行业数据和客户资源。这使得它能够快速开发出符合行业需求的 AI 产品并且能够快速落地。第二是完整的产品体系。科大讯飞拥有从算力、模型到应用的完整产品体系。它不仅能够提供通用大模型和行业大模型还能够提供算力基础设施、开发平台、行业解决方案等一站式服务。这使得它能够满足企业的全方位需求为企业提供一体化的 AI 解决方案。第三是强大的交付能力。科大讯飞拥有一支庞大的、经验丰富的交付团队能够为企业提供从需求分析、系统设计、开发部署到运维支持的全流程服务。它已经在多个行业成功交付了数百个大型 AI 项目积累了丰富的项目经验。这使得它能够保障项目的顺利交付并且能够保障系统的稳定运行。其他头部厂商也有各自的核心竞争力。百度的核心竞争力是通用大模型技术和生态。阿里的核心竞争力是云计算基础设施和电商生态。华为的核心竞争力是算力和国产芯片生态。腾讯的核心竞争力是社交和企业服务生态。4.3 未来 3-5 年的行业发展趋势未来 3-5 年中国大模型市场将呈现以下五个发展趋势。第一是市场规模持续高速增长。随着 AI 技术的不断成熟和应用场景的不断拓展中国大模型市场将保持 30% 以上的年复合增长率。到 2030 年市场规模有望突破万亿元。B 端和 G 端客户仍将是市场的主要驱动力个人用户市场的占比将进一步下降。第二是行业大模型成为主流。通用大模型将逐渐退居幕后成为行业大模型的基础。未来的市场竞争将主要集中在行业大模型领域。谁能够在某个行业占据领先地位谁就能够获得巨大的市场份额。行业大模型的细分程度将越来越高会出现针对某个特定细分领域的垂直大模型。第三是一体化解决方案成为采购主流。企业将不再零散采购算力、模型、应用等单独的产品而是倾向于采购一体化的 AI 解决方案。大模型厂商将从单纯的模型提供商转变为综合的 AI 解决方案提供商。能够提供一站式服务的厂商将在市场竞争中占据优势地位。第四是国产替代加速推进。随着国际形势的变化和国家政策的支持国产大模型和国产芯片的替代进程将加速。国企、央企和政府机构的 AI 项目将全面采用国产技术。国产大模型厂商和国产芯片厂商将形成更加紧密的合作关系共同打造自主可控的 AI 产业生态。第五是 AI 治理和合规成为核心竞争力。随着 AI 技术的广泛应用AI 治理和合规问题将越来越受到重视。国家将出台更加严格的 AI 法律法规规范 AI 的发展。能够提供完善的 AI 治理和合规保障的厂商将获得更多的市场机会。数据安全、算法透明、可解释性将成为大模型产品的基本要求。结论中国人工智能市场正在经历一场前所未有的深刻变革。从跟风尝鲜到经营刚需从创新试点到核心业务大脑大模型已经彻底完成了从概念到价值的转变。2025 年的市场数据充分证明只有能够真正解决企业实际问题、产生实实在在业务价值的大模型产品才能在激烈的市场竞争中生存和发展。对于企业来说AI 已经不再是可有可无的创新工具而是必须掌握的核心竞争力。企业应该根据自己的行业特点和业务需求制定合理的 AI 战略选择合适的大模型产品和厂商。在采购过程中要避免常见的选型误区注重实际业务价值严格进行 POC 测试。对于大模型厂商来说落地能力已经成为核心竞争力。厂商应该更加关注行业需求深耕行业场景积累行业数据提升交付能力。只有真正帮助客户解决问题才能获得客户的认可才能在市场竞争中脱颖而出。未来 3-5 年中国大模型市场将继续保持高速增长市场竞争也将更加激烈。那些只会讲故事、做演示的公司将被淘汰出局而真正拥有技术实力、行业经验和交付能力的企业将在这场变革中脱颖而出成为中国 AI 产业的领军者。 【省心锐评】大模型商业化已进入实战检验期技术参数不再是核心指标能解决实际业务问题的产品才能最终胜出。SEO 关键词大模型、AI 落地、行业大模型、AI 采购、私有化部署、国产适配