专题呈现｜29个案例，看清中国企业AI转型三部曲

点击图片查看全部案例

29家企业共同回答了一个问题：企业如何跨越从技术到业务、从Token到价值的最后一公里。它们也是这一轮中国企业AI转型的重要缩影

文｜吴俊宇

编辑｜谢丽容

“领跑100”是联想与《财经》共同持续了三年的项目。这个项目的初衷是记录中国企业智能化转型的案例和经验。过去三年，中国AI（人工智能）产业，每一年都在发生翻天覆地的变化。“领跑100”收录的这些案例，恰好记录了这一轮变化的轨迹。

2023年-2024年，中国市场大规模建设算力基础设施，企业开始尝试购买芯片、部署大模型。但在当时，AI带来的业务价值还不显著，大模型更多是在边缘业务场景试点。

2025年之后，AI从试点项目走向生产系统，企业的Token（词元）消耗量也在指数级增长。大模型虽然在一些核心业务场景开始落地，但此时投资回报率还很难真正算清。

2026年，中国AI产业迎来了应用规模化落地的拐点，这是诸多因素造就的。

算力是基础，中国市场算力总规模达到了百万卡级别。模型也很关键，包括DeepSeek、月之暗面、智谱、MiniMax等一批模型公司在全球范围内被更多开发者接受。2026年，随着Agent（智能体）爆发，企业已经可以清楚地看到AI对业务的帮助。

Token消耗量正在以十倍、百倍速度指数级增长。国家数据局数据显示，截至今年3月，中国日均Token调用量超过140万亿，相比2024年初的1000亿增长1400倍。

算力、模型、应用的进展，让企业越来越关心，AI是如何真正带来业务价值的。

在这本案例集中可以看到来自制造、教育、医疗、金融、体育、城市等7大行业、29家企业或机构的实践。这些案例虽然来自不同领域，却共同回答了一系列问题：

如何规划算力基础设施，如何规模化落地Agent等AI应用，如何让每一个Token都实现更高的ROI（投资回报率）。

它们也是这一轮中国企业AI转型的重要缩影。

算力，如何奠定AI转型基础？

算力，它在今天正在扮演着越来越重要的角色。

在数字化转型的时代（2023年之前），算力只是幕后的资源，它更多被认为是芯片、存储、服务器等IT基础设施。算力只需要默默扮演好支撑业务的幕后角色，基础设施只需要让业务能正常运行即可。

但在AI时代，它已经走到前台成为直接生产力。没有Token，应用就无法运转。没有充足的Token，应用就无法获得足够的智能。原理很简单，大模型背后的理论基础是Scaling Law（缩放定律，模型的性能与模型参数、数据大小、算力规模是幂律关系）。算力规模，直接决定了智能上限。

每一家企业，想要真正实现AI转型，就必须拥有充足的算力。随着大模型和智能体进入研发、制造、供应链、金融、医疗和城市治理等核心业务场景，算力的成本、效率、稳定性和扩展能力，直接影响企业AI应用能否真正落地。

几乎所有企业在实现AI转型之前，都先完成了不同程度的基础设施升级。有的建设高性能计算集群，用于工业仿真和研发创新；有的部署液冷智算平台，降低能耗与总体拥有成本；有的通过虚拟化、超融合和软件定义基础设施，提高资源利用率；也有企业通过异构算力平台，实现GPU（图形处理器）资源统一纳管和智能调度。

算力几乎决定了智能上限。企业AI落地的第一道门槛，不是有没有模型。它的关键是，有没有稳定、低成本、可调度、可扩展的算力底座。

这个趋势甚至更明显了——2026年，中国乃至全球市场的算力都是供不应求的。算力价格正在不断上涨，短期内，算力短缺没有解法。

但与此同时，企业AI应用带来的Token消耗正在以十倍，甚至百倍的速度快速上升。国际市场调研机构IDC预测，2026年中国Token调用次数将比2025年增长20倍计算，每一次交互所消耗的Token量级也将大幅提升。

面对Token需求持续增长，企业不仅要敢于投资基础设施，更要具备超前规划的能力。

英伟达创始人黄仁勋在GTC 2026上有一句话是，买得越多，赚得越多（The more you buy, the more you make）。这句话的目的虽然是为了给英伟达的芯片带货，但这也是事实。2026年，购买更强的算力基础设施，就是节省算力成本的有效做法。

国际半导体市场研究机构 SemiAnalysis长期跟踪全球主流AI芯片的推理性能。SemiAnalysis 7月27日数据显示，在运行DeepSeek-V4-Pro时，2025年大规模出货的英伟达B200单卡推理吞吐量最高可达到8184 Token/秒。2024年大规模出货的英伟达H200单卡推理吞吐量最高可达1427 Token/秒。B200的理论推理吞吐效率是H200的5.7倍。

但更有意思的是，两代芯片的价格差距远没有性能差距那么大。我们从服务器销售商了解到，目前B200单卡价格约25万-30万元，H200单卡价格约20万元。换句话说，企业只需要付出1.5倍的算力支出，就能得到5倍以上的Token。

更多的Token，不仅会为企业带来Token自由，更会给创新松绑。一位中国大型算力厂商负责人谈到自己公司内部的AI转型时直言，一旦管控员工Token预算，会影响到创新力。

一位中国市场的模型平台创始人对我们表示，他此前号召企业内的开发者每天消耗10亿Token。在他看来，在没有每天亲自消耗过数10亿Token之前，很难真正理解大规模Token使用会带来什么变化，“当你不再时时刻刻担心Token消耗，而是允许自己持续试验时，会探索出很多过去无法想象的应用和工作模式。”

因此，企业不仅需要投资AI基础设施，更需要提前规划算力架构——哪些任务需要本地部署，哪些任务适合云端调用；哪些资源需要统一调度，哪些场景需要保障高可用；如何在算力投入、能源消耗、业务连续性和安全合规之间取得平衡。

应用，如何实现规模化落地？

有了稳定可靠的基础设施之后，企业面临的问题，是如何让AI真正融入业务流程。

2023年-2024年，大模型更多承担的是聊天、搜索、写作、知识库等通用工具的角色。它看起来和核心业务流程关系不大。不过，正是这些边缘业务的试点，一点点为AI进入核心业务积累经验，并最终奠定基础。

2025年之后，AI开始进入企业真正创造价值的环节，尤其是进入研发、生产、供应链、客服、医疗、金融、城市治理等领域的核心业务流程。

比如，伊利不是做一个AI助手，而是重构了供应链、消费者平台等多个业务环节。中足联不是做一个聊天机器人，而是把AI放进赛事运营、监管、调度整个流程。城市超级智能体强调的是“1+N”智能体协同，而不是单个Agent。

真正成熟的企业智能化进程，几乎都遵循同一条路径：先建设算力和数字底座，再打通ERP（企业资源计划）、MES（制造执行系统）、CRM（客户关系管理）等核心业务系统，随后将AI嵌入业务流程，最终以Agent协同完成任务，并用成本、效率、收入等业务指标来衡量价值。

在这个过程中，企业不会只关注模型能力或基准测试成绩，也不会只关注某一个Agent是否领先。企业AI规模化落地呈现出四个共同趋势。

其一，从通用走向行业。企业需要的不是一个万能聊天机器人，企业真正需要的是一个能够理解行业知识、业务规则的大模型。

其二，从工具走向流程。AI不再只是辅助员工完成单点任务，而是嵌入研发、生产、运营、服务等连续流程。

其三，从单点应用走向系统协同。AI需要与企业已有的ERP（企业资源计划）、MES（制造执行系统）、CRM（客户关系管理）、数据平台和算力平台连接，才能真正进入生产系统。

其四，从能力展示走向价值衡量。企业不再只是关心AI能不能回答问题。企业真正关心的是，它能否让效率提升、成本下降、质量改善、响应速度提升。

AI应用的规模化落地，需要大量试错。但这并不是无目的的，越来越多的企业发现，AI应用最终比拼的不是模型能力，而是经营能力。企业关注的重点已经从单点效率提升，转向整体效率优化——围绕研发、生产、供应、销售、服务等完整价值链实现降本增效乃至创新。

我们近期发现，企业AI落地正在形成两条并行路径：一条是自上而下，从研、产、供、销、服等核心经营流程出发，端到端重构业务流程；另一条是自下而上，鼓励一线员工围绕具体业务场景探索AI应用，并将验证成功的实践快速复制到全公司。

一线员工的创造力，正在企业AI应用规模化落地过程中发挥越来越重要的作用。

在一些超大型科技公司内部，一线员工借助AI Coding工具，仅用两天便完成了一款产品0.01版本的开发。该产品在获得公司内外认可后被进一步推广，日活跃用户数在今年6月最终突破1300万。

类似现象也出现在制造业企业。某大型制造企业2025年内部共开发智能体1.3万个，其中员工自主“手搓”的智能体达到1.1万个。仅2026年一季度，员工自主开发的智能体数量就达到1.3万个，超过2025年全年。

这意味着，企业AI创新正在从过去主要由管理层规划、技术部门实施，逐渐转向一线员工广泛参与。员工最了解具体业务流程和真实痛点，他们可以先用AI工具快速完成低成本验证。当某个应用被证明有效后，企业再将个体创新复制到更多部门和场景。

Token，如何真正转化为价值？

随着AI应用规模化落地，另一个问题也随之诞生：Token消耗量正在指数级增长，如何让每一次Token调用，都产生更高的ROI？

资源利用率、总体拥有成本、运营效率和业务产出，几乎贯穿了所有企业的AI应用落地过程之中。

原因很简单，当AI进入研发、供应链、客服、办公、城市治理等越来越多业务场景后，每一次智能调用都会消耗Token。一个企业每天可能产生数十亿、数百亿，甚至更多Token消耗。随着Agent数量不断增加，这种消耗还会持续增长。

一家企业要用多少Token？这个问题或许很抽象，但落到每一个人、每一个任务的头上，它会变得很具象。在今天，一个Agent任务就可以消耗数十万、数百万甚至上千万的Token。目前软件工程师、知识工作者日均Token消耗量动辄可达数千万甚至1亿以上。

我们了解到，阿里、腾讯等大型科技公司，给研发人员每个月配备的Token额度可超过1万元人民币，给市场、销售等非研发员工每个月配备的Token额度超过1000元人民币。

几乎每一家企业、每一个员工都关注自己的Token消耗量，以及这些Token对应的成本。然而，对企业和个人来说，Token本身并不能创造价值。真正重要的是，如何把Token转化成研发效率、供应链效率、销售效率和客户服务效率，最终体现到经营指标之中。

当Token真正进入研发创新、供应链优化、智能客服、风险控制等核心业务流程，并带来效率提升、成本下降、质量改善和响应速度提升时，它才真正实现价值。

其实有一个非常清晰的共识可以算清楚Token的真正价值——单位Token成本=（硬件折旧+电力+网络+运维）/有效生产Token数量。

如何降低单位Token成本，让每一个Token都用到刀刃上？企业至少需要看清楚五件事：谁在消耗Token、哪个模型在消耗Token、哪个任务消耗最多、哪些调用是重复或无效的、消耗最终对应了什么业务结果。

想做好这些事情，包括管好基础设施、进行任务分级、建立企业级Token治理体系等一系列解决方案。

管好基础设施，这是降低单位Token成本的最直接做法。其中包括提高芯片和集群利用率、提高模型推理吞吐量、提高缓存复用率、减少故障、等待和通信带来的无效计算。

燧弘华创的案例是典型案例。这家公司通过统一纳管和异构调度，算力资源利用率提升40%，集群可靠性提升50%，算力租赁收益提升35%。这说明基础设施优化最终可以同时作用于成本端和收入端。

任务分级也是降低单位Token成本的有效做法。我们在近两个月的调研中，得到的很多反馈是——“不要用大炮打蚊子”，企业未必所有任务都需要调用最强、最贵的模型，也没有必要用最好的模型去做一个最简单的任务。联想的“混合式AI策略”，就提供了一种思路：根据不同的任务，使用不同的模型，在安全、成本和效率之间进行动态平衡。

建立企业级Token治理体系，是现在大部分中大型公司都在做的事情。当企业只有几十名员工使用AI时，可以分别购买Token账号，当数万名员工、数万个Agent持续调用模型时，就要建立统一的治理平台。企业需要建立起完善的Token管理能力：统一接入模型、统计调用量、配置权限和预算，监测不同部门和应用的成本与产出。

这些实际上都是在关注一个问题：如何让每一次Token调用都创造更高的价值。过去，企业管理的是资金、设备和人。未来，企业还将管理另一种新的生产要素——Token。真正领先的企业，不一定消耗最多的Token，它能够让每一次Token调用创造更大价值。

Token不再只是模型调用量的计量单位，而正在成为企业新的生产要素。与资金、设备等传统生产要素不同，Token本身不会直接创造价值，它更多代表的是成本。Token管理能力将成为企业经营能力的一部分，甚至决定下一轮竞争力。

如果说过去三年，中国AI产业完成的是算力和模型能力建设，那么2026年开始，中国企业正在进入AI价值兑现的新阶段。AI不再只是一个技术项目，而是开始成为企业经营体系的一部分。

这29个案例真正值得关注的，是它们共同勾勒出中国企业AI转型正经历的一条共同路径：从算力，到应用，再到价值，从技术创新开始试错，到持续进行经营层面的创新。

责编 | 杨明慧