2025中国企业数字化转型指数报告要点：AI规模化应用的成效与挑战

埃森哲于2025年7月23日发布《2025中国企业数字化转型指数》。报告显示，中国企业正在更广、更深地推进人工智能应用，但“采用AI”与“实现业务价值”之间仍存在明显落差：46%的受访企业已将生成式AI嵌入大部分业务和流程，真正实现生产效率、收入和利润等显著提升的企业仅占9%。这组数据说明，AI规模化的关键已经不只是技术部署，而是能否同步推进数据、人才、组织和安全能力建设。

报告释放的三个关键信号

数字化转型整体持续推进

埃森哲连续八年跟踪中国企业数字化转型进程。2025年，中国企业数字化转型指数总分升至49分，连续三年稳步提升，企业重塑进程仍在推进。

从能力维度看，“开创竞争新前沿”增长7分，并跃升为中国企业重塑能力首位。报告将创新与韧性视为企业在复杂环境中寻求增长突破的核心能力：创新负责寻找新的竞争机会，韧性则帮助企业应对经济波动、海外运营扩张和供应链等不确定性。

生成式AI已经进入更多业务流程

报告显示，46%的受访中国企业正在规模化应用生成式AI，将其嵌入大部分业务和流程。AI的应用范围已从客户服务、营销等相对成熟的场景，延伸至研发设计、制造和供应链等复杂环节。

这意味着企业的AI建设正在从单点工具试用，转向跨部门、跨流程的业务重塑。AI不再只是提高某个岗位的工作效率，也开始参与产品创新、运营优化和价值链协同。

但应用覆盖面扩大，并不等同于价值已经兑现。只有9%的受访企业通过生成式AI实现了生产效率、收入和利润提升等显著成果。46%与9%之间的差距，正是当前企业AI落地最值得关注的部分。

基础技术能力成为规模化前提

AI应用的推进依赖企业数字核心能力。报告披露，33%的受访企业已经意识到，AI与云的深度融合可以推动产品和服务创新；58%的企业表示能够根据业务变化灵活、快速地更新安全策略和工具。

此外，埃森哲全球变革脉动调研显示，53%的中国企业正在通过AI连接和融合多个流程，比全球平均水平高11个百分点。企业正在尝试让AI穿透原有系统和部门边界，但流程连接越深入，对数据质量、权限控制、安全策略和组织协作的要求也越高。

为什么规模化应用尚未普遍转化为显著价值

数据标准和使用权限仍是短板

报告显示，仅有15%的受访企业认为自身在数据分类标准统一、用户能够合理使用数据方面表现优异。

生成式AI要稳定服务于业务，需要获得及时、准确且具备明确权限的数据。如果数据分散在不同系统中，分类口径不一致，或者业务人员无法在合规范围内获取数据，AI就很难形成可靠的分析、预测和决策支持。

因此，企业面临的并非单纯“有没有数据”的问题，而是数据能否被识别、理解、调用和持续治理。数据基础不足，会直接限制AI从演示性应用走向生产系统。

运营自动化能力尚未形成普遍基础

仅有33%的中国企业能够通过数据分析和AI技术实时、自主地优化运营。这表明，不少企业虽然已经部署了AI工具，但业务流程可能仍以人工判断、线下协作或事后分析为主，AI尚未真正进入运营闭环。

如果AI只能生成内容、提供建议，却不能连接业务系统、触发后续动作并获得结果反馈，其价值通常停留在局部效率改善。要实现更明显的企业价值，AI应用需要与流程标准、系统接口和经营指标结合起来。

组织模式和岗位协作尚未充分调整

报告显示，只有34%的企业对现有组织架构进行了重新设计，以适应AI驱动的协作模式和岗位调整。

AI规模化应用会改变任务分配、审批机制和岗位职责。若企业仍沿用原有的部门边界和协作方式，技术团队可能无法快速理解业务目标，业务团队也难以持续运营AI应用，最终造成“工具上线、流程不变、责任不清”的局面。

AI转型因此不仅是技术项目，也涉及组织设计、人才能力和管理机制的同步变化。

企业如何提升AI落地价值

先选择可量化的业务问题

企业不宜以“全面部署AI”作为首要目标，而应优先选择能够明确衡量结果的业务场景，例如缩短研发周期、提高供应链响应速度、减少重复性运营工作，或改善客户服务效率。

每个场景都应在启动前明确基线指标、目标指标、数据来源和责任团队。只有把AI应用与生产效率、收入、利润或运营质量等业务结果关联起来，管理层才能判断投入是否产生了实际价值。

从单点试用转向流程闭环

AI应用规模化的重点，不是增加工具数量，而是让AI进入完整流程。企业可以围绕一个具体业务链条，梳理数据输入、模型处理、人员审核、系统执行和结果反馈等环节。

例如，在研发、制造或供应链场景中，AI输出不应停留在分析报告，还需要明确由哪个系统承接、由谁审核、如何触发下一步操作，以及结果如何返回模型和业务流程。这样才能逐步形成可持续优化的闭环。

把数据治理作为AI项目的先决条件

针对数据分类标准不统一、使用权限不清晰等问题，企业应优先建立统一的数据口径和访问规则，再推进关键业务数据接入AI系统。

实践中可以先从高价值、边界清晰的数据域开始，明确数据负责人、使用权限和质量要求，并持续记录数据使用效果。数据治理不必等到所有系统完全改造后才启动，但必须与AI应用同步推进。

重新设计人机协作方式

企业需要明确哪些任务适合由AI自动完成，哪些环节必须由员工审核，哪些结果需要设置升级和追责机制。岗位调整也不应只理解为减少人工操作，更重要的是让员工从重复执行转向判断、管理、创新和异常处理。

对于管理者而言，应将AI能力纳入岗位培训和团队协作机制；对于技术团队而言，则需要与业务部门共同定义流程、指标和使用边界，避免把AI项目封闭为单纯的技术交付。

将安全能力纳入规模化建设

报告显示，58%的受访企业能够根据业务变化灵活、快速地更新安全策略和工具。对于正在扩大AI应用范围的企业，安全策略需要覆盖数据访问、模型调用、输出审核和系统连接等关键环节。

安全不应只是上线前的检查项，而应成为AI运营的一部分。随着AI连接更多业务流程，企业需要持续评估权限、数据使用和流程变更带来的风险，在效率与可控性之间建立稳定平衡。

对管理者和技术团队的启示

“46%的企业规模化应用”说明，AI已经进入企业业务重塑阶段；“仅9%的企业实现显著价值”则提醒企业，应用规模本身不是成功标准。

对管理者来说，下一阶段的重点是把AI投入与经营目标、组织调整和长期韧性结合起来，避免只关注模型能力或项目数量。对技术团队来说，核心任务是推动AI与云、数据、安全及业务系统协同，确保应用能够进入流程、产生反馈并持续改进。

从报告披露的信息看，中国企业已经具备加速AI应用的意愿和一定基础，但要把生成式AI转化为稳定的企业价值，仍需要补足人才、数据、组织和治理等关键能力。AI规模化的竞争，正在从“谁先使用”转向“谁能把使用转化为可持续的业务成果”。