2025年人工智能现状分析报告

目录人工智能产品类型模型使用和关键采购考虑因素顶级模型提供商模型培训技术ł内部生产力预算预算404142434445464811131415161718构建生成式人工智能产品人工智能的获取和使用主要采购考虑因素部署挑战内部生产力人工智能基础设施模型部署挑战用例数量人工智能性能监测代理工作流热门使用案例对内部采用人工智能的态度跟踪投资回报率4ł上市战略与合规性人工智能产品路线图定价20212425人工智能的可解释性和透明度人工智能合规与治理法学硕士与人工智能应用开发51525354555657585ł6061模型训练与微调数据存储和处理成本监测与可观测性38推理优化模型托管AI/ML专职领导27282ł组织结构模型评估人工智能特定角色和招聘数据处理与特征工程招聘速度矢量数据库专注于人工智能的工程团队百分比30合成数据与数据增强编码协助DevOps与

MLOps人工智能开发支出预算分配3233343637产品与设计6263人工智能成本其他内部生产力用例基础设施成本示范培训费用推理成本4顶级人工智能工具5数据源受访公司统计数据收入范围总部研究方法受访者百分比受访者百分比26%88%本研究报告总结了

2025年

4月对

300名正在开发人工智能产品的软件公司高管（包括首席执行官、工程主管、人工智能主管和产品主管）所做调查的数据。13%13%11%10%ł%8%7%4%在本报告中，我们还穿插了

ICONIQ社区人工智能领导者的观点、见解和我们认为的最佳实践。12%北美洲欧洲本报告中分享的所有行业观点均已匿名化，以保护公司层面的信息。在本报告中，部分公司被称为

"高增长公司"，因为它们符合以下标准收入范围高增长受访者百分比⮚人工智能产品的吸引力：人工智能产品普遍可用或正在扩展55%⮚收入：年收入至少

1000万美元高增长公司收入增长：如果收入小于

2500万美元，年收入增长

100%以上；如果收入为

250025%⮚13%20%受访者百分比万美元至

2.5

亿美元，年收入增长

50%以上、如果收入超过

2.5亿美元，年收入增长

30%以上低于$100-$200M$200M+$100M注(1)本数据由外部调查匿名收集。调查回复包括部分但非全部

ICONIQVentureandGrowth投资组合公司以及不属于

ICONIQVentureandGrowth投资组合的公司。(2)调查中的某些问题是可选的。因此，本演示文稿中的一些

N大小数字小于

300私人与严格保密6人工智能成熟度大多数

SaaS公司都在不断发展，以增加新的人工智能功能和产品；以下几页将深入探讨启用人工智能和原生人工智能的公司如何进行产品开发传统

SaaS生成式人工智能产品传统软件即服务人工智能化：为现有产品添加人工智能功能人工智能赋能：创建新的（非核心）人工智能产品人工智能原生：核心产品或业务模式由人工智能驱动在旗舰产品中嵌入人工智能功能，以提高自动化、个性化和终端用户的生产力，同时基本保留底层业务模式和用户体验围绕核心业务工作流提供基于订阅的应用程序除核心产品组合外，还提供独立的人工智能驱动产品或服务，以探索邻近的使用案例和收入流围绕生成智能构建整个价值主张，其中模型训练、推理和持续学习是客户价值和增长的基本驱动力31%的调查对象32%的调查对象37%

的调查对象代表性实例本报告的重点注：代表示例仅供参考。商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。资料来自ICONIQGenAI调查（2025年4月）的观点，以及来自ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的CIO/CDO、CTO、我们的技术顾问委员会以及我们网络中的其他人员。私人与严格保密7打造

GenAI

产品隐私和严格保密©

2024ICONIQCapital,LLC.主要人工智能产品的阶段与人工智能公司相比，人工智能原生公司在开发周期中走得更远，约有

47%的受分析产品已达到临界规模，并证明了市场契合度主要人工智能产品所处阶段受访者百分比，N=2ł1规模产品已证明适合市场，目前正专注于扩大其用户群和基础设施，以处理更高的13%42%用户群和基础设施，以应对更高的需求只有

1%的人工智能原生公司仍处于预发布阶段，而人工智能启用公司的这一比例为

11%。同时，虽然的人工智能原生产品已经在扩展，这并不令人47%47%惊讶，但这可能意味着人工智能原生公司在产品生普遍可用性命周期中走得更快，更早地获得了牵引力。产品已正式发布，具有预期的稳定性和支持性预期的稳定性和支持这就引出了一个问题：通过团队组成、基础设施或融资模式，人工智能原生公司是否在结构上具备更好的条件，以验证产品与市场的契合度并有效地扩大规模，或许还能跨越那些使人工智能公司在将人工智能改造到现有工作流程方面进展缓慢的试错阶段。42%测试版34%产品已充分开发，可由少数外部用户进行测试，以获得反馈和发现错误。由有限的外部用户进行测试，以获得反馈并发现错误推出前正式提供给外部用户11%10%1%产品仍处于开发阶段，尚未支持人工智能原生人工智能资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密8人工智能产品类型代理工作流和应用层是人工智能原生公司和人工智能启用公司正在构建的最常见产品类型；值得注意的是，约

80%的人工智能原生公司目前正在构建代理工作流您正在构建哪类人工智能产品？人工智能原生人工智能赋能受访者百分比，请选择所有适用选项，N=2ł17ł%65%62%57%56%55%4ł%48%40%27%代理工作流程垂直人工智能应用横向人工智能应用人工智能平台核心人工智能模型技术基础设施即专注于特定行业或功能资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。ł非公开和严格保密模型使用情况大多数构建人工智能应用程序的公司都依赖于第三方人工智能应用程序接口；然而，也有更大比例的高增长公司正在对现有基础模型进行微调，并从头开始开发专有模型贵公司如何使用人工智能模型？受访者百分比，N=265高增长公司

其他受访者后期阶段的公司（收入超过

1亿美元）倾向于开发专有模型或对现有基础模型进行微调的比例更高，这可能是由于资源更多以及需要企业定制80%77%71%61%54%32%依赖第三方人工智能应用程序接口微调现有基础模型从零开始开发专有模型资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密10基础模型的首要考虑因素：产品开发在为面向客户的用例选择基础模型时，企业会优先考虑模型的准确性，而不是其他因素选择基础模型时的首要考虑因素将每个方面排在前

3位的受访者百分比，N=265准确性74%成本57%41%微调/定制能力隐私延迟在去年的

"人工智能现状

"报告中，与性能、安全性、可定制性和控制等其他因素相比，成本是最低的关键采购考虑因素。值得注意的是，在今年的数据中，成本要高得多，这或许与模型层的商品化相呼应，因为

DeepSeek等更具成本效益的模型正在崛起。34%模型透明度/可解释性

推理效率/计算要求25%1ł%18%SOC2/

企业

SLA开源厂商锁定/可移植性14%ł%6%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密11顶级模型提供商企业越来越多地对人工智能产品采用多模式方法，根据用例、性能、成本和客户要求利用不同的供应商和模式。OpenAI的

GPT模型仍然是最受欢迎的模型；然而，许多公司正越来越多地采用多模型方法来开发跨用例的人工智能产品这种灵活性使他们能够针对网络安全、销售自动化和客户服务等不同应用进行优化，同时确保合规性和跨地区的卓越用户体验。顶级模型提供商全栈1目前正在构建支持快速模型交换的架构，其中一些架构倾向于使用开源模型，以获得成本和推理速度方面的优势。横向应用

纵向应用受访者百分比，全部选择适用，N=240每位受访者平均拥有的机型数

=2.8一般来说，大多数受访者都在使用

OpenAI模型和

1-2个其ł5%他供应商的模型。81%78%54%55%55%54%50%43%42%2ł%34%26%23%17%14%13%12%10%10%8%7%7%8%ł%4%2%我们使用不同的专有模型和第三方模型，因为我们的客户有不同的需求。专业模型使我们能够更好地为客户及其使用案例（销售自动化、客户服务代理和内部工具）量身定制体验。此外，我们还可以为客户提供更灵活的价位和选择，并不断尝试新的模式和OpenAI/GPT人类学

/谷歌/双子Meta/

LLamaMistralAIDeepSeekCohere其他xAI克劳德座商机。产品副总裁，收入超过

10

亿美元，全栈人工智能公司注(1)同时构建终端用户应用程序和核心人工智能模型/技术的公司资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。私人和严格保密12模型训练技术检索增强生成

(RAG)和微调是最常见的模型训练技术；高增长公司倾向于使用更多种基于提示的技术模型训练/调整技术高增长公司其他受访者受访者百分比，N=273与去年的与去年的人工智能现状报告相比在今年的调查中，更多的受访者正在积极培训技术基于提示的技术使用

RAG和微调技术。我们考虑到所需的投资和基础模型改进的速度，预期微调的比例较低，但它仍然是一个重点领域6ł%68%67%67%66%4ł%36%32%31%25%微调预培训少量学习零点学习RAG资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密13人工智能基础设施大多数公司正在使用基于云的解决方案和

AIAPI提供商进行训练和推理大多数企业明显倾向于完全托管的人工智能解决方案--68%的企业完全在云中运营，64%的企业依赖外部人工智能

API提供商--因为这种模式可以最大限度地减少前期资本支出和运营复杂性，同时最大限度地提高上市速度。然而，这种依赖也意味着供应商选择、服务水平协议（SLA）谈判和每次呼叫成本管理已成为战略优先事项，而不仅仅是技术考虑因素。用于训练和推理的人工智能基础设施受访者百分比，请选择所有适用选项，N=27368%64%与此同时，只有

23%的团队使用混合方法，不到十分之一的团队维护内部或专用推理基础设施，这表明这些模型仍然是利基模型，主要在控制、合规性或特殊性能证明额外开销是合理的情况下采用。随着实时人工智能用例的增加，交钥匙推理平台将有机会获得更多份额，但任何脱离完全托管服务的举动都将取决于是否有明确的商业案例或监管要求。23%10%8%完全基于云序接口外部人工智能应用程提供商混合型专用推理完全内部部署基础设施提供商(例如，云

+预置GPU集群）(例如

Fireworks、Together.ai、Baseten）提供商资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密模型部署挑战：产品开发公司在部署模型时指出的首要挑战包括幻觉、可解释性/信任度以及证明投资回报率模型部署面临的挑战将各方面排在前

3位的受访者百分比，N=273幻觉

可解释性和信3ł%访问

GPU5%任度38%34%证明投资回报率计算成本32%26%安全性

寻找正确的使用案例25%24%与现有系统集成的难易程度

监管和道德方面的考虑因素20%16%15%人才延迟监控10%模型随时间漂移资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导ł%术顾问委员会以及我们网络中的其他人士。非公开和严格保密15对于构建垂直人工智能应用的公司而言，可解释性和信任度排名较高，因为这些公司可能需要应对医疗保健等受监管行业的额外合规性和法律限制。资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密16人工智能性能监控随着人工智能产品的扩展，性能监控变得越来越重要，许多扩展的人工智能产品都提供了某种高级性能监控功能人工智能性能监控方法受访者百分比，N=2706%4%7%和再训练管道全自动模型监控12%44%16%31%高级监控（漂移检测、实时反馈回路）75%66%5ł%基本监测（跟踪模型的准确性和性能）无正式监测40%3%1ł%启动前测试版一般可用性扩展人工14%4%智能产品成熟度资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密17代理工作流大量公司正在评估代理工作流，高增长的人工智能公司更积极地在生产中部署人工智能代理代理工作流受访者百分比，N=268是，我们正在积极部署人工智能代理32%我们的许多用户喜欢我们提供的见解和分析，但不愿意花时间充分探索产品中的信息。我们希望建立人工智能代理，有效地为最终用户使用产品，展示有价值的用户旅程，并让最终用户生产中47%用户。是的，我们正在试点或内部使用案例中试用人工智能代理。试点或内部使用案例32%产品副总裁，收入

1,000-2500万美元，全栈人工智能公司42%是，但我们正处于早期研究和探索阶段探索阶段23%否，但我们计划在未来

12

个月内探索人工智能代理11%3%3%8%否，但我们计划在未来12个月内探索人工智能代理

否，我们目前没有投资人工智能代理的计划资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密18所有其他公司高增长资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密19上市战略与合规性私人和严格保密©

2024ICONIQCapital,LLC.保留所有权利人工智能产品路线图对于人工智能公司而言，其产品路线图中约有

20%-35%专注于人工智能驱动的功能，而高增长公司则将其产品路线图的

30%-45%专注于人工智能驱动的功能。您的产品路线图中有多大比例侧重于人工智能驱动的功能？到

2025年底（估计值）43%到2024年底36%31%22%仅人工智能公司，中位数，N=268所有其他公司高增长资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密1ł主要定价模式许多公司都在使用混合定价模式，其中包括基于订阅/计划的定价与基于使用或结果的定价的组合主要定价模式（包括人工智能产品/功能和软件）受访者百分比，N=26638%大多数支持人工智能的供应商似乎都将人工智能视为打破SaaS36%垄断或追加销售的手段，而尚未将其视为自己的利润中心。虽然将人工智能捆绑到高级层级或不收取额外费用是推动采用和抵御竞争对手的最快方法，但我们预计这种方法在未来几年会发生转变，因为企业开始建立人工智能使用情况和投资回报率的遥测模型，这可能需要转向基于使用情况的模型，以避免利润压缩。1ł%6%混合型订阅/基于座位基于使用基于成果资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密20人工智能功能的定价模式目前，大多数人工智能公司要么将人工智能功能作为高级产品的一部分，要么不收取额外费用人工智能功能/产品的主要定价模式仅支持人工智能的公司，受访者百分比，N=17440%ICONIQ

跨职能洞察33%在我们的《2025年

GTM状况》报告中，我们向

GTM领导者提出了同样的问题，他们的回答是与研发领导者的回答基本一致--进一步加强了整个市场这一趋势的一致性。21%38%32%1ł%5%ł%2%1%人工智能功能是高级产品的

人工智能功能无需额外费

人工智能功能有单独的基于

人工智能功能有单独的基人工智能功能有单独的包含在高级产品中不含额外费用基于使用量的模式基于成果的模式基于座位的模式一部分用使用量的定价模式于座位的定价模式基于结果的定价模式资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密21定价变化40%的公司没有改变定价的计划，但

37%的受访者正在探索基于消费、投资回报率和使用层级的新定价模式未来

12个月改变人工智能定价的计划受访者百分比，N=273投资回报率因素"我们正在观察人工智能功能是否能为客户带来额外价值。一旦我们获得了关键的采用并证明了附加价值，我们可能会对平台的现有层级进行细分（即创建一个包含全人工智能

代理的顶级层级，对基础层级和企业层级进行限制"我们希望将支付意愿和与投资回报率结果的明确联系纳入我们的定价模型"有产品副总裁，收入

亿至亿美元，全栈人37%11.5工智能公司/）"。产品副总裁，收入

1

亿至

1.5亿美元，全栈人工智能公司基于消费和成果的定价"订阅模式对我们不起作用。考虑到

LLM

应用程序接口的成本，高级用户往往会大量使用，从而导致负利润，而不使用的用户则面临流失的风险。考虑到可变成本较高，我们正计划转而采用基于使用量的模式，但将我们将以消费为中心的定价模式来补充高级定价模式。我是"40%预计我们还将尝试基于结果的定价，但目前还不清楚我们将如何构建定价结构，以便让客户能够准确预算这些成本。"使用量捆绑为订阅，例如每年

1000

万个令牌的套餐。产品副总裁，收入

1

亿至

1.5亿美元，全栈人工智能公司产品副总裁，收入

1

亿至

1.5亿美元，全栈人工智能公司我不知道23%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密22人工智能的可解释性和透明度随着人工智能产品规模的扩大，提供详细的模型透明度报告或关于人工智能如何影响结果的基本见解变得越来越重要人工智能可解释性和客户透明度战略受访者百分比，N=266我们提供详细的模型透明度报告6%10%17%25%47%25%我们提供有关人工智能如何影响结果的基本见解50%64%58%我们不向客户提供针对人工智能的解释其他31%13%26%24%1%3%启动前测试版普遍可用性扩展人工智能产品成熟度资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密23人工智能合规与治理大多数公司都制定了人工智能道德和治理政策，其中大多数受访者都采用了

"人在回路中

"的监督方式，以确保人工智能的公平性和安全性贵公司如何处理人工智能的合规性和治理？贵公司使用哪些保障措施来确保人工智能的公平性和安全性？受访者百分比，N=2ł1受访者百分比，N=2ł1专门的人工智能合规和治理团队13%66%有正式的人工智能道德和治2ł%理政策42%38%基本遵守数据隐私法（如47%11%GDPR,CCPA)21%21%14%没有正式的人工智能合规战略1%可解释性和偏差检测和对抗性测试人工智能模型红队测试无正式其他监督透明度措施缓解技术稳健性保障措施到位资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密24组织结构私人和严格保密©

2024ICONIQCapital,LLC.保留所有权利专职

AI/ML领导层许多公司在营收达到

1亿美元时，已经拥有专门的人工智能领导层，这可能是由于运营复杂性不断增加，以及需要有一个集中的人工智能战略负责人贵公司是否有专门的人工智能/ML领导层（如首席人工智能官、ML主管、人工智能研究负责人）？受访者百分比，N=2ł0不，我们依赖外部3%5%3%6%人工智能供应商31%5%47%42%40%3%否，但人工智能是我们更广泛研发战略的一部分5ł%6%3%否，但我们正计划聘用专门的人工智能/ML领4%导人员61%50%51%48%33%是，我们有专门的人工智能领导力<$100M1

亿至

2

亿美元2

亿至

5

亿美元2024年收入5

亿至

10

亿美元$1B+资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密26人工智能特定角色大多数公司目前都有专门的

AI/ML工程师、数据科学家和

AI产品经理，其中

AI/ML工程师的平均招聘时间最长人工智能特定角色和招聘计划目前有招聘计划受访者百分比，N=2ł088%72%67%54%46%45%38%26%24%22%21%20%17%12%4%2%人工智能/ML

工程师数据科学家人工智能产品经理数据架构师数据可视化提示工程师人工智能设计专家其他专家平均招聘准备时间（天数）70686766446261不适用资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密27招聘速度在所有受访者中，对招聘速度的看法相对平均，认为招聘速度不够快的受访者主要认为缺乏合格的候选人是主要制约因素招聘速度招聘速度慢的原因受访者百分比，N=2ł1受访者百分比，N=13460%是的，我们正在招聘足够快54%4ł%35%25%4%不，我们的招聘速度不够快不够快46%招聘缓慢的原因

招聘缓慢的原因

招聘缓慢的原因

招聘缓慢的原因其他缺乏合格候选人成本限制竞争内部流程挑战资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密28专注于人工智能的工程团队比例平均而言，公司计划让

20-30%的工程团队专注于人工智能，高增长公司的工程团队专注于人工智能的比例更高工程团队中专注于人工智能的估计百分比2025

年

工程团队比例

2026年

工程团队比例受访者百分比，N=2ł037%28%28%18%所有其他公司高增长资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密2ł人工智能成本私人和严格保密©2024人工智能研发支出平均而言，公司将其研发预算的

~10-20%用于人工智能开发，大多数公司计划在

2025年增加人工智能方面的支出在贵公司的研发预算总额中，用于人工智能开发的预算占多大比例？仅人工智能公司，受访者百分比，N=1402024年预算2025年预算25%25%20%15%15%15%14%10%10%10%<$100M1

亿至

2

亿美元2亿至

5

亿美元2024年收入5

亿至

10亿美元$1B+资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密31预算分配随着人工智能产品规模的扩大，人才成本在总支出中所占比例趋于下降；相反，随着产品开始受到市场青睐，基础设施和计算成本趋于增加您的人工智能预算分配给以下类别的比例是多少？受访者百分比，N=2ł1其他人工智能相关成本1%3%36%38%11%40%人工智能人才（薪酬、招聘、技能提升技能提升）57%12%10%10%11%ł%12%13%人工智能模型训练

人工智能模型推理8%4%12%10%24%6%22%7%数据存储与处理20%6%13%5%人工智能基础设施和云成本

人工智能治理、合规性和战略启动前测试版GA扩展人工智能产品成熟度资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密32基础设施成本在各种基础设施成本中，受访者认为应用程序接口使用费是最难控制的成本，这表明公司在与外部应用程序接口消耗相关的可变成本方面面临最大的不可预测性哪些基础设施成本最难控制？将每个方面都排在前

3位的受访者百分比，N=2ł170%4ł%48%47%42%API使用费推理成本模型再训练和更新培训成本存储成本资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密33成本优化为降低人工智能基础设施成本，企业正在探索开源模型和优化推理效率的方法您是如何优化人工智能基础设施成本的？受访者百分比，N=2ł141%37%32%28%26%3%转向开源模型优化推理效率无重大成本优化工作利用模型蒸馏或量化改用更具成本效益的硬件其他资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密34模型训练大多数受访者至少每月对模型进行一次训练或微调，估计每月模型训练成本在

16万至

150万美元之间，具体取决于产品的成熟度您多久重新训练或微调一次人工智能模型？估计每月模型训练成本受访者百分比，N=2ł1平均美元，N=

22ł从不

很5%少$1.5M13%每

3-6

个月1ł%$1.1M每月一次31%2.4万美$163K元12%20%每周一次每周多次启动前BetaGA扩展人工智能产品成熟度年收入中位数收入$38M$125M$225M$500M资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密35部署成本：推理推断成本在启动后激增，高增长人工智能公司在GA和规模部署方面的支出是同行的2倍之多每月推理支出受访者百分比，N=221其他公司高增长公司$2.3M$1.6M$1.1M$1.0M$286K$100K不适用不适用启动前BetaGA扩展人工智能产品成熟度年收入中位数收入$38M$125M$225M$500M资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密36部署成本：数据存储和处理从

GA阶段开始，数据存储和处理成本也急剧攀升，高增长人工智能构建商在数据存储和处理方面的支出高于同行每月数据存储支出数据处理月支出受访者百分比，N=221受访者百分比，N=226其他公司高增长公司$2.6M$2.0M160

万$1.8M美元$1.6M$1.6M$1.2M$0.7M5,400,000美元$554K不适$188K不适用测试版不适用不适用用启动前BetaGA扩展人工启动前GA扩展智能产品成熟度人工智能产品成熟度年度中位数$38M$125M$225M$500M$38M$125M$225M$500M收入资料来自ICONIQGenAI调查（2025年4月）的观点，以及来自ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/CDO、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员。37私人和严格保密内部生产力私人和严格保密©

2024ICONIQCapital,LLC.保留所有权利年度内部生产力预算2025年，所有收入层级的内部人工智能生产力预算都将增加近一倍，公司支出将占总收入的

1-8%。贵组织每年用于提高内部生产力的人工智能创造性支出大约是多少？2024年支出2025年支出（估计）按收入范围划分的平均值（百万美元$60.4$34.2$14.5$6.ł$3.2$2.3$2.0$1.7$1.8$1.4$1.0$1.0$1.0$0.3$0.4$0.6<$10M1,000

万美元

-

2,400

万美元2500

万美元

-

400

万美元5,000

万美元

-

小金额$100-$200M$200-$500M5

亿至

10

亿美元$1B+2024年收入约占收入百分比5%8%3%6%3%4%1%2%1%2%1%1%1%2%1%2%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密3ł企业内部生产力预算研发预算仍然是企业公司最常见的人工智能内部生产力预算；但是，我们也开始看到人头预算被用于内部生产力支出。内部生产力预算来自哪里？2024

年人工智能现状调查

(N=

126)2025年人工智能现状调查

(N=

łł)受访者百分比，仅

亿美元以上收入受访者55ł%57%48%47%44%3ł%27%23%22%不适用来自研发预算来自业务来自创新预算（非研发）来自人员预算净新增预算非研发）举措资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密40人工智能的获取和使用虽然约

70%的员工可以使用各种人工智能工具提高内部生产力，但只有约

50%的员工在持续使用人工智能工具，成熟企业（收入超过

10亿美元）更难采用人工智能工具。用于提高内部生产力的人工智能工具：获取和使用情况员工平均百分比，N=258可使用人工智能工具的员工百分比持续使用人工智能工具的员工百分比唐武纽约人寿高级副总裁、首席数据与分析官70%6ł%68%66%62%57%仅仅部署工具只会让人失望，尤其是对于大型企业而言。要想真正增强员工的能力，就需要为可用性搭好脚手架，其中包括培训、树立标杆，最重要的是提供不懈的执行支持。51%50%4ł%44%<$100M1

亿至

2

亿美元2

亿至

5

亿美元2024年收入5

亿至

10

亿美元$1B+资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密41基础模型的首要考虑因素：内部用例为内部用例选择基础模型时，成本是最重要的考虑因素，其次是准确性和隐私性为内部用例选择基础模型时的首要考虑因素将每个方面排在前

3位的受访者百分比，N=265而准确性排名为成本74%最重要的因素在部署外部人工智能时准确性

隐私在为内部人工智能用例选择模型时，成本是最重要的考虑因素。72%50%微调/定制

SOC2/企业

SLA

的能力与外部用例相比，隐私也成为内部用例更重要的考虑因素。26%开源延迟16%13%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密42模型部署挑战：内部用例为内部用例部署人工智能的组织所面临的最大挑战通常是战略挑战（即找到正确的用例并证明投资回报率）与技术挑战。内部用例模型部署面临的最大挑战将每个方面排在前

3位的受访者百分比，N=273找到合适的用例46%证明投资回报率

可解释42%信任度32%31%幻觉安全计算成本2ł%人才28%监管和道德考虑15%监督延迟12%ł%ł%模型随时间漂移访问

GPU6%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密43用例数量公司通常会在各个职能部门探索多个

GenAI用例，员工采用率高的公司会在

7个以上的用例中使用

GenAI按内部

AI采用强度划分的用例平均数量受访者百分比，N=2587.16.04.6低中高内部强度采用人工智能不到

20%的员工积极使用人工智能的员工积极使用人工超过的员工积极使用人工智能工具20-50%50%工具智能工具资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密44热门使用案例：按受欢迎程度分类研发和

S&M用例受欢迎程度领先，而

G&A用例相比之下仍然落后研发热门用例S&M受访者百分比，请选择所有适用案例，N=258G&A77%65%57%56%48%45%42%42%41%40%38%33%26%13%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密45顶级应用案例：按影响分类按影响划分的顶级用例反映了使用趋势，就对生产力的实际影响而言，编码辅助远远超过其他用例对生产力影响最大的用例研发将每个方面排在前

3位的受访者百分比，N=258S&M编码辅助

内容生成

写65%/作辅助

文档和知识检索产品和设计

客户参与/服务G&A37%30%高增长公司使用人工智能编写的代码平均占总代码的

33%，而所有其他公司的这一比例仅为

27%。28%22%销售生产力数据分析和商业智能质量保证和测试21%受访者认为，在这些

GenAI使用案例中，生产率平均提高了

15-3018%16%14%13%10%DevOps/MLOps营销自动化IT与安全

法律与5%5%合同审查

人力资源与招聘工具FP&A自动化4%资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密46对内部采用人工智能的态度高增长公司往往更积极地尝试和采用新的人工智能工具，这表明领先公司将人工智能视为一种战略杠杆，并更快地将其整合到内部工作流程中。对内部采用人工智能的态度受访者百分比，N=258我们持怀疑态度，尚未采用许多人工智能驱动的内2%8%部工具我们持谨慎态度，在人工智能被证明有价值的地方选择性地将其整合进来1ł%ł2%我们积极尝试和80%采用新的人工智能工具所有其他公司高增长公司资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密47跟踪投资回报率大多数公司都在衡量内部使用人工智能所带来的生产率提高和成本节约情况跟踪投资回报率您如何衡量内部使用人工智能对业务的影响？受访者百分比，N=258受访者百分比，N=258是的，我们跟踪人工智能驱动的定量和定性效30%率收益75%是，我们只跟踪定量收益（如节省的时间、任务完成率等）51%14%16%是，我们只跟踪定性收益（如调查、员工反馈等）20%20%否，但我们目前正在研究衡量人工智能影响的方法23%17%提高生产率成本节约收入提升客户保留率和参与度否，我们尚未开始衡量人工智能的影响资料来自

ICONIQGenAI调查（2025年

4月）的观点，以及来自

ICONIQ团队和人工智能领导者网络的观点，这些领导者包括我们负责监督企业人工智能计划的首席信息官/首席技术官社区、首席技术官、我们的技术顾问委员会以及我们网络中的其他人士。非公开和严格保密48AI

生成器技术栈私人和严格保密©最常用的工具：模型训练和微调主要启示使用最广泛的工具框架与管理平台•来自调查对象；按字母顺序排列核心深度学习框架仍很流行，PyTorch和

TensorFlow的使用率占受访者总数的一半以上但是，完全托管或应用程序接口驱动的产品几乎与之不相上下--AWSSageMaker和

OpenAI的微调服务的流行表明，团队在

"自己构建

"和

"让别人运行

"两种方法之间存在分歧。•生态系统参与者获得牵引力•HuggingFace生态系统和

Databricks的

MosaicAITraining正在开辟有意义的利基市场，提供比原始框架更高层次的抽象。•与此同时，更专业或新兴的工具（AnyScale、Fast.ai、Modal、JAX、Lamini）所占比例仅为个位数，这表明实验正在进行中，但广泛采用仍处于起步阶段。企业级需求••处于后期阶段的公司通常拥有更大的数据团队、更复杂的管道以及更严格的安全、治理和合规要求Databricks的统一

"Lakehouse"架构（融合了数据工程、分析和

ML）和

AnyScale的托管

Ray集群（简化了分布式训练和超参数调整）都直接满足了这些企业需求，更多收入在

5亿美元以上的受访者使用了这些解决方案。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。：ICONIQ来自

ICONIQ

GenAI调查（2025

年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密50最常用的工具：LLM与AI应用开发主要收获使用最广泛的工具来自调查对象；按字母顺序排列协调框架至高无上•使用最多的框架包括

LangChain和

HuggingFace的工具集，这表明团队非常重视简化提示链、批处理以及与公共或自托管模型接口的高级库。•约

70%的受访者还表示他们使用私有或自定义

LLMAPI安全和更高级别的

SDK越来越受欢迎•大约十分之三的受访者使用

Guardrails执行安全检查，近四分之一的受访者（23%）利用

Vercel

的

AISDK

进行快速部署，这表明人们越来越意识到，生产型

LLM应用程序既需要

Guardrails，也需要简化的集成层。长尾实验•CrewAI、ModalLabs、Instructor、DSPy和

DotTXT等新兴公司的使用率较低，这表明虽然实验非常普遍，但除了大型公司外，广泛的标准化尚未形成。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。资料来自

ICONIQGenAI调查（2025年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密51最常用的工具：监测和可观察性主要启示使用最广泛的工具来自调查对象；按字母顺序排列现有基础设施仍占主导地位•近一半的团队倾向于使用现有的

APM/日志堆栈（Datadog、Honeycomb、NewRelic等），而不是采用专门针对

ML的工具--这表明集成的简易性和组织的标准化往往比定制的人工智能监控更有优势ML原生平台的早期吸引力•LangSmith和

Weights&Biases的采用率都已达到约

17%，这表明人们确实希望采用统包式解决方案，无需在传统系统上安装螺栓，就能检测提示链、跟踪嵌入和浮现漂移。零散的长尾和知识空白•除了排名前两位的本地

ML工具外，Arize、Fiddler、Helicone、Arthur等其他工具的使用率也迅速下降，10%的受访者不知道自己使用的是哪种工具；这表明生态系统尚处于萌芽阶段，而且对生成式人工智能的

"可观察性

"的含义也存在困惑。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。：ICONIQ来自

ICONIQ

GenAI调查（2025

年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密52最常用的工具推理优化主要收获使用最广泛的工具来自调查对象；按字母顺序排列英伟达™（NVIDIA®）对生产的掌控•TensorRT和Triton推理服务器的采用率合计超过60%，这表明英伟达™（NVIDIA®）的堆栈在从基于GPU的部署中挤压延迟和吞吐量方面仍然占据主导地位。跨平台替代方案的份额不断扩大•ONNXRuntime（18%）是最受欢迎的非英伟达™（NVIDIA®）解决方案，反映了团队对CPU、GPU和硬件无关加速的渴望。•TorchServe（15%）同样表明，纯

PyTorch服务仍然占有一席之地，尤其是在仅

CPU工作负载或更简单的容器化设置中。知识差距与未开发潜力•17%的受访者不知道他们使用了哪种优化方法，14%的受访者表示

"没有"，这表明在推理调整方面存在明显的困惑或经验不足，这也为量化、剪枝和高效运行时间方面的教育（和工具）提供了机会--尤其是对于大规模运行的团队而言。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。：ICONIQ来自

ICONIQ

GenAI调查（2025

年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密53最常用的工具：模型托管主要收获最广泛使用的工具来自调查对象；按字母顺序排列直接从供应商获得信息是王道•大多数团队通过

OpenAI、Anthropic等直接访问模型主机，这表明阻力最小的途径仍然是调用供应商自己的推理

API，而不是通过中间层进行构建或集成超大规模企业紧随其后•AWSBedrock和

GoogleVertexAI已经占据了相当大的市场份额，这反映了市场对统一的企业级

ML平台的强烈需求，这些平台将托管、管理、安全和计费捆绑在一个平台上。•特别是，更多处于后期阶段的公司（收入超过

5亿美元）报告使用了超级分级器解决方案零散的替代方案和新兴企业••除三大巨头外，Fireworks、Modal、Together.ai、AnyScale、Baseten、Replicate、DeepInfra等公司也在迅速使用。这种长尾效应表明，团队仍在探索专业主机，其驱动因素通常是独特的定价、性能

SLA或功能集（如自定义运行时、内部部署选项等）。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。：ICONIQ来自

ICONIQ

GenAI调查（2025

年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密54最常用的工具：模型评估主要启示使用最广泛的工具按字母顺序排列没有明确的独立领导者•近四分之一的团队主要使用

Vertex、Weights&Biases或

Galileo等平台的内置评估功能，而

20%的受访者根本

"不知道

"他们使用的是哪种工具，这表明许多组织仍在依赖其现有

ML堆栈中的评估功能，而不是采用专用框架新兴的专用框架•LangSmith和

Langfuse在专门构建的评估工具中处于领先地位，HumanLoop和

Braintrust也显示出吸引力；这些平台通过提供更丰富的提示级指标、可定制的测试套件和开箱即用的漂移检测功能，赢得了人们的青睐。知识差距和

DIY•近四分之一的受访者不知道他们使用的评估工具或没有评估工具，这表明他们对生成式人工智能的

"评估

"含义以及未监控模型回归的风险感到困惑•与此同时，一些受访者也在开发自己的评估管道，这表明现成的工具尚未覆盖所有用例注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。：ICONIQ来自

ICONIQ

GenAI调查（2025

年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密55最常用的工具：数据处理与特征工程主要启示使用最广泛的工具来自调查对象；按字母顺序排列经典大数据工具仍占主导地位•ApacheSpark（44%的受访者）和

Kafka（42%的受访者）领跑，这表明在大规模情况下，团队默认使用久经考验的分布式批量流框架来进行

ETL和实时数据摄取Python力量基础•尽管有大量大数据足迹，41%的受访者仍倾向于使用

Panda-这表明，对于较小的数据集、原型或边缘案例，内存

Python工具的简单性和灵活性仍然不可或缺地平线上的功能存储•只有

17%的企业在使用专用的功能库，这表明虽然

"一次构建，随处服务

"的功能概念越来越受关注，但大多数企业还没有将其大规模地付诸实施。•随着成熟度的提高，我们很可能会看到功能库和轻量级协调器（Dask、Airflow等）攀升至更高的行列--但就目前而言，Apache生态系统仍占主导地位注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。资料来自

ICONIQGenAI调查（2025年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密56最常用的工具：矢量数据库主要启示最广泛使用的工具来自调查对象；按字母顺序排列搜索引擎演变为矢量存储•Elastic和

Pinecone的采用率最高，反映出团队是如何改造现有的全文搜索平台以实现嵌入，或是采用专门构建的、可管理的矢量引擎Redis与

"长尾•Redis显示了利用已运行的内存数据存储的吸引力，而其他解决方案，如

Clickhouse、AlloyDB、Milvus、PGVector等，则强调了许多组织正在尝试使用不同的后端来平衡成本、延迟和功能需求。开源解决方案的兴起•Chroma、Weaviate、Faiss、Qdrant和

Supabase的矢量插件等专业开源工具正在逐步取代早期的领导者，预示着在易用性、扩展性和云原生集成方面的竞争将更加激烈。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。资料来自

ICONIQGenAI调查（2025年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密57最常用的工具：合成数据与数据增强主要收获最广泛使用的工具来自调查对象；按字母顺序排列企业内部的至高无上•超过一半的团队（52%）建立了自己的工具，这表明现成的供应商仍然难以覆盖所有用例或与现有管道集成ScaleAI

显然是供应商中的佼佼者•ScaleAI的采用率为

21%，是最受欢迎的第三方合成数据平台，但即便如此，也只有五分之一的企业采用该平台程序化框架的早期吸引力•SnorkelAI和

MostlyAI表明，程序化标签和生成工具的市场份额正在扩大，但仍远远落后于定制解决方案。注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。资料来自

ICONIQGenAI调查（2025年

4

月）的观点，以及来自

ICONIQ团队和我们社区的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员私人和严格保密58最常用的工具：编码辅助主要收获最广泛使用的工具来自调查对象；按字母顺序排列先行者的主导地位•GitHubCopilot与

VSCode紧密集成，支持多种语言，并得到

GitHub庞大用户群的支持，因此有近四分之三的开发团队在使用它。•Copilot的网络效应和产品与市场的契合使其很难被淘汰，但

Cursor（50%的受访者使用）则以强劲的势头位居第二，这表明受访者对多样化

IDE集成的偏好。长尾产品滞后•在前两名之后，采用率急剧下降，解决方案的长尾断裂，这表明虽然大多数团队至少试用过一种助手，但很少有团队采用标准化的替代方案•Retool、Lovable、Bolt和

Replit等低代码或无代码解决方案也获得了荣誉提名，这表明市场对从想法到应用的解决方案的需求越来越大。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员非公开和严格保密5ł备注：商标为其各自所有者的财产。图示公司均未认可或推荐

ICONIQ的服务。资料来自

ICONIQGenAI调查（2025年

4

月）的观点，以及来自

ICONIQ团队和由我们的社区组成的人工智能领导者网络的观点。负责监督企业人工智能计划的首席信息官/首席技术官、首席技术官、我们的技术顾问委员会以及我们网络中的其他人员非公开和严格保密5ł最常用的工具：DevOps和

MLOps主要收获最广泛使用的工具来自调查对象；按字母顺序排列MLflow领先，但不垄断•36%的受访者使用

MLflow，在实验跟踪、模型注册和基本流水线协调方面，MLflow显然是领跑者--这只占团队总数的三分之一强，表明替代品还有很大的发展空间••Weights&Biases也占有很大份额，有

20%的受访者使用，反映了它作为用于跟踪、可视化和协作的托管

SaaS的吸引力。除了排名前两位的工具外，其他工具的使用率也迅速下降--16%的受访者

"不知道

"哪些工具为他们的

MLOps提供了支持，提到的其他工具包括

Resolve.ai、Cleric、PlayerZero、Braintrust等。这既说明了责任方面的混乱（DevOps与

MLOps），也说明了市场仍在进行自我调整跟踪与全面运营之间的差距•MLflow和

W&B等以跟踪为先的平台占主导地位，这表明许多团队尚未采用端到端

MLOp