“企业AI落地的真相，和你想的不一样。

AI很火，这谁都知道。

2026年刚过去不到半年，Agentic AI、OpenClaw、Harness……新概念一个接一个往外冒。企业纷纷试水，各种Demo和PoC项目遍地开花。资本市场更是热情高涨，只要和AI沾边，估值就能翻几番。

但热闹背后，另一组数据却不太好看。

瑞银2026年5月发布的一份调查报告揭示了一个尴尬的现实：截至今年3月，只有19%的企业实现了AI的“规模化生产部署”，两年前这个数字是10%。更值得注意的是，一年前有84%的企业预期自己能在12个月内完成规模化部署，但实际上只有5%做到了。这种系统性乐观偏差在每轮调查中都在出现，而且差距还在持续扩大。

Gartner的数据同样触目惊心：相当比例的生成式AI项目在PoC后被放弃，原因集中在数据质量、风险控制、成本和业务价值不清。Gartner还预测，到2026年，60%没有AI-Ready数据支撑的AI项目将被放弃。

技术的进化是指数级的，但企业落地的速度是线性的。落差正在扩大。

就在这样的背景下，2026年5月14日，袋鼠云以“数序重构·智启新生”为主题，举办了十周年春季数智发布会。会上，袋鼠云正式发布了“Data+AI智能飞轮”战略，同时宣布核心产品“数栈”升级到V7.0，定位为“多模态数据智能平台”。

那么，袋鼠云是如何看待市场发展，又是如何做的？为了回答这个问题，数据猿专访了袋鼠云董事长陈吉平（花名“拖雷”）。他既是阿里系数据老兵——曾参与阿里第一代大数据平台建设，也是中国最早一批大数据创业者的代表。从2015年创办袋鼠云至今，他亲历了数据产业从“建数仓”到“做中台”再到“+AI”的全过程。

接下来，我们将从这个行业老兵的视角，来试图理解市场真实的走向。

企业AI，为什么迟迟落不了地？

要理解袋鼠云的战略，首先要理解一个问题：为什么AI概念这么热，企业级应用满意度却没有同步提升？

拖雷给出的判断，和多数人的直觉不太一样。

拖雷认为，2026年之前，行业都在“搞模型”。“大家基本上都在做模型相关的事情，企业也在做一些通用模型能做的事，比如会议纪要、写文档、整理材料等通用技能。”

但2026年发生了一个转折，标志性事件是小龙虾的崛起与Anthropic的爆发——Q1的收入与使用量增长达到80倍，标志着从2026年起，AI从模型走入到行业场景，变成了企业AI场景落地的元年。

“Anthropic的应用场景发展很快，Open AI跟不上了。”拖雷说。这句话听起来有些激进，但他的逻辑很清楚：模型的能力已经很强了，谁能结合模型、私域数据、深入行业场景，创造最终价值，谁才是赢家。

这个判断，直接决定了袋鼠云的战略方向——基于数据、模型、智能体企业AI场景三要素，打造“Data+AI”的智能闭环。

最大的卡点：私域数据与模型脱节

那么，企业AI落地具体卡在哪里？

拖雷的答案很直接：私域数据与模型脱节，导致数据价值无法发挥。

大模型训练的是公开数据，而企业的核心数据——业务数据、行业知识、决策逻辑——都在私域。模型不理解企业，企业的数据也没准备好给模型。

OpenText报告也指出，超过90%的全球数据位于企业和政府私域。

“数据一套、模型一套，这是最大的问题。”拖雷说。

更棘手的是，私域数据中大量是非结构化的。Gartner指出，企业新生成的数据中有80%-90%是非结构化的，涵盖文本文档、PDF、邮件、音视频等，且其增长速度是结构化数据的三倍。这些数据里有经营、生产、供应链等业务事实，也有指标口径、权限边界等业务语义，还有邮件、会议纪要、合同等历史沉淀。

传统数据平台处理不了这些，AI自然也用不上。

拖雷举了一个例子：有些企业部署了DeepSeek或其他大模型，但模型根本不理解他们的数据——因为数据没有准备好给模型用。这就形成了一个悖论：模型越来越强，但企业用不起来。

从Demo到规模化：最容易被低估的挑战

如果私域数据问题是“能不能做”的基础门槛，那么从Demo到规模化，考验的就是“能不能做好”的执行力。

拖雷把企业AI应用分成两类。一类是通用性应用——会议纪要、文档生成、材料整理。这些已经在用了，门槛低、见效快。另一类是结合企业数据的深度应用——经营决策、降本提效等场景，这些还在初期。

“关键在于第一个场景能不能走通。”拖雷说。

他讲了一个亲身经历：当年在阿里，第一个数据应用场景走通之后，给了整个公司巨大的信心，逐渐发展为一家数字化驱动的公司。“星星之火可以燎原，第一步走出来就很关键。”

这个观点很重要——企业AI落地不是技术问题，是“数据+AI场景+组织”的系统工程。找到一个好的切入点，比什么都重要。

数据闭环：还没转起来，但一定会转

到这里，问题已经清晰了：私域数据是卡点，场景切入是关键，但还差最后一环——数据闭环。

理想模式是“智能飞轮”——数据驱动智能，智能反哺数据，形成正向循环。AI应用在使用过程中产生反馈和新数据，这些数据再回到系统里，让模型更懂业务、更准、更聪明。

但拖雷很坦诚：行业目前还在“把应用用起来”的第一阶段，真正的数据闭环还在建立过程中。

“大家都理解这个模式，但还在尝试场景和应用的阶段。”拖雷说。

他用广告系统做了个类比。淘宝、Google的广告系统，本质上是自动进化的——用户行为数据反馈给算法，算法持续迭代。AI应用其实也一样：先用起来，产生新的数据，再反哺，再进化。

“闭环一定会来，现阶段先用起来产生价值更重要。”拖雷说。

这个判断很关键，它意味着整个行业的AI场景落地还处在早期阶段，这也是袋鼠云巨大的机会所在。

袋鼠云要怎么破局？

讲完行业痛点，话题自然转向袋鼠云——这家公司打算怎么解这些问题？

拖雷的回答围绕着“Data+AI智能飞轮”战略展开——让数据驱动智能，让智能反哺数据，形成持续进化的正向循环。这个战略不是凭空提出的，而是对前面所有痛点的系统性回应。

袋鼠云“Data+AI智能飞轮”战略示意图

总战略：“Data+AI智能飞轮”

这个飞轮的逻辑是：企业每天产生大量数据——经营数据、生产数据、设备数据、客户数据，也包括文档、图片、视频、空间、流程、经验这些多模态数据。这些数据先要被持续接入、持续治理、持续组织，形成可以被智能理解和调用的数据底座。然后，通过各种智能体，比如智能指标、辅助决策、各种数据智能场景、空间智能场景等这些应用才能真正进入业务。

更重要的是，当这些应用跑起来以后，会不断产生新的反馈——用户怎么问、系统怎么答、人工怎么修正、结果怎么样——这些都会成为新的高价值数据，再回到平台里，沉淀成新的指标口径、知识规则、业务语义、场景模板。

支撑这个飞轮的，是“一体两翼”的能力体系。

“一体是多模态数据智能平台，负责把企业的结构化数据、非结构化数据、时空数据统一接进来，完成治理、开发、语义组织和服务供给。两翼是数据智能和空间智能。数据智能解决企业怎么更好地利用数据辅助决策，降本增效；空间智能解决企业怎么更好地感知现场、理解空间、连接物理世界。”拖雷说。

“一体是底座，两翼是价值出口，也就是袋鼠云正在做的AI场景。”

这个框架把袋鼠云的产品矩阵说清楚了：底座是数据能力，两翼是场景价值。

袋鼠云技术产品体系

产品升级：数栈V7.0多模态数据中台

底座具体是什么？是数栈V7.0，定位为“多模态数据智能中台”，最大的变化是从“只处理结构化数据”扩展到“结构化+非结构化统一管理”。该平台能实现多模态计算存储底座对接，4步20分钟完成集群配置，支持CPU+GPU混合调度，适配Hadoop、Doris、MinIO等主流存储引擎。

拖雷说，“以前客户只能解决结构化的问题，现在想解决合同、邮件、文档、音视频的问题，发现结构化数据平台已经不满足了。我们就是把这个能力补上来。”

技术上，袋鼠云有一个很务实的策略：关注增量价值，不重复造轮子。

拖雷解释说：“多模态处理涉及很多单点技术——OCR、向量库、知识图谱、视频解析等等。这些技术在各个单点上已经存在了。我们的核心不是去攻克这些技术单点，而是构建统一的管理框架——统一采集、统一存储、统一加工、统一计算、统一元数据、统一语义检索。”

他把这个平台比作一个“更大的仓库”：“你可以调用各种工具，但所有数据都在一个体系里管理。AI应用只要通过这个平台去调度数据就行了，不需要到处去找。”

两翼之一：数据智能——智能指标，要“取代报表”

底座之上，是场景应用。比如目前拖雷最看重的场景之一，是智能指标——袋鼠云的对应产品是AIMetrics 智能指标平台。

为什么这个场景重要？因为传统报表太落后了。

传统报表是被动的、滞后的，老板看报表时，问题已经发生了。而且报表不能归因分析，不能主动预警，更不能给出建议。

“智能指标可以取代报表，取代分析师。”拖雷说。

AI驱动的智能指标平台能做到什么？主动归因——“为什么上个月销售额下降了15%”；预警预测——“下个月情况会如何？”；给出建议——“建议加大华东区某渠道的投放”。

这个愿景一旦实现，企业决策方式将被重构。

当然，拖雷也承认“路很长”——要结合行业know-how、企业决策习惯、私有数据。但方向是明确的。

两翼之二：空间智能——从“看见”空间到“预演”未来

如果说数据智能解决的是“理解经营”的问题，那么空间智能解决的就是“感知现场”的问题。

拖雷说，空间智能主要让企业更好地感知现场、理解空间、连接物理世界，典型能力包括数字孪生、仿真推演、AI数字人、空间智能体。

底座和场景之间，还有一个关键角色——交互入口。

袋鼠云的“灵瞳智能体”承担了这个功能，它不是孤立的聊天机器人，而是连接用户与整个产品体系的桥梁。用户通过自然语言对话，灵瞳将需求分发到数据智能、空间智能等各个产品线去执行。

拖雷把它比作“一个聪明的小助手”：“你可以跟它对话，它把你的需求分配给各个产品去执行。”

目前，灵瞳智能体已覆盖数据开发、数据治理、数据分析和产品操作四个场景。据介绍，它能帮助用户显著提升业务效率。

战略和产品之外，商业化是另一个关键问题。

不同行业，袋鼠云的打法不一样。

“金融行业我提供标准化产品就行。在水利行业，客户关注的是大坝安全、防洪防灾等场景，大部分行业都跟水利行业一样，更多关注的是业务场景，做价值驱动。”拖雷说。

淹没范围仿真推演

定制化方面，袋鼠云的原则很清晰。

“我一定希望做可复用的东西。如果你定制化特别多，我们也会拒掉一些。”拖雷说。这个原则在ToB领域很难坚持，但袋鼠云选择了一条更可持续的路——不做“单个项目公司”，做“通用场景公司”。

出海方面，袋鼠云去年开始布局。目前规划了三步走的策略：服务中国出海企业（东南亚、中东）→服务海外华人/跨境企业→服务本地海外企业。

“海外市场更健康——没那么内卷，定制化需求少，付款意愿强。”拖雷说。这或许是袋鼠云寻找增量的一个重要方向。

Data+AI——全球同行的共识

很多人会把袋鼠云视为“中国版的Databricks”。这个类比并非毫无道理。

拖雷自己也承认这一点：“早期技术路径很相似，都是做大数据的底座出身。”事实上，两家公司在核心逻辑上是高度一致的——都在构建从数据治理到AI应用的一体化平台，都在解决“让企业数据更好地为AI服务”这个核心命题。袋鼠云的“智能飞轮”与Databricks的“Data Intelligence Platform”，本质上是同一个方向的两种表达。

差异当然存在——Databricks偏公共云标准化，袋鼠云偏私有化部署和行业场景。但这更多是中美市场环境的不同，而非技术路线的分野。正如拖雷所说：“在Data+AI这个大方向上，大家的判断是趋同的。”

当然，袋鼠云不是简单的“中国版”，而是这条全球共识赛道上的一个中国样本。

接下来，往哪里走？

对话的最后，话题转向未来。拖雷分享了袋鼠云接下来的重点方向，以及对行业趋势的判断。

拖雷说，袋鼠云接下来会重兵投入三个方向。

第一，多模态数据智能平台持续迭代，包括高质量数据集、语义理解、AI智能体的高效搭建等——让AI能够快速生成、准确地“读懂”企业各类数据。这不仅仅是技术问题，这是未来智能体的底座。

第二，数据智能深化。继续深耕“智能指标”场景与其它业务场景，比如智能指标，结合行业know-how和企业决策习惯，真正取代传统报表与分析师。拖雷认为这是“非常好的未来场景”，但“路也很长”，类似医生助手，目前起码可以做到很好的辅助决策效果。

第三，空间智能突破。深化仿真推演能力——从“看见”空间，到“预演”未来。比如在亚运会项目中，袋鼠就支持了赛前模拟推演，赛中安防安保，赛后丝滑散场的实战指挥场景。目前，类似这样的空间智能场景已经扩展到工业，港口，能源矿山等不同的行业中。

我问了拖雷最后一个问题：袋鼠云最想做的事情是什么？他的回答很干脆：以智能飞轮推动AI在企业的价值释放。

这个答案不算意外。从“数据中台”到“智能基础设施”，袋鼠云十年的演进轨迹，恰恰映射了中国企业数据服务产业的变迁——从“把数据管好”到“让数据产生智能”，从支撑决策到驱动业务。

而这个变迁背后的驱动力，是Data+AI正在释放的巨大价值。

试想一下：当企业所有的数据——经营数据、生产数据、客户数据、设备数据，连同那些沉睡在合同、邮件、图纸、会议纪要里的非结构化数据——被真正组织起来、被AI理解、被智能应用调用，会发生什么？

决策不再是经验主义的。CEO不再需要等分析师花三天拉一份滞后的报表，AI可以在几秒内告诉他“为什么下降、会跌多少、该怎么办”。生产不再是“出了问题再修”。设备运行的微小异常可以被提前捕捉，在酿成故障之前就完成预测性维护。营销不再是广撒网，AI可以基于全域数据理解每一个客户，在正确的时机、用正确的方式触达。

这正是袋鼠云这样的数据智能厂商的机会，也是它选择的方向。

“让数据与智能持续共生。”拖雷在发布会上用这句话总结了袋鼠云的十年，也定义了下一个十年的方向。

闭环还在蓄力，飞轮还在加速。但当数据和智能真正开始相互滋养，企业数智化的下一个时代，才刚刚开始。

历史的车轮将走向哪里，未来又会发生哪些精彩的故事，就让我们拭目以待吧。