市场规模：企业服务的本质是技术驱动的社会分工变革。围绕数字化转型的核心理念，技术手段和数据要素的重要性不断提升。 2023年中国企业服务市场规模将达到约11.4万亿元，同比增长4.5%。预计到2026年市场规模将达到13.6万亿元。通过推进专业化、标准化，推动中国企业经营管理现代化。

技术变革：

1）大模型：大模型赋予生成式AI处理复杂任务的泛化能力，拓宽了企业服务的能力边界。将行业专业知识、企业私有数据和大模型结合起来，可以减少模型错觉，提高对特定任务的适应性，更好地满足专业场景的需求。

2）Agent：大模特兴起后，Agent与大模特融合并取得共同成功。 AI Agent有选择地集成大型模型和多种先进算法，形成具有独立思考和工具调用能力的系统，以满足更广泛的垂直场景的需求。

3）数据治理：随着业务规模和系统规模的不断增加和扩大，为了支持海量数据的存储、高并发访问以及保证数据的可靠性，分布式数据管理的概念应运而生。同时，传统的单一、静态、被动的数据管理模式也将转变为全面、动态、主动的数据管理模式。

业务变化： 1）出海：目前企业服务商出海的主要服务对象是中国海外企业，本地化生态和竞争力有待完善。 2）新创：新创在基础硬件、云基础设施、基础软件、应用软件、网络安全等领域实现了规模化推广。初步构建了从芯片到软件的芯创生态系统，未来将持续向核心应用迈进。 3）产业化：针对高需求的垂直领域积累最佳实践，形成行业解决方案，帮助制造商提高市场竞争力和盈利能力。

发展建议：1）需求方应根据企业成长阶段、采购偏好等因素选择一体化或垂直型产品。 2）供给方在保持各自核心竞争力的同时，无需拘泥于标准化或定制化的服务模式，可以适当扩大服务范围，相互渗透。 3）在大模型应用过程中，建议企业综合评估短期和长期投入产出，明确自身能力边界，构建系统工程。

企业服务的定义及研究范围

为具有外包、平台或租赁等典型供应模式的企业提供服务。

企业服务是指为“企业”提供“服务”。与向个人提供的服务和一次性交付的产品不同，企业服务往往需要在很长一段时间内逐步实现价值转移，并且具有定制性（根据客户的具体需求提供个性化解决方案）和专业性（整合专业知识、技能和知识）。行业知识）、复杂性（甲方需要匹配文化和组织；乙方需要匹配交付和培训）、连续性（一般情况下甲方不会轻易迁移，刚需的服务会一般是稳定更新）和技术驱动（依靠先进技术提供高效、智能的服务）。

根据服务模式，企业服务可分为外包型、平台型和租赁型。外包类型包括专家型、经验型和程序型。服务特点是：复杂度高、标准化程度低、客单价高；甲方省钱又省心。平台类型包括B2P2B、C2P2B等，服务特点是：标准化程度高、使用频率高、价格低廉，但通常不能完全自动化。租赁类型包括传统租赁类型和云服务类型。服务的特点是：可以自动完成，也可以依赖资源完成。这三类企业服务的详细定义和比较可以参考艾瑞咨询《2020年中国企业服务研究报告》和《2021年中国企业服务研究报告》，这里不再赘述。

企业服务的演变及背景

数字化转型加速，围绕数据和技术要素提升服务能力和价值。

早期的企业服务市场以外包服务为主，如人力外包、市场调研、法律咨询、物流配送等，这些服务大多以劳动力为载体，承载知识、信息或土地等其他要素形成竞争力。进入数字时代，以云计算、物联网、人工智能、大数据等为代表的新一代信息技术开始成为重要的生产要素。围绕数字化转型关键词，租赁服务应运而生，技术手段和数据要素的重要性不断提升。即使对于传统的外包服务，内部管理的数字化升级也同样重要。 2023年以来，OpenAI掀起的大模型浪潮席卷企业服务领域，各细分领域领先厂商纷纷以大模型为技术基础，探索“AI+”。未来，企业服务将继续通过推进专业化、标准化，推动中国企业走向现代化管理。

中国企业服务市场规模及预测

2023年市场规模约为11.4万亿元，未来三年复合年增长率为6.1%。

从长远来看，企业服务的本质是技术驱动的社会分工变革。科技创新东风推动企业服务市场发展，扩大企业服务管理半径，推动服务内容和服务形式更加多元化。此外，整体行业数字化与企业数字化的推进相辅相成，加之国家政策的大力支持，也成为企业服务市场发展的主要动力。根据艾瑞咨询测算，2023年中国企业服务市场规模将达到约11.4万亿元，同比增长4.5%。预计未来三年复合增长率将达到6.1%，到2026年市场规模将达到13.6万亿元。虽然2023年疫情管控措施将有所放松，但由于企业预算和市场恢复相对有限由于各行业的乐观情绪，中国企业服务市场的增速与2022年相比将相对温和，仅实现从4.1%到4.5%的小幅增长。未来三年，随着宏观经济的进一步复苏以及AI大模型等技术的广泛落地，市场增速有望逐步恢复。

中国企业服务赛道概览

按业务和职能部门划分企业服务轨迹（详细地图见附录）

生成式人工智能重塑企业服务

大模型赋予生成式AI处理复杂任务的泛化能力，拓宽企业服务的能力边界，提升服务价值。

生成式AI是一种基于现有数据生成新数据实例的人工智能技术。得益于Transform架构大模型的自注意力机制和泛化能力，大模型支持的生成式AI展现出智能水平。跳。越来越多的企业希望将生成式人工智能融入到具体业务中，以实现降本增效、产品改进、创新激励等一系列目标。目前，生成式人工智能的主要能力集中在创意内容生成、信息查询与提取、自然语言交互三个领域。可以与营销获客、产品研发、服务运营、战略管理等多种场景叠加发挥。不同的价值观。这也意味着任何细分领域的企业服务厂商都有机会抓住生成式AI的机遇，拓展服务边界、提升服务价值。

大模型在企业服务领域的实施路径

从通用大型模型到企业级应用，领域专业知识是关键障碍

由于大型模型不可避免地存在一定的错觉问题，而企业级应用对稳定性、准确性和可解释性有更高的要求，因此一般参数大、应用范围广的大型模型并不适合大多数大型企业场景。不是最好的选择。将行业专业知识、企业私有数据和大模型相结合，可以有效减少模型错觉，提高对特定任务的适应性，更符合专业性强的场景需求。制造商可以有选择地在预训练、微调和RAG（检索增强生成）环节引入领域专业知识。例如，首先通过预训练获得具有丰富专业知识的基础模型，然后对其进行微调以适应特定行业或任务，最后结合RAG增强模型理解和回答特定查询的能力，模型可以也只需一两个步骤即可优化。具体选择何种技术路径，应根据场景特征和数据依据，综合判断投入产出比。

大模型部署与服务模型探讨

智能算力云上：提供算力资源供给、调度、分配一站式模型服务平台

大模型的部署和应用存在较高的技术和资金门槛。因此，训练通用大模型和行业大模型只会成为少数公司的选择。更多的公司会考虑在商业模型或开源模型的基础上部署自己的大模型。模型应用。尽管在某些场景下，企业客户对安全性、可靠性有着极高的要求，但由于AI芯片供应不足、计算资源成本高、利用率低等诸多原因，云上的智能算力仍然是一个较高的成本。 -有效的选择。在此背景下，出现了两种新的服务模式：云计算供电系统和一站式模式服务平台。既有资源积累又有模型能力的云厂商将成为重要参与者。同时，相关服务提供商还应提供可靠的数据安全保障，减少企业客户在云端部署大型模型应用的顾虑。

代理商的发展历程

代理已经存在很长时间了。大模型兴起后，两者融合实现相互成功，实现方式多样、灵活。

AI Agent的概念定义

目前，AI Agent是指通过大模型和多种先进算法的选择性合成，具有独立思考和工具调用能力等特征的系统。

AI Agent没有严格的技术定义。它通常结合了一系列组件和功能来执行任务、做出决策以及与环境或用户交互。特别是在大模型成长并稳定之后，AI Agent通常会在大模型中成长。具备选择性叠加能力，具备自学习、反思、任务规划、工具调用等独立思考能力，从而输出更符合用户场景需求的精准答案，或者为用户完成程序操作，为人类解决更多问题。问题范围广泛。

AI Agent应用概述

企业级AI Agent以原生或业务辅助方式提供，可广泛结合垂直需求场景

AI Agent兴起后，在C端和B端都催生了广泛的应用：

•C端模式通常是独立的Agent构建平台，释放了个人用户的创作热情（但也由于创建门槛较低，即使创建大量Agent，整体AI Agent的可用性仍然不高）需要改进），同时也出现了很多成熟的社交AI Agent应用。

•从供应商的角度来看，企业级AI Agent可以分为两类。一类是原生AI Agent厂商，提供AI Agent搭建平台或定制服务，满足客户的Agent需求。另一类厂商将AI Agent能力与自身其他主营业务相结合，旨在完善产品矩阵或提升原有产品使用效率/体验。例如，代码开发工具厂商可以提供AI Agent助手来协助代码编辑，或者提供开发AI Agent的平台，让开发者创建自己的Agent。另一个例子是RPA供应商，他们可以为RPA代码开发人员提供AI Agent编辑助手，或者提供生成RPA特定代码块/流程的AI Agent。

•目前供给侧重点关注营销场景的代码辅助开发和内容生成应用。需求侧的应用场景显得相对灵活且分散。

分布式数据管理

处理大规模数据和高并发访问请求，同时保证数据安全性和一致性

围绕数据全生命周期的动态防御

完成从单一、静态、被动向综合、动态、主动的转变

大数据背景下，数据的生成和处理变得日益多样化和复杂，数据安全面临着前所未有的威胁。传统的安全措施往往局限于孤立的防御点、静态的策略和被动的反应，已经不足以应对大数据环境下复杂的安全问题。为了有效保护大数据环境下的信息资产，安全防御策略必须考虑数据流的复杂性、数据之间的互联性以及数据的内在价值，并强调数据在不同时刻的持续、自适应实施。从创造到毁灭的每个阶段。性措施。这一战略要求安全技术和系统从单一、静态、被动的模式向综合、动态、主动的模式转变。通过这种转型，组织可以更有效地预测、识别和防御各种安全威胁，确保数据完整性、安全性和可用性，支持业务可持续发展。

人工智能与数据治理深度融合

人工智能优化数据治理，数据治理奠定人工智能基础

人工智能的发展与数据治理相辅相成，为数据价值的展现带来“质的提升”。一方面，随着数据量的增加，数据治理变得越来越复杂，人工智能的应用可以自动化数据治理流程，提高数据治理的效率和准确性。同时，人工智能在数据分类、异常检测、模式识别等方面的能力可以帮助加强数据质量管理和风险防控。另一方面，人工智能的发展也依赖于大量数据的处理和分析。数据治理可以提高数据质量，增强数据合规性和安全性，从而为人工智能的应用提供结构化、高质量的数据基础。保证算法训练和模型决策的准确性和可靠性。两者的结合不仅提高了数据驱动决策的智能化水平，也为构建可信、可持续的智能系统奠定了基础。

技术面展望：交互和开发模式的变化

内外兼修，化繁为简，利用自然语言交互和代码生成能力驱动厂商进化

得益于上述技术面的演进，企业服务厂商将在交互模式（自然语言交互+All in One）上探索更便捷的用户体验，在开发模式层面探索更高效的输入输出（代码一代人+几千人几千张脸）。这种变化将不仅仅局限于各类IT服务提供商。传统上依靠劳动力作为最终交付的企业服务商也可以抓住新技术带来的机遇，通过技术改造巩固核心竞争力。

中国企业服务商出海趋势

主要服务对象为中国海外企业，本地化生态和竞争力有待提升。

随着国内市场竞争的日益激烈以及政策的积极推动，国内企业纷纷寻求海外市场来实现增长。跨境电商、移动应用成为海外拓展的先行领域，带动相关服务商业务增长。这些服务商专注于提升企业内部管理、外部协作能力和产品本土化竞争力，以适应海外市场更长的产业链和消费者需求，旨在增强海外企业在全球市场的竞争力。同时，另一类企业虽然主要服务于中国海外企业，但其服务也适合海外本地市场，具备大规模扩张的潜力。此类企业拓展海外市场需要更深入的本地化策略，包括与当地生态的合作、品牌建设以及建立本地服务团队等。通过深入的市场研究，可以制定符合海外市场特点的本地化业务拓展策略，实现业务的可持续增长。

中国企业服务商信息化创新趋势

发展已成既定趋势，初步需求已得到满足，生态纵横联盟正在加速。

信息创新是指自主技术创新，旨在为我国经济发展和社会运行构建安全可控的信息技术支撑。目前，芯创正在基础硬件、云基础设施、基础软件、应用软件、网络安全等领域推进规模化发展，初步构建了从芯片到软件的芯创生态圈。经过多年的发展，信创基础软硬件的基本性能已经满足日常办公和部分生产场景的需求，并正在向核心应用渗透。预计未来中国信创市场将保持快速增长，2026年将突破2000亿元。随着信创应用的不断拓展，用户需求的多样性增加，业务场景的复杂度增加，这将使得信创市场规模不断扩大。对新创厂商的生态发展提出了更高的要求。

企业服务商产业化趋势

积累高需求垂直领域的最佳实践，提高市场竞争力和盈利能力

产品选型探讨：整合与垂直化

需求端，应根据企业成长阶段、购买偏好等因素选择一体化或垂直型产品。

企业服务商的产品定位可分为两种：追求“全面”的多细分解决方案，追求“专业”的单功能细分服务。例如，人力资源提供商可能提供全面的人力资源服务，但也有专门提供工资管理服务的提供商。

受经营力度和成本的限制，供应商通常选择“综合”或“专业”之一作为其核心战略。虽然市场上存在两种模式相互渗透的趋势，但这种渗透通常是有选择性的。供应商会根据自身优势和市场定位有选择地扩展或部分扩展功能，而不是全面铺开。这一战略更多的是在原有基础上深化和拓展能力，而不是简单地争夺市场。需求方企业需要根据自身的具体需求、业务特点和发展战略综合考虑，确定是选择一站式综合服务还是在特定领域有深入专长的专业服务。

服务模式探讨：标准化与定制化

供给侧在保持各自核心竞争力的同时，适当拓展服务范围，相互渗透。

大模型应用探讨：误区与建议

综合评估短期和长期投入产出，明确能力边界，构建系统工程

目前，大模型技术仍处于快速迭代过程中，大多数企业对于是否应用大模型以及在什么场景下仍然存在疑问。同时，大模型初始投入较高、应用效果不确定性较高，也使得企业决策者普遍对大模型持更加谨慎的态度。为此，建议企业首先根据自身的发展战略、资源和技术准备情况，明确是将大模型作为战略方向还是作为试点/孵化项目。在计算大模型的投入产出模型时，不宜过分追求短期财务指标。建议将目标收入预期延长至2-3年。在应用大模型时，注意不要盲目看好大模型的能力，把所有用传统技术手段能解决的问题都留给大模型。相反，工作流程应该基于场景进行系统设计，在适合大型模型的模块中充分发挥其价值，协同各种技术手段共同解决问题。