【中国经济网】汽车业AI应用从规模投入转向价值兑现

10月22日至23日，2026汽车AI World创享年会在广州举行，300余家企业、600余名代表参会。记者从会上了解到，被反复提及的不只是模型和参数，还有一组与利润有关的数字，以及一个更现实的问题：钱投下去了，账怎么算回来？

国家统计局口径下，1—7月汽车制造业利润同比下降20%，营业收入利润率3.6%。（口径说明：文中3.6%指汽车制造业营业收入利润率。）

产销端是另一组对照。工业和信息化部数据显示，1—9月汽车产销分别为2324.6万辆和2327.1万辆，同比均下降4.5%；新能源汽车产销分别增长11%和11.1%，新车销量占比升至53.6%（行业统计口径，含出口）。价格端，乘联分会监测的8月乘用车降价车型较上年同期减少13款，降价幅度却达16.1%（监测对象为车型指导价调整，不等同于终端成交价）。

行业利润收缩，既是竞争加剧的结果，也处在向智能化、服务化转型的投入期。不少企业正通过结构优化、海外市场与软件服务寻找新的盈利曲线。但钱投下去后如何算回来，两天会期里没有统一答案。

约八成AI Agent项目集中在通用辅助场景

联友科技总经理高亮在主题演讲中提出，多数企业的AI投入正陷入“局部很热闹，整体没价值”的状态，预算集中在办公、客服等辅助环节，业务模式没变，投入难以转化为经营收益。

他援引的数据是：2026年中国企业AI Agent项目中，通用辅助类场景占83.7%，专业纵深业务场景占16.3%（第三方调研结论，样本与方法未披露，仅作趋势参照）；麦肯锡调研显示，近九成组织已在至少一个职能中常规使用AI，被界定为“高绩效者”的约占6%（全球样本，与中国市场存在差异）。

不过，对“浅水区”的理解在会上并不一致。火山引擎专家提出的“复利工程”给出另一个角度：一次投入是否“浅”，不只看发生在哪个环节，还要看能否沉淀为可复用资产。

三种“算法”：收入结构、协同方式、业务载体

同济大学汽车与能源学院教授、资深汽车安全专家朱西产的算法，是换收入结构。他提出，AI是智能汽车的灵魂，智能汽车已进入大模型上车时代；产业盈利模式将从卖车逐步转向软件订阅与运营服务，行业需建立指数增长思维。他也提到，端到端技术仍存在边缘场景与安全边界难题；定线运营的Robo X可探索车路云网联智能的商业化路径，遵循“先货运后客运、先定线后全域”的顺序。该方向尚处试点探索阶段，商业化落地仍需法规、路侧基础设施与安全验证持续完善。上述判断在会上属于嘉宾观点，而非定论。

长安汽车高级副总工程师袁小丰的算法，是换协同方式。他提出，我国供应链出海已进入系统性出海阶段，正从“世界工厂”向全球供应链枢纽演进。但AI在全链路的渗透面临共性障碍：订单碎片化、长短期计划脱节、基础数据不全、算法黑盒。长安与联友共建的三级计划体系与AI+APS三层技术架构，落地了一个计划、三轮齐套校验与AI辅助决策——重点不在模型，而在把计划口径先统一起来。

高亮的算法，是换业务载体。他认为AI变革不能靠单点工具外挂，要让改变在数字世界和物理世界同时发生。由此构成“AI World”的两个要素：“居民”，即碳基人定目标、硅基人与具身人协同执行的全域端到端Agent；“土壤”，即基于行业Know-how的AI原生底座。他披露制造端的试点目标：排产效率提升42%、整车库存下降40%（上述为企业限定场景下的试点测算与目标值，样本有限，不具备行业普适性）。

三种算法落点各不相同：收入结构、计划体系、业务载体。共同点是——没有一家把答案落在“模型更强”上。

三本相对容易算清的账

六场分论坛中，有三场对应的账目相对容易算清：营销环节的获客成本、到店率、转化率都是现成指标；采购环节的账落在合规成本与单品成本上，一个百分点的变化对应的都是实际支出。金融环节的账更复杂，且需明确边界：AI在该领域仍是辅助工具，信贷审批与资产管理仍需人工复核与监管合规，不能替代授信决策责任。

从“上了多少工具”到“改了多少业务”

会上另一个被反复讨论的对比，是“AI定义汽车”与“软件定义汽车”。联友科技总经理高亮提出，前者定义的是产品本身，工程框架相对明确；后者重塑的是整条价值链甚至组织流程，难点在于“懂AI的人不一定懂业务，懂业务的人不一定懂AI”。他由此认为，考核AI的方式需要改变：不能只问上线了多少个智能体，还要问哪笔业务的成本结构因此变了。

这背后是管理视角的转变。科技部原党组成员、国家制造强国建设战略咨询委员会委员、国际欧亚科学院院士张景安在演讲中指出，智能网联汽车是AI技术最重要、最复杂的实体应用场景之一，已进入大模型落地的关键攻坚期，同时面临长尾场景、技术碎片化、安全伦理压力、产学研断层四方面挑战；产业创新要从“单点竞争”转向“生态协同”。中国人工智能学会副秘书长余有成则把当下称为商业化落地的“关键窗口期”，倡议聚焦核心技术合力攻关、筑牢安全标准与数据治理体系。

结语：

把两天会期的观点摆在一起，能够确认的共识是：AI投入要落到具体场景，场景要能被复制、被算清；考核要从“上线多少个智能体”转向“哪笔业务的成本结构变了”。至于算清之后怎么走，分歧仍在——有人主张换收入结构，有人主张换组织与资产形态，有人主张从底座与生态入手，也有人认为先把基础的数据与计划口径统一起来更实际。这几条路未必互斥。

20%的利润降幅和3.6%的利润率，决定了2026年行业对AI的态度已从“要不要投”转向“投下去怎么算回来”。但这道题的答案，未必会由某一家企业的方案给出。