企业服务的定义及研究范畴
面向企业提供的，以外包型、平台型或租用型为典型供给模式的服务
企业服务是指面向“企业”的“服务”。区别于为个人提供的服务以及一次性交付的产品，企业服务往往需要通过较长的时间逐步实现价值转移，具备定制性（针对客户的具体需求提供个性化解决方案）、专业性（融合专业的知识、技能和行业know-how）、复杂性（甲方需在文化、组织上配套；乙方需在交付、培训上配套）、持续性（一般情况下甲方不会轻易迁移，刚需服务一般会稳定续费）以及技术驱动（依赖先进的技术手段提供高效、智能化服务）等特点。
依据服务模式，企业服务可以划分为外包型、平台型与租用型。外包型包含专家型、经验型、程序型，服务特点为：复杂性高、标准化程度低、客单价较高；甲方花钱买省心。平台型囊括B2P2B和C2P2B等，服务特点为：标准化程度高、使用高频、低价，但通常无法完全自动完成。租用型包含传统租赁型与云服务型，服务特点为：可自动完成，或依赖于资源。关于这三类企业服务的详细定义和对比可参考艾瑞咨询《2020年中国企业服务研究报告》与《2021年中国企业服务研究报告》，此处不再进一步赘述。
企业服务的演进历程与时代背景
数字化转型加速，围绕数据和技术要素提升服务能力与价值
早期的企业服务市场以外包服务为主，诸如人力外包、市场调研、法律咨询、物流配送等等，此类服务大多以劳动力为载体，搭载知识、信息或土地等其他要素形成竞争力。进入数字化时代，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。围绕数字化转型的关键词，租用型服务兴起，技术手段和数据要素的重要性不断提升。即使对于传统外包服务，内部管理的数字化升级同样至关重要。2023年以来，由OpenAI掀起的大模型浪潮席卷企业服务领域，各细分赛道的头部厂商纷纷以大模型为技术底座探索“AI+”。未来，企业服务将继续通过促进专业化、标准化，推动中国企业迈向现代化经营管理。
中国企业服务市场规模及预测
2023年市场规模约11.4万亿元，未来三年CAGR为6.1%
长期来看，企业服务的本质是技术驱动下的社会分工变革，科技创新的东风推动企业服务市场发展，使企业服务的管理半径得以扩大，同时推动服务内容、服务形式更趋多元化。此外，整体产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，也成为了企业服务市场发展的主要驱动力。根据艾瑞推算，2023年中国企业服务市场规模达到约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。尽管2023年疫情封控措施放宽，但由于各行业企业预算和市场乐观度的恢复相对有限，中国企业服务市场规模增速较2022年提升较为温和，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、AI大模型等技术的广泛落地，预计市场增速将逐步恢复。
中国企业服务赛道总览
基于业务和职能部门对企业服务赛道进行划分（详细版图谱见附录）
生成式AI重塑企业服务
大模型赋予生成式AI应对复杂任务的泛化能力，拓宽企业服务的能力边界，实现服务价值提升
生成式AI是一种基于已有数据生成新的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，由大模型加持的生成式AI表现出智能水平的跃升。越来越多的企业希望能够在具体业务之中结合生成式AI，实现降本增效、产品改善、创新激励等一系列目标。目前，生成式AI的主要能力方向集中在创意内容生成、信息查询提炼和自然语言交互三个领域，通过与营销获客、产品研发、服务运营、战略管理等各种不同的场景叠加可以发挥出不同的价值。这也意味着不论哪个细分赛道的企业服务厂商，都有机会把握生成式AI的机遇，实现服务边界的拓展与服务价值的提升。
大模型在企业服务领域的落地路径
从通用大模型到企业级应用，领域专业知识是关键壁垒
由于大模型不可避免的存在一定的幻觉问题，而企业级应用对于稳定性、精准性、可解释性的要求更高，参数量大、适用范围广的通用大模型对于多数大企业场景而言，并非最好的选择。将行业专业知识、企业私有数据与大模型相结合，可以有效降低模型幻觉，提高对特定任务的适应性，更加符合专业性强的场景诉求。厂商可以在预训练、微调和RAG（检索增强生成）环节选择性地引入领域专业知识，如首先通过预训练获得具有丰富专业知识的基础模型，然后通过微调使其适应特定的行业或任务，最后结合RAG来增强模型对特定查询的理解和回答能力，也可以仅在其中某一个或某两个步骤中对模型进行优化。具体选择何种技术路径，应结合场景特征、数据基础来对投入产出比进行综合判断。
大模型部署及服务模式探讨
云上智能算力：提供算力资源供给、调度、分配到一站式模型服务平台
大模型的部署应用存在较高的技术和资金门槛，因而训练通用大模型、行业大模型只会是少数企业的选择，更多的企业会考虑以商用模型或开源模型为基础部署自有的大模型应用。尽管在部分场景，企业客户对安全性、可靠性的要求极高，但由于AI芯片供不应求、算力资源成本高企、利用率低下等诸多原因，云上智能算力依然是性价比更高的选择。在此背景下，衍生出了云端算力供给体系及一站式模型服务平台两类新型的服务模式，同时具备资源积累和模型能力的云厂商将成为其中重要的参与者。同时，相关服务商也应当提供可靠的数据安全保障，以降低企业客户对云端部署大模型应用的顾虑。
Agent的发展历程
Agent早就存在，大模型兴起后两者融合相互成就，落地方式多样灵活
AI Agent的概念界定
目前，AI Agent是指通过选择性综合大模型和多种先进算法，具备独立思考、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的组件和能力来执行任务、做出决策、并与环境或用户进行交互，尤其在大模型成长稳定后，AI Agent通常会在大模型之上选择性叠加能力，具备自我学习、反思的独立思考能力和任务规划、工具调用等能力特征，从而输出更符合用户场景需求、更精准的答案，或者为用户完成流程性操作，为人类解决更广范围的问题。
AI Agent的应用概括
企业级AI Agent以原生或业务辅助模式提供，可广泛结合垂类需求场景
AI Agent兴起后，同时在C端与B端催生出广泛的应用：
•面向C端的模式通常是独立的Agent搭建平台，释放了个人用户的创作热情（但也由于由于创作门槛较低，即使创作出的Agent数量庞大，整体AI Agent的可用性仍有待提升），也涌现出不少成熟的社交类AI Agent应用。
•而企业级的AI Agent可从供应商维度分为两类。一类为原生型AI Agent厂商，以提供AI Agent搭建平台或定制化服务方式，满足客户的Agent需求。另一类厂商则将AI Agent能力与自身其他主营业务结合，以完善产品矩阵或提升原有产品使用效率/体验为目标。例如，代码开发工具厂商可提供辅助代码编辑的AI Agent助手，或提供开发AI Agent的平台，让开发人员自己创作Agent。再例如RPA厂商，可为RPA代码开发人员提供AI Agent编辑助手，或提供生成RPA专用代码块/流程的AI Agent。
•目前，供给侧集中于代码辅助开发和营销场景的内容生成类应用。而需求侧的应用场景则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，同时保证数据的安全性和一致性
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，分布式数据管理概念应运而生。分布式数据库（通过计算机网络将物理分散的多个数据库单元连接组成的逻辑上统一的数据库）是分布式数据管理的实现方式，包含数据分片、数据复制、事务处理、查询处理、数据安全和隐私保护等核心技术，具备以下几大特征：（1）分布透明性：用户不必关心数据的逻辑分区和数据物理位置分布；（2）集中节点结合：集中控制共享数据库，保障数据库的安全性和完整性；（3）复制透明性：用户可以将某个场地的数据复制到其他场地存放且不用关心各个节点间的复制情况，系统自动更新被复制数据；（4）横向扩展性：支持增加节点数量以扩展系统的处理能力；（5）数据一致性：即使数据分布在不同节点，应用程序仍能获得一致的数据视图。
围绕数据全生命周期的动态防御
由单一、静态和被动模式完成向全面、动态和主动模式的转变
大数据背景下，数据的生成和处理变得日益多样化和复杂，数据安全也面临更多前所未有的威胁。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，已不足以应对大数据环境中的复杂安全问题。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到数据流动的复杂性、数据间的相互关联以及数据内在的价值，强调对数据从创建到销毁的每个阶段实施持续的、适应性措施。这种策略要求安全技术与体系实现从单一、静态和被动模式向全面、动态和主动模式的转变。通过这种转变，组织能够更有效地预测、识别和抵御各种安全威胁，确保数据的完整性、安全性和可用性，支持业务的可持续发展。
人工智能与数据治理深度结合
人工智能优化数据治理，数据治理为人工智能奠定基础
人工智能的发展与数据治理相辅相成，为数据价值的彰显带来“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，而人工智能的应用能够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，有助于加强数据质量管理和风险防控。另一方面，人工智能的发展也取决于对大量数据的处理和分析，数据治理可以提升数据质量，增强数据合规性与安全性，从而为人工智能的应用提供结构化、高质量的数据基础，确保算法训练和模型决策的准确性和可靠性。两者结合，不仅提升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。
技术侧展望：交互与开发模式变革
内外兼修、化繁为简，自然语言交互与代码生成能力推动厂商进化
得益于上述技术侧的演变，企业服务厂商将在交互模式上探索更便捷的使用体验（自然语言交互+All in One），在开发模式层面探索更高效的投入产出（代码生成+千人千面）。这一变革将不仅局限于各类IT服务商，传统以劳动力作为最终交付的企业服务商，同样可以把握新技术带来的机遇，通过科技转型夯实自身的核心竞争力。
中国企业服务厂商的出海趋势
主要服务对象为中国出海企业，本地化生态与竞争力有待提升
随着国内市场竞争日趋激烈和政策的积极推动，国内企业纷纷寻求海外市场以实现增长。跨境电商和移动应用成为出海的先锋领域，带动了相关服务商业务的增长。这些服务商专注于提升企业的内部管理、外部协作能力以及产品本土化竞争力，以适应海外市场更长的产业链和消费者需求，旨在加强出海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出海企业，但其服务同样适用于海外本土市场，并具备规模化扩展的潜力。这类企业在海外市场的拓展需要更加深入的本土化策略，包括与当地生态的合作、品牌建设以及建立本地服务团队，通过深入的市场调研，制定符合海外市场特点的本土化业务拓展策略，实现可持续的业务增长。
中国企业服务厂商的信创趋势
发展已成定势，初步需求已满足，生态纵横联合正加速
信创是指自主技术创新，旨在为我国经济发展和社会运转构建安全可控的信息技术支撑。目前，信创在基础硬件、云基础设施、基础软件、应用软件、网络安全等领域规模化推广，初步构建起从芯片到软件的信创生态。经过多年发展，信创基础软硬件的基本性能已满足日常办公及部分生产场景所需，正在向核心应用渗透，预计后期中国信创市场规模将保持高速增长，并在2026年突破2000亿元。随着信创应用的不断拓展，面向的用户需求差异性增大，业务场景复杂度提升，将对信创厂商的生态发展提出更高要求。
企业服务厂商的行业化趋势
针对需求高频的垂直领域沉淀最佳实践，提高市场竞争力和盈利能力
随着市场竞争的不断加剧，为寻求拓宽收入来源，面向泛行业领域的企业服务厂商往往会针对需求高频的行业推出专业化的解决方案。此举意在通过挖掘重点行业客户的需求特征，在通用的产品和服务底座之上叠加行业化的能力，从而满足各个细分领域的需求。从投入产出的角度看，聚焦在特定行业领域，以相对标准化的方式满足一类客户的共性需求，既有助于将研发、供应链资源集中，也能够使得厂商在该领域树立起专业的品牌形象。通常而言，行业解决方案沉淀了企业服务厂商在特定行业的最佳业务实践。与之相对应的，厂商也需要在销售策略上进行一定的改变，围绕重点行业客户划分行业线，建立从售前到交付的完整服务链路。
产品选型探讨：一体化和垂直化
需求侧应综合企业的成长阶段、采购偏好等因素选择一体化或垂直化产品
企业服务供应商的产品定位可以分为两种：追求“全面性”的多板块解决方案，和追求“专业化”的单一功能板块服务。例如，人力资源供应商可能提供全面的HR服务，但也有供应商专注于薪酬管理的服务。
受限于经营精力和成本，供应商通常在“全面”或“专业”中选择一个作为核心战略。尽管目前市场上出现了两种模式相互渗透的趋势，但这种渗透通常是有选择性的，供应商会基于自身的优势和市场定位，选择性地拓展或者部分功能，而不是全面铺开。这种策略更多是在原有基础上进行能力的深化和拓展，而非简单的市场争夺。需求方企业则需要根据自身的具体需求、业务特点和发展战略来综合考虑，以确定是选择一站式的全面服务，还是选择在特定领域具有深度专长的专业化服务。
服务模式探讨：标准化和定制化
供给侧在保持各自核心竞争力的同时，适度拓展服务范围，相互渗透
大模型应用探讨：误区与建议
综合评定短期与长期投入产出，明晰其能力边界，构建系统性工程
当前大模型技术尚在快速迭代过程中，多数企业对是否要应用大模型、在何种场景应用大模型仍存疑虑。同时，大模型前期投入高、应用效果不确定性强，也使得企业决策者普遍对大模型的态度较为谨慎。为此，建议企业结合自身发展战略、资源与技术的就绪程度，首先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，不宜过度追求短期财务指标，建议将目标收益预期放长至2-3年。在落地应用大模型时，切忌对大模型能力的盲目乐观，将可以用传统技术手段解决的问题全都交由大模型解决。而应当从场景出发系统性设计工作流，在适合大模型的模块充分发挥其价值，协同各种技术手段共同解决问题。
推 荐
中国企业人事管理 | 中国企业服务研究
企业直播服务行业 | 企业智慧通信产品
中国薪税服务研究 | 中国信创产业研究
欢迎关注艾瑞数智获取更多内容
点击阅读原文
免费查看及下载PDF高清完整版报告
本文作者可以追加内容哦 !
