IDC：中国工业 AI 支出 2030 年将达 2800 亿元、五年 CAGR 52%，但仅 5.6% 企业见到显著成效

2800 亿的市场：工业 AI 投入的规模与节奏

据 IDC 10-13 发布的 Market Glance/MarketScape 2026 报告，中国工业 AI 支出 2030 年将达 2800 亿元，2025-2030 年 CAGR 52%。报告覆盖 11 个行业、14 类工业智能体场景，评估 24 家供应商，领导者象限含创新奇智、歌创动力、华为、金蝶、卡奥斯、浪潮云洲等（以原文名单为准）。

五年 CAGR 52% 意味着工业 AI 处在高增长期：供应商格局仍在形成中，任何一份评测里的象限位置是快照而不是结论。对采购方而言，24 家供应商的评估名单与象限划分，本质上是第三方版的「供应商体检表」——它的价值在于提供一个可对比的坐标系，而不是直接给出采购结论。比记住名单更重要的，是看懂报告的场景覆盖结构——它评的是哪些行业、哪些智能体场景，与你自己企业真正要解决的场景是否对得上。

• 市场规模：中国工业 AI 支出 2030 年将达 2800 亿元；
• 增长节奏：2025-2030 年 CAGR 52%；
• 评估范围：覆盖 11 个行业、14 类工业智能体场景，评估 24 家供应商；
• 领导者象限：含创新奇智、歌创动力、华为、金蝶、卡奥斯、浪潮云洲等（以原文名单为准）。

还有一个值得注意的口径：报告标题用的是「工业 AI 支出」而不是「工业 AI 收入」。支出包括模型采购、算力、实施服务与后续运维——对单家企业来说，「花出去的钱里真正被用起来」的比例往往远低于总支出，这中间的落差，正是 5.6% 与其余企业差距的所在。

报告的另外一面：只有 5.6% 见到「显著成效」

同一份报告同时给出了一组冷静的数字：62.4% 受访企业缺乏 AI 人才、48% 数据基础薄弱，仅 5.6% 企业在多数场景见到显著成效。CAGR 52% 与 5.6% 的落差说明，多数企业仍卡在「试点了但没跑出来」的阶段——瓶颈不是模型不够多、供应商不够好，而是人才与数据基础。

这与工业企业的落地经验一致：模型可以采购、可以微调，但数据治理、场景拆解与上线后的运维，都是企业自己必须长出来的能力，而恰恰是这些能力最缺（62.4% 缺 AI 人才）。换个角度看：那 5.6% 见到显著成效的企业，几乎都完成了「场景拆解 + 数据准备 + 运维保障」三件事，缺的每一件都恰好是外部服务商可以补位的部分。对多数企业，「全场景铺开」往往是高成本高风险的路径；更现实的路线是本地化小步试点：先选少数高价值场景验证跑通，再谈规模化复制。

对政企的含义：私有化部署 + 代运维是现实路径

「缺 AI 人才、数据基础弱」两大瓶颈，恰好对应私有化部署的服务模式：模型部署在企业内部，工业数据不出域，上线后的运维由供应商代运维支撑——企业不必自建完整的 AI 团队。机悟已公开的可对照基线：llama.cpp + 7900 XTX（24G）单机 55+ token/s 本地推理吞吐，UOS 25/麒麟 V10/欧拉全栈适配，等保三级/密评/备案材料包交付，三年 TCO 约为云 API 的 1/6~1/8。对工业企业，「小步试点」的起点就是先把这笔账算清楚：哪个场景、多少算力、三年多少成本，与云 API 相比省在哪。对政企而言，切入这 2800 亿市场的关键不是追增速，而是先用小试点证明「这个场景跑得通、成本可控、数据不出域」，再谈预算铺开。落地效果最终取决于场景选择与数据准备，而非模型本身。