Resource Regions: Asia Pacific

2025年中国企业级MaaS市场经历了从试点到规模化应用的关键转折。无论是Token调用量还是实际营收，各个统计口径都呈现出倍数级的增长，同时Token消耗的快速攀升正在重新定义企业使用人工智能的方式。然而，在这一轮高速增长的背后，市场仍然面临性能、安全合规、回答质量等多重实际约束。IDC认为，MaaS厂商的竞争焦点正在从过去单纯的价格比拼，转向“价格、性能与工具链支持”的综合能力竞争。

市场总体规模：调用量增长16倍，但需理性看待基数效应

2024年，中国企业级MaaS市场按调用量统计的规模仅为114万亿Tokens，而到2025年，这一数字跃升至1944万亿Tokens，同比增长约16倍。在营收口径下，2025年中国公有云MaaS市场的规模达到30.7亿元人民币。与此同时，面向传统政企客户的大模型私有化部署市场也保持活跃，尤其在政务、金融、能源等领域形成了独立的采购与交付体系。

IDC预计2026年全年Token消耗量约为40,000万亿次，较2025年进一步增长约20倍。这一加速增长的主要驱动因素，是多模态大模型的逐步成熟以及Agent类应用的规模化落地。换句话说，市场正在从“文本生成”向“多模态理解与自动执行”扩展，每一次交互所消耗的Token量级也相应大幅提升。

Token消耗快速增长，但不同场景之间差异巨大

Token消耗的整体走势非常明确：2025年1月全市场日均消耗约为1.6万亿Tokens，到2025年12月底，这一数字已经攀升至9.6万亿Tokens。随着多模态大模型的进一步成熟，日均Token消耗的增长曲线将会变得更为陡峭。

不过，不同应用场景之间的Token消耗量级存在巨大差异，这一点往往被笼统的市场总量数字所掩盖。例如，一家投资机构在合同摘要场景中，一次处理几十个合同文档，单次消耗的Tokens可达200万。一家教育机构在其在线培训场景中，高峰使用期日均消耗高达2000亿Tokens。而使用多模态产品生成一个视频，也会消耗上千万Tokens。这些差异意味着，企业在评估MaaS服务时，不能只看单位Token的报价，还必须结合自身场景的实际消耗特征来判断总成本。

从应用场景的分布来看，当前公有云上MaaS的主要应用群体集中在泛互联网行业（游戏、娱乐、教育）、智能办公赛道、智能硬件赛道（智能汽车、手机、智能眼镜）以及大消费赛道。主要的应用场景包括角色扮演、短剧生成、市场营销、搜索、数据处理、数据分析和文档处理。而在传统政企的私有化部署项目中，应用场景相对收敛，主要集中在智能办公、数据处理与分析、市场营销等几个方向。

竞争格局：公有云头部集中，私有化部署市场更为分散

在公有云MaaS市场，按调用量计算，2025年火山引擎占据了接近一半的份额，其次是阿里云、百度智能云、硅基流动以及移动云。其他值得关注的厂商还包括腾讯云、商汤科技、华为云、天翼云等。

如果按营收口径来看，火山引擎仍然占据40%以上的市场份额，阿里云、百度智能云、智谱以及移动云位列前五。不同厂商在单位Token定价、折扣策略以及高价值场景的占比上存在显著差异。例如，某些厂商可能在低单价、高调用量的场景中占优，而另一些厂商则在高单价、专业场景中获得了更高的营收贡献。

在私有化部署市场上，格局则完全不同。传统政企客户出于数据安全、合规可控等考虑，仍然将私有化部署作为第一选择，也因此培育了众多的大模型平台私有化厂商。2025年IDC追踪到的头部厂商包括百度智能云、商汤科技、电信AI、中关村科金、创新奇智、星环科技以及中国电子云。相比公有云市场，私有化部署市场的集中度更低，这与政企采购的区域性、行业性特征有直接关系。

企业落地大模型时，性能、合规与质量优先于成本

高速增长的数字背后，企业在大模型落地过程中仍然面临一系列现实挑战。根据IDC的调研数据，影响大模型落地的Top5因素依次是：模型性能、安全合规要求、回答质量、在AI平台可用性以及成本效益。其中，性能指的是企业部署上线后的稳定性、并发数和可靠性；安全合规既要求模型在中国市场可以合规使用，也要求模型生成的内容本身合规；回答质量则直接决定了模型能否被大规模上线应用。

值得注意的是，成本效益在当前阶段排在第五位，并非企业最优先考虑的障碍。这一结果在一定程度上说明，企业当前更关注“模型是否能用、是否安全、是否稳定”，在这些前提条件满足之后，才会进入精细化的成本比较。然而，原文也明确提示了一种中长期风险：随着大模型应用场景的持续渗透，以及算力紧缺状况的延续，大模型的投资预算终将成为关键挑战。换句话说，成本问题目前还没有爆发，但它迟早会来。

MaaS市场的竞争要素正在发生结构性的变化

随着Token经济的兴起和市场参与者的迅速增加，MaaS市场的竞争规则也在发生变化。IDC认为，未来制胜的核心要素将集中在三个方面：价格与成本优化、性能、以及工具链与应用开发的支持。

在价格与成本方面，企业Token的日均消耗正在快速增长，尤其是各类Agent类产品的出现，进一步放大了Token的使用规模。随着规模化智能的到来，厂商需要关注的不是单纯降低单位Token的价格，而是帮助用户降低整体成本，同时确保输出的是高质量、有效用的Tokens。

在性能方面，大量行业场景对并发数和吞吐量有很高要求，与此同时算力紧缺的现状短期内难以根本缓解。能够通过底层算力优化来提升模型训练和推理效率的厂商，将在用户选型中获得明显的优势。

在工具链与应用开发支持方面，过去两年的MaaS市场中，买方选型的首要因素几乎都是价格，而且由于大模型迭代速度太快，买方通常选择直接调用大模型API，而不进行二次调优。但未来，企业将有更多垂直场景落地，这些场景离不开智能体的开发。因此，MaaS平台在工具链（如调试、评测、智能体编排）上的完备性，在用户选型中的重要性将不断提高。

展望：2026年预计20倍Token增长，但需注意情景依赖

基于现有数据和趋势，IDC对MaaS市场给出了明确的预测：2026年中国MaaS市场的Token消耗量将达到约40,000万亿次，按营收规模计算将达到约186亿元人民币。2024年至2030年的年复合增长率约为1154.9%，但这一数字是基于高增长情景得出的。

需要特别提示的是，如此高的复合增长率高度依赖于一系列前提条件：多模态模型的持续成熟、Agent类应用的大规模落地、算力供给不出现严重瓶颈，以及合规政策保持稳定。上述任何一个条件发生变化，实际增速都可能显著低于高增长情景。对于行业参与者和企业买方而言，在看到巨大市场机遇的同时，也有必要对风险保持清醒的认知。

对厂商与买方的建议

基于上述分析和IDC的调研数据，我们可以对MaaS厂商和企业买方分别提出几点建议。

对于MaaS厂商而言，在价格竞争的同时，应当优先解决高并发场景下的性能稳定性和合规推理能力。工具链能力（调试、评测、智能体编排）正在成为差异化竞争的关键，不可忽视。此外，可以考虑在垂直场景（如合同处理、视频生成、教育陪练）中建立深度优化能力，而不是在所有场景中采取同质化的竞争策略。

对于企业买方而言，在当前阶段应当优先验证模型的回答质量、安全合规性和并发稳定性，成本可以放在次优级的位置上。在选择MaaS厂商时，建议关注其工具链的成熟度，而不仅仅是API的单次调用价格。从长远来看，建议尽早建立Token成本的评估机制，避免业务规模扩张后出现成本失控的局面。

关于数据：本文所有数据和图表均来自IDC《中国AI软件市场半年度追踪，2025H2》。调用量口径统计企业通过公有云MaaS平台调用大模型API产生的Token数量；营收口径统计企业实际支付的公有云MaaS服务费用（不含私有化部署）；私有化部署市场统计面向政企客户的大模型平台软件及相关授权收入。

进一步交流

MaaS市场的爆发才刚刚开始，IDC将持续追踪这一市场的格局变化与技术演进。如需获取完整报告、订阅后续研究，或针对特定厂商与行业进行定制化分析，欢迎与IDC中国人工智能研究团队联系。

请点击此处与我们联系。

企业看到了智能体但不知道如何落地

2026年初，OpenClaw（龙虾）这类开源智能体产品很快成为市场焦点，端到端任务执行能力对企业很有吸引力。但智能体（智能体）要在企业里真正用起来，在什么场景落地成了主要的卡点。企业认知到了智能体的能力，但回到自己的业务流中，不清楚哪些环节可以交给智能体去做，哪些场景最值得优先投入。IDC 2026年智能体企业用户的调研数据显示，仍有60%的中国企业处于了解评估和试点智能体的阶段，仅有18%的企业把智能体纳入了核心业务流（IDC Syndicated Survey 2026: China AI Agents Market 2026），企业仍然难以跨越从Copilot助理向Agentic AI转型的阶段。为了解决这一问题，IDC提出了一个从业务约束出发的智能体落地框架——COMPASS模型。

业务卡点是关键：从企业业务的三层效率约束入手

到底应该如何选择智能体在业务中的落地场景呢？我们可以参考企业价值链流程，通过观察业务场景中的效率约束，来寻找切入点。一项业务从外部信息进入企业、到内部处理完成、再到能力沉淀放大，效率约束主要集中在三个层面。

第一层，信息输入的约束。企业每天接收大量外部输入，包括邮件、扫描件、图片、语音、聊天记录和表单。很多信息不能直接进入业务系统，要先经过识别、提取、转换和归类，才能变成后续流程可用的数据。

第二层，信息处理的约束。信息进入业务流之后，要在多个系统、多个角色之间流转、分析、协调。数据需要跨系统汇总，状态需要同步，异常需要及时发现，决策需要结合多方信息判断，责任需要在不同角色之间衔接。

第三层，信息资产化的约束。这是容易被管理者忽略的深层约束，企业高价值的业务经验和决策逻辑通常固化在少数员工手里。而人的并发处理能力也存在刚性上限，业务波峰时很难敏捷弹性的应对，也很难规模化增长。这一环节的关键在于让知识经验沉淀和复用，确保企业规模化扩张时不再出现效率瓶颈。

COMPASS模型：企业智能体落地的七维度指南

基于这三层约束，我们可以进一步拆解出企业智能体落地的七个关键能力维度，即IDC提出的COMPASS模型。

1.      感知与理解（Perception）

外部输入格式各异，进入核心业务系统前往往要依赖人工识别文档类型、提取字段、比对票据，效率瓶颈集中在非标准信息怎样被理解提取、怎样转化为系统可用的结构化数据。

智能体借助多模态大模型能力可以直接读取手写单据、非标合同、会议录音和视频素材，提取关键实体，按要求输出JSON或其它结构化数据，让海量外部信息直接成为系统可用的结构化信息。

2.      分析与决策（Analysis）

企业数据和业务规则分散在不同系统中，人工做综合分析效率往往很低，关联节点越多越容易疏漏，依赖经验的判断也缺乏清晰的决策记录，组织很难做系统性复盘。

智能体可以通过工具调用从多个系统实时拉取数据，结合预设业务规则和历史模式，输出结构化分析结论和决策建议。低风险或标准场景可以直接调用执行，非标和高风险场景则带着完整分析升级给人工处理。

3.      流程编排（Orchestration）

单个系统内部流转通常比较顺畅，跨系统连通往往比较脆弱。过去依赖API解决跨系统流转，建立的是确定性规则，一旦出现条件分支、异常状态，或者需要根据实时反馈在ERP、CRM和财务系统之间切换判断，硬编码连接容易中断退回人工，构建这些自动化流程本身也要占用较多IT开发资源。

智能体在任务执行环节能够做到系统调用的动态规划，接收到像”给大客户安排加急发货”的指令后，会根据上下文自主决策，调用RPA或基于API接口依次调用ERP核对库存、向WMS确认排期、在CRM中更新状态；流程生成环节，智能体可以基于已有规则库和流程模板，自动组装出RPA或自动化流程并部署上线，构建和迭代周期都会明显缩短。

4.      监控与主动响应（Monitoring）

供应链延误、财务偏差、客户行为异常、系统运维故障，任何一环的响应滞后都可能带来连锁影响。人无法7×24小时保持稳定判断，传统做法依靠阈值报警、定时巡检和轮班值守，覆盖范围有限。

智能体可以在持续监测的基础上结合上下文做智能判断，一笔异常大额退货可以同时关联该客户的近期订单模式、产品批次的质量数据、物流环节的异常记录，在告警的同时给出初步的归因分析和处理建议。

5.      协调沟通（Collaboration）

跨部门协作中信息天然不对称，产品设计的背后逻辑、法务建议的依据、仓库的实时库存，散落在不同的人、系统和沟通记录里，需要时很难立刻拼出全貌。澄清、追踪、同步消耗的时间往往占据业务人员相当大的比例。

智能体可以作为跨部门协作的中枢，持续追踪任务各环节进展，在关键节点主动通知相关方，出现延误或阻塞时自动升级；需要多方对齐时，能够快速汇总散落在各系统和沟通记录中的上下文，生成结构化的决策议题。

6.      知识沉淀（Sedimentation）

企业大量执行能力和决策能力绑定在个体员工身上，关键人员离职、调岗或休假，流程质量和决策水平都会受到影响，新人入职要经过较长周期才能积累足够的隐性知识。

智能体的运行过程本身就可以是知识显性化的过程，任务执行路径、分析框架、决策规则和异常处理方式均可以便捷的结构化地记录下来，并随着运行时间持续积累，可以复用到新的业务场景、新的分支机构和新的团队，同时也能反过来优化智能体自身的响应策略，形成持续迭代的数据飞轮。

7.      规模弹性（Scalability）

人的产能是线性的，一个人一天处理100笔订单就是极限，高峰期临时加人未必能带来同比效率提升。《人月神话》里有一个经典观察，项目每增加一个人，沟通链路会延长，交接成本也会上升，整体效率的提升往往被初始化和协调的开销抵消。

智能体的处理能力则可以随算力弹性扩展，业务高峰期不需要临时招人培训，订单量翻倍时调度更多计算资源就能跟上，背后是运行沙箱、记忆存储、调度管理等基础能力模块在支撑智能体在生产环境中稳定可控的弹性伸缩。

这七个维度就是COMPASS（指南针）模型，由上面提到的Collaboration、Orchestration、Monitoring、Perception、Analysis、Sedimentation、Scalability七个首字母构成。COMPASS对应三层约束视角，Perception对应的是信息输入层，解决外部信息能否准确进入企业系统的问题；Analysis、Orchestration、Monitoring、Collaboration对应的是信息处理层，覆盖分析决策、跨系统流转推进、监控响应和跨角色协同；Sedimentation和Scalability对应的是信息资产化层，把个人经验转化为企业可复用的数字资产，同时支撑企业规模化增长。

分析师观点：

COMPASS模型可以作为企业落地智能体的诊断和指导工具，企业可以对照七个维度盘点自身业务流的关键瓶颈，识别出需要优先交给智能体的环节。从业务瓶颈倒推切入点，更贴近企业实际的业务需求，也能够减少企业因为智能体技术或产品高速迭代带来的选择困难。

从做什么到用什么：IDC MarketGlance解决选型问题

COMPASS模型回答的是智能体怎么切入的问题，但企业在落地时仍然会面临怎么在市场上找到合适的产品和供应商这一问题。当下市场中宣称具备智能体产品和服务能力的厂商数量已经相当可观，但能力层次和落地经验的差异很大，企业难以抉择。IDC通过大量深度的厂商调研和观察，为企业提供了中国智能体市场概览这一报告(包含中国智能体行业应用与开发平台市场概览和企业级智能体应用市场概览)，预先筛选出了覆盖不同行业和业务场景中，满足评估要求的可靠智能体产品及解决方案供应商，供企业参考选择。

配套工具与实践：从方法论走向落地（限时资料免费获取）

另外基于COMPASS模型，我们准备了两份配套的智能体落地指南材料，一份是面向人的，一份是面向智能体的skill。这个skill我们已经上传了Openclaw的官方skill商店clawhub中，可以直接把skill链接( https://clawhub.ai/seanlandtop/idc-enterprise-agent-compass )给智能体安装使用，让智能体可以基于IDC的COPASS模型帮助企业进行智能体落地指引。

限时资料免费下载：可扫描二维码下载详情:

案例征集：寻找可量化ROI的Agent实践

为了进一步沉淀实践经验，IDC计划于2026年4月启动Agent最佳实践案例（ROI视角）研究，面向已经在真实业务场景中部署Agent并取得可量化效果的企业与技术供应商开展案例征集，以期为更多企业提供可参考的落地路径。

与IDC进一步交流

如果您的企业正在评估或推进Agent在业务中的落地，或希望基于COMPASS模型进一步梳理业务切入点与优先级，IDC可以提供相应的研究支持与分析服务，包括基于行业与业务场景的落地路径分析，以及结合IDC MarketGlance的供应商方向参考。

同时，对于已经进入实践阶段的企业，IDC也可以围绕Agent应用效果与ROI进行评估与复盘，帮助企业更系统地推进从试点到规模化落地的过程。

如需进一步了解相关研究内容或开展交流，欢迎与IDC联系。请点击此处与我们联系。

2026年4月24日，中国大模型厂商DeepSeek正式推出DeepSeek-V4预览版，同步开源并上线官网、官方App及API服务，标志着百万级超长上下文能力进入普惠阶段。DeepSeek-V4以100万token超长上下文为标配，通过架构创新实现性能与效率双重突破，开源版本在Agent能力、世界知识、数学推理、代码生成四大核心维度实现跨越式提升。DeepSeek-V4也将逐渐实现以华为昇腾为代表的全栈本土化算力适配，这将重塑企业级AI应用部署格局，推动大模型从”参数竞赛”转向”价值落地”。

核心观点：百万上下文成标配，全球用户准备好了吗？

DeepSeek-V4 依托稀疏注意力、升级 MoE 架构等全链路技术创新，实现高效长文本处理，全系免费标配百万级上下文，并优化 Agent 能力，降低企业落地成本。市场层面，其极致低价推动长文本服务普惠化，拓宽多行业 AI 应用场景，同时促使全球大模型形成海外高端闭源与中国普惠开源两大竞争阵营。IDC 建议，企业分阶段落地应用、抢抓智能化红利，同时兼顾技术稳定性、算力适配、合规安全等各类潜在风险。

技术影响：技术革新赋能超长文本与高效 AI 能力

DeepSeek-V4 跳出参数堆叠的研发模式，依托全链路技术创新，实现百万级上下文高效处理，核心亮点突出。

其一，自研 DSA 稀疏注意力机制，借助 token 智能压缩破解长文本算力困境，大幅减少推理运算与缓存消耗，压缩算力成本，降低企业落地难度。

其二，全面升级 MoE 架构，搭载 384 专家融合内核，以少量激活专家兼顾模型能力与推理效率，搭配 mHC 技术稳定训练效果，避免模型遗忘，适配复杂任务迭代。

其三，为个人用户、开发者和企业用户全系标配百万 token 超长上下文，赋能多类AI任务。此外，该版本还适配优化多款主流 Agent 产品，显著提升代码编写、文档生成等任务表现，为个人、企业智能化开发与办公提供更强动力。

其四，全链路本土算力支持，DeepSeek-V4 摆脱部分对英伟达 CUDA 生态的依赖，全面适配本土芯片，实现从训练到部署的全链路安全可控。

市场影响：重塑行业规则，加速全球 AI 应用分化

DeepSeek-V4 的落地，恰逢全球 AI 产业从 “模型竞争” 向 “应用落地” 转型的关键期，其技术特性与定价策略，正从价格体系、应用生态、竞争格局三大维度，深刻影响全球 AI 市场走向。

价格体系重构——开源 + 极致性价比：DeepSeek-V4定价延续 “普惠全球” 路线，V4-Flash 输入缓存命中0.2 元 / 百万 Token、未命中 1 元、输出 2 元；V4-Pro 输入缓存命中 1 元、未命中 12 元、输出 24 元，推理成本仅为 GPT-5.5 的 1/8 至 1/50，让全球中小企业与个人用户都能用上顶级 AI 能力。

应用生态爆发——解锁全场景价值，渗透核心业务：百万上下文 + 低成本 + 强 Agent 能力的组合，为企业打开全新智能体应用空间；代码能力、推理能力、世界知识能力提升也将提升相关应用的模型生成效果。

竞争格局重塑——中国与全球大模型阵营分化：全球大模型市场逐渐分化为两大阵营：以 OpenAI、Google、Anthropic 为代表的 “闭源高端+ 海外算力” 阵营，聚焦极致性能与生态壁垒, 以 DeepSeek 为代表的 “开源普惠 + 中国算力” 阵营，主打高性价比与安全可控。这种分化将为全球企业提供更多选择，同时推动 AI 产业全球化竞争进入新阶段。

行动指南：把握技术红利，分阶段落地适配

面对 DeepSeek-V4 等基础大模型带来的技术变革与市场机遇，IDC 建议企业摒弃观望心态，按照评估、试点、落地、优化四阶段稳步推进，充分挖掘其商业价值。前期需结合业务痛点，聚焦长文本处理、代码开发、智能体应用等核心场景，盘点现有算力资源，结合自身规模选择部署模式，并测算 AI 使用成本与收益。其次开展小范围试点，按需选用适配的大模型版本，在核心业务场景短期测试，核验任务运行效果，对比原有方案排查问题并优化使用策略。最后持续跟进模型迭代升级，不断拓展应用边界，持续深化 AI 落地成效，全面赋能企业内部发展。

理性拥抱变革，平衡红利与风险

用户需警惕技术稳定性、本土算力适配等风险，避免盲目落地导致损失：百万上下文在极限场景下易出现信息遗漏、逻辑断裂，MoE 架构规模化部署易负载不均、引发服务中断，Agent 适配不成熟也会导致复杂任务失败。另外用户也需警惕算力适配风险，需重视从 CUDA 向本土生态的迁移成本和性能波动。

IDC中国研究经理程荫表示，DeepSeek-V4的发布，标志着中国大模型行业正式从”参数竞赛”（1.0时代）、”能力竞赛”（2.0时代）进入”价值竞赛”（3.0时代）——以高效架构、普惠成本、场景落地为核心，解决企业实际问题。企业需密切关注大模型技术迭代，结合自身业务场景，布局百万上下文、高效推理、开源可控的AI解决方案，抢占智能化转型先机，同时也需警惕安全合规、技术稳定性、本土算力适配等风险。

IDC更多相关研究：

IDC在大模型与生成式AI领域已形成系统性研究积累，涵盖技术演进路线、行业应用成熟度、供应商竞争力及投资风向标等多个维度。我们不仅发布公开报告，也为企业级用户和投资机构提供定制化研究。

如您对IDC的相关研究感兴趣或有进一步需求，欢迎与我们联系，IDC的分析师团队期待与您进一步沟通。

请点击此处与我们联系。