2025年AI行业现状报告,来自扎克伯格背后的“军师”ICONIQ_
这次调研可不是随便找几个人聊聊天那么简单。ICONIQ精心挑选了300位软件公司的关键决策者——CEO、工程主管、AI主管、产品主管，这些都是真正在一线指挥AI产品开发的人。更有意思的是，26%的受访者来自年收入超过5亿美元的大公司，这些洞察来自那些真正在用自己的钱投资AI、用自己的公司验证AI商业模式的人，而不是纸上谈兵的分析师。
为什么这份报告值得您花时间阅读？
扎克伯格与ICONIQ Capital的深度联系
马克·扎克伯格与神秘的亿万富翁俱乐部式投资公司ICONIQ Capital之间存在着深厚而复杂的联系。ICONIQ不仅是扎克伯格的财富管理者，更被外界视为其在硅谷乃至全球进行投资和扩展影响力的核心平台，一个由顶级科技领袖组成的"朋友圈"式金融帝国。
这种独特关系的基石可以追溯到ICONIQ Capital的创始人之一，迪韦什·马坎（Divesh Makan）。在2011年创立ICONIQ之前，马坎曾在高盛和摩根士丹利担任财富顾问。正是在这段时期，他与当时处在事业早期的扎克伯格建立了密切的合作关系。扎克伯格不仅是马坎的重要客户，更是将他引荐给了Facebook（现为Meta）的其他核心高管，如雪莉·桑德伯格（Sheryl Sandberg）和达斯汀·莫斯科维茨（Dustin Moskovitz）。
随着这批科技新贵的财富呈指数级增长，传统的财富管理服务已无法满足他们复杂的需求。于是，马坎与几位同事共同创立了ICONIQ Capital，旨在为扎克伯格和他的"朋友圈"提供一种"混合型家族办公室"服务。这种服务超越了传统的资产管理，涵盖了财务咨询、私募股权投资、风险投资、房地产乃至慈善事业规划等全方位领域。
当这样一家机构调研300位软件公司高管、深入分析AI产品构建全流程时，这意味着您将看到最真实的AI产品开发现状，而不是一些华而不实的PPT。
文章导读：七大核心章节全景图
本文将从七个维度深度解析ICONIQ的AI现状报告，为您提供最实用的AI产品开发指南：
AI产品构建战略 - 从产品类型到部署挑战的完整技术路线图
商业化策略与合规 - 上市定价、透明度和治理的最佳实践
组织架构与人才 - AI团队配置和专业角色的深度分析
成本管理与控制 - 基础设施投入和ROI优化的实战经验
内部生产力提升 - 企业AI工具应用的现状与趋势
技术栈选择指南 - 12个关键工具类别的专业推荐
实战建议总结 - 针对AI产品开发者的可执行建议
从传统SaaS到AI原生：完整的进化图谱
报告把现在的公司分成了三个阵营，数据很有趣。30%的公司还在给现有产品"加点AI调料"（AI-Enabled: Adding AI Capabilities），37%的公司开始创造全新的AI产品线，而32%的公司已经彻底AI原生化——整个商业模式都围绕AI构建。您可以对照一下，看看自己的公司处在哪个阶段，这个定位很重要，因为不同阶段面临的挑战完全不同。
AI产品类型：智能体工作流成为新宠
80%的AI原生公司都在做同一件事
报告显示，智能体工作流和应用层成为最热门的AI产品类型。特别有意思的是，80%的AI原生公司正在构建智能体工作流，这个数字让我想起早年大家都在做移动App的疯狂场景。不过，这次的差别是技术门槛更高，成功的玩家会更少。
AI原生vs AI增强：谁跑得更快？
数据很有趣——只有1%的AI原生公司还在预发布阶段，而AI增强公司这个比例是11%。47%的AI原生产品已经进入扩展阶段，这可能说明AI原生公司在产品生命周期中移动得更快，能更早实现产品市场契合。
模型选择：不再是单一模型的天下
多模型策略成为主流
您还在纠结选哪个模型吗？报告告诉我们，企业平均使用2.8个模型。OpenAI的GPT仍然是最受欢迎的，但聪明的公司开始采用多模型方法——针对不同用例、性能要求和成本考虑来选择不同的模型。这就像工具箱里需要不同的工具一样，一把锤子解决不了所有问题。
顶级模型提供商：OpenAI仍是王者
OpenAI的GPT模型继续保持最受欢迎的地位，但许多公司越来越多地采用多模型方法。平均每个受访者使用2.8个模型，大多数受访者使用OpenAI模型和来自其他提供商的1-2个其他模型的组合。
选择模型时最看重什么？
产品开发中选择基础模型时，准确性排第一位，这个结果其实挺意外的。去年的报告中，成本是最不重要的考虑因素，但今年成本的重要性大幅上升，可能反映了DeepSeek等更高性价比模型的出现让市场开始重新审视成本效益。
训练技术：RAG和微调仍是王道
检索增强生成(RAG)为什么这么火？
RAG和微调是最常见的模型训练技术，这个结果符合预期。RAG之所以受欢迎，是因为它能让模型访问最新信息而不需要重新训练，这对快速迭代的AI产品来说太重要了。不过，高增长公司倾向于使用更多样化的基于提示的技术，说明在竞争激烈的环境中，技术多样性是优势。
与去年的AI状态报告相比，今年调查中有更大比例的受访者正在积极使用RAG和微调技术。原本预期微调的比例会较低，因为需要投资且基础模型提升很快，但它仍然是一个重点关注领域。
基础设施：云原生是绝对主流
68%完全云化，这个数字说明了什么？
大多数公司选择完全基于云的解决方案和AI API提供商进行训练和推理。68%完全在云中运营，64%依赖外部AI API提供商，这个趋势很明显——大家更愿意专注于产品本身，而把基础设施交给专业的服务商。只有不到10%的团队使用本地或专用推理基础设施，这通常是有特殊合规或性能要求的场景。
性能监控：规模化的必然选择
AI产品扩展时性能监控变得更重要
随着AI产品规模扩大，性能监控变得更加重要，许多扩展的AI产品都提供某种先进的性能监控。这不仅是技术需求，更是确保产品质量和用户体验的关键环节。
智能体工作流：下一个风口
高增长公司更积极部署AI智能体
大量公司正在评估智能体工作流，高增长AI公司更积极地在生产环境中部署AI智能体。这个趋势反映了从简单的AI功能向更复杂的自主AI系统的演进。
部署挑战：幻觉、信任和ROI是三大难题
为什么幻觉问题排在第一位？
模型部署面临的最大挑战是幻觉、可解释性/信任和证明ROI。幻觉问题排第一并不意外，因为这直接影响产品的可靠性。有趣的是，对于构建垂直AI应用的公司，可解释性和信任排名更高，这可能是因为医疗、金融等受监管行业对AI透明度有更严格要求。
上市策略：混合定价模型成为新标准
AI功能路线图：20-35%的投入比例
AI增强公司大约将20-35%的产品路线图专注于AI驱动功能，高增长公司这个比例达到30-45%。这个数据很有参考价值——如果您的公司AI投入比例远低于这个区间，可能需要重新思考AI战略的优先级。
订阅+使用量的组合拳
许多公司采用混合定价模型，结合订阅/计划定价与使用量或结果导向定价。这种模式很聪明——既保证了基础收入的稳定性，又能根据客户实际价值获得额外收益。目前大多数AI增强公司要么将AI功能作为高级套餐的一部分，要么免费提供，但37%的公司计划在未来12个月内调整AI定价策略。意外的是之前红杉很火的“按结果交付”在实际中比例却不高。
AI功能定价模式：免费还是收费？
目前，大多数AI增强公司要么将AI功能作为高级套餐产品的一部分，要么免费提供。这种策略反映了市场还在探索AI功能的真正价值定位，以及用户对AI付费意愿的测试。
定价策略变化：37%的公司正在探索新模式
40%的公司没有计划改变定价，但37%的受访者正在探索基于消费、ROI和使用层级的新定价模式。这个数据很有意思——说明超过三分之一的公司认为当前的定价模式不够完美，需要调整。
AI透明度：用户信任的关键
可解释性成为规模化的必需品
随着AI产品规模扩大，提供详细的模型透明度报告或AI如何影响结果的基本洞察变得更加重要。这不仅是技术需求，更是建立用户信任和满足合规要求的关键。企业越来越意识到，"黑盒"AI在商业应用中是不可持续的。
合规和治理：人机协作是主流做法
为什么大家都选择人在回路(Human-in-the-loop)？
大多数公司采用人机协作监督来确保AI公平性和安全性。这种做法既能保持AI的效率优势，又能通过人工监督降低风险。随着AI产品规模扩大，提供详细的模型透明度报告或AI如何影响结果的基本洞察变得更加重要，这不仅是技术需求，更是建立用户信任的关键。
AI安全保障措施：多层防护体系
企业使用多种保障措施来确保AI公平性和安全性，人机协作监督是最主要的方式。这种多层防护体系反映了企业对AI风险的重视，以及对建立可信AI系统的承诺。
组织架构：专业化分工成为趋势
收入过亿才设AI领导岗位？
有趣的发现是，公司收入达到1亿美元时通常会设立专门的AI领导岗位，这可能反映了AI项目复杂性增加和需要集中化AI战略的现实。这个门槛很有意思——说明AI已经从技术实验变成了需要专业管理的业务板块，需要有人专门负责战略规划、资源协调和风险管控。
AI专业角色配置：七大专业岗位各司其职
数据显示，AI团队的专业化分工已经相当细致，从核心的技术岗位到新兴的专业角色，每个职位都有其独特的价值。让我们深入了解每个关键岗位的具体工作内容和市场需求。
AI/ML工程师：技术架构的核心力量（88%公司配置，平均招聘70天）
AI/ML工程师是AI产品开发的技术核心，负责将算法转化为可生产部署的系统。他们的主要工作包括：设计和实现AI模型的训练管道、优化模型性能和推理速度、构建数据处理和特征工程流程、部署和维护AI服务的基础设施。这个岗位平均招聘时间最长（70天），反映了市场对具备深度技术能力和工程实践经验复合型人才的极度渴求。成功的AI/ML工程师需要既懂算法原理，又能解决大规模系统的工程问题。
数据科学家：算法创新的智慧大脑（72%公司配置，平均招聘68天）
数据科学家专注于从数据中挖掘洞察并构建预测模型。他们的核心职责包括：探索性数据分析和模式发现、设计和验证机器学习实验、选择和调优算法模型、评估模型效果和业务影响。虽然这个岗位的配置比例仅次于AI/ML工程师，但45%的公司仍计划继续招聘，说明数据科学家在AI产品中的价值依然不可替代。他们是连接业务需求和技术实现的关键桥梁。
AI产品经理：商业价值的转化引擎（54%公司配置，平均招聘67天）
AI产品经理负责将AI技术转化为有商业价值的产品。他们的工作重点包括：定义AI产品的功能需求和用户体验、协调技术团队和业务团队的合作、评估AI功能的产品市场契合度、管理AI产品的发布和迭代策略。46%的公司计划继续招聘AI产品经理，反映了市场对既懂AI技术又具备产品思维人才的强烈需求。这个角色需要在技术可能性和商业可行性之间找到平衡。
数据架构师：基础设施的设计师（38%公司配置，平均招聘66天）
数据架构师负责设计和维护支撑AI应用的数据基础设施。他们的主要任务包括：设计数据湖和数据仓库架构、建立数据治理和质量管理体系、优化数据流动和处理效率、确保数据安全和合规性。虽然目前只有38%的公司配置这个岗位，但随着AI应用规模的扩大，数据架构的重要性会越来越凸显。
提示工程师：新兴的AI交互专家（20%公司配置，平均招聘62天）
提示工程师是伴随大语言模型兴起的新兴岗位，专门负责优化AI模型的交互效果。他们的工作包括：设计和优化模型提示词、调试模型输出质量、开发提示模板和规范、测试不同场景下的模型表现。这个岗位虽然目前配置比例不高，但21%的公司计划招聘，说明随着LLM应用的普及，专业的提示优化能力正在成为刚需。
AI设计专家：用户体验的创新者（17%公司配置，平均招聘61天）
AI设计专家专注于设计AI驱动的用户体验和交互界面。他们的工作涉及：设计AI功能的用户界面、优化人机交互流程、研究AI产品的可用性、创造直观的AI交互范式。虽然目前配置比例最低，但26%的公司计划招聘，说明随着AI产品的成熟，用户体验设计的专业化需求正在快速增长。
数据可视化专家：洞察传达的艺术家（22%公司配置，平均招聘44天）
数据可视化专家负责将复杂的AI分析结果转化为直观易懂的视觉呈现。他们的主要工作包括：设计数据仪表板和报告、创建交互式数据探索界面、优化数据展示的视觉效果、帮助业务团队理解AI输出结果。这个岗位的招聘周期最短（44天），可能反映了相对成熟的人才供应市场。
招聘节奏：人才荒是普遍现象
在招聘节奏方面，各公司的感受相对平均分布，但那些觉得招聘不够快的公司主要原因是缺乏合格候选人。这个现象很说明问题——不是公司不想招人，而是市场上符合要求的AI人才真的不多，特别是那些既懂技术又理解业务的复合型人才。
工程团队的AI化比例：20-30%是标准配置
平均而言，公司计划让20-30%的工程团队专注于AI，高增长公司这个比例更高。这个数据给您的团队规划提供了很好的参考基准——如果您的AI团队比例远低于20%，可能需要考虑加大投入。不过要注意，这个比例不是越高越好，关键是要与公司的AI战略匹配。
成本管理：基础设施成本随规模激增
R&D预算的10-20%投向AI
公司平均将10-20%的R&D（研发）预算分配给AI开发，大多数公司计划在2025年增加AI投入。这个比例看起来不高，但考虑到AI技术的复杂性和基础设施需求，实际投入是相当可观的。特别是对于AI增强公司来说，这意味着要在现有产品基础上额外投入不小的成本。
预算分配的演进：从人才向基础设施倾斜
随着AI产品扩展，人才成本占总支出的比例下降，而基础设施和计算成本上升，这个趋势很重要——说明随着产品成熟，技术投入会超过人力投入。早期阶段人才是最大开支，但规模化后基础设施成本会成为主要负担。
API使用费最难控制
在各种基础设施成本中，API使用费被认为是最难控制的成本，这说明企业在外部API消费的可变成本方面面临最大的不可预测性。这个现象很好理解——用户增长带来的API调用量往往是非线性的，很难准确预测。
成本优化策略：开源模型和效率优化
为了优化成本，组织正在探索开源模型和优化推理效率的方法，这个趋势值得关注。开源模型虽然在性能上可能有所妥协，但在成本控制方面具有明显优势，特别是对于对准确性要求不是极致的应用场景。
模型训练频率和成本
大多数公司至少每月进行一次模型训练或微调，估计月度模型训练成本从16万美元到150万美元不等，取决于产品成熟度。这个频率说明AI模型需要持续优化，不是一次性投入，而且成本范围的差异反映了不同公司规模和需求的巨大差别。
训练成本的现实：数字很残酷
从具体的成本分布来看，训练费用的差异极大，这反映了AI产品在不同发展阶段的投入差异。早期产品可能只需要少量训练，但随着产品复杂度提升，训练成本会呈指数级增长。
推理成本：规模化后的最大挑战
推理成本在产品发布后激增，高增长AI公司在GA（General Availability全面可用性）和扩展阶段的支出比同行高出2倍，这些数字对于预算规划非常有参考价值。推理成本是最容易被低估的，因为它直接与用户使用量相关，成功的产品意味着更高的推理成本。
数据存储和处理：另一个成本黑洞
数据存储和处理成本也从GA阶段开始急剧攀升，高增长AI构建者在数据存储和处理方面的支出超过同行。这个趋势说明数据不仅是AI的燃料，也是成本的重要组成部分，特别是需要存储大量训练数据和用户交互数据的应用。
内部生产力：预算翻倍，编码助手领先
2025年内部AI预算几乎翻倍
内部AI生产力预算预计在2025年几乎翻倍，涵盖所有收入层级，公司花费占总收入的1-8%。这个增长幅度很惊人，说明企业已经开始把AI内部应用当作重要的投资方向，而不再是可有可无的附加项目。
预算来源：R&D仍是主流，人力预算开始分流
R&D预算仍然是企业AI内部生产力预算的最常见来源，但我们也开始看到人力预算被用于内部生产力支出。这个变化很有意思——说明AI工具开始被当作员工能力的延伸，而不仅仅是技术项目。
AI工具访问与使用：70%能用，50%在用
虽然约70%的员工可以访问各种AI工具进行内部生产力提升，但只有约50%的员工在持续使用AI工具，成熟企业(10亿美元以上收入)的采用难度更大。这个差距很说明问题——有工具和会用工具是两回事，特别是在大企业中，培训和文化变革的重要性不容忽视。
专家观点：工具部署≠员工赋能
正如纽约人寿的Don Vu所说："仅仅部署工具是令人失望的根源，特别是对大型企业而言。要真正赋能员工，您需要将可用性与包括培训、突出冠军和最重要的持续高管支持在内的支架配对。"这个观点道出了AI内部应用的关键——成功不在于技术本身，而在于配套的组织变革。
内部用例模型选择：成本第一，准确性第二
在为内部用例选择基础模型时，成本是最重要的考虑因素，其次是准确性和隐私。这与外部AI产品选择形成了有趣的对比——对外讲准确性，对内看成本。隐私在内部用例中也变得更重要，这反映了企业对内部数据安全的重视。
内部部署挑战：战略问题大于技术问题
组织在为内部用例部署AI时面临的最大挑战往往是战略性的（即找到合适的用例和证明ROI），而不是技术性的。这个发现很重要——说明技术已经不是主要障碍，关键是要想清楚在哪里用、怎么用、如何衡量效果。
用例数量：高采用企业平均7+个用例
公司通常在各个职能部门探索多个生成式AI用例，员工采用率高的公司会在7个以上用例中使用生成式AI。这个数据很有参考价值——说明成功的AI内部应用不是单点突破，而是全面开花。
用例受欢迎程度：研发和销售营销领跑
研发和销售营销用例在受欢迎程度上领先，而行政管理用例相对滞后。这个结果符合预期——直接创造价值的部门更容易看到AI的效果，也更愿意投入资源。
编码助手的冲击力最大
按影响力排序，编码助手远远超过其他内部用例，这个结果不意外。编程是最适合AI的任务之一——重复性高、规则明确、效果可衡量。对于正在开发AI产品的工程师来说，编码助手可能是最直接感受到AI价值的应用。
采用态度：高增长公司更积极
高增长公司倾向于更积极地尝试和采用新的AI工具，将AI视为战略杠杆，并更快地将其整合到内部工作流程中。这个趋势很明显——在竞争激烈的环境中，AI不仅是工具，更是竞争优势的来源。
ROI追踪：生产力提升和成本节约是主要指标
大多数公司正在衡量内部AI使用带来的生产力提升和成本节约。这个做法很务实——AI的价值最终要体现在可衡量的业务指标上，而生产力和成本是最直观的衡量标准。
AI构建者技术栈：工具选择的门道
工具选择往往决定了AI项目的成败。ICONIQ这次深入调研了AI构建者的技术栈选择，从模型训练到应用部署，从监控观察到产品设计，为我们揭示了当前最受欢迎的AI开发工具生态。这份技术栈地图涵盖了12个关键领域，为您的AI产品开发提供实用的工具选择指南。
1. 模型训练与微调：框架与托管平台的分化
核心深度学习框架仍是主流，但托管服务快速追赶
PyTorch和TensorFlow等核心深度学习框架仍然占据超过一半的使用率，但有趣的是，AWS SageMaker和OpenAI的微调服务等完全托管平台几乎与它们平分天下。这个现象反映了团队在"自己构建"和"让别人运行"两种策略之间的分化。
生态系统玩家崭露头角
Hugging Face生态系统和Databricks的Mosaic AI Training正在开拓有意义的细分市场，它们在原始框架之上提供了更高级的抽象层。与此同时，更专业或新兴的工具如AnyScale、Fast.ai、Modal、JAX、Lamini等占比仍在个位数，说明实验正在进行中，但广泛采用还没有到来。
企业级需求驱动选择
后期阶段的公司通常拥有更大的数据团队、更复杂的管道以及围绕安全性、治理和合规性的更严格要求。Databricks的统一"湖仓"架构(融合数据工程、分析和ML)和AnyScale的托管Ray集群都直接满足了这些企业需求，收入超过5亿美元的公司中使用这些解决方案的比例更高。
2. LLM与AI应用开发：编排框架称王
编排框架统治应用层
LangChain和Hugging Face工具集等顶级框架的流行，表明团队明显重视简化提示链、批处理以及与公共或自托管模型接口的高级库。约70%的受访者还指定他们使用私有或自定义LLM API，这说明定制化需求很强。
安全性和高级SDK获得关注
大约30%的受访者使用Guardrails来执行安全检查，近四分之一的人利用Vercel的AI SDK进行快速部署，这显示了人们越来越意识到生产LLM应用需要安全防护和流线型集成层。
长尾实验现象明显
CrewAI、Modal Labs、Instructor、DSPy和DotTXT等新兴玩家的使用率较低，表明虽然实验很普遍，但除了大玩家之外，广泛的标准化尚未确定。
3. 监控与可观察性：传统基础设施仍占主导
传统APM工具依然统治
近一半的团队依靠现有的APM/日志堆栈(Datadog、Honeycomb、New Relic等)，而不是采用ML特定工具。这强调了集成便利性和组织标准化往往超过定制AI监控的优势。
ML原生平台初见成效
LangSmith和Weights & Biases都突破了约17%的采用率，显示对无需附加组件即可检测提示链、跟踪嵌入和发现漂移的全套解决方案的真正需求。
长尾碎片化与知识盲区
除了前两名ML原生工具外，使用率在Arize、Fiddler、Helicone、Arthur等玩家之间快速分化，10%的受访者不知道他们使用哪种工具。这既指向了新兴生态系统，也表明了对生成式AI"可观察性"含义的困惑。
4. 推理优化：NVIDIA的生产环境统治力
NVIDIA掌控生产部署
TensorRT和Triton Inference Server合计占据超过60%的采用率，突显了NVIDIA的技术栈在基于GPU的部署中压榨延迟和吞吐量方面的主导地位。
跨平台替代方案获得份额
ONNX Runtime(18%)是顶级非NVIDIA解决方案，反映了团队对跨CPU、GPU和加速器的硬件无关加速的渴望。TorchServe(15%)同样显示纯PyTorch服务仍有立足点，特别是对于仅CPU工作负载或更简单的容器化设置。
知识盲区和未开发潜力
17%的受访者不知道他们使用哪种优化，14%报告"无"，这表明在推理调优方面存在明显的困惑或缺乏经验，为规模化团队提供了关于量化、修剪和高效运行时的教育(和工具)机会。
5. 模型托管：直接提供商为王
直接调用仍是主流
大多数团队直接通过OpenAI、Anthropic等调用模型托管服务，强调了最小阻力路径仍然是调用供应商自己的推理API，而不是通过中间层构建或集成。
超大规模云商紧随其后
AWS Bedrock和Google Vertex AI已经占据了可观的份额，反映了对将托管、治理、安全和计费打包在单一面板中的统一企业级ML平台的强烈需求。特别是，更多后期公司(收入5亿美元以上)报告使用超大规模云商解决方案。
碎片化的替代方案和新兴玩家
除了三大供应商之外，使用率在Fireworks、Modal、Together.ai、AnyScale、Baseten、Replicate、Deep Infra等玩家之间快速分化。这种长尾表明团队仍在探索专业托管商，通常由独特的定价、性能SLA或功能集驱动。
6. 模型评估：没有明确的独立领导者
内置评估功能占主导
近四分之一的团队主要使用Vertex、Weights & Biases或Galileo等平台的内置评估功能，而20%的受访者根本"不知道"他们使用哪种工具，这表明许多组织仍依赖现有ML堆栈中的评估能力，而不是采用专用框架。
新兴专业化框架
LangSmith和Langfuse领导专门构建的评估工具组，HumanLoop和Braintrust也显示出吸引力。这些平台通过提供更丰富的提示级指标、可定制的测试套件和开箱即用的漂移检测来赢得市场份额。
知识盲区和DIY方法
近四分之一的受访者不知道他们使用哪种评估工具或没有评估工具，这既表明了对生成式AI"评估"含义的困惑，也表明了未监控模型回归的风险。同时，一些受访者也在构建自己的评估管道，表明现成工具尚未覆盖所有用例。
7. 数据处理与特征工程：经典大数据工具仍占主导
经典大数据工具依然统治
Apache Spark(44%的受访者)和Kafka(42%的受访者)领先，强调在规模化时，团队默认使用经过实战检验的分布式批处理和流框架进行ETL和实时数据摄取。
Python强劲基础
尽管大数据占用大量资源，41%的受访者仍依赖Pandas，显示对于较小的数据集、原型设计或边缘情况，内存中Python工具的简单性和灵活性仍然不可或缺。
特征存储前景可期
只有17%使用专用特征存储，表明虽然特征"一次构建，随处服务"的概念正在获得关注，但大多数组织尚未在规模上实现操作化。随着成熟度的增长，我们可能会看到特征存储和轻量级编排器(Dask、Airflow等)攀升排名，但目前Apache生态系统占主导地位。
8. 向量数据库：搜索引擎向向量存储演进
搜索引擎转型为向量存储
Elastic和Pinecone领先采用率，反映了团队要么为嵌入改造现有全文搜索平台，要么采用专门构建的托管向量引擎。
Redis与"长尾"现象
Redis显示了利用您已经运行的内存数据存储的吸引力，而其他解决方案如Clickhouse、AlloyDB、Milvus、PGVector等强调许多组织正在试验不同的后端以平衡成本、延迟和功能需求。
开源解决方案的崛起
Chroma、Weaviate、Faiss、Qdrant和Supabase的向量附加组件等专业开源工具正在蚕食早期领导者，标志着易用性、扩展性和云原生集成的竞争战场。
9. 合成数据与数据增强：内部构建统治地位
内部构建占据主导
超过一半的团队(52%)构建自己的工具，表明现成提供商仍难以覆盖每个用例或与现有管道集成。
Scale AI明确的供应商领导者
Scale AI以21%的采用率成为首选第三方合成数据平台，但即使如此也只能覆盖五分之一的组织。
程序化框架初步吸引力
Snorkel AI和Mostly AI显示程序化标记和生成工具正在获得关注，但仍远远落后于定制解决方案。
10. 编码辅助：先行者的统治地位
GitHub Copilot遥遥领先
GitHub Copilot被近四分之三的开发团队使用，得益于其与VS Code的紧密集成、多语言支持和GitHub庞大用户群的支持。Copilot的网络效应和产品市场契合度使其难以撼动，但Cursor的强劲第二名表现(50%的受访者使用)表明对多样化IDE集成的需求。
长尾产品滞后
前两名之后，采用率急剧下降，解决方案长尾分化，表明虽然大多数团队至少尝试过一个助手，但很少有人在替代方案上标准化。Retool、Lovable、Bolt和Replit等低代码或无代码解决方案也有荣誉提及，表明市场对从想法到应用解决方案的需求日益增长。
11. DevOps和MLOps：MLflow领先但非垄断
MLflow领先但空间很大
MLflow被36%的受访者使用，是实验跟踪、模型注册和基本管道编排的明确领跑者，但这只是略超过三分之一的团队，表明替代方案还有很大空间。Weights & Biases也占据强劲份额，20%的受访者使用，反映了其作为跟踪、可视化和协作的托管SaaS的吸引力。
跟踪与全规模运营之间的差距
MLflow和W&B等跟踪优先平台的主导地位表明，许多团队尚未采用端到端MLOps套件——持续交付、漂移监控或自动回滚对大多数人来说仍是正在进行的工作。除了前两名，使用率快速分化，16%的受访者"不知道"哪些工具为他们的MLOps提供支持，这既指向了DevOps与MLOps责任之间的困惑，也表明市场仍在自我整理中。
12. 产品与设计：Figma近乎通用
Figma的近乎通用覆盖
87%的采用率使Figma实际上成为UI/UX和产品设计的事实标准。团队压倒性地坚持其实时协作、组件库和插件生态系统，而不是寻求AI特定的设计工具。
Miro用于高级协作
37%的采用率使Miro仍是线框图、用户旅程映射和跨功能头脑风暴的首选。其白板风格界面补充了Figma的像素完美画布，特别是在早期构思阶段。
AI支持的产品线框图兴起
虽然设计团队尚未感受到对AI原生产品/设计平台的迫切需求，但许多人正在使用Bolt、Lovable和Vercel V0等低代码/无代码解决方案进行快速原型设计。
技术栈选择的实用建议
ICONIQ的调研揭示了一个重要趋势：成功的AI产品开发不是关于选择最新、最炫的工具，而是关于构建一个协调、互补的技术栈，能够满足您的特定用例、团队技能和业务需求。
工具选择应该基于三个核心原则：成熟度优先（选择经过实战验证的工具）、集成便利（优先考虑与现有系统的兼容性）、长期维护（考虑工具的生态系统支持和社区活跃度）。正如报告所示，往往是那些能够无缝集成到现有工作流程中的工具，而不是功能最强大的工具，最终胜出。
给AI产品开发者的建议
技术选型要务实
不要被新技术的光环迷惑，选择技术栈时要考虑团队能力、产品需求和长期维护成本。多模型策略是趋势，但前提是您有足够的技术能力来管理复杂性。
成本控制要提前规划
API使用费是最难控制的成本，在产品设计阶段就要考虑成本优化。推理成本会随着用户增长快速上升，要提前准备好扩展方案和成本控制策略。
人才投入要足够
20-30%的工程团队专注于AI是行业基准，不要低估AI项目对专业人才的需求。AI/ML工程师最难招聘，要提前开始人才储备。
合规治理要重视
人机协作监督是主流做法，不要试图完全自动化关键决策。随着产品规模扩大，AI透明度和可解释性会变得越来越重要。
写在最后
这份来自ICONIQ Capital的报告给了我们一个难得的窗口，让我们看到AI产品开发的真实现状。作为扎克伯格等科技巨头背后的"军师"，ICONIQ的洞察代表了行业最前沿的实践。
如果您正在开发AI产品，这些数据和趋势不仅是参考，更是行动指南。记住，成功的AI产品不仅需要先进的技术，更需要正确的策略、合适的组织架构和可持续的商业模式。
本文基于ICONIQ Capital《2025年AI状态报告：构建者手册》编写，数据来源于对300位软件公司高管的调研。