一图读懂

企业AI蓝图：将ICONIQ的《构建者手册》转化为内部竞争优势

第一部分：高管摘要：AI时代的执行力要务

人工智能（AI）的竞争格局已经发生了决定性的转变，从最初的“采纳竞赛”演变为一场关乎“执行力”的硬仗。ICONIQ Capital发布的2025年度报告《构建者手册》（The Builder’s Playbook）清晰地捕捉到了这一市场脉搏，其焦点已从往年对“购买旅程”的探讨，转向了对“如何构建”的深入剖析 ¹。这份手册不仅是为初创公司编写的，更重要的是，它为任何寻求将AI从一个充满希望的概念转变为可靠、能驱动生产力的内部资产的企业，提供了一个至关重要的战略框架 ⁴。

报告中最引人注目的发现是“AI原生”（AI-native）公司与“AI赋能”（AI-enabled）公司之间在发展速度和成熟度上存在的巨大鸿沟。数据显示，近一半（47%）的AI原生公司其核心产品已经达到了关键规模并验证了市场契合度，而AI赋能型公司中只有13%达到了同等水平 ³。这种差距背后揭示了一个深刻的现实：这不仅仅是技术上的领先，更是一种运营模式的胜利。AI原生公司的成功源于一种以速度、激进的资源配置和快速实验文化为核心的运营模式 ³。因此，本报告的核心论点是：企业内部的AI项目若要取得成功，就必须采纳一种**“内部AI原生”（Internal AI-Native）**的心态和运作方式。

对数据的进一步审视可以发现，这种卓越表现与特定的组织行为紧密相关。高增长公司（可视为AI原生心态的代表）将更高比例的工程人才（37%）投入到AI领域，而其他公司仅为28%；同时，它们在实验和采纳新工具方面也表现得更为激进（92%对80%）。这表明，成功的关键因素并非仅仅是拥有AI技术，而是像一家围绕AI构建的公司那样去运营。这对传统企业构成了深远挑战：内部AI成功的首要障碍往往不是技术本身，而是敏捷、实验性的“AI原生”模式与传统企业治理、预算周期和风险规避文化之间的内在摩擦。因此，《构建者手册》不仅是技术指南，更是企业重塑其运营体系的路线图。

本报告将围绕该手册的五大核心支柱展开，并将其重新诠释以适应企业内部AI落地的独特情境，为企业领导者提供一套清晰、可执行的行动纲领：

1. 架构与产品策略（Architecture & Product Strategy）

2. 人才与文化（People & Culture）

3. 财务与投资回报（Financials & ROI）

4. 内部价值与采纳（Internal Value & Adoption）

5. 治理与规模化（Governance & Scaling）

通过对这五大支柱的深入解读，本报告旨在帮助企业将AI从一个技术项目，转变为驱动核心业务价值的持久引擎。

第二部分：支柱一 - 架构与产品策略：构建内部AI引擎

核心战略挑战：从“AI能做什么？”转向“AI应该做什么？”

企业在内部推行AI时，面临的首要挑战并非技术实现，而是战略定位。ICONIQ的报告明确指出，对于内部AI项目，最主要的部署挑战来自于战略层面而非技术层面。“找到正确的用例”（Finding the right use cases）被46%的受访者列为首要难题，而“证明投资回报率（ROI）”（proving ROI）则困扰着42%的受访者。这与面向外部客户的产品开发形成了鲜明对比，后者更关注模型幻觉（39%）和可解释性（38%）等技术问题。这一发现揭示了一个根本性的问题：在投入资源进行技术开发之前，企业必须首先解决“做什么”的战略选择问题。本节将提供一个框架，以系统性地应对这一挑战。

构建什么：聚焦于“代理工作流”与“垂直应用”

市场趋势为企业指明了清晰的方向。报告显示，近80%的顶尖AI构建者正在大力投资于两大领域：代理工作流（Agentic workflows）和垂直领域应用（Vertical applications） ³。代理工作流指的是能够代表用户执行多步骤、复杂任务的自主系统。

对于企业内部应用而言，这意味着战略重点应当从开发简单的、单轮对话的聊天机器人，转向构建能够自动化处理高摩擦、复杂内部流程的AI代理。例如，自动处理多层级的采购审批流程、新员工入职的跨部门协调任务，或是跨系统的财务对账等。ICONIQ投资组合中的一些公司为这种以垂直工作流为中心的方法提供了绝佳范例。例如，Tennr公司通过AI自动化了整个医疗领域的患者转诊工作流，处理从文件读取、信息提取到流程路由的全过程 ⁵。同样，

Legora公司则专注于自动化复杂的法律研究与文书起草工作，为律师提供强大的专业增强能力 ⁷。这些案例证明，深入垂直业务、解决核心工作流瓶颈是创造最大价值的路径。

如何构建：内部技术栈的战略分化

企业内部AI项目的技术栈选择，必须遵循与外部产品开发截然不同的逻辑，因为它服务于一个根本不同的优化目标。

报告中的数据清晰地揭示了这种优先级的分化。对于面向客户的产品，**模型准确性（Model accuracy）**是压倒一切的首要考虑因素，获得了74%受访者的认同。然而，当场景切换到企业内部应用时，**成本（Cost）**跃升为最重要的考量（74%），其重要性甚至略微超过了准确性（72%）和隐私（50%） ⁴。

这个从“准确性优先”到“成本优先”的根本性转变，必须成为指导整个内部AI技术战略的基石。这一成本导向的原则，直接解释并验证了当前行业中日益盛行的**多模型架构（Multi-model architectures）**趋势。报告显示，企业平均在每个面向客户的产品中使用了2.8个不同的模型 ³，并且正在构建能够支持模型快速切换的系统架构，以便为每个特定任务优化成本与性能的平衡点。因此，一个成熟的内部AI团队必须具备这种能力：仅在绝对必要时使用昂贵、高精度的前沿模型，而将大部分常规工作负载交由成本更低、速度更快的开源模型或专用模型来处理。

在基础设施层面，云优先策略已成为主导范式。68%的公司选择完全基于云的解决方案，64%的公司依赖外部AI API服务，以最大限度地减少前期资本支出并加快产品上市速度。在数据策略方面，**检索增强生成（Retrieval-Augmented Generation, RAG）和微调（Fine-tuning）**是企业将专有数据安全地应用于AI模型的最常用技术。

为了帮助企业系统性地解决“找到正确用例”这一首要挑战，以下提供一个结构化的决策工具。

表1：内部AI用例优先级矩阵

[TABLE]

该矩阵提供了一个数据驱动的框架，帮助领导者从一堆零散的想法中筛选出一个战略性的AI项目组合，确保有限的资源能够被集中投向最快、最能创造价值的地方。

第三部分：支柱二 - 人才与文化：组建并赋能AI先锋队

人才：核心差异化因素与主要瓶颈

ICONIQ的报告毫不含糊地指出，人才战略已不再是简单的支持职能，而是构筑竞争优势的核心差异化因素 ³。然而，它同时也是企业面临的最大瓶颈。数据显示，高达54%的公司表示在AI人才招聘方面已经落后于计划 ³。这种矛盾凸显了在AI时代，拥有人才和有效利用人才的能力，将直接决定企业的成败。

成功的组织架构：领导力与团队构成

为了在企业内部成功落地AI，必须建立与之匹配的组织架构。

• 专属AI领导力： 报告揭示了企业规模与专属AI领导力之间的强相关性。当公司年收入跨过1亿美元门槛时，设立专属AI领导者岗位的比例跃升至50%；对于年收入超过10亿美元的公司，这一比例更是高达61%。这一趋势背后是日益增长的AI运营复杂性，企业需要一个集中的所有者来统一AI战略、协调跨部门资源、管理组织复杂性，并最终对AI项目的业务成果负责。

• 跨职能先锋团队： 最有效的“构建者”们普遍采用跨职能的团队模式，其核心成员包括AI/ML工程师、数据科学家和AI产品经理 ³。报告数据证实了这一点，这三个角色是企业中最常见的现有AI岗位（分别占比88%、72%和54%），也是最优先的招聘目标。对于内部项目而言，AI产品经理的角色尤为关键。他们是连接技术团队与业务部门的桥梁，负责将业务需求转化为可执行的技术规范，并确保最终交付的AI解决方案能够真正解决业务痛痛点。

人才悖论：为何无法单靠招聘取胜

企业在AI人才争夺战中面临一个严峻的悖论：仅靠外部招聘无法赢得这场战争，必须采取一种系统性的方法来最大化人才的杠杆效应。

对数据的深入分析揭示了这一困境的根源。报告指出，阻碍企业快速招聘的首要因素并非预算（仅49%的受访者提及），而是市场上合格候选人的极度稀缺（60%的受访者提及）。与此同时，招聘一名关键的AI/ML工程师平均需要超过70天的时间。这种“人才供给不足”与“招聘周期漫长”的双重压力，使得任何单纯依赖招聘的战略都注定会失败。

因此，解决方案必须是一个能够倍增现有团队影响力的系统。这套系统应包含三个核心策略：

1. 增强现有团队： 积极部署AI驱动的开发工具，赋能现有工程团队。报告显示，77%的受访者已经在使用编码助手，而在高增长公司中，由AI编写的代码比例平均已达到33% ³。这能极大地提升开发效率，让有限的AI专家能专注于更具创造性的工作。

2. 善用外部杠杆： 充分利用云平台提供的托管服务（Managed Services）和AI API。这可以将团队从繁重的底层基础设施维护中解放出来，让他们聚焦于应用层面的创新和价值创造。

3. 内部培养转型： 建立系统性的内部培训和提升计划，帮助现有的优秀员工转型进入AI相关岗位。这不仅能缓解外部招聘的压力，还能保留宝贵的业务领域知识。

培育AI优先的文化

技术和人才的到位，还需要与之匹配的文化土壤。报告揭示了不同企业在AI文化上的显著差异。高达92%的高增长公司展现出一种积极拥抱、主动实验新AI工具的文化，而其他公司则普遍更为谨慎。

要在企业内部成功推广AI，仅仅提供工具访问权限是远远不够的。报告提供了一个关键的洞察：高采纳率的组织（超过50%的员工积极使用AI工具）都有一个共同点，那就是它们在企业内部署了广泛的AI用例——平均达到7.1个 ³。这一发现的战略意义在于，推动企业级采纳和文化变革的最佳路径，可能并非是倾尽全力打造一个单一的“杀手级应用”，而是推行一个

跨多个部门的、由多个小型AI应用组成的“项目组合”。这种策略能够创造更多的员工接触点，使AI在日常工作中变得常态化，从而形成一个“接触-使用-反馈-改进”的良性循环，最终将AI优先的理念根植于企业文化之中。

第四部分：支柱三 - 财务与投资回报：掌握内部AI的经济学

预算规划：将AI视为核心业务职能

AI已不再是研发部门的实验性预算项目，而是正在成为影响企业损益表（P&L）的核心业务职能。报告显示，AI赋能型企业正在将**研发预算的10-20%**投入到AI开发中，并且这一比例在所有收入规模的企业中都呈现增长趋势 ³。这标志着一个重要的转变：企业必须像规划核心业务一样，来规划和管理AI的财务投入。

理解演进中的成本结构

为了进行有效的财务规划，领导者必须理解AI项目成本结构随其成熟度演变的规律。报告指出，项目在早期阶段的成本主要由人才成本构成，包括招聘、培训和技能提升的费用。然而，随着项目从开发走向规模化部署，成本重心将发生决定性转移，云基础设施成本、模型推理（Inference）成本和治理成本将占据支出的绝大部分 ³。

特别是模型推理成本，在产品上线后会急剧飙升。其中，第三方模型的API使用费被认为是最难控制的基础设施成本。这一严峻的财务现实，为第二部分中提出的“成本优先、多模型并行”的内部技术栈架构提供了最终的、也是最有力的商业论证。企业必须在技术选型之初就将成本控制作为核心设计原则，否则将在规模化阶段面临失控的运营支出和利润侵蚀。

内部ROI的“价值中心GTM”模型

为了驱动内部采纳并证明其商业价值，内部AI团队必须借鉴外部产品市场的成功经验，采用一种“价值中心”的运营模式。

报告明确指出，“证明ROI”是内部和外部AI项目共同面临的三大部署挑战之一。在外部市场，这种压力正迫使产品定价模式向基于使用量（Usage-based）和基于结果（Outcome-based）的方向演进，其核心逻辑是让成本与客户获得的价值直接挂钩 ³。

这一趋势对内部AI团队具有深刻的启示。内部团队的“市场进入（Go-to-Market, GTM）”策略虽然不涉及销售，但其核心目标是相同的：驱动采纳和价值归因。这意味着内部AI团队必须像一个独立的业务单元那样运作。它们需要向其他业务部门清晰地阐述其解决方案的价值主张，更重要的是，必须建立一套严格的体系来追踪和报告其所创造的价值。ICONIQ的投资案例Tennr为此提供了完美的参照。Tennr向其医疗客户提供的不仅仅是技术，还有硬性的ROI数据，如“将处理时间缩短60%”、“使团队日处理能力增加两倍” ⁶。这正是内部AI团队需要效仿的黄金标准。

衡量关键指标：内部AI记分卡蓝图

报告为如何衡量内部AI的成功提供了清晰的指引。对于内部应用，其价值主要通过以下两个核心指标来体现：

• 生产力提升（Productivity Improvements）：75%的受访者将其作为首要衡量标准。

• 成本节约（Cost Savings）：51%的受访者关注此项。

这两个指标的重要性远超于收入提升（20%）或客户留存（20%）等通常用于衡量外部产品的指标。这进一步强调了内部AI的核心使命是优化运营效率。报告同时指出，受访企业在各类生成式AI应用中普遍获得了**15-30%**的显著生产力提升 ³。

为了将这些衡量原则落地，以下提供一个标准化的AI项目ROI仪表盘模板，帮助AI团队以量化的商业语言向财务和业务领导者证明其价值。

表2：AI项目投资回报率（ROI）仪表盘模板

项目名称： 应付账款发票自动化处理代理

评估周期： 2025年7月

指标类别	具体指标	本月数据	价值量化（月度）
投资（成本）	1. 模型API/推理成本	$1,500	-$1,500
	2. 云/数据存储成本	$500	-$500
	3. 工程/维护人力成本 (0.5 FTE)	$6,000	-$6,000
	总投资		-$8,000
回报（价值）	4. 平均每张发票处理时间减少	从15分钟降至3分钟
	5. 每名全职员工（FTE）处理发票量增加	从30张/天增至150张/天
	6. 人工错误率降低	从2%降至0.1%
	7. 总计节省工时 (基于指标4和5计算)	350小时	+17,500(按50/小时计算)
	8. 避免的错误成本 (基于指标6计算)		+$2,000 (估算)
	总回报		+$19,500
净回报与ROI	月度净回报 (总回报 - 总投资)		+$11,500
	月度投资回报率 (ROI)		143.75%

这个仪表盘模板将抽象的“价值”转化为具体的财务数字，直接回应了“证明ROI”的核心挑战。它为AI团队提供了一种标准化的语言，使其能够清晰地展示其工作成果，从而将自身从一个成本中心转变为一个明确的价值创造引擎。

第五部分：支柱五 - 治理与运营：以信任和效率实现规模化

驾驭部署挑战

当AI项目从试点走向规模化时，企业必须直面一系列复杂的运营挑战。报告指出，即便是对于内部工具，**模型幻觉（Hallucinations）以及对可解释性与信任（Explainability/Trust）**的需求，也是不容忽视的重大障碍。在人力资源、法务、财务等受到严格监管的职能部门，这些问题尤为突出。一个不可靠或无法解释的AI系统，不仅无法提升效率，反而可能引入新的操作风险和合规风险。

构建可信AI的治理框架

为了在规模化部署中建立和维持信任，企业必须采纳一个多层次的治理策略。《构建者手册》的洞察指向了以下几个关键组成部分：

• 人在环路（Human-in-the-Loop, HITL）的监督： 报告证实，绝大多数公司都将HITL作为确保AI系统公平、安全和准确的关键护栏。这不应被视为一个暂时的、在技术成熟后即可抛弃的拐杖，而应被视为负责任AI部署的核心设计原则，尤其是在处理高风险决策时。

• 主动监控与护栏（Guardrails）： 随着项目规模扩大，仅靠被动的HITL监督已不足以管理风险。企业需要转向更主动的监控机制。报告强调，领先的团队正在采用专门的护栏库（Guardrail libraries）来实施自动化的安全检查。同时，随着产品成熟，更复杂的性能监控系统也被部署起来，用于追踪数据漂移（Data drift）、建立实时反馈循环，并确保模型性能的持续稳定。

• 合规与可解释性： 遵守如GDPR、CCPA等数据隐私法规是企业AI治理的基石。更进一步，为了建立用户信任并满足日益增长的监管要求，领先的团队已经开始向用户提供关于AI模型如何影响最终决策的基本洞察。这种透明度是推动AI在企业内部被广泛接受和信任的关键。

规模化的引擎：采纳的“项目组合”方法

报告中一个至关重要的发现，为解决企业内部AI采纳率低的难题提供了线索。许多公司即便为员工提供了AI工具，也依然面临着参与度不足的困境 ³。然而，那些实现了高采纳率（超过50%员工使用）的组织，展现出了一个共同的策略：它们在企业内部署了

广泛多样的AI用例，平均数量达到7.1个 ³。

这一发现具有重要的战略意义。它表明，在企业范围内推动AI采纳和文化变革的最佳方式，可能不是集中资源去打造一个单一的、完美的“杀手级应用”，而是在多个不同部门同时推行一个由多个小型AI项目组成的投资组合。这种方法能够：

1. 创造更多接触点： 让更多员工在自己的日常工作中接触和体验到AI。

2. 降低采纳门槛： 小型的、针对特定痛点的应用更容易被理解和接受。

3. 常态化AI： 当AI出现在多个工作场景中时，它就不再是一个遥远的概念，而是成为工作流程中一个自然组成部分。

4. 加速学习循环： 多个项目并行可以更快地收集用户反馈，加速整个组织的AI学习和迭代速度。

通过这种“广撒网”的方式，企业可以创造一种AI无处不在的氛围，从而形成一个参与、反馈、改进的良性循环，最终将AI文化深植于整个组织。

第六部分：手册实践：来自垂直AI先锋的启示

本部分将从理论转向实践，通过分析ICONIQ投资组合中的先锋企业，展示《构建者手册》的原则如何在真实的商业世界中被成功执行 ⁹。这些案例研究为企业内部AI团队提供了一个具象化的愿景，揭示了在专业化、高价值领域成功执行AI战略的真实面貌。

案例研究一：Tennr - 整合与ROI手册（医疗健康领域）

Tennr公司完美地诠释了如何通过构建一个垂直领域的代理式AI，来解决一个行业内普遍存在的高摩擦工作流——患者转诊 ⁵。

• 手册实践：整合而非颠覆。 Tennr成功的关键之一，在于其战略选择。它没有试图强迫医疗机构抛弃现有的、混乱但根深蒂固的工作流程（如传真、电子邮件），而是选择去适应并整合它们。其AI模型能够读取和理解各种非结构化的文档，从而在不改变前端工作习惯的情况下，实现后端流程的自动化。这种“与系统共存，而非对抗系统”的策略，极大地降低了客户的采纳门槛 ⁵。这对于需要处理大量遗留系统的企业内部AI团队来说，是一个极具价值的启示：最有效的解决方案往往是无缝集成到现有工作流中，而非要求用户进行颠覆性的改变。

• 手册实践：清晰、可量化的ROI。 Tennr的价值主张并非抽象的“效率提升”。它向客户交付的是可以写进我们前述“ROI仪表盘”的硬性指标。例如，其客户NEB Medical的接收处理时间下降了超过60%，使得团队的日处理能力增加了两倍；Eastern MedTech在没有增加任何人力的情况下，将文档处理能力扩大了八倍 ⁶。这为如何向业务部门证明AI价值树立了黄金标准：用业务部门能够理解的、可量化的语言来沟通，将技术成果转化为实实在在的商业回报。

案例研究二：Legora - 专家增强手册（法律领域）

Legora公司则展示了AI的另一种强大应用范式：不是取代，而是增强高技能知识工作者（律师）的能力 ⁷。

• 手册实践：平台而非单点解决方案。 Legora认识到，法律工作的价值来自于多个环节的协同。因此，它提供了一个统一的AI平台，能够无缝集成到律师的核心工作流中，例如提供Microsoft Word插件，而不是让他们在多个孤立的工具之间切换 ⁸。这印证了平台化思维的重要性：真正的价值来自于对核心工作流程的系统性增强，而非提供零散的功能点。

• 手册实践：与用户深度协作。 Legora的成功很大程度上归功于其与客户（律师事务所）的深度合作与伙伴关系。他们共同开发和嵌入AI功能，确保产品能够真正贴合专业用户的细致需求 ⁷。这种模式与内部AI团队中“AI产品经理”的角色异曲同工，强调了理解并服务于最终用户是产品成功的先决条件。

• 手册实践：实现生产力的阶跃式提升。 Legora所带来的ROI是工作模式的根本性变革。它将过去需要数周才能完成的任务，如尽职调查中的数据室审阅，缩短到了几小时，且不损失准确性 ⁷。这揭示了内部AI的终极目标：不仅仅是实现渐进式的效率改进，而是通过增强人类专家的核心能力，创造生产力的阶跃式提升，让他们能够专注于只有人类才能胜任的、更高价值的战略性工作。

第七部分：战略综合：一份为您的企业量身定制的行动蓝图

核心洞察回顾

ICONIQ的《构建者手册》为企业内部的AI落地提供了深刻的启示。综合全文分析，其核心战略要点可归纳如下：

• 心态转变是前提： 成功的关键在于采纳一种“内部AI原生”的心态，将敏捷、实验和快速迭代的文化注入企业运营的血脉。

• 战略定位是核心： 内部AI的成功始于正确的战略定位。其技术栈必须围绕“成本优先”原则构建，其项目选择必须聚焦于解决高价值的垂直工作流。

• 价值证明是关键： 内部AI团队必须像业务单元一样运作，采用“价值中心”的模式，通过量化的ROI来驱动采纳、证明价值并获取持续的资源投入。

• 人才杠杆是保障： 面对人才稀缺的现实，企业必须超越单纯的招聘，通过增强现有团队、善用外部杠杆和内部培养转型，系统性地最大化人才的杠杆效应。

分阶段实施路线图

为了将上述战略转化为可执行的行动，我们为企业领导者提供一个分阶段的实施路线图。

第一阶段：奠定基础（0-6个月）

• 行动： 任命一名专属的AI领导者，并组建一支由AI/ML工程师、数据科学家和AI产品经理构成的跨职能“先锋队”。

• 行动： 使用“内部AI用例优先级矩阵”，识别并启动2-3个“快速制胜”象限的试点项目，以求在短期内展示可见成果。

• 行动： 建立基础的AI治理框架和数据隐私准则，选定主要的云平台合作伙伴，并着手构建第一个“AI项目ROI仪表盘”模板。

第二阶段：扩展与推广（6-18个月）

• 行动： 严格追踪并向全公司公布试点项目的ROI成果，以此建立内部信誉，争取更广泛的业务部门支持和资源投入。

• 行动： 开始构建支持快速切换的多模型技术架构，主动管理和优化日益增长的模型推理成本 ³。

• 行动： 启动内部AI技能提升计划，同时将AI应用组合扩展到5-7个以上的用例，以推动更广泛的员工采纳和文化渗透 ³。

第三阶段：规模化与转型（18个月以上）

• 行动： 将成功的AI解决方案在全企业范围内进行规模化推广，战略重点是构建能够重塑核心业务流程的代理工作流。

• 行动： 正式确立内部AI价值归因模型，确保AI项目的资金投入能与业务单元的目标和收益持续对齐。

• 行动： 推动组织向着将20-30%的工程资源专用于AI开发和运营的基准目标迈进，最终将AI固化为企业的一项核心业务能力，而非一个附属的技术项目 ³。

结语

ICONIQ Capital的《构建者手册》不仅是一份市场报告，更是一个时代信号。它标志着AI已经走过了概念验证的黎明，进入了价值兑现的正午。对于身处其中的每一家企业而言，其传达的信息是明确而紧迫的：孤立实验的时代已经结束，系统性地构建一个持久、高效、能够驱动业务价值的内部AI引擎，以及由此带来的决定性竞争优势，其行动时间，就是现在。

引用的著作

1. State of AI, 访问时间为 七月 5, 2025， https://cdn.prod.website-files.com/65d0d38fc4ec8ce8a8921654/685ac42fd2ed80e09b44e889_ICONIQ%20Analytics_Insights_The_AI_Builders_Playbook_2025.pdf

2. The Builder’s Playbook - My AI, 访问时间为 七月 5, 2025， https://my.ai.se/resources/6272

3. 2025 State of AI Report: The Builder’s Playbook - ICONIQ Capital, 访问时间为 七月 5, 2025， https://www.iconiqcapital.com/growth/reports/2025-state-of-ai

4. ICONIQ: The Builder’s Playbook - 2025 State of AI Report - YouTube, 访问时间为 七月 5, 2025， https://www.youtube.com/watch?v=6hHz_ejt4_A

5. Tennr clinches $101M to build out AI that automates patient referral process, 访问时间为 七月 5, 2025， https://www.fiercehealthcare.com/health-tech/tennr-clinches-101m-build-out-ai-automates-patient-referral-workflows

6. Revolutionizing Patient Referrals with AI: Our Partnership with Tennr - ICONIQ Capital, 访问时间为 七月 5, 2025， https://www.iconiqcapital.com/growth/insights/revolutionizing-patient-referrals-with-ai-our-partnership-with-tennr

7. Our $80 million Series B led by ICONIQ and General Catalyst - Legora, 访问时间为 七月 5, 2025， https://legora.com/blog/series-b

8. Powering the Future of Legal with AI: Our Partnership with Legora - ICONIQ Capital, 访问时间为 七月 5, 2025， https://www.iconiqcapital.com/growth/insights/powering-the-future-of-legal-with-ai-our-partnership-with-legora

9. Venture & Growth AI - ICONIQ Capital, 访问时间为 七月 5, 2025， https://www.iconiqcapital.com/growth/ai

10. General Catalyst and Iconiq back AI legal startup Legora in $80m Series B | Sifted, 访问时间为 七月 5, 2025， https://sifted.eu/articles/general-catalyst-and-iconiq-back-ai-legal-startup-legora-in-80m-series-b

11. Legora Attracts $80 Million Series B Funding as Top Global Law Firms and Legal Teams Rush to Adopt Its Collaborative AI - Business Wire, 访问时间为 七月 5, 2025， https://www.businesswire.com/news/home/20250521422959/en/Legora-Attracts-%2480-Million-Series-B-Funding-as-Top-Global-Law-Firms-and-Legal-Teams-Rush-to-Adopt-Its-Collaborative-AI