我要投稿

一文读懂！企业 AI 从规划到落地全攻略

发布日期：2025-05-14 15:10:51 浏览次数： 1537 作者：湘江数评

AI已成为当前很热的话题，企业都想做AI，或者都在做AI，但有的不知道如何做，即使做了效果也与想象中的千差万别，那么企业该如何正确的做AI？老杨特意组织了一场线上沙龙活动，由某企业AI负责人胡总为来自全国各地的甲方数字化同仁解疑答惑，从项目实施路径的顶层规划，到智能体构建的具体策略；从企业知识库的搭建难题，到 AI 团队的组建方向，每一个话题都紧紧抓住了当下企业在 AI 转型过程中的关键痛点。这场会议，犹如一场及时雨，为在 AI 探索道路上前行的企业提供了宝贵的经验与思路。在2个小时的交流中干货满满，以下为整理后的内容：

AI的顶层设计要从老板开始

任何企业做AI项目并不是一开始就直接去实施了，必须有一个顶层的规划，那么如何做规划？其实是当前企业面临最大的一个问题，首先共识很重要，也就是一说企业的各个角色要对要做的 AI项目这个画面感保持一致。如何做呢？首先要解决的问题就是企业里的这个 AI 组织的画面到底是啥样，前不久曾明教授讲了一个课内容是：智能经济与组织，里面的内容通俗易懂，可以让企业的老板们听听，里面讲了讲了一个智能体的三个阶段：可靠的代理、能干的助理、聪明的伙伴，标志着AI从“效率工具”进化为“自主经济单元”。在未来智能体会被广泛部署到广泛的一个场景来代替完成各种工作。所以企业老板们想做AI应用，必须先有一个战略的高度，推荐看一下曾鸣教授的那个演讲。

在演讲中曾鸣教授还提到组织需要什么样的人才？他讲到有三类人才，是未来这个组织不会被AI 给替代的：

一类人才叫顶尖专家，就是能创造新的知识；我们知道AI 更多的是学习，它学得多、学得广，把所有知识学了，但是你要它去完全创造这个崭新的姿态，目前还是不足的，所以说顶尖专家是很难被替代，是因为他能够创造新的知识，他能够把新的知识喂给 AI。

第二类叫上层跨界人才，比如开发人员说我不会写Python，我会 Java，但是我通过 AI 能够快速地把它写好，那么这就是一个跨界的人才。

第三类就是管理者，只要企业这个组织在，总会有一些协调与决策工作，所以说这个领导者就是这三类人才中在未来可能被 AI 给替代的。

有了这三类人才之后，剩下来的人是什么人呢？其实那就是叫硅基员工。曾鸣教授讲这个内容其实就是讲未来组织其实是要变革的，而不是说做AI就是部署几个大模型让员工玩一玩。我们公司老板是听了这些内容，才决定今年全面去铺开做 AI这件事。

那么员工视角下的AI又是一个什么画面？

就是任何一个员工在他的工作过程中，当他把一个任务需求描述之后会有一个智能体平台来帮助他思考，借助大模型去选择他这个岗位的一个工具箱，相当于是他的武器库。他把他的需求描述清楚之后，然后这些工具箱、智能体平台去灵活地调用，最终去交付一个结果。这个结果可能是文字的，也可能是表格的，也可能是图片的，甚至是直接操作你的业务系统的，或者直接生成数据报告的，都是有可能的。其实这些是员工端怎么用AI 工具的一个画面感，那到底这些工具怎么制造的？

这就是下面这条链路，就是AI工具的开发者，他们把任务与需求在一个 AI 开发平台去进行落地，这些开发平台会借助这个我们本身的业务系统，包括数据以及一些第三方的数据，把这些智能体工具功能开发出来，变成员工视角这么一个画面。

那么问题来了，智能体如何做到概念与理解一致？

因为智能体是一个很抽象的东西，你看到的定义叫什么？拆解任务，然后去决策，然后去调用工具去完成任务的一个系统，这就是它的定义。即使这样在技术部门内部的理解其实也很抽象，怎么办？所以在实现过程中就需要具象化，就是说智能体要把公司员工在工作中的一项任务给梳理出来，假设有20项，每一项任务我们去做一个智能体，当然这个智能体可能前期没那么聪明，但总归是沿着可靠代理、能干助理、聪明伙伴这三个阶段，假设他这个智能体到了聪明伙伴这个阶段，他基本就能把你这个岗位的某一项任务的大部分内容完成了，这就是一个自某个任务的智能体。

那什么又是硅基员工？

假设一个岗位有20项任务，他70%以上的工作，也就是说至少有14项任务都有对应的智能体来辅助，那么就能够把这14个智能体打个包，可能就叫某某岗位的专家，他就是一个硅基员工。硅基员工其实就是一个智能体的集合。所以说企业一旦有了很多硅基员工之后，那我们真正的碳基员工搞不好这个岗位会合并，因为原来的岗位只有30%的事了。

一个AI项目如何去落地呢？

有两个策略，一个策略叫：从面到底，从上至下的梳理，就是我们从所有的业务流出发去把工作任务的清单给梳理出来。我们把这个东西叫任务的目录也好，叫场景的目录也好都是可以的，把目录梳理出来之后，那就到了一个细腻度的任务。完成这个任务，它又有一条 SOP 的标准，这个任务第一步干啥，第二步干啥，第三步干啥，它其实是有个 SOP 的标准，用这些标准再去做成智能。这是叫从上至下梳理，

第二种方式：就是从下到上的涌现；第一个策略其实是要花很多精力去处理那些东西，就跟做数字化去处理流程之类的一样，还是很耗精力的。从下至上涌线简单一些，就是说我们先让员工把这些 AI 工具先用起来，他们用的时候肯定有些用的好，这个时候我们把这个 AI 用的好的去打造一些案例出来，或者说就直接从业务的痛点出发，挖掘一些痛点，用这些案例与痛点去挖掘一些共性，看能不能用 AI 来帮助他们来做出一个智能体。

两个原则

第一个原则：业务主导，技术支撑；做 AI 的应用场景不能由技术部门纯去做，还是要由业务来先主导 I T，更多的提供技术的实践与支撑；

第二个原则:叫最小可行，敏捷迭代；我们先从这个比较细腻度的任务 SOP 里面的某个环节去开始做 AI 的一个开发的验证，而不是说一开始就做一个多大的模型，先从一个小的点开始，这叫最小可行性，敏捷迭代，这是整体策略。

企业智能体到底如何构建？

在这里我们讲几个角色。

首先，第一个角色叫做 AI 架构师，我们可以理解成业务专家或者领域专家，它不是一个技术部门的架构师，这个叫 AI 加。他是说去把 AI 怎么去挖掘出来，那这个 AI 架构师他做哪几件事，其实就是流程清单工作任务清单任务 SOP，然后识别 AI 嵌入层。你会发现，其实跟我们做数字化其实是一模一样的，唯一的就是加了最后一件事要识别 AI 的嵌入场景。

识别了这个AI 嵌入场景之后，这还只是一个叫人为的判断，这个 AI 的场景到底能不能行？不确定的是，这个 AI 它不像我们做这个业务系统，只要需求明确、规则明确，是能落地的，但是 AI 它存在幻觉或者准确性的问题，所以说接下来要交给第二个角色AI产品经理，就是去做一个 demo 的验证，评估是否真的能够去做智能体，就交给 AI 产品经理，那么现在 AI 的产品经理肯定也是以技术型的 IT 产品经理为主，对做个内部验证。

怎么去用产品落地来支撑刚刚说的这种环节?怎么用 AI 智能体去支撑？需要提供两类产品：

一类叫流程交易：以前没有 AI 可能效率上没那么高，现在有了 AI 之后，我们是在原来的业务系统的基础上把大模型的能力加进去，它还是在原来的系统上去校验，我们把这一类叫流程校验，它是一个不在智能平台里面，就是在流程里面的交互形式。

第二类产品叫智能体平台：是重头戏，第一类产品其实大家对 AI 的感知其实没那么强，因为他看起来还是个业务系统，只是某某地方加入了 AI 的能力。而AI智能体平台或者说是更像硅基员工的一个平台，叫 AI+数据。这个智能体平台很容易跟外界的比如豆包这些产品搞混，豆包这些产品它也是基于大模型，也有各种智能体的能力。但是企业内部一定是要有自己的一个智能平台，我们把这个叫AI数据，具体这个产品叫什么名字，每个企业都可以按自己的要求去命名。

A I 智能体的需求怎么落地？

AI 的东西不确定性大，这个demo 验证到底是什么角色来做？由架构师做还是产品经理做？可以 AI 架构师来做！比如以财务场景为例，其实是没必要交给技术部门去做代码验证的，财务部门的AI架构师完全可以做代码验证。他不需要写什么代码，他可能就是需要提示词去验证，因为一旦交给 IT 来验证这个周期太长，或者说。效率太低，但一些跨领域的场景，比如说财务供应链，这个时候业务里面的 AI 架构师它很难具备这个能力，这个时候可能会借助 AI 产品经理来做、去沟通，因为 AI 产品经理有数字化经验，后面还有强大的开发团队，如果他一些数据没有或者一些跨领域的数据要加工，他可以要开发团队来帮忙。所有的 AI 需求，其实基本就都是这个三个步骤：第一个步骤叫把数据加工好，第二个步骤叫处理数据，第三个步骤是把数据输出后去可视化呈现。其实数据加工跟数据的可视化呈现它，其实没有任何关系。

demo 验证以后的AI产品能不能直接用于生产？

demo 验证的产品，是否可以直接用于生产？其实是需要进一步验证的，很多时候业务部门会说：还要你们技术部门再次验证什么？我们都验证完了要直接上。这肯定是不行的， demo 验证的东西是不能直接生产的，demo 跟工程化的差异是很大的。一旦进行生产落地必须要工程化，就需要技术团队跟进，因为工程化大批量的时候可能会涉及不同的品牌、不同的产品，都有它的特殊配置，不同的配置方法，而 demo 验证其实都是造的数据，覆盖率自然不够。

如何构建企业知识库？

从我们做知识库的经验来看，企业做知识库ROI 不一定高,所以企业要想清楚做知识库的真实目的。如果说只是为了跟一下潮流，那就放手去做吧！如果是提效，那一定要去真正地评估好这个知识库到底能提效多少。如果你企业的规模其实不是很大的话，知识库的投入产出比是不太够的，因为知识库的维护成本很大。如果一定要去做，那就选好工具，建议三点：

第一，能够图文回复；第二，准确性要达到一定的要求；第三，谁来维护，是否有精力维护。

如何构建 AI 团队？

核心就是AI架构师这个角色，然后“AI 架构师 + AI 产品 + AI 开发团队”，构成企业的敏捷小组去做不同领域的智能体项目。

如何衡量投入产生比？

AI项目的投入产出比评估其实与数字化项目是一样的，因为本质上它还是企业的数字化项目，关键是看企业是否把AI当做战略，或者说一个比较高阶的事情来做，那前期的一些探索，可能就不要去过多关注投入产出。

这场会议不仅深入剖析了 AI 在企业应用中的方方面面，更为企业未来的 AI 发展指明了方向。尽管在前行的道路上，还会面临诸如技术难题、人才培养、数据安全等诸多挑战，但正如会议中所展现出的积极探索精神一样，企业只要坚定信心，不断尝试新的方法和策略，就一定能在 AI 的浪潮中找到属于自己的成功之路。

——The End——