LLM企业赋能（3/3）

推荐语

LLM技术如何助力企业团队协作与信息管理，提升工作效率。

核心内容：
1. LLM在团队信息记录与利用中的角色和应用
2. 通过LLM提升信息评价、查询和加工的效率
3. LLM对企业信息处理能力的战略赋能框架

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

前两篇文章从个人视角探讨了如何利用LLM实现工作中的赋能。本篇将从团体和企业视角出发，继续探讨LLM赋能。

01

团队赋能

先说信息记录。工作中存在大量通过语音传递信息的场合，如例行会议、一对一任务培训、面试、临时讨论等。

在传统情境下，这些沟通内容往往没有被完整记录。即使在一些正式会议上安排了专人做会议记录，也难以捕捉所有沟通细节。会议记录是一件费时费力的事情。

如今，越来越多的LLM应用支持自动文字转录功能。企业协作工具如腾讯会议或飞书已内置AI会议记录功能。而消费级LLM应用（如豆包或通义）也提供了语音记录功能，可以随时随地使用手机进行对于口头沟通的记录。

这些应用不仅能将语音精确转为文字，还能智能区分不同发言人，自动总结关键观点，生成行动清单，甚至构建直观的思维导图，使信息记录更加全面高效。

但记录信息并非目的，而是手段。真正的目的是对记录的信息进行有效利用，从中挖掘价值。我将信息利用的方式大致分为三类：评价、查询和加工。

1. 评价

我们可以借助LLM对沟通内容进行客观评价，以提高未来沟通质量：

• 对于会议：评估讨论效率、团队沟通模式和决策过程

• 对于培训：分析内容结构逻辑性、知识点覆盖度和表达清晰度

• 对于面试：评价应聘者表现，同时评估面试官的提问技巧和面试流程合理性

2. 查询

之前提到我们可以构建自己的知识库，并通过LLM进行问答。值得注意的是，这种查询可以是双向的。我们既可以自己查询已记录的信息，也可以让他人通过LLM查询我们的知识库。

相信不少人在工作中都有这样一个困扰 —— 常被同事的询问打断自己的工作，而有些问题甚至被反复询问。

基于LLM构建的个人知识库可以成为我们的数字分身，代替我们回答这些常见问题。即使由于一些主观或客观原因，同事仍将问题抛给你，你也可以将搜索信息、组织语言的工作交给LLM，自己仅需进行信息的核对和复制黏贴。

3. 加工

当积累了基础信息后，我们可以通过LLM对信息进行深度加工和丰富。

例如，在为同事讲解某项任务操作流程并通过LLM应用记录后，我们利用LLM在此基础上生成正式的培训文档或一份SOP操作手册的初稿，大幅提高知识沉淀和传递效率。

企业赋能

当提到一项技术的企业赋能，人们往往首先会想到一套复杂庞大的系统。而战略级变革还会涉及到组织架构的调整。

这些暂不做讨论。我仍然将以“信息”为锚点，从大语言模型（LLM）在信息处理方面的能力出发，构建其对企业赋能的思考框架。

在前文关于个人赋能的讨论中，我们拆解了知识工作者对信息的各类操作，探讨了LLM在信息获取、处理与输出环节中的作用。而在团队赋能部分，我们则聚焦于信息在多角色之间流动时，LLM所能提供的支持。

个人或团队中不同成员对信息的操作，并不是彼此割裂的行为，而是总会被某种“流程”所串联。

这种流程，可能是员工脑海中潜移默化的隐性步骤，也可能以标准操作流程（SOP）的形式显性存在，或者通过泳道图展示为跨角色、跨部门的协作路径。

企业正是将具备不同专业知识与技能的个体，通过流程有机整合，共同完成单个个体无法独立完成的复杂任务，从而创造价值。

无论是个体还是团队，完成任务往往都需要依赖多个工具。

对于单人任务，知识工作者通常需要频繁在不同的信息处理工具之间切换，例如从邮箱中获取资料、在文档中编辑内容、再将结果整理进表格。这种“跨工具”的操作是由人类的认知链条来衔接的。

而在多人任务中，信息的传递往往通过文件（如Excel、Word）或系统（如CRM、ERP）来实现，串联起不同角色的协作。

这也正是当前LLM在执行复杂任务时的核心瓶颈之一：它本身无法直接操作本地工具、控制文件、或主动访问企业内部系统。换句话说，缺乏统一的工具调用和系统接入能力，使得LLM即便在理解任务上表现出色，也难以独立完成需要跨工具、跨系统的信息流任务。

从企业的角度来看，一个理想状态是：打通信息流转的各节点，从而提升自动化水平，降低人工干预成本。

这就引出了当下备受关注的一项技术方向：AI智能体（Agent）。

OpenAI将其定义为“可以代替你独立完成任务的系统”。从这个角度来看，当LLM能够联网搜索并根据搜索结果回答用户问题时，它已经具备了基本的智能体特征。

而Anthropic的定义则更为具体“能够自主决定任务处理流程、动态调用工具、独立完成复杂任务的系统”。这个定义点明了智能体的两大核心能力 —— 决定任务处理流程和动态调用工具。

前者依赖于LLM本身的推理与规划能力，随着推理模型的飞跃，这一能力正在快速增强；而后者则必须依托于目前大热的 MCP（Model Context Protocol，模型上下文协议）。

MCP 是由 Anthropic 推动的一项开放协议，旨在通过标准化接口，使LLM能够无缝集成外部的数据源、工具和服务。它就像AI世界的“USB-C接口”，为智能体的实际操作能力提供了通用连接方式。

当企业希望让AI智能体代替人来完成复杂任务时，需从两个维度进行评估：能力与价值。

1. 能力

我们可以通过设定一个任务目标，向LLM明确告知可用工具的范围，观察其是否能制定出清晰的任务流程，以初步评估其规划能力。虽然制定流程并不等于具备调用工具的能力，但这是迈向执行的关键第一步。

而目前已有多个基于MCP协议的工具平台，可以用于快速判断特定任务所需的工具是否已经被支持。

2. 价值

我们更希望将智能体应用于高价值的任务上。这个“价值”可以来源于任务本身的业务影响力，也可能是该任务在企业内的重复执行频率。

企业可以将所有候选任务放置在一个二维坐标系中，以“价值”和“能力”为两个轴，形成一张任务优先级图谱，从而为智能体的部署提供决策参考。

结语

自年初DeepSeek掀起LLM热潮以来，各类企业纷纷发布了自己AI战略以及Deepseek本地化部署的新闻。

然而，当我与一些在大厂工作的朋友交流时发现，即便这些公司自身拥有国内顶尖的大语言模型及相关应用，员工在实际运用LLM进行赋能方面的表现却并不理想。就好比企业一边投入巨资建设复杂的BI系统，而员工却连Excel的基本函数都用不熟练。

通过这三篇系列文章，我以“信息”为核心，分别从个人、团队与企业三个层次出发，探讨了企业如何借助LLM实现赋能，旨在为“LLM企业赋能”这一主题提供一个系统的思考框架。