蔚莱策略APP下载 万字长文 | AI落地的十大问题

来源：钛媒体

2025年被认为是企业级AI应用真正进入落地阶段的关键节点。AI不再只是效率工具或实验性尝试，而是逐步成为企业经营中需要量化价值的“必修课”。然而，从试点到规模化，从理念到执行，企业在AI落地过程中仍面临重重挑战。

9月12日至13日，2025 ITValue Summit数字价值年会在三亚如期举行。本届大会以「AI场景落地真相」为主题，聚焦企业应用AI过程中的「十大核心问题」，系统性拆解AI战略、可靠性、数据困境、场景选择、模型选型、行业落地、知识库构建、安全合规、人机协作与人才瓶颈等现实难题，力图为企业找到可落地、可借鉴的解法。

AI不是空中楼阁，这一点与ITValue的基因高度契合。

从2009年开始， ITValue Summit 数字价值年会已经不间断连续举办17年，“长期主义”是大会主办方和参与者们身上最深刻的标签，这些人不仅是时代的见证者，更是技术和产业进步背后的中坚力量。

“过去一段时间，我们做了接近大半年的访谈，陆陆续续在不同的行业接触很多人，对AI在企业的应用做了深入交流。”钛媒体集团联合创始人、ITValue发起理事、钛媒体研究院院长万宁表示，“影响AI在企业应用落地的问题数不胜数，我们总结了其中关键的十大问题，也针对每一个问题都找到了分享人，他们是AI应用的‘优等生’，是企业AI实战的幕后操盘手，通过他们带来的AI落地经验，希望能给探索AI的企业一些帮助，也引发更多思考。”

今年，2025 ITValue Summit数字价值年会首次采用年度主题演讲的形式，对“AI落地十大问题”，与对应的案例实践者、AI落地操盘手们进行了系统化、高密度的讨论。

问题一：共识如何达成？

当下，企业正经历着从技术试点到战略重构的关键转折。

但一个严峻的事实是，当前AI技术在传播认知和落地实践上存在巨大落差，不仅管理者和执行者之间的认知、目标无法一致，而且每个企业的状况不同，如何选择合适的路径都是极为现实的难题。

现在，一些企业已经有AI应用成果，但这些都不是突然出现的，而是经过了长期历史沉淀。

万宁以瑞幸用AI与数据驱动重构咖啡行业价值链、与星巴克的竞争举例。瑞幸以数字化原生以数字化为底座，2020年开始战略核心就是技术驱动，人（用户）、货（产品）、场（门店）三大支柱，并且开始布局AI。进而，瑞幸通过AI进行有效的数据分析：以免费咖啡换取海量用户数据，精准预测爆品（准确率85%）；用算法选址和供应链优化，大幅降低租金与运营成本（租金占比＜8%）……最终用9.9元一杯的杀手锏影响客户选择，掀起行业洗牌。

除了企业积淀，对AI是否有清晰的认知、AI能力边界在哪里，也是“用好AI”的前提。

平安证券CIO张朝晖观察到，大多数人都认为AI是一个工具，有两个极端的观点，一个是万能化，AI应该可以做任何事情；一个是无能化，AI什么事情都做不出来。

在大会现场，张朝晖带来了一块游泳浮板——这不仅是泳池里的教具，更是他过去十八个月来自我突破的象征。“浮板是辅助，但不能成为依赖”，张朝晖曾依靠浮板游出两千米，信心满满地认为已掌握自由泳，结果脱离辅助后仅坚持了二百米。这一“挫败”让他意识到，无论是游泳还是企业应用AI，都不能过度依赖外部工具，而需建立自身的能力体系。此外，他通过自身借助AI教练突破游泳瓶颈的经历，说明AI可作为个性化、全天候的“智囊团”，提供分析、反馈与策略建议。

以游泳的经历，他引申至企业对AI的应用现状：当前90%的AI项目未能实现预期，70%的高管认为其效果不佳。在张朝晖看来，问题核心在于许多企业仅把AI视作“工具”，而非“合作伙伴”。他提出必须重新定位AI与人的关系——AI可以是提供策略的“顾问”，也可以是鼓励执行的“教练”，但最终的决策者和执行者，必须是人。

“AI不会取代CIO，但掌握人机协作的CIO会取代你。”张朝晖强调。在他看来，人机协同系统化转型分三步：本周评估“浮板依赖”（依赖工具≠真正实力），识别冠军；下月选择试点场景，开始“334框架”；90天内实施方法论，测量结果，准备规模化。其中“334框架”指30%的人类智能，确定战略方向、价值判断和文化领导；30%的人工智能，负责分析处理、战略智能和多智能协同；40%的执行系统，完善基础设施、流程保证和专业化交付。

问题二：AI幻觉与“黑箱”、如何确保AI可靠性与可解释性？

当企业越来越广泛应用AI，技术是否值得信赖就成为一个值得思考的问题。

当生成式AI从实验室走向产业一线，企业面临的挑战早已超越算法精度本身，演变为技术可靠性、组织适应性与工程化能力的多维博弈。

这个过程中，AI的“幻觉”问题（模型生成错误信息）一直是AI在企业侧落地过程中最大的阻碍之一，尤其是在一些对准确性要求较高的场景下，是能否落地的决定因素。

当前，证券机构正积极借助大模型技术提升服务能力与运营效率。然而，在实际落地过程中，“模型幻觉”和“决策黑箱”两大难题成为制约其深度应用的关键瓶颈。

今年，国泰海通构建的行业首个千亿参数的多模态证券垂类君弘灵犀大模型，完成了上海市001号生成式人工智能服务登记，成为首家唯一完成国网信办算法备案和上海市服务登记生成式人工智能服务的券商。

国泰海通技术研发部总经理助理詹婷婷对如何克服AI幻觉和“黑箱”问题进行了详细解读。

在专业性要求极高、容错率极低的证券行业，幻觉不仅损害工具实用性，更可能动摇用户信任、引发合规风险。例如，若用户询问股票行情，模型若提供错误信息，可能直接影响投资决策。更严峻的是，由于金融业务高度敏感，监管要求所有输出内容必须可靠、可解释，且严禁未经许可的投资建议。

为破解这一难题，国泰海通提出“可信知识库+小模型校验”的双重保障机制。一方面，依托积累十余年的结构化知识库和专人运营的业务语料库，确保数据来源准确、合规；另一方面，在输出层设置多个小模型进行实时校验和控制，只有经业务逻辑和合规规则过滤的内容才会最终触达用户。此外，还建立了涵盖事前、事中、事后的全流程风险管控机制，包括敏感词拦截、双向审核制度（业务审核+合规审核）以及用户反馈激励闭环。

而在“决策黑箱”方面，问题则更为复杂。证券行业中的投资建议、市场分析等行为需持牌进行，而大模型目前无法取得相应资质，其基于统计而非逻辑推理的运作机制也不符合监管对“可解释性”的要求。国泰海通构建了180多个业务方法库，将分析过程拆解为可追溯的算法步骤，使得每一个生成的分析结果都有明确的逻辑来源和业务依据，从而打开“黑箱”，满足合规披露需求。

此外，她强调业务部门的深度参与是关键——技术团队与业务人员共同设计场景、制定规则，甚至业务人员占比远高于技术团队，从而确保AI应用在合规、可控的前提下落地，有效抑制幻觉与黑箱问题。

问题三：数据是决胜关键

数据质量问题的根源贯穿数据生命周期的全链条，数据采集、传输、存储……任何环节出问题都会成为AI落地效果大打折扣。

不少 CIO 在 AI 热潮后向团队发问：多年积累的数据价值体现在哪里？事实上，真正形成壁垒的企业，大多在数据准备与结构化方面领先。

香港医管局总企业架构师王昱系统阐述了香港医管局过去三十年间通过自主开发与深度整合，构建优质医疗健康数据库的实践经验，为公共医疗数字化提供了具有借鉴意义的范式。

王昱指出，香港医管局数智化转型主要面临资源问题、医疗人才不足问题、需求旺盛，以及公立和私立医院之间平衡合作等挑战。

面对这些挑战，数据被视为一把关键的“钥匙”。然而，解决问题并非一朝一夕之事——目前，香港医管局已积累近60亿条高质量的医疗数据，这些数据来源于不同的临床系统，是过去三十年来不断沉淀、逐步丰富, 持续提升的重要成果。

香港医院管理局（医管局）早在30年前便开启了自研信息系统的探索，并坚持“一套系统架构、一套标准、一套技术、统一流程”的理念。如今，信息技术团队已扩展至2000人，其中约200人为医护人员组成的医疗信息专家，他们直接参与系统及讯息标准设计，使产品能够真正贴合临床需求。

面对医疗数据普遍存在的碎片化、标准不一、质量参差及安全合规难题，医管局提出了“一体化数字平台”的解决方案。该平台通过高度集中的数据管理，实现医疗信息的高效互通与利用。医护人员在诊疗时可实时调阅患者全病程记录，大幅提升诊疗效率和安全性。

在推行过程中，医管局采用“由上而下”的企业架构思维，通过创新实验室机制，将概念转化为产品，并在重点医院进行试点和本地化部署。过去两年间，已有数十个项目通过这一模式成功落地。

王昱指出，未来数据资产将成为医院数智化转型的核心引擎：通过推进数据产品化，推动系统由传统流程驱动转向以客户需求驱动；依托创新及数据实验室，构建新服务形态，培养并吸引人才与合作伙伴，共同推动创新；通过实现数据服务化，持续完善数据服务能力，构建开放共赢的生态圈。

基于此，对于香港医管局而言，在人工智能和数据方面主要有四大战略，首先是以多年临床数据为核心，打造自主数据库；第二是，将AI技术与临床工作深度结合；第三是，满足安全合规和自主可控需求；第四是，培养符合要求的人才，打造更为完善的跨界协同生态。

AI的未来，不仅藏在模型和算法里，更藏在那些尚未被打通的数据孤岛中。而打破孤岛，既需要技术飞跃，也需要合作与标准化建设的共同推进。

香港人工智能与机器人学会理事林静表示，一个AI场景能否成功落地，关键在于是否拥有相关数据，尤其是高质量的关键数据是基础支撑。她以赛马业务为例指出，不同系统间的信息孤立、记录缺失或标准不一，导致数据难以打通和利用，使得客户体验优化面临巨大挑战。

她表示，数据困境的来源主要是信息的割裂、缺失与“质量”缺陷，而“质量”不是来自于假数据，而是标准不一带来的脏数据。例如在跨地区合作中，海外数据与本地标准存在差异，部分关键信息根本不存在或难以采集，而视觉或其他替代技术处理成本极高且精度有限，这些都严重限制了AI的准确应用。

马会正在推进的全球业务，则暴露出更深层的数据困境。在与澳洲等国家合作时，双方数据标准不一：香港提供每200米计时、芯片定位、卫星数据与多视角影像，而海外赛马数据往往缺少或不以同样的数据采集方式采集和结构化。这不仅导致数据整合成本极高——一场比赛仅视频分析就需20个GPU集群——也使得跨国、跨系统数据融合异常艰难。

她强调，解决数据困境的核心并非仅仅取决于数据本身的价值，而是成本。存储、传输和处理数据的成本直接决定数据能否被有效保留与使用。但她认为，随着算力效率不断提升、成本不断下降，当前的数据和质量挑战终将成为发展过程中的阶段性现象。

问题四：场景如何选择？AI项目怎样才能不“为了AI而AI？”

企业在选择生成式AI应用场景时，往往面临多重决策困境，这些痛点既源于技术本身的特性，也与企业自身的资源、认知和组织模式深度绑定。

比如，有的企业被生成式AI酷炫的能力吸引，陷入“技术优先”而非“业务优先”的误区；而有的企业，尤其是中小企业容易陷入“想做却做不起”的困境，在“试错成本高”与“错失机会风险大”的两难境地中踌躇不定。

易鑫首席科技官贾志峰分享了一个真实的故事。在内蒙古寒冷的冬日里，牧民查干一直怀揣着一个朴素的心愿：拥有一辆汽车，代替马匹完成转场放牧。然而，作为一位收入以现金为主、没有固定工作单位的非典型就业者，他几乎被传统金融机构拒之门外。直到易鑫金融顾问驱车深入牧区，通过手机上的智能审批系统，帮助他迅速完成分期购车流程，才让这个愿望成为现实。

这并非孤例。2014年成立、2017年在港交所上市的易鑫，作为一家年交易规模达700亿人民币的汽车金融科技平台，已累计服务超千万用户，其中80%来自三线及以下城市，50%为三农群体。他们中的许多人，或许没有稳定的工资流水，但在易鑫的帮助下，获得了改变生活的工具。买车之后，许多人的收入明显提高，生活条件得到切实改善。

这一切的背后，是易鑫构建的一整套科技支撑体系。易鑫自研行业AI大模型，将智能化解决方案应用于业务全流程。在获客阶段，易鑫利用对话式工具替代传统表单，通过自然对话自动生成客户画像；在风控环节，推出行业首个基于风险定价的动态方案，为不同客户定制差异化还款计划；在路由匹配中，借助技术手段将客户需求精准对接到合适的金融机构，显著提升通过率。更值得期待的是，易鑫即将发布的 Agentic 大模型，可对业务全链路进行智能化处理与自动化决策，将从根本上提升汽车金融行业的运营效率与用户体验，为行业带来更为显著的变革。

而在医疗领域，多位嘉宾围绕“智能科技如何真正理解生命特征、融合人文关怀，而不是炫技”的话题展开深度讨论。

中康科技数智化事业部总经理单玉表示，AI落地过程中需要“黄金三角”，一个是数据，一个是AI能力，一个是行业Know-how。尤其是医药医疗行业，行业Know-how很重要，让更多业务人员参与到AI应用开发过程中，对AI落地成功有很大帮助。

深圳恒生医院信息科主任刘海涛分享了AI在医院场景中的应用实践。他坦言，AI问世之后，造成了患者对医生专业性质疑的问题。有些患者在就诊之前会首先询问AI，如果医生的诊断与AI不同，会让患者对医生的诊断产生怀疑。但这也让更多的医生开始接触AI大模型，推动了其在医学诊疗方面的应用。

广州金域医学集团副总裁、人工智能与数据科学中心总经理、广州医科大学教授李映华表示，大模型时代，AI离不开数据。对于医疗行业而言，数据割裂、孤岛化现象严重，数据价值挖掘不够。他认为，医疗医药行业数据要素化需要坚持三个方向：一是数据资源资产化，加强医学数据融合与治理，建设专病数据集；二是数据服务产品化，以终为始，搞清行业需求，进而确立数据价值定位；三是数据生态空间化，共建行业可信数据空间，让价值数据端到端合法合规合理流通起来。

博彦科技股份有限公司咨询部合伙人徐永新表示，当前AI给整体医疗医药领域带来了三个改变：第一是医疗机构借助AI改进智能客服，提升服务质量和运营效率；第二是医生可以利用AI在研究和教学方面进行技术赋能；第三是AI加速了医药研发产品创新的进程，降低了研发成本。不过目前AI+医疗医药仍处于“婴儿”阶段，企业需要确保投喂医疗大模型的数据质量和数量，并要考虑AI应用框架，进行全新的流程和Ai框架设计，以及加强企业AI应用的内部协同和协调。

海南博鳌乐城国际医疗旅游先行区中心药房有限公司总经理马昱表示，AI的应用场景是乐城未来发展的重点方向，博鳌乐城先行区的海南真实世界研究院设有专门的科创数据处室进行AI研发，助力国际创新药械药物警戒等相关工作。当前，中国药品审评改革持续深化，CDE正筹划AI辅助审评，这对于AI在医药行业发展，起到了极大的促进作用。

问题五：基础模型怎么选才最具“性价比”？

基础模型的选型、技术路线的选择……要考虑根据不同场景，适配相对应的模型，还要兼顾性能、成本，如何平衡？

上述问题曾困扰着想要尽快用上AI大模型的企业，但亚马逊云科技大中华区产品部技术总监王晓野在大会现场抛出了一个尖锐的问题：“都2025年了，你还在纠结选择大模型吗？”

他展示了一组行业调研数据，只有约 40% 的POC（概念验证）项目能够成功走到生产，其余 60% 步履维艰。

究其原因，这40% 成功落地的项目往往做对了三件事：一、场景评估——成熟的 AI 场景不再稀缺，像娱乐、出海、翻译、素材生成等已有大量验证案例。企业需要在 ROI、预算和时间维度上进行全面评估，而不是只看模型效果。二、技术选型 —— 选择合适的合作伙伴，共同支撑生产级的落地。三、系统化思维 —— 不仅关注模型，还要量化生产化后的成本和收益，形成整体的系统评估。

而导致失败的六大原因，几乎没有一条是因为“选错了模型”。相反，问题主要集中在：业务范围和建模评估不足、为做 AI 而做 AI、数据准备不充分、工程能力缺失、成本认知不足以及安全风险管理不到位。

“在真正实现业务价值的时候，模型只是前提条件，而不是核心。”王晓野指出。相比于 2023 年大家热议“选择哪个大模型”，2025 年的焦点已经转向了如何避免 POC 陷阱、如何从想法走到生产。

他建议，在 ROI（投资回报率） 的衡量上，企业往往把注意力放在效率提升上，但实际调研发现，走在前列的公司首先关注的是新业务模式与新收入来源。

例如，亚马逊的 Ring 智能摄像头，最初只是卖设备，但借助 AI 能力，Ring 增加了语义检索和事件理解功能，推出视频回看订阅服务，从而创造了新的增长点。对比之下，单纯的运营效率提升反而排在次要位置。

“选择模型不再是问题。”演讲的最后，王晓野再次强调，真正需要关注的是：数据能否持续投入，组织是否具备工程化能力，以及是否能在新一代 Agent 范式下把握行业方向。

企业的竞争力，已经不在“选哪个模型”，而在“如何让系统真正走到生产”。

问题六：行业模型如何落地？如何让AI说“行话”？

在行业专有能力要求较高的场景之中，行业模型比通用大模型更有优势。但行业模型的落地绝非简单的技术移植，而是一场系统性变革，是一场行业特性与当前尚不够成熟的AI技术的碰撞和洽接。

只有深刻理解行业本质需求，在技术理性与行业特性间找到平衡点，才能真正释放行业模型的价值。

在这一话题讨论中，来自医疗、航空、酒店的嘉宾分享了所在领域构建行业大模型的实践与思考。

“AI下半场是大数据小模型的时代。”壹生检康创始人王强宇开门见山地提出了鲜明的观点。他强调，通用大模型已经达到了相当高度，但如果要真正推动千行百业的智能化转型，行业专属的小模型才是关键。

王强宇引用了一组数据：目前通用大模型训练使用了约 65万亿的数据，然而，行业内部还沉睡着 170万亿尚未被利用的数据。这些数据关乎医疗、法律、制造等各个垂直领域，而AI的价值发挥离不开数据的充分利用。他表示，“如果行业数据得不到训练，很难想象AI能够真正服务好千行百业。”

在医疗领域，行业模型的优势已经得到验证。壹生检康团队打造的豆蔻妇科大模型，在六大常见妇科症状的问诊准确率达到 90.2%。更令人瞩目的是，该模型已经能够通过妇科主任级考试，最近一次的成绩高达 64.94分，超越通用模型（GPT-5考试分数52.5）。

硅谷也出现了AI 医疗行业模型的典型应用层范本——OpenEvidence通过最新的技术架构：专业化的模型训练、权威的内容联盟和临床导向的产品设计，仅用11个月就覆盖了美国超过40%的执业医师，月活跃医生用户超过10万，成为医疗史上增长最快的临床应用程序。

王强宇指出，这一思路正在启发豆蔻妇科模型的下一步：通过AI智能搜索+分析+总结，打造出“医生的Copilot”，为临床提供更专业更新决策依据。

行业模型的优势不仅是准确率，更体现在专业契合度、定制灵活性、成本可控、数据安全和差异化竞争。王强宇引用英伟达的观点指出，“小模型是未来”，因为使用数千亿参数的大模型来解决特定行业的小问题，无异于“高射炮打蚊子”，既浪费又低效。

更重要的是，行业模型不必独立存在，它们与 Agent 技术结合后，能够更好地解决复杂的行业问题。

在王强宇看来，AI下半场的最大机会正在于行业模型。通过强化学习等科学的训练方法，即使是小团队，也能在短期内训练出高效的小模型。

未来，随着各行各业加快布局，更多行业专属小模型诞生，将迎来行业生产力的全面释放。

“生成式大模型有别于以往的判别式人工智能技术，泛化能力强但无法完全保证准确性，而很多行业场景错误容忍度极。”航旅纵横创始人，中航信移动科技有限公司董事长、总经理薄满辉认为，通用大模型无法直接应用于严肃场景，行业大模型是解决之道。而且，薄满辉强调，行业大模型不只是模型，而是系统工程。行业大模型需要具备复杂推理、专业知识检索增强、行业通识理解，以及专业数据生产的能力，而不是简单通过预训练和微调通用模型就能实现行业大模型的落地。

在此过程中，持续的数据生产能力是行业大模型建设的基础，可控可解释的推理能力是行业大模型建设的关键，能否链接真实场景是衡量行业大模型成色的重要维度。对此，薄满辉表示行业大模型不仅需要多模态、高质量、有标注、有机组织的高质量数据集，更要建立“数据-模型-数据”闭环，保持持续进化。

酒店业也正从早期的概念尝试迈向深度应用阶段，AI已成为提升收益管理与运营效率的核心工具。

作为酒店行业的连续创业者，心逸酒店集团董事长、CEO朱晖表示，酒店真正的核心竞争力是店长，而非品牌或资金。然而当前店长工作繁重，除日常运营外，还须应对消防检查、平台运营、公司活动等多重事务，其中最核心的目标仍是提升收益。因此，公司决定将AI首先应用于店长层面，打造称为“AI数字经理”的智能助手，嵌入店长日常使用的CIM系统中。

他以今年五一期间杭州一家门店的实际案例，说明AI在收益管理中的突破性作用。当时店长凭五年经验判断应当涨价，但AI通过实时商圈流量分析发现已无新客流涌入，坚决建议降价。尽管店长最初强烈质疑，甚至在商圈现场拍摄人潮照片为证，但在总部“作战协同部”的支持下最终执行降价策略。结果全天入住率同比提升8.3%，RevPAR（平均客房收益）也实现增长，而周边竞争酒店同期业绩普遍下降。店长由此意识到，AI基于数据的判断比经验更精准。

除了收益管理，AI还实现了对客房清扫的智能调度。他指出，店长以往每天需花费大量时间分配房间和统计清洁成果，而AI不仅能自动排房，还可根据实时预订数据指导清洁人员优先打扫高需求房型，避免到店客人无房可住。系统还会自动完成计件统计，大幅减轻店长事务负担。

在网评回复等场景中，AI也表现出高效一致的处理能力，摆脱以往机械粘贴的回复方式。

他强调，AI已深入酒店运营的市场判断、收益优化、清扫排房、网评管理与应急处理等多个环节，带来实质性的效率提升与收益增长。尽管有店长担忧被替代，但他明确表示：“AI不会取代店长，但会用AI的店长一定会取代不会用AI的店长。”在他看来，这场以AI为驱动的运营变革，正悄然重塑酒店行业的管理模式与竞争力内核。

问题七：知识库如何搭建才能更有“活力”？

知识库就像是大模型的养分，需要不断地注入营养给大模型，才能让大模型在业务场景中发挥真正的作用。

真正能释放业务价值的知识库绝非静态的“资料仓库”，而是动态流动、持续迭代的“智慧引擎”。建立持续迭代机制，让知识在应用中不断循环更新，才能适应业务的变化。

上海东航数字科技有限公司副总经理李志军指出，企业的知识管理正处在全新的转折点，人工智能正在推动从“信息存储”向“知识驱动”的跃迁。

李志军回顾了传统知识获取的过程。他以民航业为例：通过信息化系统发现某些月份客座率接近90%，而另一些月份不足75%。这类数据可以揭示淡旺季，但尚不能直接指导行动，必须结合人工经验和行业理解才能得出“淡季增加商务航线运力、旺季增加旅游航线运力”的知识。

过去企业主要依赖专家顾问、资深员工传授、行业书籍以及内部手册来获取知识，然而这些知识存在“信息坟场化”问题。研究表明，企业42%的知识仍停留在人脑中，26%以文档形式存储，只有12%进入了可检索的知识库。在东航，乘务员要学习专业手册，例如在空中为过生日的旅客送上祝福，才能将知识转化为实际行动。但这种模式效率低，更新慢，容易形成知识孤岛。

针对航空业，李志军总结了六大挑战：1、知识沉淀难，大部分知识仍依赖个人记忆，难以数字化；2、数据量庞大：每架飞机运行都会产生海量图像、音频、视频和传感器等数据，传统BI技术难以提取知识；3、信息坟场化：员工每天需花 1.2–2.7小时 跨系统检索知识；4、更新滞后：新产品落地时，知识更新不及时会引发投诉；5、部门壁垒：营销、运行、服务板块间存在信息鸿沟；6、旅客体验差：航空知识体系专业壁垒强，普通旅客难以理解。“这些困境制约了知识真正转化为生产力。”李志军说。

但新一代人工智能为知识管理带来了跃迁，李志军分享了东航的四大实践：1、场景识别：通过调研发现，员工对知识的需求迫切，许多应用场景落在“业务价值高、技术实现可行”的区域，是AI落地的最佳切入点。2、知识治理：自2017年起推进数据治理，东航成为民航业内首家获得 DCM九五级认证 的企业，并入选央企数据治理“十佳标杆”。尽管知识准确度较高，但“乱”和“散”的问题依旧存在。3、RAG应用：基于检索增强生成（RAG）构建知识库，目前已涵盖 300多本公司手册，服务超过1万名一线员工。例如，地服人员询问“大提琴如何托运”，RAG能迅速返回精准规定，减少投诉，提升服务质量。调查显示，70%的旅客投诉源于员工不熟悉手册，RAG显著改善了这一问题。4、智能体应用：东航已有 400多个部门级智能体 投入运行。比如“新开航线智能体”，能够快速生成覆盖经济效益、飞行条件、备降机场选择等内容的分析报告，效率远超人工；而“Askdata”工具不仅能回答“昨天盈利多少”，还能自动分析原因并给出行动建议。

李志军提出，未来的知识管理目标是“让知识无缝嵌入生产过程”。东航正在探索基于自有数据训练民航垂直大模型，突破RAG和智能体在长文本、多模态上的限制。在他预期中，未来人人都会拥有智能知识助手、每位员工可训练数字分身，替代自己整理并传播知识。

“知识最终要成为生产力，真正为企业发展和旅客体验服务。”李志军说。

问题八：Agent时代，寻求人机协同的“最优解”

AI Agent正在从单一任务执行者，进化为复杂业务场景的协同参与者，其编排逻辑与治理机制正成为企业数字化转型的关键命题。

“共生关系”绝非简单的技术叠加，而是需要在分工界定、能力适配、界面设计、信任培育等维度建立刚性秩序，更依赖业务部门从被动接受者转变为主动设计者。

美的荆州工厂14个智能体覆盖了38个核心生产业务场景，由“工厂大脑”指挥，统一协同和控制计划、供应链、物流、生产、品质，大幅提升效率。美的以“多智能体协同架构”重构生产逻辑，其技术架构（Agent自主决策+工业领域大模型融合+具身交互）、场景广度（38个场景）、落地深度（从整个工厂、车间、产线进而深入到工位），定义了生产制造的未来形态——从“数字化工厂”演进为“自主进化型智能体生态”。

美的集团AIGC项目负责人李明德在会上分享了美的在AIGC应用方面的经验与布局。

“AI大模型不仅是一种工具，更是企业经验沉淀、业务重构与人才转型的核心载体。”李明德进一步指出，“商业应用框架成熟将促使专业分工的清晰，通用大模型由行业巨头占据，垂直和专业模型产业企业将突出行业优势，能力层将形成服务化沉淀，企业将加快突破及应用。”

李明德表示，美的聚焦三大应用方向——效率提升、业务场景融合与支撑体系。比如在知识库方面，通过汇聚各垂类领域知识，美的构建了统一数据基座，并结合大模型能力，实现非结构化知识自动解析与智能对话，并快速赋能消费者、导购、工程师、客服、员工等。今年上半年，美的AIGC实现财务认可提效2.83亿元，节省490.4万小时；截至8月底，该数字迅速升至4.4亿元和860万小时，推进速度超出团队预期。

此外，让一线员工参与到智能体开发之中，也是美的AIGC应用开发过程中的重要举措。据李明德介绍，目前美的内部已涌现9000多个“民间智能体”，由一线员工自主开发。一线员工最清楚业务痛点，他们开发的智能体甚至比技术和产品团队做得更好。这些智能体不仅显著提升效率，更成为企业知识沉淀的新载体。

在智能时代浪潮中，云迹科技作为机器人行业的先行者，已逐步将“AI同事”从概念推向现实。2024年全年，云迹机器人完成了超5亿次任务，服务覆盖超3万多家酒店，行走了2033万公里，相当于绕地球赤道约507圈，真正成为人类工作中稳定、高效、低成本的协作伙伴。

在云迹科技副总裁谢云鹏看来，机器人不仅具备移动与操作能力，更以“六维能力”（学习力使其举一反三、适应力对抗环境风险、交互力读懂人性需求、自主力实现目标闭环、情感力构建共情机制、社会力融入组织角色）为驱动的以服务人类健康与设备效能为终极目标的自进化硅基生命。

例如，在酒店场景中，机器人能通过电话温柔提醒客人取物，避免惊扰；也能为盲人客户开启无障碍服务，体现细腻的情感设计。它们不再是冷冰冰的工具，而是被许多酒店视为“正式员工”，甚至拥有自己的生日庆祝仪式。

所以，云迹科技提出“机器人口红利”时代正加速到来——通过具身智能与离身智能的协同，机器人以规模化、自进化的服务能力，释放人类去从事更具创造性与情感价值的工作。

谈及与AI机器人同事高效协作，谢云鹏认为有四大关键：目标明确、过程可控、结果可溯、反馈必应。

例如，云迹科技机器人在全球三万余家酒店中每日完成超百万次任务——酒店管理者不仅为这些“AI同事”设定工作时长、响应时间等清晰KPI，更从运行数据中敏锐识别细微的客户需求，借助持续反馈推动系统优化。每一次精准服务都不只提升运营效率，更转化为实实在在的价值增量，助力酒店赢得更多好评。这样的人机协作模式，同样适用于医院、工厂等多种场景，赋能更多行业实现智能升级与体验提升。

在谢云鹏看来，人机协作不是替代，而是进化。科技推动的时代不可逆转，而真正的未来属于那些善用AI、与AI共创新价值的人们。

问题九：AI人才瓶颈如何解？

AI价值的持续释放，高度依赖与之匹配的人才结构、跨部门协作机制及敏捷的运营流程。当前，争抢AI人才逐渐白热化，也正超出企业承受范围，如何突破人才瓶颈？

科锐国际高级副总裁曾诚围绕 AI 时代的人才挑战、人才特征，结合鲜活实践与破解路径展开分享。她指出，AI 技术飞速发展背景下，企业普遍面临的“人才荒”并非AI时代独有，其本质是人才战略与组织能力未能跟上技术变革的节奏。当战略蓝图绘就后，最核心的命题就是如何通过人才实现它。人们常说“AI一天，人间一年”，这背后隐藏的逻辑是：AI时代，人才尤为重要。

曾诚提到，当前 AI 人才竞争已进入白热化阶段。她引用科锐国际内部数据，当前 AI 岗位需求量同比翻倍，但人岗适配契合的人才仅为20%，可谓“需求如瀑布，人才如水滴”。她强调，这种失衡不仅源于人才数量的短缺，更关键的是，仍有部分人被旧思维裹挟，无形中阻碍着这些“水滴”般的人才向前流动。整个行业的组织形态，正处在一种混沌又弥散的状态里。

那么，如何破解这一难题？

曾诚提出，企业应从“花钱买人才”转向“主动造人才”，从“AI人才消费者”转变为“AI人才生产者”。她表示，AI 时代的人才战略必须前置，与业务战略同步甚至领先推进，并在人才的选用育留上双线发力：一方面推动现有员工转型与培养，另一方面积极引入外部高端人才。

她分享了一个千亿规模的传统制造企业的案例：该企业在推进 AI 落地时，并未一味依赖外部挖人，而是先基于自身战略明确人才画像，邀请专业机构盘点内部具备潜力的适配人才，再针对性设计系列课程，对业务人员开展系统技术培训与考核，同时在关键岗位引入外部专家，最终搭建出完整的人才体系。

针对高端 AI 人才的吸引与保留，曾诚认为，除高薪外，企业更需关注人才与组织发展阶段的契合度。她举例说，一些初创企业盲目追求“大厂背景”或名校毕业生，反而忽略了对候选人实际能力、文化匹配度及企业自身阶段的理性分析，导致人才适配效果不佳。

此外，她呼吁企业构建敏捷人才生态，采用“全职员工 + 外包/独立顾问 + 数字员工”的多元模式，以应对AI智能时代下快速迭代的业务及组织能力需求。她以某AI原生国企为例，该公司从 10 人团队快速成长为近 200 人的赛道明星企业，正是得益于灵活多元的用工形态与精准的人才定位。

问题十：安全合规是永远的红线

安全合规始终是企业在选择数字化转型技术的过程中，最为关注的问题之一。

当AI大模型从实验室走向企业核心业务系统，其安全合规问题已从技术细节上升为战略风险。企业级应用的规模化、场景的敏感性与监管的全球化，使得算法偏见、隐私泄露等问题被放大为法律纠纷、声誉危机甚至业务停摆的导火索。这种困局不仅源于技术的复杂性，更在于AI治理体系与现有规则框架的适配断层。

近年来，奢侈品积极拥抱AI，尝试为品牌激发新活力。例如，爱马仕成立AI治理委员会；LV通过分析社交媒体数据，将传统需耗时三周的洞察压缩至一天；迪奥虚拟试衣间通过算法推荐限量款，响应时间从90秒缩短至30秒；劳力士通过AI精准定位高净值人群。

但利用AI进行效率革命的另一面是数据隐私。今年5月迪奥（Dior）全球部分客户数据曾被未经授权的外部人员获取；6月香港就LV陆续发生泄露香港41万客户事件进行调查……奢侈品牌的高净值客户对数据隐私敏感度高，此类事件极易引发信任危机。

财务领域对AI安全合规态度更为谨慎。李锦记的副总裁、全球供应链及研发财务负责人刘欣雨直言，AI在财务领域带来了前所未有的机遇与挑战，但底线永远是数据合规，“这是一条生死线”。

作为曾在一家上市公司担任CFO的资深财务人，刘欣雨在开场就抛出一句：“这是最好的时代，也是最坏的时代。” 最好在于AI提供了提高效率、降低成本的新工具，解放了财务人员的生产力；最坏则在于，若这些工具落入错误的场景或被不当使用，可能让企业蒙受巨大损失甚至陷入万劫不复。

他引用了一组数据：2020年到2024年，被监管机构处罚的上市公司财务人员数量，从60人上升到137人，年复合增长率高达23%。目前中国A股有5348家上市公司，每家公司都有CFO，“如果这个增速持续，18年后所有的CFO都可能被处罚一次。” 刘欣雨强调，这一趋势反映的核心问题就是上市公司面临的监管越来越严，财务面临的数据合规压力越来越大，甚至空前绝后。

在分析被处罚的原因时，他指出，大约70%—80%集中在两类：虚假财务报告和未及时披露信息。“有人为的因素，也有体系不健全的原因。”在他看来，即便财务职能已经从传统“记账”演进到今天的“决策支撑”和未来的“价值整合”，底层依然是合规，如果数据处理环节出了问题，所有工作都将失效。

那么，AI在合规领域的应用机会点在哪里？刘欣雨列出了多个方向：智能票据处理、现金流预测、欺诈检测、虚假贸易监管、内控报表审核、动态预算编制、并购（M&A）评估等。在其所服务的公司已上线智能报销平台，员工只需语音指令“帮我整理昨天去上海的报销单据”，AI即可完成票据整理与填报。在面对数以万计的员工报销时，这类工具极大提升了员工报销和财务审核的效率，也保障了合规性。

此外，他还分享了AI在异常资金流动监测中的作用。过去一些企业“老板一句话”就能支配数千万资金，极易造成合规风险。而AI系统能够及时提示：供应商是否存在代码异常、新建供应商账户是否合理、资金是否超出业务范围，从而帮助企业避免违规。

然而，机遇背后挑战重重。他直言，数据安全与隐私、算法偏见、模型可解释性、技术依赖和法律风险，都是不可忽视的问题。尤其是“模型透明度”问题，在财务中尤为关键。

他进一步警示，随着AI生成技术的快速发展，Nano Banana能零成本的在十几秒内将电子原始凭证改的面目全非且难辨真假，但电子凭证的推广却如火如荼，对财务数据合规就构成巨大挑战。

最后，刘欣雨抛出了一个尖锐的问题：“如何让AI在财务合规上为虎傅翼，而不是为虎作伥？”

他提醒与会的CIO和企业管理者，AI带来的效率提升与成本下降固然重要，但唯有守住合规的底线，才能避免在未来的财务数字化浪潮中给企业带来巨大风险。

（应企业的相关合规要求，部分现场演讲视频暂不对外发布）

结语

关于AI落地问题的讨论无法在一天之内找到答案。过去一年，我们与上百位企业高管沟通、调研，尝试离答案更近一步。

升富配资提示：文章来自网络，不代表本站观点。