撰文 | 郝 鑫
编辑 | 王 潘
企业AI化升级的进度并未停滞，但大多卡在落地的“最后一公里”。
回溯时间线：2023年大模型元年开启“百模大战”，企业开始探索应用场景；2024年智能问答、文档助手等应用陆续上线；2025年智能体概念爆发，AI开始切入核心生产流程。到了2026年，阿里云智能集团副总裁霍嘉判断，“今年是Agentic AI应用真正爆发的元年，企业的核心任务是推动AI应用落地。”
然而现实是，大多数企业仍被困在从“能用”到“进入生产”的鸿沟中。究其原因，AI落地并非简单叠加入口，而是需要融入企业内部运行多年的复杂体系，包括既有系统、权限、数据及业务规则。
让智能进入业务
过去二十年的企业数字化解决了流程线上化与数据沉淀问题，ERP、MES、DCS、OA等系统已深度扎根。AI进入企业内部时，既无法推翻重来，又必须找到合适切口，落地难度显著增加。
从数字化到智能化，核心变化在于决策主体的转移：数字化以人为决策主体，依赖信息化系统；智能化则以算法推理和自动决策为核心，机器成为决策辅助或主体。
现有数字化架构多为流程固化和系统管控设计，擅长将已知规则转化为标准动作，却难以应对规则模糊、需跨系统推理及依赖专家经验的复杂场景。更关键的是，存量系统不会主动提示AI如何调取数据或切换系统，这与大模型的能力强弱无关，而是系统层面的结构性障碍。
此外，传统“先规划后建设”的项目式构建模式，难以跟上AI技术的快速迭代。系统固化与建设惯性的叠加，导致AI既难进入存量系统，传统模式又跟不上技术节奏。
数字化时代完成了“让业务进入系统”，智能化时代则需要“让智能进入业务”。企业急需一套能让AI理解业务、调用现有系统并参与业务流程的方法论。
选场景、做Demo、Say No
这套方法论不能依靠远离现场的产品设计，而需厂商深入业务一线。阿里云在服务大型国企和行业头部客户过程中，摸索出“选对场景、快速验证、科学建设、效果飞轮”四步法。
第一，选对场景是起点。并非所有场景都适合大模型，应优先切入高频、高价值、强专家依赖的核心环节。以中国石油兰州石化为例，阿里云团队通过三级漏斗式调研，最终将“炼化常减压装置异常告警诊断”定为试点。
第二，快速验证决定方向。拒绝PPT汇报，直接用真实数据和流程运行DEMO。在兰州石化项目中，团队23天完成设计方案，13天现场调通，36天产出可运行业务Demo，让业务专家直接基于结果反馈，将讨论从“要不要做”推进至“怎么做更好”。同时，霍嘉要求压缩项目周期，从月度发布改为周度发布，并建立“One Team”合作关系。
第三，科学建设覆盖全流程。生产级系统需完整的技术路径支撑。阿里云团队基于知识图谱构建本体知识库，清洗数据灌入知识库，并基于千问Max模型训练垂域时序大模型。该系统上线后准确率达90%，处置效率提升80%。
第四，效果飞轮确保持续增值。系统上线后，新数据、反馈及专家经验回流至语料库和工程规则中，驱动模型持续优化，形成自我强化的正循环。
算力、模型、智能体缺一不可
该方法论的落地依赖全栈式AI基础设施，分为三层：
- 底层AI Infra：提供算力支撑。如阿里云平头哥PPU1.5芯片，支持原生FP4及高显存带宽，保障大模型推理效率。
- 中间MaaS层：提供模型调度与私有化部署。包括千问系列大模型及多模态专属闭源模型。
- 上层Agent层：完成智能体编排。提供AgentScope框架、Qoder编程工具及Harness工程平台等。
兰州石化项目验证了该体系能力：本体知识库让智能体理解业务，Harness层确保推理可信，工业软件通过MCP协议被统一调度。这种“使用即反馈”的模式，驱动产品迭代与客户价值提升形成正向飞轮。
技术不是壁垒，专属智能才是
通用大模型能力趋于同质化，企业的核心竞争力在于将技术转化为“增收、提质、降本、增效”的专属智能。这依赖于企业自身沉淀的数据、工艺参数、专家经验及业务逻辑。
专属智能是在生产流程中逐步积累形成的，一旦沉淀便构成难以复制的壁垒。模型越强，专属智能的天花板越高；但其厚度取决于企业在业务场景中的积累。
以千问办公企业版为例，其不仅是AI助手，更是懂岗位、能协同的数字员工。当通用能力转化为自主可控的专属智能，AI才真正从技术工具转变为企业的生产力本身。
微信号｜TMTweb
公众号｜光子星球
别忘了扫码关注我们！