摘要：随着人工智能技术的飞速发展，各行各业正经历着前所未有的智能化变革。从2024年“人工智能+”首次写入政府工作报告开始，意味着人工智能技术从小范围重视到全社会开始落地。

随着人工智能技术的飞速发展，各行各业正经历着前所未有的智能化变革。从2024年“人工智能+”首次写入政府工作报告开始，意味着人工智能技术从小范围重视到全社会开始落地。

十年前，掀起了移动互联网的浪潮，在短短的三年到五年时间里，手机APP和小程序大量涌现，抖音、快手、美团为代表的新一代互联网公司迅速崛起。自2022年末GPT3.5的发布，到2025年初，不到三年时间里以大模型为代表的人工智能技术已经发生了巨大的变化。

咱们先来分析企业的需求及特点，再讨论人工智能如何与业务结合落地。

对企业用户而言，主要有三类需求：其一，让AI+与作业层结合，提升业务作业的效率；其二，让AI与管理层结合，优化资源分配的效率，降低风险；其三，让AI与决策层结合，辅助企业经营决策。当然，与个人用户而言，企业经营中，存在的大量业务本身涉及保密，这要求在使用AI应用的同时，还要保密，这是重点。下面，咱们从基础设施、模型选型、知识资产和场景应用四个部分，探讨AI+落地。

一、基础设施：选择公有云还是私有云

企业在做应用部署时，经常会纠结基础设施的公有化还是私有化。这个是企业的规模，使用成本，业务属性等多个要素相关。

通常情况下，业务涉及密级高、企业规模大的企业，都拥有成熟的私有云计算体系。而中小型企业，数字化不是企业主业，对算力需求要求不高，则可以采购成熟的公有云方案，可以免去硬件采购、能源开支及运维人力支出等费用，能让企业轻装简行，把精力聚焦到核心业务上。

二、模型选型：性价比与需求的平衡

拥有大模型研发能力的企业，主要有百度、腾讯、阿里、华为、字节跳动、科大讯飞等为代表的老牌互联网大厂，也有商汤、旷视等早期做人工智能应用的企业，以及百川、深度求索等新一代科技企业。

大模型选型，要先评估企业的需求以及企业对大模型的预期出发。大模型的能力各有专长，有的大模型以推理见长（比如：DeepseekR1），有的大模型拥有多模态能力(比如：阶跃星辰，可以生成图文及视频)，有的大模型拥有出色的多语言能力（比如：Qwen，支持20多个国家的语言）。

此外，大模型的参数量级不同，对部署服务器的要求越高，比如DeepseekR1-14B，Qwen-32B，则需要双显卡就能部署，而更高参数的大模型则需要显卡集群才能部署；当然，大模型的参数越高，计算结果和计算速度表现的更好。

另外，从开放性来看，大模型有闭源大模型和开源大模型两种。如果企业要选择私有化部署，开源大模型在开放性和使用授权方面友好；如果企业选择接入API调用大模型，则从可以从调用tokens的费用上来评估费用的经济性。

三、数据管理：数据的规范化和结构化

相信有很多朋友使用过各种大模型，并且也测试过大模型在专业领域的表现，大概率表现不佳。核心的原因是，大模型在训练时学习的语料都是通用知识，缺乏专业知识，类比大模型学习的基础课，但没有学习足够的专业课。而不同大模型厂商，为了提升大模型某项能力，可以针对性地输入相应语料训练大模型。这也是互联网大厂们的能够研发大模型的优势，除了算力和算法，大厂们还有足够多的算料（语料）。

作为企业，同样拥有大量行业专业资料（标准规范、法律要求）、企业产品资料（规划、设计、实施和交付全过程资料）。这些数据资源，离散的分布在不同工种不同岗位的电脑中，或者躺在资料库中。这些数据，就像原始的矿石，不经过提炼加工无法发挥价值。这些数据需要进行分类编目，并对数据加工治理才能形成数据应用，才能服务到企业的作业场景或者管理决策场景。

此外，企业还有一个重要的挑战，即如何将大量的非结构数据转换成结构数据。比如，某企业拥有大量设备采购的合同文本，如何批量自动将合同中的设备资料提取到数据库中，建立设备库和供应商库。比如，某工程咨询机构有大量电子表格，但来自不同合作单位，如何从表格中提取项目工程清单及报价数据，建立造价数据库。这些，需要引入大模型的自然语言处理技术，对数据进行处理。

四、智能应用：从单任务执行到多任务协同

农民有了土地和农具，就会在土壤里洒上各类种子。

企业拥有大模型底座和数据库后，就能着手建立企业的智能应用。

构建智能应用，先完成单任务执行智能应用，再构建多个智能应用的协同。比如，基于大模型与企业数据库，构建“智能问答”，解决企业员工对知识检索的需求。比如，基于大模型与企业ERP软件，构建“智能问数”，解决企业员工手动查询报表或者需要定制报表的需求。比如，基于大模型与合同合约库，构建“智能拟定合同”、“智能审查合同”等应用，让合同拟定与检查的工作更轻松。比如，针对工程咨询场景，可应用大模型+数据库，构建“智能编制工程造价”、“智能复核工程造价”、“智能撰写概算报告”等多个智能应用，实现多个智能应用的协同工作，即A智能应用的成果输出，作为B智能应用的输入，多个应用接力完成一个复杂的工作任务。

智能应用刚刚建立起来后，表现或许不及预期，这需要对智能应用进行优化和迭代。改进智能应用，从智能应用的链路出发，逐个环节对数据质量、数据标注、应用设计、应用输出结果进行检查和调整，以提升智能应用的收益。

“人工智能 +”在企业的落地应用，无疑是一场技术变革，其带来的影响不仅仅局限于技术领域，更在企业的管理层面引发了一系列深刻的变化。在落地“人工智能 +”过程中，企业要理解人工智能技术的原理、特点和优势，将其与企业的业务流程、产品服务以及客户需求紧密结合。与此同时，企业还须对组织管理的方法进行适时调整，着力建立人工智能与各工种岗位的协同作业机制。不同岗位的员工在企业的运营中发挥着各自独特的作用，而人工智能则可以为他们提供强大的辅助和支持，形成超级员工。

通过以上举措，企业能够逐步形成作业、管理和决策的新模式。在这种新模式下，企业的作业流程更加高效、精准，能够快速响应市场变化和客户需求；管理模式更加科学、灵活，能够充分调动员工的积极性和创造力；决策过程更加智能化、数据化，能够有效降低决策风险，提高企业的竞争力和可持续发展能力。简而言之，“人工智能 +”为企业带来了前所未有的发展机遇，企业拥抱这一技术，才能在这场技术浪潮中处于领先地位。

来源：马岗商业评论