2025年被認為是企業級AI應用真正進入落地階段的關鍵節點。AI不再只是效率工具或實驗性嘗試，而是逐步成為企業經營中需要量化價值的"必修課"。然而，從試點到規模化，從理念到執行，企業在AI落地過程中仍面臨重重挑戰。

9月12日至13日，2025 ITValue Summit數字價值年會在三亞如期舉行。本屆大會以「AI場景落地真相」為主題，聚焦企業應用AI過程中的「十大核心問題」，系統性拆解AI戰略、可靠性、數據困境、場景選擇、模型選型、行業落地、知識庫構建、安全合規、人機協作與人才瓶頸等現實難題，力圖為企業找到可落地、可借鑒的解法。

AI不是空中樓閣，這一點與ITValue的基因高度契合。

從2009年開始， ITValue Summit 數字價值年會已經不間斷連續舉辦17年，"長期主義"是大會主辦方和參與者們身上最深刻的標簽，這些人不僅是時代的見證者，更是技術和產業進步背后的中堅力量。

"過去一段時間，我們做了接近大半年的訪談，陸陸續續在不同的行業接觸很多人，對AI在企業的應用做了深入交流。"鈦媒體集團聯合創始人、ITValue發起理事、鈦媒體研究院院長萬寧表示，"影響AI在企業應用落地的問題數不勝數，我們總結了其中關鍵的十大問題，也針對每一個問題都找到了分享人，他們是AI應用的‘優等生’，是企業AI實戰的幕后操盤手，通過他們帶來的AI落地經驗，希望能給探索AI的企業一些幫助，也引發更多思考。"

今年，2025 ITValue Summit數字價值年會首次采用年度主題演講的形式，對"AI落地十大問題"，與對應的案例實踐者、AI落地操盤手們進行了系統化、高密度的討論。

問題一：共識如何達成？

當下，企業正經歷著從技術試點到戰略重構的關鍵轉折。

但一個嚴峻的事實是，當前AI技術在傳播認知和落地實踐上存在巨大落差，不僅管理者和執行者之間的認知、目標無法一致，而且每個企業的狀況不同，如何選擇合適的路徑都是極為現實的難題。

現在，一些企業已經有AI應用成果，但這些都不是突然出現的，而是經過了長期歷史沉淀。

萬寧以瑞幸用AI與數據驅動重構咖啡行業價值鏈、與星巴克的競爭舉例。瑞幸以數字化原生以數字化為底座，2020年開始戰略核心就是技術驅動，人（用戶）、貨（產品）、場（門店）三大支柱，并且開始布局AI。進而，瑞幸通過AI進行有效的數據分析：以免費咖啡換取海量用戶數據，精準預測爆品（準確率85%）；用算法選址和供應鏈優化，大幅降低租金與運營成本（租金占比＜8%）……最終用9.9元一杯的殺手锏影響客戶選擇，掀起行業洗牌。

除了企業積淀，對AI是否有清晰的認知、AI能力邊界在哪里，也是"用好AI"的前提。

平安證券CIO張朝暉觀察到，大多數人都認為AI是一個工具，有兩個極端的觀點，一個是萬能化，AI應該可以做任何事情；一個是無能化，AI什么事情都做不出來。

在大會現場，張朝暉帶來了一塊游泳浮板——這不僅是泳池里的教具，更是他過去十八個月來自我突破的象征。"浮板是輔助，但不能成為依賴"，張朝暉曾依靠浮板游出兩千米，信心滿滿地認為已掌握自由泳，結果脫離輔助后僅堅持了二百米。這一"挫敗"讓他意識到，無論是游泳還是企業應用AI，都不能過度依賴外部工具，而需建立自身的能力體系。此外，他通過自身借助AI教練突破游泳瓶頸的經歷，說明AI可作為個性化、全天候的"智囊團"，提供分析、反饋與策略建議。

以游泳的經歷，他引申至企業對AI的應用現狀：當前90%的AI項目未能實現預期，70%的高管認為其效果不佳。在張朝暉看來，問題核心在于許多企業僅把AI視作"工具"，而非"合作伙伴"。他提出必須重新定位AI與人的關系——AI可以是提供策略的"顧問"，也可以是鼓勵執行的"教練"，但最終的決策者和執行者，必須是人。

"AI不會取代CIO，但掌握人機協作的CIO會取代你。"張朝暉強調。在他看來，人機協同系統化轉型分三步：本周評估"浮板依賴"（依賴工具≠真正實力），識別冠軍；下月選擇試點場景，開始"334框架"；90天內實施方法論，測量結果，準備規模化。其中"334框架"指30%的人類智能，確定戰略方向、價值判斷和文化領導；30%的人工智能，負責分析處理、戰略智能和多智能協同；40%的執行系統，完善基礎設施、流程保證和專業化交付。

問題二：AI幻覺與"黑箱"、如何確保AI可靠性與可解釋性？

當企業越來越廣泛應用AI，技術是否值得信賴就成為一個值得思考的問題。

當生成式AI從實驗室走向產業一線，企業面臨的挑戰早已超越算法精度本身，演變為技術可靠性、組織適應性與工程化能力的多維博弈。

這個過程中，AI的"幻覺"問題（模型生成錯誤信息）一直是AI在企業側落地過程中最大的阻礙之一，尤其是在一些對準確性要求較高的場景下，是能否落地的決定因素。

當前，證券機構正積極借助大模型技術提升服務能力與運營效率。然而，在實際落地過程中，"模型幻覺"和"決策黑箱"兩大難題成為制約其深度應用的關鍵瓶頸。

今年，國泰海通構建的行業首個千億參數的多模態證券垂類君弘靈犀大模型，完成了上海市001號生成式人工智能服務登記，成為首家唯一完成國網信辦算法備案和上海市服務登記生成式人工智能服務的券商。

國泰海通技術研發部總經理助理詹婷婷對如何克服AI幻覺和"黑箱"問題進行了詳細解讀。

在專業性要求極高、容錯率極低的證券行業，幻覺不僅損害工具實用性，更可能動搖用戶信任、引發合規風險。例如，若用戶詢問股票行情，模型若提供錯誤信息，可能直接影響投資決策。更嚴峻的是，由于金融業務高度敏感，監管要求所有輸出內容必須可靠、可解釋，且嚴禁未經許可的投資建議。

為破解這一難題，國泰海通提出"可信知識庫+小模型校驗"的雙重保障機制。一方面，依托積累十余年的結構化知識庫和專人運營的業務語料庫，確保數據來源準確、合規；另一方面，在輸出層設置多個小模型進行實時校驗和控制，只有經業務邏輯和合規規則過濾的內容才會最終觸達用戶。此外，還建立了涵蓋事前、事中、事后的全流程風險管控機制，包括敏感詞攔截、雙向審核制度（業務審核+合規審核）以及用戶反饋激勵閉環。

而在"決策黑箱"方面，問題則更為復雜。證券行業中的投資建議、市場分析等行為需持牌進行，而大模型目前無法取得相應資質，其基于統計而非邏輯推理的運作機制也不符合監管對"可解釋性"的要求。國泰海通構建了180多個業務方法庫，將分析過程拆解為可追溯的算法步驟，使得每一個生成的分析結果都有明確的邏輯來源和業務依據，從而打開"黑箱"，滿足合規披露需求。

此外，她強調業務部門的深度參與是關鍵——技術團隊與業務人員共同設計場景、制定規則，甚至業務人員占比遠高于技術團隊，從而確保AI應用在合規、可控的前提下落地，有效抑制幻覺與黑箱問題。

點擊觀看問題②完整版演講視頻

問題三：數據是決勝關鍵

數據質量問題的根源貫穿數據生命周期的全鏈條，數據采集、傳輸、存儲……任何環節出問題都會成為AI落地效果大打折扣。

不少 CIO 在 AI 熱潮后向團隊發問：多年積累的數據價值體現在哪里？事實上，真正形成壁壘的企業，大多在數據準備與結構化方面領先。

香港醫管局總企業架構師王昱系統闡述了香港醫管局過去三十年間通過自主開發與深度整合，構建優質醫療健康數據庫的實踐經驗，為公共醫療數字化提供了具有借鑒意義的范式。

王昱指出，香港醫管局數智化轉型主要面臨資源問題、醫療人才不足問題、需求旺盛，以及公立和私立醫院之間平衡合作等挑戰。

面對這些挑戰，數據被視為一把關鍵的"鑰匙"。然而，解決問題并非一朝一夕之事——目前，香港醫管局已積累近60億條高質量的醫療數據，這些數據來源于不同的臨床系統，是過去三十年來不斷沉淀、逐步豐富,持續提升的重要成果。

香港醫院管理局（醫管局）早在30年前便開啟了自研信息系統的探索，并堅持"一套系統架構、一套標準、一套技術、統一流程"的理念。如今，信息技術團隊已擴展至2000人，其中約200人為醫護人員組成的醫療信息專家，他們直接參與系統及訊息標準設計，使產品能夠真正貼合臨床需求。

面對醫療數據普遍存在的碎片化、標準不一質量參差及安全合規難題，醫管局提出了"一體化數字平臺"的解決方案。該平臺通過高度集中的數據管理，實現醫療信息的高效互通與利用。醫護人員在診療時可實時調閱患者全病程記錄，大幅提升診療效率和安全性。

在推行過程中，醫管局采用"由上而下"的企業架構思維，通過創新實驗室機制，將概念轉化為產品，并在重點醫院進行試點和本地化部署。過去兩年間，已有數十個項目通過這一模式成功落地。

王昱指出，未來數據資產將成為醫院數智化轉型的核心引擎：通過推進數據產品化，推動系統由傳統流程驅動轉向以客戶需求驅動；依托創新及數據實驗室，構建新服務形態，培養并吸引人才與合作伙伴，共同推動創新；通過實現數據服務化，持續完善數據服務能力，構建開放共贏的生態圈。

基于此，對于香港醫管局而言，在人工智能和數據方面主要有四大戰略，首先是以多年臨床數據為核心，打造自主數據庫；第二是，將AI技術與臨床工作深度結合；第三是，滿足安全合規和自主可控需求；第四是，培養符合要求的人才，打造更為完善的跨界協同生態。

AI的未來，不僅藏在模型和算法里，更藏在那些尚未被打通的數據孤島中。而打破孤島，既需要技術飛躍，也需要合作與標準化建設的共同推進。

香港人工智能與機器人學會理事林靜表示，一個AI場景能否成功落地，關鍵在于是否擁有相關數據，尤其是高質量的關鍵數據是基礎支撐。她以賽馬業務為例指出，不同系統間的信息孤立、記錄缺失或標準不一，導致數據難以打通和利用，使得客戶體驗優化面臨巨大挑戰。

她表示，數據困境的來源主要是信息的割裂、缺失與"質量"缺陷，而"質量"不是來自于假數據，而是標準不一帶來的臟數據。例如在跨地區合作中，海外數據與本地標準存在差異，部分關鍵信息根本不存在或難以采集，而視覺或其他替代技術處理成本極高且精度有限，這些都嚴重限制了AI的準確應用。

馬會正在推進的全球業務，則暴露出更深層的數據困境。在與澳洲等國家合作時，雙方數據標準不一：香港提供每200米計時、芯片定位、衛星數據與多視角影像，而海外賽馬數據往往缺少或不以同樣的數據采集方式采集和結構化。這不僅導致數據整合成本極高——一場比賽僅視頻分析就需20個GPU集群——也使得跨國、跨系統數據融合異常艱難。

她強調，解決數據困境的核心并非僅僅取決于數據本身的價值，而是成本。存儲、傳輸和處理數據的成本直接決定數據能否被有效保留與使用。但她認為，隨著算力效率不斷提升、成本不斷下降，當前的數據和質量挑戰終將成為發展過程中的階段性現象。

點擊觀看問題③完整版演講視頻

問題四：場景如何選擇？AI項目怎樣才能不"為了AI而AI？"

企業在選擇生成式AI應用場景時，往往面臨多重決策困境，這些痛點既源于技術本身的特性，也與企業自身的資源、認知和組織模式深度綁定。

比如，有的企業被生成式AI酷炫的能力吸引，陷入"技術優先"而非"業務優先"的誤區；而有的企業，尤其是中小企業容易陷入"想做卻做不起"的困境，在"試錯成本高"與"錯失機會風險大"的兩難境地中躊躇不定。

易鑫首席科技官賈志峰分享了一個真實的故事。在內蒙古寒冷的冬日里，牧民查干一直懷揣著一個樸素的心愿：擁有一輛汽車，代替馬匹完成轉場放牧。然而，作為一位收入以現金為主、沒有固定工作單位的非典型就業者，他幾乎被傳統金融機構拒之門外。直到易鑫金融顧問驅車深入牧區，通過手機上的智能審批系統，幫助他迅速完成分期購車流程，才讓這個愿望成為現實。

這并非孤例。2014年成立、2017年在港交所上市的易鑫，作為一家年交易規模達700億人民幣的汽車金融科技平臺，已累計服務超千萬用戶，其中80%來自三線及以下城市，50%為三農群體。他們中的許多人，或許沒有穩定的工資流水，但在易鑫的幫助下，獲得了改變生活的工具。買車之后，許多人的收入明顯提高，生活條件得到切實改善。

這一切的背后，是易鑫構建的一整套科技支撐體系。易鑫自研行業AI大模型，將智能化解決方案應用于業務全流程。在獲客階段，易鑫利用對話式工具替代傳統表單，通過自然對話自動生成客戶畫像；在風控環節，推出行業首個基于風險定價的動態方案，為不同客戶定制差異化還款計劃；在路由匹配中，借助技術手段將客戶需求精準對接到合適的金融機構，顯著提升通過率。更值得期待的是，易鑫即將發布的 Agentic 大模型，可對業務全鏈路進行智能化處理與自動化決策，將從根本上提升汽車金融行業的運營效率與用戶體驗，為行業帶來更為顯著的變革。

而在醫療領域，多位嘉賓圍繞"智能科技如何真正理解生命特征、融合人文關懷，而不是炫技"的話題展開深度討論。

中康科技數智化事業部總經理單玉表示，AI落地過程中需要"黃金三角"，一個是數據，一個是AI能力，一個是行業Know-how。尤其是醫藥醫療行業，行業Know-how很重要，讓更多業務人員參與到AI應用開發過程中，對AI落地成功有很大幫助。

深圳恒生醫院信息科主任劉海濤分享了AI在醫院場景中的應用實踐。他坦言，AI問世之后，造成了患者對醫生專業性質疑的問題。有些患者在就診之前會首先詢問AI，如果醫生的診斷與AI不同，會讓患者對醫生的診斷產生懷疑。但這也讓更多的醫生開始接觸AI大模型，推動了其在醫學診療方面的應用。

廣州金域醫學集團副總裁、人工智能與數據科學中心總經理、廣州醫科大學教授李映華表示，大模型時代，AI離不開數據。對于醫療行業而言，數據割裂、孤島化現象嚴重，數據價值挖掘不夠。他認為，醫療醫藥行業數據要素化需要堅持三個方向：一是數據資源資產化，加強醫學數據融合與治理，建設專病數據集；二是數據服務產品化，以終為始，搞清行業需求，進而確立數據價值定位；三是數據生態空間化，共建行業可信數據空間，讓價值數據端到端合法合規合理流通起來。

博彥科技股份有限公司咨詢部合伙人徐永新表示，當前AI給整體醫療醫藥領域帶來了三個改變：第一是醫療機構借助AI改進智能客服，提升服務質量和運營效率；第二是醫生可以利用AI在研究和教學方面進行技術賦能；第三是AI加速了醫藥研發產品創新的進程，降低了研發成本。不過目前AI+醫療醫藥仍處于"嬰兒"階段，企業需要確保投喂醫療大模型的數據質量和數量，并要考慮AI應用框架，進行全新的流程和Ai框架設計，以及加強企業AI應用的內部協同和協調。

海南博鰲樂城國際醫療旅游先行區中心藥房有限公司總經理馬昱表示，AI的應用場景是樂城未來發展的重點方向，博鰲樂城先行區的海南真實世界研究院設有專門的科創數據處室進行AI研發，助力國際創新藥械藥物警戒等相關工作。當前，中國藥品審評改革持續深化，CDE正籌劃AI輔助審評，這對于AI在醫藥行業發展，起到了極大的促進作用。

點擊觀看問題④完整版演講視頻

問題五：基礎模型怎么選才最具"性價比"？

基礎模型的選型、技術路線的選擇……要考慮根據不同場景，適配相對應的模型，還要兼顧性能、成本，如何平衡？

上述問題曾困擾著想要盡快用上AI大模型的企業，但亞馬遜云科技大中華區產品部技術總監王曉野在大會現場拋出了一個尖銳的問題："都2025年了，你還在糾結選擇大模型嗎？"

他展示了一組行業調研數據，只有約 40% 的POC（概念驗證）項目能夠成功走到生產，其余 60% 步履維艱。

究其原因，這40% 成功落地的項目往往做對了三件事：一、場景評估——成熟的 AI 場景不再稀缺，像娛樂、出海、翻譯、素材生成等已有大量驗證案例。企業需要在 ROI、預算和時間維度上進行全面評估，而不是只看模型效果。二、技術選型 —— 選擇合適的合作伙伴，共同支撐生產級的落地。三、系統化思維 —— 不僅關注模型，還要量化生產化后的成本和收益，形成整體的系統評估。

而導致失敗的六大原因，幾乎沒有一條是因為"選錯了模型"。相反，問題主要集中在：業務范圍和建模評估不足、為做 AI 而做 AI、數據準備不充分、工程能力缺失、成本認知不足以及安全風險管理不到位。

"在真正實現業務價值的時候，模型只是前提條件，而不是核心。"王曉野指出。相比于 2023 年大家熱議"選擇哪個大模型"，2025 年的焦點已經轉向了如何避免 POC 陷阱、如何從想法走到生產。

他建議，在 ROI（投資回報率） 的衡量上，企業往往把注意力放在效率提升上，但實際調研發現，走在前列的公司首先關注的是新業務模式與新收入來源。

例如，亞馬遜的 Ring 智能攝像頭，最初只是賣設備，但借助 AI 能力，Ring 增加了語義檢索和事件理解功能，推出視頻回看訂閱服務，從而創造了新的增長點。對比之下，單純的運營效率提升反而排在次要位置。

"選擇模型不再是問題。"演講的最后，王曉野再次強調，真正需要關注的是：數據能否持續投入，組織是否具備工程化能力，以及是否能在新一代 Agent 范式下把握行業方向。

企業的競爭力，已經不在"選哪個模型"，而在"如何讓系統真正走到生產"。

點擊觀看問題⑤完整版演講視頻

問題六：行業模型如何落地？如何讓AI說"行話"？

在行業專有能力要求較高的場景之中，行業模型比通用大模型更有優勢。但行業模型的落地絕非簡單的技術移植，而是一場系統性變革，是一場行業特性與當前尚不夠成熟的AI技術的碰撞和洽接。

只有深刻理解行業本質需求，在技術理性與行業特性間找到平衡點，才能真正釋放行業模型的價值。

在這一話題討論中，來自醫療、航空、酒店的嘉賓分享了所在領域構建行業大模型的實踐與思考。

"AI下半場是大數據小模型的時代。"壹生檢康創始人王強宇開門見山地提出了鮮明的觀點。他強調，通用大模型已經達到了相當高度，但如果要真正推動千行百業的智能化轉型，行業專屬的小模型才是關鍵。

王強宇引用了一組數據：目前通用大模型訓練使用了約 65萬億的數據，然而，行業內部還沉睡著 170萬億尚未被利用的數據。這些數據關乎醫療、法律、制造等各個垂直領域，而AI的價值發揮離不開數據的充分利用。他表示，"如果行業數據得不到訓練，很難想象AI能夠真正服務好千行百業。"

在醫療領域，行業模型的優勢已經得到驗證。壹生檢康團隊打造的豆蔻婦科大模型，在六大常見婦科癥狀的問診準確率達到 90.2%。更令人矚目的是，該模型已經能夠通過婦科主任級考試，最近一次的成績高達 64.94分，超越通用模型（GPT-5考試分數52.5）。

硅谷也出現了AI 醫療行業模型的典型應用層范本——OpenEvidence通過最新的技術架構：專業化的模型訓練、權威的內容聯盟和臨床導向的產品設計，僅用11個月就覆蓋了美國超過40%的執業醫師，月活躍醫生用戶超過10萬，成為醫療史上增長最快的臨床應用程序。

王強宇指出，這一思路正在啟發豆蔻婦科模型的下一步：通過AI智能搜索+分析+總結，打造出"醫生的Copilot"，為臨床提供更專業更新決策依據。

行業模型的優勢不僅是準確率，更體現在專業契合度、定制靈活性、成本可控、數據安全和差異化競爭。王強宇引用英偉達的觀點指出，"小模型是未來"，因為使用數千億參數的大模型來解決特定行業的小問題，無異于"高射炮打蚊子"，既浪費又低效。

更重要的是，行業模型不必獨立存在，它們與 Agent 技術結合后，能夠更好地解決復雜的行業問題。

在王強宇看來，AI下半場的最大機會正在于行業模型。通過強化學習等科學的訓練方法，即使是小團隊，也能在短期內訓練出高效的小模型。

未來，隨著各行各業加快布局，更多行業專屬小模型誕生，將迎來行業生產力的全面釋放。

"生成式大模型有別于以往的判別式人工智能技術，泛化能力強但無法完全保證準確性，而很多行業場景錯誤容忍度極。"航旅縱橫創始人，中航信移動科技有限公司董事長、總經理薄滿輝認為，通用大模型無法直接應用于嚴肅場景，行業大模型是解決之道。而且，薄滿輝強調，行業大模型不只是模型，而是系統工程。行業大模型需要具備復雜推理、專業知識檢索增強、行業通識理解，以及專業數據生產的能力，而不是簡單通過預訓練和微調通用模型就能實現行業大模型的落地。

在此過程中，持續的數據生產能力是行業大模型建設的基礎，可控可解釋的推理能力是行業大模型建設的關鍵，能否鏈接真實場景是衡量行業大模型成色的重要維度。對此，薄滿輝表示行業大模型不僅需要多模態、高質量、有標注、有機組織的高質量數據集，更要建立"數據-模型-數據"閉環，保持持續進化。

酒店業也正從早期的概念嘗試邁向深度應用階段，AI已成為提升收益管理與運營效率的核心工具。

作為酒店行業的連續創業者，心逸酒店集團董事長、CEO朱暉表示，酒店真正的核心競爭力是店長，而非品牌或資金。然而當前店長工作繁重，除日常運營外，還須應對消防檢查、平臺運營、公司活動等多重事務，其中最核心的目標仍是提升收益。因此，公司決定將AI首先應用于店長層面，打造稱為"AI數字經理"的智能助手，嵌入店長日常使用的CIM系統中。

他以今年五一期間杭州一家門店的實際案例，說明AI在收益管理中的突破性作用。當時店長憑五年經驗判斷應當漲價，但AI通過實時商圈流量分析發現已無新客流涌入，堅決建議降價。盡管店長最初強烈質疑，甚至在商圈現場拍攝人潮照片為證，但在總部"作戰協同部"的支持下最終執行降價策略。結果全天入住率同比提升8.3%，RevPAR（平均客房收益）也實現增長，而周邊競爭酒店同期業績普遍下降。店長由此意識到，AI基于數據的判斷比經驗更精準。

除了收益管理，AI還實現了對客房清掃的智能調度。他指出，店長以往每天需花費大量時間分配房間和統計清潔成果，而AI不僅能自動排房，還可根據實時預訂數據指導清潔人員優先打掃高需求房型，避免到店客人無房可住。系統還會自動完成計件統計，大幅減輕店長事務負擔。

在網評回復等場景中，AI也表現出高效一致的處理能力，擺脫以往機械粘貼的回復方式。

他強調，AI已深入酒店運營的市場判斷、收益優化、清掃排房、網評管理與應急處理等多個環節，帶來實質性的效率提升與收益增長。盡管有店長擔憂被替代，但他明確表示："AI不會取代店長，但會用AI的店長一定會取代不會用AI的店長。"在他看來，這場以AI為驅動的運營變革，正悄然重塑酒店行業的管理模式與競爭力內核。

點擊觀看問題⑥完整版演講視頻

問題七：知識庫如何搭建才能更有"活力"？

知識庫就像是大模型的養分，需要不斷地注入營養給大模型，才能讓大模型在業務場景中發揮真正的作用。

真正能釋放業務價值的知識庫絕非靜態的"資料倉庫"，而是動態流動、持續迭代的"智慧引擎"。建立持續迭代機制，讓知識在應用中不斷循環更新，才能適應業務的變化。

上海東航數字科技有限公司副總經理李志軍指出，企業的知識管理正處在全新的轉折點，人工智能正在推動從"信息存儲"向"知識驅動"的躍遷。

李志軍回顧了傳統知識獲取的過程。他以民航業為例：通過信息化系統發現某些月份客座率接近90%，而另一些月份不足75%。這類數據可以揭示淡旺季，但尚不能直接指導行動，必須結合人工經驗和行業理解才能得出"淡季增加商務航線運力、旺季增加旅游航線運力"的知識。

過去企業主要依賴專家顧問、資深員工傳授、行業書籍以及內部手冊來獲取知識，然而這些知識存在"信息墳場化"問題。研究表明，企業42%的知識仍停留在人腦中，26%以文檔形式存儲，只有12%進入了可檢索的知識庫。在東航，乘務員要學習專業手冊，例如在空中為過生日的旅客送上祝福，才能將知識轉化為實際行動。但這種模式效率低，更新慢，容易形成知識孤島。

針對航空業，李志軍總結了六大挑戰：1、知識沉淀難，大部分知識仍依賴個人記憶，難以數字化；2、數據量龐大：每架飛機運行都會產生海量圖像、音頻、視頻和傳感器等數據，傳統BI技術難以提取知識；3、信息墳場化：員工每天需花 1.2–2.7小時 跨系統檢索知識；4、更新滯后：新產品落地時，知識更新不及時會引發投訴；5、部門壁壘：營銷、運行、服務板塊間存在信息鴻溝；6、旅客體驗差：航空知識體系專業壁壘強，普通旅客難以理解。"這些困境制約了知識真正轉化為生產力。"李志軍說。

但新一代人工智能為知識管理帶來了躍遷，李志軍分享了東航的四大實踐：1、場景識別：通過調研發現，員工對知識的需求迫切，許多應用場景落在"業務價值高、技術實現可行"的區域，是AI落地的最佳切入點。2、知識治理：自2017年起推進數據治理，東航成為民航業內首家獲得 DCM九五級認證 的企業，并入選央企數據治理"十佳標桿"。盡管知識準確度較高，但"亂"和"散"的問題依舊存在。3、RAG應用：基于檢索增強生成（RAG）構建知識庫，目前已涵蓋 300多本公司手冊，服務超過1萬名一線員工。例如，地服人員詢問"大提琴如何托運"，RAG能迅速返回精準規定，減少投訴，提升服務質量。調查顯示，70%的旅客投訴源于員工不熟悉手冊，RAG顯著改善了這一問題。4、智能體應用：東航已有 400多個部門級智能體 投入運行。比如"新開航線智能體"，能夠快速生成覆蓋經濟效益、飛行條件、備降機場選擇等內容的分析報告，效率遠超人工；而"Askdata"工具不僅能回答"昨天盈利多少"，還能自動分析原因并給出行動建議。

李志軍提出，未來的知識管理目標是"讓知識無縫嵌入生產過程"。東航正在探索基于自有數據訓練民航垂直大模型，突破RAG和智能體在長文本、多模態上的限制。在他預期中，未來人人都會擁有智能知識助手、每位員工可訓練數字分身，替代自己整理并傳播知識。

"知識最終要成為生產力，真正為企業發展和旅客體驗服務。"李志軍說。

點擊觀看問題⑦完整版演講視頻

問題八：Agent時代，尋求人機協同的"最優解"

AI Agent正在從單一任務執行者，進化為復雜業務場景的協同參與者，其編排邏輯與治理機制正成為企業數字化轉型的關鍵命題。

"共生關系"絕非簡單的技術疊加，而是需要在分工界定、能力適配、界面設計、信任培育等維度建立剛性秩序，更依賴業務部門從被動接受者轉變為主動設計者。

美的荊州工廠14個智能體覆蓋了38個核心生產業務場景，由"工廠大腦"指揮，統一協同和控制計劃、供應鏈、物流、生產、品質，大幅提升效率。美的以"多智能體協同架構"重構生產邏輯，其技術架構（Agent自主決策+工業領域大模型融合+具身交互）、場景廣度（38個場景）、落地深度（從整個工廠、車間、產線進而深入到工位），定義了生產制造的未來形態——從"數字化工廠"演進為"自主進化型智能體生態"。

美的集團AIGC項目負責人李明德在會上分享了美的在AIGC應用方面的經驗與布局。

"AI大模型不僅是一種工具，更是企業經驗沉淀、業務重構與人才轉型的核心載體。"李明德進一步指出，"商業應用框架成熟將促使專業分工的清晰，通用大模型由行業巨頭占據，垂直和專業模型產業企業將突出行業優勢，能力層將形成服務化沉淀，企業將加快突破及應用。"

李明德表示，美的聚焦三大應用方向——效率提升、業務場景融合與支撐體系。比如在知識庫方面，通過匯聚各垂類領域知識，美的構建了統一數據基座，并結合大模型能力，實現非結構化知識自動解析與智能對話，并快速賦能消費者、導購、工程師、客服、員工等。今年上半年，美的AIGC實現財務認可提效2.83億元，節省490.4萬小時；截至8月底，該數字迅速升至4.4億元和860萬小時，推進速度超出團隊預期。

此外，讓一線員工參與到智能體開發之中，也是美的AIGC應用開發過程中的重要舉措。據李明德介紹，目前美的內部已涌現9000多個"民間智能體"，由一線員工自主開發。一線員工最清楚業務痛點，他們開發的智能體甚至比技術和產品團隊做得更好。這些智能體不僅顯著提升效率，更成為企業知識沉淀的新載體。

在智能時代浪潮中，云跡科技作為機器人行業的先行者，已逐步將"AI同事"從概念推向現實。2024年全年，云跡機器人完成了超5億次任務，服務覆蓋超3萬多家酒店，行走了2033萬公里，相當于繞地球赤道約507圈，真正成為人類工作中穩定、高效、低成本的協作伙伴。

在云跡科技副總裁謝云鵬看來，機器人不僅具備移動與操作能力，更以"六維能力"（學習力使其舉一反三、適應力對抗環境風險、交互力讀懂人性需求、自主力實現目標閉環、情感力構建共情機制、社會力融入組織角色）為驅動的以服務人類健康與設備效能為終極目標的自進化硅基生命。

例如，在酒店場景中，機器人能通過電話溫柔提醒客人取物，避免驚擾；也能為盲人客戶開啟無障礙服務，體現細膩的情感設計。它們不再是冷冰冰的工具，而是被許多酒店視為"正式員工"，甚至擁有自己的生日慶祝儀式。

所以，云跡科技提出"機器人口紅利"時代正加速到來——通過具身智能與離身智能的協同，機器人以規模化、自進化的服務能力，釋放人類去從事更具創造性與情感價值的工作。

談及與AI機器人同事高效協作，謝云鵬認為有四大關鍵：目標明確、過程可控、結果可溯、反饋必應。

例如，云跡科技機器人在全球三萬余家酒店中每日完成超百萬次任務——酒店管理者不僅為這些"AI同事"設定工作時長、響應時間等清晰KPI，更從運行數據中敏銳識別細微的客戶需求，借助持續反饋推動系統優化。每一次精準服務都不只提升運營效率，更轉化為實實在在的價值增量，助力酒店贏得更多好評。這樣的人機協作模式，同樣適用于醫院、工廠等多種場景，賦能更多行業實現智能升級與體驗提升。

在謝云鵬看來，人機協作不是替代，而是進化。科技推動的時代不可逆轉，而真正的未來屬于那些善用AI、與AI共創新價值的人們。

點擊觀看問題⑧完整版演講視頻

問題九：AI人才瓶頸如何解？

AI價值的持續釋放，高度依賴與之匹配的人才結構、跨部門協作機制及敏捷的運營流程。當前，爭搶AI人才逐漸白熱化，也正超出企業承受范圍，如何突破人才瓶頸？

科銳國際高級副總裁曾誠圍繞 AI 時代的人才挑戰、人才特征，結合鮮活實踐與破解路徑展開分享。她指出，AI 技術飛速發展背景下，企業普遍面臨的"人才荒"并非AI時代獨有，其本質是人才戰略與組織能力未能跟上技術變革的節奏。當戰略藍圖繪就后，最核心的命題就是如何通過人才實現它。人們常說"AI一天，人間一年"，這背后隱藏的邏輯是：AI時代，人才尤為重要。

曾誠提到，當前 AI 人才競爭已進入白熱化階段。她引用科銳國際內部數據，當前 AI 崗位需求量同比翻倍，但人崗適配契合的人才僅為20%，可謂"需求如瀑布，人才如水滴"。她強調，這種失衡不僅源于人才數量的短缺，更關鍵的是，仍有部分人被舊思維裹挾，無形中阻礙著這些"水滴"般的人才向前流動。整個行業的組織形態，正處在一種混沌又彌散的狀態里。

那么，如何破解這一難題？

曾誠提出，企業應從"花錢買人才"轉向"主動造人才"，從"AI人才消費者"轉變為"AI人才生產者"。她表示，AI 時代的人才戰略必須前置，與業務戰略同步甚至領先推進，并在人才的選用育留上雙線發力：一方面推動現有員工轉型與培養，另一方面積極引入外部高端人才。

她分享了一個千億規模的傳統制造企業的案例：該企業在推進 AI 落地時，并未一味依賴外部挖人，而是先基于自身戰略明確人才畫像，邀請專業機構盤點內部具備潛力的適配人才，再針對性設計系列課程，對業務人員開展系統技術培訓與考核，同時在關鍵崗位引入外部專家，最終搭建出完整的人才體系。

針對高端 AI 人才的吸引與保留，曾誠認為，除高薪外，企業更需關注人才與組織發展階段的契合度。她舉例說，一些初創企業盲目追求"大廠背景"或名校畢業生，反而忽略了對候選人實際能力、文化匹配度及企業自身階段的理性分析，導致人才適配效果不佳。

此外，她呼吁企業構建敏捷人才生態，采用"全職員工 + 外包/獨立顧問 + 數字員工"的多元模式，以應對AI智能時代下快速迭代的業務及組織能力需求。她以某AI原生國企為例，該公司從 10 人團隊快速成長為近 200 人的賽道明星企業，正是得益于靈活多元的用工形態與精準的人才定位。

點擊觀看問題⑨完整版演講視頻

問題十：安全合規是永遠的紅線

安全合規始終是企業在選擇數字化轉型技術的過程中，最為關注的問題之一。

當AI大模型從實驗室走向企業核心業務系統，其安全合規問題已從技術細節上升為戰略風險。企業級應用的規模化、場景的敏感性與監管的全球化，使得算法偏見、隱私泄露等問題被放大為法律糾紛、聲譽危機甚至業務停擺的導火索。這種困局不僅源于技術的復雜性，更在于AI治理體系與現有規則框架的適配斷層。

近年來，奢侈品積極擁抱AI，嘗試為品牌激發新活力。例如，愛馬仕成立AI治理委員會；LV通過分析社交媒體數據，將傳統需耗時三周的洞察壓縮至一天；迪奧虛擬試衣間通過算法推薦限量款，響應時間從90秒縮短至30秒；勞力士通過AI精準定位高凈值人群。

但利用AI進行效率革命的另一面是數據隱私。今年5月迪奧（Dior）全球部分客戶數據曾被未經授權的外部人員獲取；6月香港就LV陸續發生泄露香港41萬客戶事件進行調查……奢侈品牌的高凈值客戶對數據隱私敏感度高，此類事件極易引發信任危機。

財務領域對AI安全合規態度更為謹慎。李錦記的副總裁、全球供應鏈及研發財務負責人劉欣雨直言，AI在財務領域帶來了前所未有的機遇與挑戰，但底線永遠是數據合規，"這是一條生死線"。

作為曾在一家上市公司擔任CFO的資深財務人，劉欣雨在開場就拋出一句："這是最好的時代，也是最壞的時代。" 最好在于AI提供了提高效率、降低成本的新工具，解放了財務人員的生產力；最壞則在于，若這些工具落入錯誤的場景或被不當使用，可能讓企業蒙受巨大損失甚至陷入萬劫不復。

他引用了一組數據：2020年到2024年，被監管機構處罰的上市公司財務人員數量，從60人上升到137人，年復合增長率高達23%。目前中國A股有5348家上市公司，每家公司都有CFO，"如果這個增速持續，18年后所有的CFO都可能被處罰一次。" 劉欣雨強調，這一趨勢反映的核心問題就是上市公司面臨的監管越來越嚴，財務面臨的數據合規壓力越來越大，甚至空前絕后。

在分析被處罰的原因時，他指出，大約70%—80%集中在兩類：虛假財務報告和未及時披露信息。"有人為的因素，也有體系不健全的原因。"在他看來，即便財務職能已經從傳統"記賬"演進到今天的"決策支撐"和未來的"價值整合"，底層依然是合規，如果數據處理環節出了問題，所有工作都將失效。

那么，AI在合規領域的應用機會點在哪里？劉欣雨列出了多個方向：智能票據處理、現金流預測、欺詐檢測、虛假貿易監管、內控報表審核、動態預算編制、并購（M&A）評估等。在其所服務的公司已上線智能報銷平臺，員工只需語音指令"幫我整理昨天去上海的報銷單據"，AI即可完成票據整理與填報。在面對數以萬計的員工報銷時，這類工具極大提升了員工報銷和財務審核的效率，也保障了合規性。

此外，他還分享了AI在異常資金流動監測中的作用。過去一些企業"老板一句話"就能支配數千萬資金，極易造成合規風險。而AI系統能夠及時提示：供應商是否存在代碼異常、新建供應商賬戶是否合理、資金是否超出業務范圍，從而幫助企業避免違規。

然而，機遇背后挑戰重重。他直言，數據安全與隱私、算法偏見、模型可解釋性、技術依賴和法律風險，都是不可忽視的問題。尤其是"模型透明度"問題，在財務中尤為關鍵。

他進一步警示，隨著AI生成技術的快速發展，Nano Banana能零成本的在十幾秒內將電子原始憑證改的面目全非且難辨真假，但電子憑證的推廣卻如火如荼，對財務數據合規就構成巨大挑戰。

最后，劉欣雨拋出了一個尖銳的問題："如何讓AI在財務合規上為虎傅翼，而不是為虎作倀？"

他提醒與會的CIO和企業管理者，AI帶來的效率提升與成本下降固然重要，但唯有守住合規的底線，才能避免在未來的財務數字化浪潮中給企業帶來巨大風險。

點擊觀看問題⑩完整版演講視頻

（應企業的相關合規要求，部分現場演講視頻暫不對外發布）

結語

關于AI落地問題的討論無法在一天之內找到答案。過去一年，我們與上百位企業高管溝通、調研，嘗試離答案更近一步。

我們將持續與AI實踐者們對話，更多案例與場景分享，請添加微信號tmthuiyuan。

點贊轉發本文章，關注公眾號：ITValue

在后臺回復關鍵字：AI場景落地真相，免費獲取年度演講完整版PPT（鈦媒體版，不包含案例分享嘉賓內容）。