庞学网首页网站入驻

华营管理服务卓越组织实训班|刘志远谈企业级AI:从通用模型到业务现场

华营管理服务卓越组织实训班|刘志远谈企业级AI:从通用模型到业务现场

刘志远在华营卓越组织实训班分享了企业级AI落地的方法。本文整理技术选择、前置部署工程师(FDE)的职责、生产级交付和组织复用机制。

合同、邮件、图纸、会议纪要和专家经验里的知识,往往无法直接用传统系统处理。大语言模型能理解和生成语义,为企业把这些信息用于分析、决策和执行提供了新的途径。

通用模型并不自动掌握一家企业的产品定义、业务规则、数据口径和风险边界。部署的难点在于让模型在实际流程中发挥可验证、可维护、可复用的作用;前置部署工程师负责衔接通用模型与企业业务现场。

先分清技术路线:不是所有业务问题都应交给大语言模型

1. 信息化、垂直模型与大语言模型各有分工

传统信息化的核心,是将流程、制度、标准和管控要求线上化,使交易有记录、审批有依据、过程可追溯。ERP、CRM、OA 等系统擅长处理结构化数据和确定性规则,是企业经营的重要事实来源。它们不会因为大模型出现就失去价值,但其主要作用更偏向记录、控制与合规,而不是替代所有分析与判断。

基于机器学习、深度学习或运筹优化的垂直模型,适合边界较清晰、目标较明确的任务,例如需求预测、工艺参数校正、设备状态识别和装载优化。这类模型通常需要专门的数据准备、训练和调优,泛化范围有限,但在特定任务上可以提供稳定、可量化的结果。工业场景还可将数据模型与机理模型结合:前者识别工况变化和参数偏差,后者提供物理约束与安全校验。

大语言模型的差异,在于能够处理自然语言、图纸说明、报告和其他非结构化内容,完成理解、归纳、生成、代码编写与工具调用。它更适合知识密集、语义复杂、跨文档关联的工作。技术选型的第一步不是追逐概念,而是判断任务本质:是确定性记录,是垂直预测与优化,还是语义理解与生成。一个复杂项目往往需要三类技术共同完成。

2. 大模型擅长思考与表达,但不能天然保证正确

大语言模型可以把客户需求拆解为对象、参数和约束,可以阅读大量历史资料并提出候选方案,也可以生成代码,再调用计算工具完成自身并不擅长的精确计算。这使其从“聊天工具”转变为一种通用认知与编排能力。但生成内容具有概率性,可能出现事实错误、时间误判、虚构依据或忽略边界,不能将语言流畅误认为结论可靠。

生产级应用必须把模型置于数据和规则之中:指定可信数据源,明确输入输出,设置校验规则,保留专家复核,并对关键结论建立证据链。模型可以参与分析和提出建议,但高风险决策、工业控制、正式设计交付与对外承诺,仍需由明确的责任主体确认。

FDE 的本质:把通用模型转化为企业专属能力

1. 从交付账号转向交付业务结果

采购模型账号、开通接口或完成一次演示,只能说明企业获得了通用能力。真正的部署要回答:模型进入哪一个流程,由谁使用,读取哪些数据,遵循哪些业务规则,输出如何被验证,结果怎样进入下一步作业,失败时如何回退。FDE 的工作不是单纯调模型,而是持续驻近业务现场,把这些问题转化为可运行的方案。

这一角色需要同时具备业务理解、数据治理、提示词与任务编排、系统连接及验证能力。单靠算法人员,容易做出技术上可演示、业务上难使用的原型;单靠业务人员,又可能忽视数据结构、权限、稳定性和评估要求。较合理的方式,是由业务专家、FDE、数据与 IT 人员、安全及财务人员组成共创小组,共同对结果负责。

2. 人机的合理分工是“人定义问题与验收,模型承担可委派的作业”

在人机协作中,员工的主要工作会从亲自完成每个步骤,转向定义任务、提供上下文、拆解模块、设置约束和验收结果。管理者更像项目经理与架构师:把复杂任务分解为相互独立又能组合的模块,明确每个模块的输入、输出、假设和参数,再让模型承担检索、初稿、比对、代码生成和重复性分析。

这并不意味着人只需提问。问题越复杂,越需要业务判断和结构化表达。提示词也不是一段神奇指令,而应逐步沉淀为任务说明、数据字典、分析框架、输出模板和评估标准的组合。只有这些资产被保存下来,企业获得的才不是一次偶然的好答案,而是可重复的工作方式。

场景选择:优先进入“知识密集且结果可验证”的环节

1. 用业务价值与交付可行性共同筛选

适合优先试点的大模型场景,通常具有几项特征:工作中存在大量阅读、比对、归纳或跨文档检索;任务重复发生,历史资料较多;输入数据能够合法获取;输出有相对明确的规则和验收人;应用价值可以体现为周期缩短、质量提升、成本下降、收入机会增加或风险减少。相反,数据源不明、责任边界不清、错误后果不可承受且缺少验证手段的场景,不宜直接追求自动化。

以下案例提供了几类典型方向:某工程机械企业利用模型识别图纸与参数,提升历史零部件复用,减少不必要的新增物料;某制造企业用模型核对发票品名与内部订单名称,解决同物异名的重复比对;另一家企业通过语义和规格匹配识别呆滞物料的可替代用途;还有企业把公开政策、规划和项目资料转化为可跟踪的商机线索。它们的共同点不是“写材料更快”,而是过去难以利用的信息开始参与业务决策。

2. 不要只计算节省工时,要设计完整业务闭环

一个场景是否值得投入,不能只看演示效果或生成速度。应事先确定业务基线:当前周期多长、错误集中在哪、历史资产复用率多少、机会转化如何、人工复核成本多高。上线后则用同一口径比较。若模型生成很快,但专家需要花费更多时间纠错,或输出无法进入后续流程,就不能认定为有效应用。

场景定义还应落到具体决策。例如,“用 AI 做市场洞察”过于宽泛,而“持续识别指定区域的政策变化,形成项目清单,判断与本企业服务的匹配度,并交由区域负责人确认”更接近可交付任务。任务边界越清楚,数据、模型、规则和验收越容易形成闭环。

生产级交付:从业务原型到稳定应用的六个环节

1. 先还原流程,再决定模型介入点

部署前应梳理现有作业流程,识别每一步的输入、处理规则、输出和责任角色。模型不一定要替换整个流程,可以先承担其中最适合的环节,如资料读取、候选方案生成或异常提示。关键决策与规则校验仍由原系统或专业人员承担。这样可以降低试点风险,也便于准确评价模型究竟创造了哪一部分价值。

2. 数据盘点与清洗必须先于大规模生成

企业需要明确数据来源、时间、版本、权限、字段含义和更新频率,并处理同一实体的多种名称、同一指标的不同口径及文档之间的冲突。政策文件的转载日期可能晚于原始发布日期,若直接按转载时间推断项目进度,后续分析会整体偏移;产品资料中的器件简称、别名和型号混用,也会降低检索与匹配准确性。这类问题不是模型能力可以自动弥补的。

数据治理的重点,应从“把表做齐”扩展到实体、关系、属性、术语和上下文。可借助模型协助清洗和归一,但应保留抽样复核与版本记录。对实时工业数据、结构化交易数据和非结构化文档,也不宜简单混在一个存储与计算框架中,而应依据任务选择相应系统,再通过接口和语义关系建立连接。

3. 采用“模型+知识检索+规则引擎+工具”的组合架构

企业级应用不宜只依赖一次模型调用。较稳妥的结构是:模型负责理解任务和编排步骤,检索模块提供企业知识与证据,规则引擎检查硬约束,计算器、代码、优化算法和业务系统完成确定性作业,最终由人员或授权机制确认结果。智能体的意义也在于此——模型不仅生成语言,还能在受控权限内调用工具并返回执行结果。

4. 将任务松耦合、模块化、标准化

复杂任务应拆成边界清晰的模块,并统一输入、输出、假设、参数和模板。这样,不同人员、不同模型和不同会话执行同一任务时,结果才具有可比性;政策或业务规则变化时,也只需重跑受影响模块,而不必推翻整个项目。模块化还便于定位错误、积累测试集和把成熟模块复制到其他场景。

5. 用评估集和交叉复核代替“看起来不错”

试点初期可以先形成一版结果,与专家常识和历史事实对照,用于发现数据源、框架和口径问题;正式运行前,则应建立覆盖正常、边界和异常情况的测试样例。多模型交叉生成或互相评审,可以帮助发现遗漏,但并不能证明内容为真,因为不同模型可能共享相似错误。关键事实仍需回到原始证据,关键规则仍需通过确定性校验。

6. 上线只是运营起点

生产环境需要独立工作区、清晰会话和版本管理,避免无关上下文污染任务。上线后还要持续监测准确率、人工修改率、处理周期、异常类型和单位成本,并设置人工接管与退出机制。模型、数据和业务规则都在变化,企业级 AI 更像一项持续运营的能力,而不是一次性交付后长期不变的软件。

案例复盘一:把政策与规划文本转化为可跟踪的商机

1. 难点不在阅读政策,而在建立从宏观方向到微观项目的推理链

某工程咨询企业希望评估未来专业服务的潜在市场,仅依据区域投资总额无法得到答案,因为投资额并不直接等于可服务的商机。项目团队重新建立分析路径:从公开规划和跨年度文件识别政策方向,落到具体区域、流域或设施;再梳理既有建设、当前阶段和未达目标,推演未来投资重点;随后形成项目类别与项目库,识别其中的设计、咨询等工作内容,最后结合企业资质、竞争位置和客户边界筛选可触达机会。

这条链条的关键,是把“市场很大”转化为“哪些项目、在哪个阶段、需要什么服务、企业是否有机会”。模型承担大量资料收集、阅读、关联和初步推演,业务专家则负责确认推理逻辑、工程阶段划分、项目口径和商机标准。没有这套业务结构,模型生成的内容即使文字完整,也难以支持经营决策。

2. 从一次性报告沉淀为可持续更新的机会管理机制

项目先通过试验确定可信数据源和基本框架,再把空间规划、投资重点、项目库、评价维度和阶段定义标准化。每一模块使用相同素材、假设和参数,结果才可以合并;政策变化后,相应模块可以独立更新。由此,交付物不再只是一份静态报告,而可以进一步形成定期采集、分析、分派和复盘的商机管理机制。

该案例也提示了预测类应用的边界:模型可以依据既有项目的进度样本和分析假设生成测算,但预测曲线、资金安排与项目概率应由业务方确认。对尚未正式公布的规划,应明确标注假设和不确定性,不宜把模型推演包装成确定事实。企业真正需要的是透明、可调整的决策支持,而不是表面精确的单一数字。

案例复盘二:让历史设计资产进入产品定义与报价

1. 先解决“找不到、读不完、无法比”的知识复用问题

某显示器件企业积累了大量历史方案、设计规范和元器件资料,但工程师面对新需求时,往往只能使用自己最熟悉的少数方案。资料虽然电子化,却没有真正转化为可复用能力。新的工作方式由模型先理解客户需求,再检索设计规范、器件数据和历史案例,形成初步产品定义;随后将方案交给规则引擎,检查功耗、尺寸、接口、器件匹配和成本等约束;通过校验后,再连接报价规则与业务系统,输出供工程师和销售确认的方案与价格依据。

这一应用缩短的是前期方案与报价周期,而不是取消正式设计验证。模型生成的方案仍是候选结果,必须满足工程规则并经过责任人确认。把这一边界写入流程,既能提高效率,也可避免将生成方案误当作生产图纸。

2. 同时保留面向人与面向 AI 的数据表达

人熟悉的表格和报告强调阅读便利,模型执行检索与推理则更需要清晰的实体、属性、关系和约束。企业可以在底层构建适合机器调用的数据结构,再根据人员习惯生成不同视图,而不是强迫双方使用同一种展示形式。对于产品 BOM、器件约束、设计规则和历史案例,应分别定义其用途与关联,避免把一堆电子文档直接等同于知识库。

组合使用算法:让每种工具承担最擅长的部分

1. 大模型可以成为优化项目的助手,但不必亲自完成优化计算

某家电企业希望提升集装箱装载效率,核心是带有多重约束的运筹优化问题,适合由专门的规则和优化算法处理。大模型则参与流程梳理、隐性规则提取、数据清洗、输入异常识别和结果解释。这样的分工比“让大模型直接给答案”更可靠:语义问题由语义模型处理,数学优化由优化器处理,业务人员确认约束与例外。

同样,在工业工艺优化中,数据模型可用于识别工况漂移和校正参数,机理模型负责物理约束与边界校验;在经营分析中,结构化系统提供收入、成本等事实,模型结合外部资料和非结构化信息形成解释与预测。企业级架构的目标不是证明大模型无所不能,而是降低整个系统的错误率与总成本。

2. 代码生成扩展了模型的执行能力,也提出了新的治理要求

模型能够编写采集、清洗、计算和接口代码,使非结构化任务与确定性工具连接起来,也降低了部分轻量应用的开发门槛。但生成代码仍需经过安全审查、测试、权限控制和运行监控。涉及网络采集时,还要遵守网站规则、知识产权和数据合规要求。企业不能把“模型可以自己写代码”理解为可以跳过软件工程的基本纪律。

安全与部署:按数据敏感度和运营能力选择路径

1. 不要把公共模型输入框当作企业内部环境

战略、财务、客户、研发和员工信息在输入外部服务前,应明确服务商的数据使用、留存、训练和跨境规则。保密协议、访问控制和日志审计是必要条件,但不能替代数据分类分级。对高度敏感信息,可评估私有化或专有云部署;对使用公开数据的场景,可采用更轻量的云服务,并将采集、清洗和存储过程纳入内部管理。

2. 自建与外包都应核算全生命周期成本

私有化部署不仅包括硬件,还包括模型适配、并发与响应、运维、安全、升级和人才成本。企业也可选择由外部服务商提供定制化的模型能力或“数字员工”服务,由其维护模型与运行环境,企业保留业务规则、数据权限和验收责任。选择自建、云服务或外包,应依据数据敏感度、使用频率、性能要求、内部能力和总拥有成本,而不是单纯比较一次采购价格。

无论采用哪种方式,都要避免形成新的黑箱依赖。任务模板、数据字典、评估集、接口文档和运营规则应由企业掌握,关键岗位应接受训练。外部能力可以加速建设,但业务知识与验收能力必须逐步内化。

从试点到规模化:企业需要沉淀的是一套复用机制

1. 以共创方式完成规划,以小场景验证生产价值

企业可以先用较短周期完成业务扫描与场景组合,由业务人员、技术人员和外部专家共同评估,而不是先编制一份覆盖所有领域的宏大规划。随后选择少量高价值、可验证的场景做出生产级原型,打通数据、规则、系统和人员验收。试点通过后再向相邻流程复制,逐步进入主业务流程。

规模化依赖四类公共资产:统一的数据与语义规范,可复用的任务模块和提示词模板,覆盖关键风险的评估与审计机制,以及稳定的模型、工具和系统连接。缺少这些资产,每个项目都要从零开始,场景数量增加反而意味着运维失控。

2. 竞争优势来自内化速度,而不是是否使用过 AI

通用模型会以越来越低的门槛被更多企业获得,单纯“接入模型”很难构成长期差异。真正拉开差距的,是谁能更快识别高价值问题,把隐性经验显性化,把数据与规则整理好,并将模型输出稳定地嵌入业务。企业还应关注员工工作方式的转变:从个人操作工具,转向管理一组可委派、可检查的数字能力。

结语:AI 项目的验收物,不应只是一场演示

一个场景完成部署后,企业至少应留下四项成果:一条真正改变作业方式的业务流程,一套可持续维护的数据与知识资产,一组能够检验错误和边界的评估标准,以及一支知道如何继续改进的团队。模型版本会更新,具体工具会替换,但这四项成果可以不断积累,成为企业自己的能力底座。

因此,企业级 AI 最值得投入的,不是追逐每一次技术热点,而是把第一个业务闭环做扎实:数据来源说得清,模型任务分得清,规则边界定得清,结果责任落得清。完成这一步,AI 才从通用的语言能力,转变为组织可以信赖、可以复用、可以持续进化的生产能力。

原文另预告刘志远将在华营2027年度论坛分享《AI业务场景实践》。原海报列12月12—13日深圳;论坛名称中的“2027”并非本篇课堂分享日期。