壹定发

7月2日，数云原力®2025专项活动——AI for Process系列直播日最后一场圆满落幕。本次活动以“企业AI价值先锋实践”为主题，聚焦AI在汽车、绿色低碳等前沿场景的应用，与行业客户深入交流、分享企业AI落地的洞见与成功实践经验，助力企业破解AI落地难题，驱动企业以AI技术重构业务流程、实现价值跃升。

积跬步，致千里
从场景出发的企业AI价值释放

壹定发数码联席董事长、首席执行官王冰峰在开场主题发言中表示：“今天的企业级AI落地仍处于早期阶段，大部分企业场景下的AI应用还处在单点创新的状态，还未找到形成显著正向回报的场景。要实现AI技术和企业的深度融合，需要从企业的流程入手——这也是我们强调‘AI for Process’理念的原因。只有当AI深度嵌入企业流程中，与业务流程实现深度融合和相互促进，才能真正推动AI在企业中的规模化应用。”

【圆桌话题一】
岚图的AI落地之路：场景落子，全盘布局

如何让AI技术与应用场景深度融合？如何让AI在企业中真正落地？落地中的“坑”又该如何规避？壹定发数码云和信创研究院AI交付中心总经理胡琳君、AI应用架构师马晓东与岚图数字化大模型应用负责人徐湲策，围绕上述话题展开深度探讨。

AI的缘起与落地的挑战

徐湲策：东风岚图数字化部门的定位是应用导向型团队，虽然不从事基础科研工作，但我们持续关注着行业前沿技术。从ChatGPT横空出世到长文本大模型的出现，尤其是当我们看到Perplexity的DAU数据时，我们意识到大模型已经发展到了在企业内部进行应用的程度。基于此，我们正式启动大模型项目。发展至今，AI应用已覆盖部门的全业务领域。纵观这几年的AI探索历程，我们面临的挑战主要体现在三方面：人才招募、场景选择、价值体现。

马晓东：壹定发数码在“数云融合”战略的指引下 ，在云与数据领域形成了深厚的积累。而数据与算力恰好是驱动AI发展的两大要素，因此，壹定发数码在AI时代顺势入局，专注大模型的企业级场景落地，由此诞生了——“壹定发问学”。随着实践经验的积累和模型能力的演进，在2025年初，郭总提出了“AI for Process”理念，“Process”的内涵聚焦于流程标准化和人效提升，精准对应了AI在企业中落地的核心挑战：流程优化与人员赋能。

胡琳君：过去两年间，我也深度参与了壹定发数码内部的数字化与AI落地进程。从发现场景到技术落地、内部推广，我们还有很多路要走，也遇到了很多“坑”，我们也是一步步攻坚克难。如今，壹定发数码在内部落地的“超级员工”“智能人才搜索”等AI应用，都获得了很多积极反馈。

挑战如何破解？关键着力点在此

徐湲策：企业AI价值的释放源于上述三个难题的破解。首先，在人才招募方面，除了内外部招聘，我们还着力培养团队成员向业务专家转型，因为大模型在企业内部的应用不仅需要对技术的理解，还需要对业务的认知。其次，在场景选择方面， 我们希望用户通过尽量简短的对话流程实现更快、更准确的结果交付，目标是将AI能力深度融入业务流，让用户甚至无需感知对话过程即可获取所需。

例如，新能源行业激烈的市场竞争环境加上复杂的国家相关法规政策要求，岚图常常面临市场宣传需要与法务合规管控的矛盾。以往，业务人员需要耗费大量精力查阅最新法规、协同多个部门审核宣发内容。如今，借助AI大模型，只需将宣传材料（图片/文字/视频/音频）上传系统，系统就能自动识别，智能审核其是否违反相关法规、是否与岚图自身、与东风集团乃至整个汽车行业的合规规则存在冲突。系统甚至还能进行全行业案例比对，识别潜在相似风险点，预先规避。我们已经不需要太多的问答。

要实现上述场景，在运营和知识治理方面，以知识库为例，通用大模型往往难以满足复杂多样的用户需求；在技术层面，我们需要联合合作伙伴不断挖掘模型潜力，方能精准匹配业务目标。同时，鉴于国家政策等外部信息是动态变化的，因此，我们选择使用一套集问答、知识库、工作流和智能体于一体的大模型应用平台，结合互联网的数据与定向微调，从而高效实现场景落地闭环。

马晓东：企业级AI落地的核心诉求在于AI能“无感”融入业务流，例如用户在提交需求后，系统以最短时间、最高效、最精准地反馈定制化解决方案。要实现这一目标，需要从三个方面入手：

第一，知识治理。企业内部场景要求AI输出零容错，与C端问答可容忍错误存在本质差异。因此，在知识治理时，要打通企业内部中后台部门知识体系，为每个部门做相关的知识梳理、文档治理，另外，还要适配客户差异化业务形态、流程及文档特性，并且实现问题提交后自动触发下一流程。

第二，运营。AI应用与传统IT系统（如CRM的按钮/表单操作）存在本质不同，AI应用一般的形态是“对话”，要通过运营机制逐步提升用户体验与使用深度。以我们公司的“超级员工”为例，运营团队每周主动走访中后台部门，系统化收集痛点与优化点，驱动迭代；并且优先赋能销售端、商务端等需要高频跨系统检索信息的岗位，将超百个OA子系统整合至“超级员工”这个统一入口。

第三，团队。相较于传统项目，企业AI落地需要深度融入“技术+业务”专家，他们在方案设计及运营阶段的参与度越深，系统与业务的契合度就越高。

而壹定发问学设计之初的定位就是企业AI能力的基座平台，算力管理、多模型接入、知识治理、应用和工作流的编排等功能，是我们在集团内部AI落地和其它合作伙伴需求中提炼出来的最有价值的功能。我们把这些关键功能汇聚到产品里，也能更好地帮助企业落地AI。

AI for Process指引未来方向

徐湲策：我们对AI未来的发展有两方面畅想：首先，构建AI Agent串联服务平台，将企业内部数据或企业服务平台打通，让AI能力走入各个业务系统里，大幅降低传统“数云融合”中的边界平台扩张成本。以岚图工厂为例，岚图工厂需应对多元化访客（包括安保/保洁/供应商/交流人员等），不同人员涉及到差异化的门禁权限、路径规划、会议室预定及IoT设备联动，背后依赖多个系统的协同。如果可以通过单次文件的提交，以Agent自动串联后台的各个系统，将大幅削减人工耗时。

同时，岚图跟壹定发数码有一个不谋而合的点便是“AI for Process”。汽车产业链很长，覆盖供应商协同、备货、生产组装、质检、交付、售后等，这些链路里有无数的流程。如果可以通过在产、销、服等横向流程中嵌入大模型能力，并结合知识治理与自动化运营，将实现超越基础效率提升的价值——驱动高质量交付与高效团队协同。

马晓东：首先，作为企业AI中台的基座平台，壹定发问学的基座能力将随着技术迭代持续演进，如MCP、AI for BI等，做到从有到优。其次，对于多Agent串联，我们内部也已经做出尝试，例如在会议室预定方面，现在员工只需向"超级员工"发送会议室需求，即可自动获取可选清单，取代了传统OA系统的繁琐操作。此外，垂直领域专业化训练正大幅降低企业模型落地门槛——壹定发问学团队在亚马逊云科技大模型联赛中，仅用3小时微调的3.5B小模型，即在指定领域表现碾压通用70B大模型，斩获大赛冠军，验证了小模型通过定向优化可超越通用大模型的可行性，为高效企业级AI部署提供了新范式。

胡琳君：壹定发数码正沿着多条路径布局远期AI战略，比如接下来的重点工作之一“AI for Process”直客型业务LTC流程重塑项目，旨在通过AI重构业务流程驱动企业价值升级，追求系统性业务重塑而非单点创新。同时，我们的研究团队已经在开展垂直领域的深度攻坚，例如在医药研发领域推进专业垂类模型训练，旨在打造行业专业模型，最终为客户创造实质价值。

【圆桌话题二】
AI for Process的汽车生产与制造升级

当下，谈企业 AI 必然离不开 “场景”。在企业 AI 快速落地的过程中，以汽车行业为代表的制造业体系应关注哪些高价值场景？又基于哪些诉求需要建设 AI 中台？

围绕上述话题，壹定发数码企业云集团 AI 交付专家陈巍、汽车研发高级顾问汪彦磊、江铃汽车高级数据产品总监梁融韬，就汽车行业 “企业级 AI 平台建设”“企业级 AI for Process 的建设” 等话题展开了深入讨论。

企业级AI平台诞生的背景是什么，
建设时有哪些问题和关注点？

梁融韬：企业级 AI 平台建立的初衷源于三大动因：首先，AI 领域技术的快速迭代与落地；其次，企业内部 AI 场景落地的需求，催生了对企业专业知识的全面整合需求。数字化时代，企业核心业务（如汽车行业的研发、制造、营销、财务等）积累了大量高价值专业知识，这些知识必须与 AI 应用深度融合才能释放价值，这驱动着企业系统性重构知识体系与数据资产；第三，企业管理人员、相关工作人员及终端用户希望智能体（Agent）能 “量身定制”，因此只有深度嵌入企业业务流程，智能体才能发挥最大价值 ，也由此催生出企业级 AI 平台。

在企业级 AI 中台的建设中，需对算力资源、模型管理、企业知识与数据资产进行统一管理，并提供用户定制化接入大模型的敏捷能力。此外，还需统筹考虑数据安全机制、可靠性保障及测试运维框架，确保企业能持续紧跟 AI 发展进程。

汪彦磊：无论是AI中台还是最终的AI应用，AI的发展都不是一蹴而就的。我将其总结为四个阶段：第一，基础语言能力阶段：如同企业中的 “信息搜集员”，掌握基础语言交互能力；第二，分析推理能力阶段：AI 通过持续学习形成记忆与逻辑推理能力，支持决策分析；第三，行为能力拓展阶段：可调用工具执行任务，实现生产力转化；第四，创新阶段：AI 具备开阔思维与自我否定能力。企业级 AI 平台的建设，本质上遵循这种演化过程。

AI中台建设有哪些难点？

梁融韬：在数据层面，传统信息化与数字化建设阶段积累的数据和知识，已难以满足AI时代对数据的深层需求。以汽车行业为例，当利用AI开展视觉造型设计时，为保证设计出具有品牌特色的造型，车企需对汽车内外饰、前后保险杠的风格等数据进行精准标注，而这类专业化的数据处理工作，在传统信息化阶段并未涉及。

其次，明确AI业务的上线目标至关重要。企业应用大模型的核心是让其深度融入业务、支撑业务开展，这意味着AI业务上线前必须明确业务人员的预期，再通过技术手段对大模型持续优化，直至达成预设目标。

最后，Agent的建设不应追求“大而全”。企业级Agent更需走专业化、垂直化路线，通过多个Agent的协同配合，来满足不同业务领域的差异化需求。

汽车行业里，哪些AI应用场景
可以帮助企业快速获得收益？
筛选这类场景时该遵循怎样的思路呢？

梁融韬：随着 Deepseek 的走红，无论是社会层面还是企业层面，对 AI 的需求都呈现出爆发式增长。这意味着，如果企业正在维护一份业务场景地图，那么与之相关的 AI 应用规模正在急剧膨胀。因此，如何将 AI 能力与业务诉求深度结合，成为场景选择时的重要考量因素。结合个人实践经验看，场景筛选需通过“业务价值-AI能力-投入产出比”三维评估，才能选择最合适的场景做AI落地。

在确定场景后的落地顺序上，我们会优先选择知识治理成熟、数据质量更高的业务线率先推进。对于其他高价值场景，则会根据现有知识基础，优先完成知识治理工作，再逐步接入 AI 应用 。这是我认为较为理智的落地方式。

与此同时，我们也在借助低代码工具（如 Vibe Coding），鼓励业务人员通过少量编码甚至零编码的方式，自主构建专属 AI 工具与智能体（Agent），以此激发业务端的自主创新活力。

陈巍：总结来看主要有两点，一是 AI 场景的选择需依托科学的评估方法。例如壹定发数码在为客户部署 AI 时，会通过 “业务重要性、技术成熟度、数据完整度” 的三维模型进行筛选，从中优先选取业务价值突出、数据基础扎实且技术实现难度较低的场景率先推进 AI 落地。二是 AI 中台应向业务用户开放更多简易的低代码乃至无代码工具，助力业务端深度参与 AI 场景的共创。

汪彦磊：当下企业AI落地可划分为“AI + 业务”与“AI + 产品”两个维度。在“AI + 业务”层面，结合此前提及的AI发展四阶段，能够快速落地的场景主要有四类：其一，语言类Agent场景，涵盖售后客户服务、客户关怀回访等。这类应用既能传递情绪价值，又能为企业降本增效，目前在C端的使用率已较为可观；其二，分析推理层面，例如车企常见的目标客户分析、竞品分析、客户画像构建等，借助AI为业务决策提供辅助；其三，合规类场景，通过AI技术为质量检查、合规性审查、各类审核工作提供支持；其四，创新领域，比如利用AI开展汽车视觉造型设计等探索。

为什么要建设企业级AI for Process？

梁融韬：我们与壹定发数码团队在企业数字化转型、流程改造及 AI 能力融合等方面，已开展了诸多深入探讨与实践。以汽车行业为例，整车制造流程乃至企业整体运营中，存在从 L1 到 L5 级冗长且复杂的流程体系，在这类场景中推动 AI 落地，首要任务就是实现AI与流程的深度结合、打通。流程节点的数据、上下文、任务关系天然匹配AI输入输出逻辑，必须将AI能力深度嵌入流程载体。从这个角度看，AI天生就应该跟Process融合在一起。

其次，数智化转型的深入催生了企业对流程精益化的迫切需求，借助数据与 AI 的分析能力，流程的迭代优化过程得以显著加速，这也成为将 AI 融入流程的核心出发点。

陈巍：如果要基于AI中台构建“AI for Process”相关体系，第一步必然是企业先梳理清楚自身流程，为AI的学习与分析提供基础。在实际运作中，首要的是与企业系统深度结合——这一点上，Agent大有可为，但需要通过更多适配与研发，让Agent能依托流程载体直接辅助用户操作系统。

从长远来看，AI结合系统数据后，将能真正实现流程的深度分析，若结合行业标准流程，便能助力企业在研发、生产、供应、销售、库存、人力、财务等全领域实现效能提升。当然，这是基于企业AI中台的一个宏大工程。

AI未来的发展方向

梁融韬：为应对AI技术的高速发展，企业需建设具备稳定输出能力的AI平台。该平台应像“稳定生产力的工厂”，在保障企业业务稳定性的前提下，能灵活快速地切换“零部件”。另外，企业要对前沿技术（包括MCP技术、MCP下的独立智能体和多智能体的协作、以及多智能体协作的A2A的技术等）保持关注，但关键在于选择合适的时间点，并以灵活插槽的方式将其嫁接至企业平台，快速产生效益并将适配改造最小化。

【圆桌话题三】
生成式AI推动企业绿色低碳转型进程

当前，极端天气频发等气候变化引起广泛关注，在国家“双碳”战略持续推进和可持续发展关注度提升的同时，国家将人工智能列为重点发展方向。那么，如何将“人工智能”与“碳中和”深度结合起来？壹定发数码企业云集团云服务BU副总经理朱明磊、云和信创研究院AI解决方案中心总经理李盛与北京嘉岳数智科技有限公司创始人、总经理魏浩，展开深入探讨。

AI是提升可持续发展领域
工作效率与精准度的刚需

魏浩：从可持续发展的角度来说，我们认为社会认知分为三个阶段：环境治理（已成为全民共识）；碳达峰、碳中和（正在逐步形成共识并转化为全社会的协同行动）；资源循环（可持续发展的终极场景）。三者共同构成经济社会的核心发展方向，深度关联产业升级与企业运营。

泛娱乐化应用大模型难以触及生产效率内核，大模型价值的真正释放需要锚定垂直领域，在相对严肃、严谨、专业的场景中应用大模型才能充分释放潜能（如碳排放识别管理）。此类场景存在大量需要人工专家梳理的业务流程评估工作，而AI技术的加持将显著提升工作效率与精准度，是实现碳减排与能源优化的技术刚需。嘉岳数智正是立足于这种必要性及可行性，选择了碳与AI结合的路径。

传统的人工报告编制
成本比较高、周期长，
您能围绕其中的细节和难点展开讲讲吗？

魏浩：难点主要有四个：第一，数据获取比较分散，人工编制时需从新建项目的设计文件、可研报告等材料中手动提取关键信息；第二，长文本较为复杂。碳评价报告不仅是数据堆砌，更是严谨的技术文档。比如政策符合性分析、核算标准及边界的确定等，都需要严谨的文本描述；第三，数据的格式比较多元，文本、公式、表格及图像等混合形态，面临多源异构数据，人工处理效率低下；第四，对于产出内容精度的要求高，评估工作需经多轮数据校验与内容复核，大幅增加人工成本。

针对上述难点，
壹定发数码为嘉岳提供了哪些解决方案？

李盛：我们提供了三大方案：

第一，通专融合：我们并没有完全使用RAG的方式，而是通过大模型精调（Fine-tune）实现通专融合，让碳评测模型精准解析跨行业专业任务；

第二，长文本生成优化：针对涉及大量表格和复杂公式推理的长篇能源报告（一般在40-60页左右），在Transformer层构建长记忆层，实现Agent层与模型层的长短期记忆协同，保障流程任务中的有效信息一致性；

第三，质量评测标准化：在问学平台构建自动评测集，AI自动审核所生成内容，专家仅需评估确认审核的科学合理性，最终形成碳评测质量评估的运营闭环。

在垂直领域、严肃场景中实现
长文本智能报告生成，信心何在？

魏浩：这份自信首先来自于我们锚定的产品方向——垂直领域的严肃、严谨、专业场景的长文本智能生成，其次，我们是运用大模型技术面对已知的问题，去匹配已知答案。从这个意义上来讲，我们的产品方向从理论上是完全可以实现的。具体而言，我们提出EPAG技术（Expert Process Augmented Generation专业流程增强生成），该技术有三层逻辑：

第一，理解层：通过对领域知识进行模块化切割，通过模块将垂直领域的专业流程进行工程化转译，确保大模型准确理解并精准生成所需内容，在此基础上再进行审核；

第二，文本层：通过文本生成模块内置流程记忆体来确保长文本生成精准的同时又符合报告的逻辑。

第三，评测层：通过多领域自动化评测模块实现报告文本的生产级内容质量。

嘉岳数智的核心竞争力源自垂直领域认知的积累，同时特别重要的是在AI能力建设方面有壹定发数码AI能力的强大加持。

李盛：郭总在提出“AI for Process”理念时提到了一个概念——“通专融合”，其本质解决的问题是通用模型如何掌握专业的能力，其核心挑战在于将专家的隐性知识显性化。为此，我们与嘉岳数智共创EPAG的算法和方法论，通过语义切割、概念映射、领域适配三个层面解决企业如何把隐性知识显性化的问题。

壹定发数码和嘉岳的协作机制是怎样的？

李盛：我们的合作非常紧密，有三点我要特别感谢嘉岳。第一，嘉岳没有将我们的合作看作一次“采购”，而是双方共同定义问题边界，以业务需求驱动功能设计，实现企业组织流程的重构；第二，嘉岳用平台化的理念解决AI问题。在项目伊始就采用问学平台作为载体，统筹Agent、算力与模型资源，破解AI孤岛困境，并构建端到端的Super APP（集成碳评测报告生成、计算公式工具等），以平台化思维思考AI在企业的落地。第三，我们有共同的AI价值观。

魏浩：嘉岳数智的AI实践表明通用模型难以满足专业文本生成的精度需求，直到我们遇到壹定发数码团队，双方无论是从理念还是做法上，可以说是高度契合，并且很快达成共识，也形成了联合研发、敏捷迭代的共创机制，以此促进了嘉岳数智的专业认知与壹定发数码AI能力的深度融合。

在引入“专家流程增强生成”技术后，
取得了哪些可见的成效？

魏浩：基于目前预发布的产品，从目前的测试效果来讲，可以说大幅提高了文本生成的效率：第一，专业领域当中术语理解的准确度，从30%提高到80%左右；第二，对于生成内容的采用率，从比较低的10%能提高到70%左右；第三，碳核算指标的准确度，从最初的70%能够提升到95%以上。

面向未来的AI发展规划与布局

魏浩：标准化产品一直是我们关键的目标，在当前的阶段，标品研发是双方围绕目前全国碳市场强制监管的重点行业，正在研发碳排放评估报告智能生成工具，并将逐步扩展至碳足迹、ESG等文本的AI应用开发；再者，基于问学平台，嘉岳数智将推出政策检索、行业分类等业务适配型工具助手；面向未来，要在夯实碳领域产品矩阵的基础上，向能源评价、安评等细分评估领域拓展。

李盛：在解构“AI for Process”理念时要考虑两个驱动因素，一是技术范式的驱动，二是业务模式的驱动。我相信未来在我们跟嘉岳合作的联合解决方案，抑或是壹定发数码和其他客户合作共创的解决方案，都是围绕着如何用“业务+技术驱动”的范式去构建联合解决方案。未来，“AI for Process”的落地会围绕如何帮助企业真正产生业务价值；同时，我们将继续以开放共享的理念与合作伙伴共建AI生态。

聚焦金融科技、供应链、智慧政务、汽车数智化等关键领域，汇聚行业专家与实战操盘手，数云原力®2025专项活动——AI for Process系列直播日通过3场直播、近10个热点话题，以真实案例分享AI赋能研发工艺、数据应用、供应链运营、政务服务及汽车制造等核心流程的实践经验，破解AI落地难题，驱动企业利用AI重构业务流程、实现价值跃升，推动企业数智化转型迈向更高阶的「流程智能」时代。