5月15日，九科信息应长城国际之邀进行专题授课，九科信息联合创始人傅恺为长城国际管理层系统分享了当前AI应用企业级落地的完整方法论。

九科信息联合创始人——傅恺

分享中，傅恺不仅展示了九科信息在多个行业的标杆实践成果，更针对国央企AI转型的特殊要求，提出了极具针对性的建议。分享内容务实、深刻，在提问环节更是受到台下听众的热烈提问，并获得了在场领导的一致好评。以下是本次分享的部分精华内容，希望能为正在推进智能化转型的企业提供有益参考。

（备注：为了阅读体验，发布内容经调整，并非原话）

一、越来越多的非技术人员已经在运用各种工具在搭建应用。

如今，越来越多非技术背景的业务人员正在打破“技术壁垒”的限制。无论是营销、物流还是供应链领域，都涌现出了大量“业务+技术”的复合型人才。他们已经能够熟练运用 AI 编程工具等新一代技术产品，自主搭建业务界面、配置工作流程，将自己最熟悉的那部分业务实现自动化、系统化执行。

在这个过程中，组织内人员的业务能力与技术能力会不断交互、交织、提升，最终将彻底重塑整个组织的业务形态。过去需要明确的职能分工、多个专业团队协同才能承载的复杂业务，未来可能只需要一名同时具备深厚业务知识储备和基础技术工具使用能力的员工，带领一群具备不同专业技能的个性化数字员工，就能形成“一人成军”的高效作战单元，独立承担并完成完整的业务闭环。这正是我们正在亲眼见证的、AI时代企业组织的全新形态。

二、未来组织里可能人人都是领导。

在AI的协助下，未来的企业组织里可能人人都会是领导，其区别就是你领导的是人里，有多少个人类员工和数字员工。

我们如今领导层的很多工作，是审核各种业务流程，从而完成一个决策。我们领导层起到一个决定性的作用。而在这个环节里，决策者其实还有另一个隐藏的身份，那便是知识的中心。领导层利用自己更高级的知识与权限来决定工作的下一个方向，这跟人类与AI的协作十分相似。

人类掌握重大决策，而AI完成基础工作。在这个层面上，人类就会成为该项业务的管理者。TA需要对这个业务未来进行的模式去建议、改造，由此完成对智能体的升级迭代。企业并非在完成某场景的智能化改造后便一劳永逸，如何让员工去建立一套以数据、以结果为中心，并再以该结果为原点去驱动业务持续优化更是重点。

三、红线意识必须贯穿国央企AI项目的全生命周期

对于国央企而言，在任何AI项目规划开始之前，都必须牢牢守住三条红线，这是保障国央企数字化转型行稳致远的根本基础。

第一条红线是数据主权。数据不得出境，敏感信息必须本地存储和处理。具体而言，财务数据、人事信息、战略规划等核心数据绝不能出域；在技术选型上应优先选择私有化部署或国产化云服务；同时必须建立完善的数据分类分级管理制度，对不同敏感级别的数据采取差异化的保护措施。

第二条红线是决策责任。必须明确AI的建议仅供参考，不替代人工判断；所有重大决策都必须保留人工审核和签字确认环节；同时建立完整的决策追溯机制，明确每一个环节的责任主体。

第三条红线是意识形态。核心要求是AI生成内容必须符合主流价值观。企业需要建立严格的内容审核机制，过滤不当信息。同时定期对AI模型进行价值观对齐训练，确保技术发展始终与国家主流意识形态保持一致。

四、当前这一代模型不适合用于直接原生设计，因为它本质上是在“背答案”。

当前这一代大语言模型，并不适合用于直接的原生设计工作，尤其是工程图纸、三维模型这类专业设计领域。

我们需要先搞清楚大语言模型的本质工作原理。这一代被称为“大语言模型”的AI，其核心能力是建立在对语言的理解之上的，而语言天生具有顺序性和方向性，是前后衔接的线性结构。大模型所谓的“生成”，本质上是一种“背答案”的能力，它通过学习海量的历史数据，记住了“什么样的问题对应什么样的答案”，当你给出一个输入时，它会从自己的知识库里找到最匹配的内容进行拼接和重组，然后输出给你。

这就像我们对对联，大模型不是真正理解了上联的意境然后创作下联，而是记住了历史上无数副对联的上下联对应关系，然后根据上联的特征拼凑出一个看起来合理的下联。同样的道理，现在市面上很多声称能“AI生成设计”的工具，无论是生成图片还是辅助做CAD图纸，其本质都不是真正的“创造”，而是基于训练数据中已有的设计案例进行的模仿和拼接。

五、数据治理影响AI产出质量，但现在已经有了新的解法。

很多企业在推进 AI 落地时都会遇到一个共同的痛点：投入大量资源搭建了AI系统，却发现产出的结果与实际需求相去甚远。究其根本，往往是因为企业内部积累了大量“脏数据”。这些数据不仅错误率高，还分散在邮件、聊天记录、OA系统等各个角落，没有形成统一有效的数据资产。

九科信息在服务众多客户的过程中，已经探索出了一套行之有效的全新解法。我们服务过一家大型工业制造企业，他们拥有海量的历史项目数据和图纸数据，但其中大量数据存在错误、缺失和分散的问题，真正有效的综合成本数据甚至只存在于个人邮件中。

解决方案分为两步，首先是存量筛选，然后是增量管控。对于历史久远的存量数据，不再追求全面治理，而是人工筛选出真正有参考价值的高质量数据作为基础；从当下开始，为所有新产生的数据建立一套全新的标准和流程。通过部署智能体，对所有在业务系统中流转的数据进行实时的质量检查、错误拦截和结构化沉淀，同时完整保留每一条数据的来源信息和时间线。

这种方式不仅能快速构建起高质量的新数据资产，还能意外收获业务流程优化的价值。通过对数据全生命周期的追踪，企业可以清晰地看到哪些业务活动是有效的，哪些是冗余甚至是浪费的。实践证明，借助智能化手段建立“边应用、边治理”的闭环，是当前企业解决数据质量问题最具性价比的可行路径。

六、从企业经营角度出发，我们建设的从来不是AI本身，而是通过全面的自动化把人的价值发挥到最大。

AI不是用来取代人的，而是用来放大人类能力的。在传统的工作模式中，一个员工80%的时间往往都消耗在数据录入、报表生成、流程审批、信息检索等机械性事务上，真正能够用于深度思考、业务创新和客户服务的时间不足20%。而通过部署数字员工实现全面自动化，我们可以将这一比例彻底反转：让数字员工承担所有标准化、重复性的工作，人类员工则专注于需要判断力、创造力和同理心的高价值任务。

本次分享是九科信息与长城国际在企业智能化转型领域的一次深度交流与思想碰撞。未来，九科信息将继续深耕企业级AI应用赛道，以经过市场验证的成熟方案，助力更多企业实现数字化转型的稳步落地。