AI在企业落地面临的核心挑战 - 未来三年92%的企业将继续加大对AI的投资，但仅有1%的企业认为自己已达到“成熟部署”阶段[2] - AI规模化的最大障碍并非员工不会用，而是领导者的决策速度不够快，即领导层是AI落地的最大障碍[2] - AI进入企业后，考验的是战略选择、组织协同、数据与流程、治理与风控等综合内部能力，而非单纯技术能力[4] - AI竞争的关键在于谁能更快重塑企业内部的认知、组织与能力，而非谁先看见新技术[6] AI基础设施与产业生态 - 从产业角度看，模型能力已可覆盖足够多应用场景，真正的瓶颈在于模型能否被规模化应用[8] - 未来机会可分为两层基础设施：第一层是AI Infra（算力基础设施），其竞争正转向通过超大规模集群“以空间换时间”来释放模型能力[8] - 第二层是Agent Infra（智能体基础设施），它让智能体作为新的生产力单元能够被创建、调度、管理和复用[8] - 仅有算力只能解决“模型能不能跑”，而Agent Infra解决的是“模型能不能干活”的问题[8] - 未来重要的不只是模型公司或单一应用，而是围绕AI Infra和Agent Infra形成的整套产业生态[9] 企业落地AI的实践框架 - 企业落地AI需完成三件事：搭建企业知识库、要求员工根据岗位创建7-8个数字员工、优化工作流程将所有数字员工串联形成新工作流[13] - 企业知识库需沉淀所有内部制度、流程、文档和经验，供员工和数字员工调用[13] - 创建数字员工的目的是复制优秀员工能力，让普通员工借助数字员工达到优秀水平[13] - 数字员工实时响应OA、ERP的能力将使整个工作流效率发生本质变化[13] 大模型应用定位与激励挑战 - 使用大模型前需明确其定位：工具、员工、老板还是协作伙伴，这决定了后续使用方式[14] - 大模型更愿意将自己定位为协作者，而非完全替代人类的存在[14] - 大模型具备高速并行工作和人类泛化能力的优势，应研究如何用好其优势[14] - 大语言模型发展面临“激励模型”问题，需确定是对思考过程还是仅对最终结果进行激励[10] - 在数学和编程等结果可明确验证的领域AI发展快，但在法律、金融等领域，结果好坏对错难以判定和验证[10] - 若只激励最终结果，AI模型可能像人类员工一样进行“reward hacking”，使用不希望的手段达成KPI[11] 行业应用案例与模式 - 美图的增长逻辑是围绕图像与视觉处理这一核心技术，向高频、刚需的影像使用场景做乘法延展，而非盲目做加法[16] - 美图和大疆类似，都是在核心能力上不断延展新产品形态和应用场景[16] - 美图是把AI能力持续压缩进业务系统的公司，其视觉模型与营销、电商场景天然耦合，使中国企业在相关领域展现全球领先优势[18] - 通用大模型在工业和企业场景中因可靠性不足而难直接使用，其训练数据未经严格校验可能导致输出错误[19][20] - 行业正从“通用大模型”转向“智能体”，将AI拆解为嵌入具体业务环节的“数字同事”，如医疗辅助诊疗、智慧客服等[22] - 企业AI落地的关键并非“稀缺的算法天才”，而是能够管理数据、运营智能体的组织能力[24] - 通过数据制备、智能体生成平台及系统化培训，AI可被纳入企业自身能力体系[25] AI在实体产业的价值体现 - 在厦钨新能，AI作为“研发加速器”，通过构建材料数据库与模拟计算，将依赖试错的研发转变为数据驱动的精准预测[26] - 在厦门时代，AI作为“产线优化师”，通过实时监测分析生产数据，提前预警质量波动并自动调节工艺参数[27] - AI在实体产业的真正价值在于消除生产与研发环节的“不确定性”，并对“效率与质量”进行深层重构[28] 企业成功应用AI的关键共识 - AI的难题已不在模型参数，而在企业内部，考验的是能否建立一套AI落地体系，把试点变流程、工具变机制[32] - AI转型的关键不是买工具、堆系统或技术外包，而是先拉齐组织认知、搭建能力框架，确保有人能理解、管理和运营AI[32] - 真正拉开企业差距的，往往不是谁更早拥抱技术，而是谁更早把能力沉淀进组织[34] - 技术决定上限，组织决定结果[33]