  近期，人工智能专家、《生成式人工智能》作者丁磊在“AI+管理 成就不凡——金蝶云数智化转型大会（广州站）”现场进行了《AI时代的企业管理洞见》的精彩演讲。 丁磊表示，未来AI Agent将成为企业核心决策引擎，深度融入业务架构，实现全域贯通。企业可通过数据驱动大模型训练与调优，构建数据、模型与业务的增强回路。当三者高效协同，将催生飞轮效应，形成自我强化的良性循环。以下为演讲实录（有删减），特别与您分享，希望对您有所启发。  大家好！我将主要和大家分享 AI 时代企业管理方面的思考，大概有这么几个内容跟大家介绍一下，分别是大背景、AI 大模型、AI 在企业的应用、企业组织的调整以及简单的结论。过去20多年，我在国外和国内不同规模的公司，从几万人的大企业到几十人的小公司，都参与过人工智能的落地项目，积累了一些经验，今天非常有幸跟大家进行分享。 01 AI 时代背景与智能体概念 AI领域中的智能体概念其实由来已久，可能之前大众比较陌生，这几年智能体突然火起来。我们过去许多年做的AI落地项目，其实都可以看作智能体相关的应用。 什么叫智能体？智能体跟大模型是相互联通的，大模型相当于一个大脑，智能体就是有感知的能力，能从环境中获取感知的信号，通过大模型的决策判断，生成输出，最后通过一定执行的方式，作用到外部环境中去。这样就叫作智能体。 AI智能体在行业内，尤其在大公司，包括像金蝶这样的企业是有很多成熟的应用，现在我们要把智能体的概念、落地的办法赋能到更多的传统领域去。像我过去实操的 PayPal 、百度以及 Expedia 等项目，都借助智能体实现了业绩提升。当下，我们要做的是将智能体的概念和落地方法推广到更多传统领域。 人工智能对经济的影响巨大。我举两个具体的例子。第一，普华永道有个报告，做出了预估，2030年对于我们国家来说，GDP受AI的带动将增长26%，也就是7万亿美元，如果大家把握到时代的机会，也会有我们的参与和贡献。第二，黄仁勋1月份在CES大会上说，未来 AI 智能体将成为与员工并肩作战的数字化劳动力，企业的 IT 部门会在一定程度上成为 AI 智能体的 “HR 部门”，这对 IT 负责人来说是个机遇，因为IT在各个企业都已经相对比较成熟，各位从事IT的同事怎么抓住这个机会，不要只把自己定位成一个支撑性的部门，而是作为AI Agent“娘家”的角色，接下来我们也会展开探讨。 02 大模型：效率超人，但有局限 DeepSeek这类大模型具有高性能、低成本、开源的特点，为科技发展做出了贡献。但大家要意识到，无论是DeepSeek还是其他大模型，并不能解决所有问题。不光我们要知道大模型能做什么，更重要的是我们要知道大模型不能做什么，这样的话我们才能把精力聚焦在大模型最适合做的地方，产出相应的价值。 人工智能的落地离不开数据、模型、算力和业务模式这四个要素。第一个，你要有数据，现在大量的企业都积累了很多数据，数据资产已经在那里，就看我们能不能用好。第二个是模型，不光有闭源的也有开源的，不光有国外的也有国内的大模型，给我们提供了很好的依托。第三个是算力，既然有国际上的英伟达提供的GPU，也有我们自己国产的AI算力和GPU资源。第四个是业务模式。 只有这四个要素凑在一起，AI才能真正落地。以前这四个要素未能有效结合，近 5~10 年它们走到一起，加速了 AI 的落地。随着人类数据量指数级的上升，我们意识到不能只存储数据，如果我们只是把数据存储下来，没有进行深度的加工分析，那么这些数据对存储资源反而是个浪费，在没有深度学习或者大模型之前，我们发现简单的传统模型没有办法分析解读那么多数据，它用不上那么多的数据，十多年前开始，尤其近几年，大模型对数据的需求也越来越大，大量数据能让大模型产出更好的结果，数据、模型、算力跟业务模式真正能走到一起，要素的协同为实际场景带来了诸多价值。 大模型的思维逻辑和人类相似，都需要学习，但 AI 的学习效率远超人类。AI的思维逻辑要经过学习，跟人类的思维逻辑非常相似，AI通过学习沉淀出了模型，就像人类通过学习沉淀了规律一样。但差异就在AI学习的效率是近乎无限的，它只要有数据、算力，它可以去学习所有可获得的数据，包括行业中的数据，它的学习提升的效率是非常快的。作为对比，最聪明的人一天最多学2MB数据，这是人类上限。但有了AI，能学习过去几年甚至几十年的行业数据，带来更优秀的AI Agent，在各行业创造价值。 生成式大模型2018年开始逐渐出现，2022年底ChatGPT火爆后出圈，能解决需要人类常识和推理的问题。随着行业发展，大模型数量增多，参数规模也越来越大，已达几万亿，某种意义上超出人脑神经元数量，这一趋势将继续。我们将有更多、更好、更便宜，甚至开源的大模型助力行业。 大模型能解决很多问题，但也有解决不了的，如冰箱放冰和硬币检测断电的例子，改冰为水后大模型就无法理解，因它不真正理解冰、水和硬币的物理支撑关系。 大模型之所以没法解决这个问题的原因在哪儿呢？原因在于它是通过数字空间中的数据来训练的，包括互联网文本、网页、人类论著等数字化信息，还有符号知识体系，但不具有物理空间中尚未数字化的信息。用DeepSeek等大模型解决行业问题时，要先问互联网语料中是否有相关知识，若没有则大模型无法解决，需进行再次训练，补充物理或业务空间中的知识。如果这些场景、概念和逻辑体系，大模型无法从现有数字化资料中得知，那么，针对这些大模型就无法给出正确的答案，需把这些信息以某种形式教给大模型才能解决问题。这是企业管理者和骨干可以着力思考和挖掘的地方。 大模型在知识的基础上进行推理。早期的大模型结构，如ChatGPT或OpenAI，会直接给出答案。而现在最新的推理型大模型，它们不会直接给出答案，而是会通过思维链，逐层解读剖析问题，通过思考的过程，最后给出一个相对靠谱的答案，而不是给你直接返回一个结果，这些模型我们叫推理型大模型，最新的DeepSeek-R1或者去年的OpenAI的o1模型都是推理的大模型。 大模型真正的支柱只有两个，一个是知识储备，第二个是推理能力，结合这两点，大模型就可以解决行业中很多现成的问题。但大模型也不一定是开箱即用的，当大模型不理解你的物理空间、业务空间或者私域空间中的具体信息的时候，你直接用大模型给它一个问题，无论是它的知识基础，还是它的推理过程都没法支撑这样的问题。 这时候我们能做什么呢？我们有至少三种方法可以解决：第一种是领域定向微调，相当于对一个通用的大模型进行职业培训，使其具备特定领域的技能；第二种是检索增强生成，给大模型外挂一个知识库，让其进行筛选，最后给出一个答案；第三种方法综合了前两者的优势，既对大模型进行定向培训，又给其提供一个外挂的知识库，并通过一定的训练方法避免其被不恰当的文档干扰。 以上这些都是当大模型不能开箱即用时，我们可以采取的方法。我们既不是盲目地套用大模型，也不是束手无策，而是有至少三种方法让大模型变得更加聪明。这些都是企业的管理人员或技术人员应该在大模型时代拥抱的技术方法论。 03 AI在企业应用的三个维度 刚才说了背景和大模型的情况，下面看一下应用，怎么把大模型带到企业的应用中？企业具体有哪些事可做？  这幅图有三个坐标轴，第一个是大模型，我们首先要选择用什么样的大模型作为我们的模型基座，开源或闭源、国内或国外等。第二是生成信息类型，不限于聊天问答或图片，方案、策略、人机交互等皆可。第三是应用领域，如研、产、供、销、服，或者风控、安全等。三轴交汇构成立体空间，未来5-10年企业或个人能通过大模型做的事基本在此图上，如用DeepSeek写文案、ChatGPT生成代码等，都对应图中的一个坐标点。未来无论作为个人还是企业我们能通过大模型深度参与、深度改造的方向都在这个图上。 在这样的框架下我们看一下企业运行的流程。企业研发、生产、供应链、营销、客服等板块皆在图上，各业务节点如社交渠道、用户、分销体系等，节点间有线相连，注明如产品洞察、智能推荐、智能选品等，皆是AI可增强之处。若企业各环节都用AI Agent提升效能，即使每环节只提20%，整体提升非20%叠加，而是1.2的N次方。基于这样的效应，我想对在座的企业管理者，应该都会带来相应的帮助。 在企业的应用层面，AI Agent作为核心决策引擎，需与企业后端数据、数据中台及业务前台打通。在这个过程中企业会沉淀越来越多的数据，我们用更多的数据去训练微调大模型，就可以在企业中带来越来越好的效果。企业数据、模型、业务模式打通后，会构成转飞轮效应。AI落地加深，大模型判断越准，收集更多数据反哺训练，模型会越学越聪明、越用越好用，再作用于业务，形成自增强、具反馈效应的转飞轮式闭环。未来，企业在AI Agent的加持下都应该能够形成这样自增强的的闭环，这个就是AI Agent在企业应用的理想状态。 在此前提下，我分享AI在企业的三个维度应用：产品、客户和管理。第一个是产品维度，每个企业都有自己的产品，第二个是客户维度，我们怎么用AI Agent与客户更好地交互，第三个是管理维度，怎么通过AI Agent更好地管理企业。 在产品层面，利用AI Agent对产品评论进行深度分析，找出哪些功能点是现有产品所没有满足的，这些功能点很可能就是未来产品策划的方向。此外，AI还可以进行生成式的设计，帮助我们更快地打造出产品的3D结构图，而且这样设计出来的产品也更利于后续的加工。 在供应链预测领域，通过基于大模型的AI Agent，不光用到过去的销售数据，还可以用到产品特征、季节性的因素、全网相关的促销活动，对未来的销售额有更好的判断，帮助企业更好地管理供应链，相信很多企业都可以用到相应的大模型和AI Agent，更好有效地管理自己的供应链。 在营销领域，AI可以发挥巨大的作用。比如，它可以自动优化投放策略，提高广告的投放效果。同时，AI还可以生成营销内容，比如通过生成式大模型生成模特的图片，无需真人拍摄，大大节省了时间和成本。 客服领域也是AI Agent作用非常大的领域。AI数字人在与客户的直接沟通中也发挥着越来越大的作用，它们可以提供24小时不间断的服务，提升客户的满意度。在客服领域，通用的AI大模型可能无法完全满足企业的需求，因为它们不具备特定领域或企业的知识库。因此，我们需要将企业的知识库与AI大模型进行适配，让AI客服能够理解企业的基本信息和业务流程，从而成为合格的客服人员。对于AI客服不擅长或不适合回答的问题，它们也要敢于说NO，不能给客户提供不负责任的回答。这个对于一个客服机器人就特别重要。我们要把企业的知识库适配到大模型上，让大模型成为企业真正意义上的客服人员，而不是一个只会侃侃而谈的通用大模型。同时，我们要把握好AI智能客服的度，对于不擅长回答的，不适合回答的问题，或者必须转给人工的问题都要作出相应的处理，在这个时候通过定制我们才能把通用大模型变成一个真正意义上服务企业的智能客服Agent。 以上就是我从企业的产品研发、生产、供应链、营销、客服各个领域分享了AI Agent的应用。对于企业的招聘管理，比如要生成一个职位描述，或者简历筛选等等，可以使用AI Agent的技术，来降低人力资源的工作量。同时，在企业全流程的绩效考核过程中，AI也可以发挥重要作用。过去，ERP系统主要关注人、财、物中的“物”和“财”方面，对于“人”方面的管理相对薄弱。现在，通过AI对物理空间的学习和感知，就可以实时掌握员工的工作情况和绩效表现，这些信息都可以与ERP系统进行结合，实现员工管理的数字化和实时化。这样的结合为企业管理提供了新的维度和视角。 04 AI应用对企业组织的挑战与变革 以上是从三个方面阐述了AI大模型和AI Agent怎么样跟企业相结合。刚才说的案例都是行业里领先的公司已经在使用的。问题就是，怎么把这样的大模型和AI Agent用到更传统的行业里去。 接下来我再给大家说一下组织层面的话题，AI的应用，组织支撑很重要，而且AI对组织的挑战不小。很多企业有数据，但数据就放在仓库里，没好好用，没挖掘出价值。还有，很多企业把AI部门当成传统IT部门，其实AI的需求很多时候是要和业务一起创造出来的，需求不那么明确，这对管理者是个挑战。真正的AI在企业里落地，得端到端都打通，不仅是算法科学家的事儿。另外，企业的管理者还得知道，什么样的场景才是适合AI的，这也给AI落地带来难题。 落地的过程中至少有五个角色跟AI息息相关，第一个是企业决策者，第二个是业务负责人，第三个是业务使用者，他们往往不是做决策的人，也不是老板，另外，还有AI工程师和数据工程师。这五个角色得各干各的，但还得配合好。企业决策者得从战略上支持AI落地，通常不是接入开源模型就能搞定的事儿。业务负责人得懂业务，还得有点数据思维。业务使用者，得和AI Agent一起工作。技术层面也很重要。我们发现，只有这五个角色配合得好，AI才能在企业里落地。但现实里，这五个角色往往分得很开，难以打通，这给AI落地带来不少挑战。在AI时代，企业组织得做出相应变革才行。 总结一下，我用半个小时的时间展示了行业、场景化的AI大模型包括DeepSeek的创新价值，但其并不能解决所有问题，在很多场景下我们需要适配、微调和定制大模型，才能为企业有效的服务。刚才给大家分享的这套AI落地框架其实也是一套可执行、可测量、可迭代的系统化的方法论，我也希望AI大模型和AI Agent能够进入更多的行业，更多的行业能够拥抱最新的AI科技，让AI成为行业关键的增长引擎。 以上是我的分享，谢谢大家！ 左 |
|
|
