编者按：生成式AI的狂飙正快速重构企业业务想象力，这是既定趋势，但却并非易事。时至今日，除了最浅层的助理功能，AI该如何深度嵌入业务流程，在最核心的场景发挥作用，依然没有一条通用路径。近期，21世纪经济报道记者就企业级AI应用话题，相继采访了IBM、微软、Gartner中国区相关负责人，试图探寻企业AI应用的关键点，如何发挥业务数据的真实价值，让AI真正触及业务核心、驱动价值创造。
21世纪经济报道记者孔海丽北京报道
“AI 实验的时代已经结束。企业竞争优势取决于量身定制的AI应用和可量化的业务成果。”这是IBM董事长兼首席执行官 Arvind Krishna近期在微软Think大会的开场词，也是市场的共同认知。
日前，IBM大中华区技术销售总经理、首席技术官翟峰在与包括21世纪经济报道记者的访谈中表示，AI尝试阶段过去了，接下来最重要的是，它开始慢慢进入到企业最核心的场景、最核心的业务领域，帮助企业实现降本增效的终极目标。
企业级AI进入落地期
当前，AI技术已从实验室走向产业核心战场。据IBM商业价值研究院（IBV）最新全球CEO调研报告，未来两年企业对AI技术的投资将翻两倍以上，超半数CEO正积极部署AI智能体（AI Agent）。然而大规模投资伴随的是技术碎片化——仅有25%的AI项目实现预期投资回报率。
“互联网谈到AI有时被神化或妖魔化了。在企业级AI落地过程中，一定是一步一步来的过程。这是一个转折点，尤其在现在生成式AI、大模型越来越多之后，很多企业都在做尝试。”翟峰指出，对于企业来讲，AI能力如何融入IT自动化与业务流程重塑，这件事情变得越来越重要。
以制造业为例，当前AI应用多集中在研发端，比如知识库、代码生成和服务端如智能客服等，但在生产制造等核心环节的价值释放，仍显不足。
更严峻的是技术环境的复杂性。IBM预测，到2028年全球新增应用将超10亿个，碎片化IT环境成为增长阻力。IBM大中华区科技事业部自动化资深技术专家张诚揭示现状：“中等规模企业平均运行上千个应用，涉及多个异构系统，接口标准千差万别。”当AI智能体需要调度这些系统执行任务时，“最后一公里”的集成成为最大瓶颈。
翟峰表示，企业级AI落地最重要的因素在于数据、专有垂直小模型和安全治理，在这些基础上，再通过智能体发挥价值。
智能体正从对话工具到生产力引擎
破局的关键，在于AI智能体的进化。与传统AI助手不同，智能体具备自主决策能力——它能理解指令、规划路径并执行复杂操作。IBM大中华区科技事业部数据与AI资深技术专家吴敏达演示了一个典型案例：销售智能体可自主协调调研、CRM查询、订单生成等任务，通过多工具协作完成销售预测全流程。
“智能体正从对话工具转变为生产力工具。”翟峰强调。IBM的案例可提供一些参考，其自行研发的人力资源智能体处理了94%的员工查询，年节省成本超500万美元；销售智能体每周为员工节省9小时；采购智能体将合同周期缩短70%。
智能体发挥威力的前提是打通企业“神经网络”。IBM Think大会发布的watsonx Orchestrate平台围绕企业级AI智能体的痛点展开工作，提供无代码/低代码工具，可以帮助企业在五分钟内构建起专业领域的AI Agent，实现了多智能体协同编排与性能监控，解决“开发容易运维难”问题。该平台是开放生态，集成了Adobe、AWS、微软等80余个企业级应用，用户无需担心被单一供应商锁定。
解决落地前的核心问题
要让智能体真正“起飞”，还需解决两大基础问题。
就绪数据是非结构化数据的激活。企业90%的数据是非结构化文档，但传统检索增强生成（RAG）准确率有限。Gartner的统计数据显示，到2026年，那些没有通过AI就绪数据实践来启用和支持其AI用例的组织，其超过60%的AI项目会因为无法满足业务SLA而被放弃。
据吴敏达介绍，IBM的方法论是通过“实体-值提取”技术，在向量化前解析文档关键信息，使准确率提升40%。并且通过统一语义层，将结构化和非结构化数据治理融合，为智能体提供高质量“燃料”。
自动化则是智能体的执行骨架。“当智能体需要触发SAP系统更新或向供应商发送EDI文件时，集成能力决定成败。”张诚表示。IBM去年收购的WebMethods技术已融入Hybrid Integration平台，实现跨云应用调度。
智能体规模化部署后的运维挑战在于平台自动化。IBM通过Instana实现全链路监控，Concert进行AI驱动的根因分析，HashiCorp完成基础设施弹性伸缩，形成运维闭环。
面对AI大模型的狂热，IBM也强调了理性主张。
“企业不需要全知全能的庞大模型，而是灵活、安全、高效的中小模型。”翟峰强调。最新开源的Granite 3.2模型参数不足10M，但能在金融预测、库存规划等场景精准发力。这种“小而美”原则也是IBM对AI智能体落地路径的观点，他们建议刚开始接触智能体的客户从低复杂度或低准确率要求的场景入手，逐步过渡到高复杂度和高准确率的场景。
还未登录
