AI 行业观察:大模型落地企业一年后,什么变了,什么没变 行业观察 2026 年 11 月 17 日 极鼎科技 · 项目一线视角

结论先行:过去一年最大的变化,不是模型又聪明了多少,而是企业终于开始按"能不能嵌入流程"而不是"演示够不够惊艳"来评估 AI。我们在客户现场看到同一个转折反复发生:演示阶段人人叫好,一进真实业务流程就哑火——原因从来不在模型,而在数据、权限和流程这三个不起眼的环节。

先把视角摆正。企业 AI 应用不是一个独立产品,而是嵌在业务系统里的一组能力:它读企业的知识库和业务数据,按企业的规则干活,产出的结果要有人审核、能追溯、出了错能定位。评价它只有一个标准:这个环节原本花 30 分钟,现在花 5 分钟,而且准确率没有降。

场景层 谁在用 应用层 嵌得进 模型层 选得对 数据层 喂得饱 智能客服与知识问答 内部制度 · 产品手册 文档与报告生成 标书 · 工单 · 周报 数据查询与报表解读 自然语言查数 辅助编码与测试 研发提效 业务系统嵌入 CRM / OA / MES 里用,不另开窗口 流程编排与工具调用 查订单 · 写单据 · 触发审批 评测 · 权限 · 审计 回归测试 · 答案可追溯 云端通用大模型 能力最强 · 数据须脱敏 私有化开源模型 数据不出域 · 硬件投入 检索增强(RAG) 答案挂引用 · 更新即生效 知识库与数据治理 文档结构化 · 数据脱敏 · 版本与血缘 · 谁能看什么
四层各管一件事:数据层负责"喂得饱",模型层负责"选得对",应用层负责"嵌得进",场景层只对"省了多少时间、错了多少单"负责

一、什么变了:从"试点十连发"到"算得过账"

2025 年常见的做法是一口气立十个 AI 试点,年底汇报时挑**看的截图。2026 年的做法正在收敛:先定评测基线,再谈上线。试点漏斗比想象中残酷,但这是好事——筛掉的项目大多死在三件事上:没有评测基线(好与不好全凭感觉)、成本算不过账(省的人工抵不过 token 和运维)、流程没改(AI 只是往旧流程上贴了一层皮)。

立项试点:10 个 通过评测基线:3~4 个 嵌入真实流程:1~2 个 长期运营 ≤1 ← 死于"没有场景主人":谁受益说不清 ← 死于"没有评测基线":好与不好凭感觉 ← 死于"流程没改":人机两张皮 ← 需要持续运营投入
十个试点里,最终嵌入流程并长期稳定运营的往往不到一个——筛掉它们的不是模型能力,是场景、评测与流程

二、四层结构里,最容易缺的是哪一层

看上面的四层结构,多数失败项目缺的是应用层的"评测、权限、审计"。模型层买服务就行,数据层请个实施商也能搭起来,但"回答错了怎么办、谁能看哪些数据、答案的出处是哪份文件"这三件事,必须写进系统设计:

  • 评测:上线前用 50~200 条真实业务问题建回归集,每次换模型、改提示词、更新知识库都重跑一遍。没有回归集的 AI 功能,改一次坏一次。
  • 权限:AI 能回答什么,取决于提问的人是谁。销售问薪酬制度不该得到答案——知识库权限要接业务系统的组织架构,而不是所有人共用一个库。
  • 审计:每个回答挂引用(来自哪份文档哪一段),重要操作留日志。出了错能定位到"数据错了"还是"理解错了",这决定了系统能不能被持续改进。
一句话:模型负责"说得像",评测和审计负责"说得对、说得合规"。企业采购时看重的恰恰是后者。

三、三条接入路径怎么选

路径适合谁优势代价与限制
云端 API 调用公开数据、通用写作、代码辅助能力最强、零硬件投入、随模型升级数据须脱敏后出境;按用量计费,长期成本需测算
私有化开源模型图纸、工艺参数、财务与人事等敏感数据数据不出域、可控可审计GPU 硬件投入 + 专人运维;能力弱于旗舰模型,复杂任务要靠 RAG 与流程弥补
混合架构(常见终态)多数中型企业敏感环节私有化、通用环节上云,成本与合规平衡两套路由与评测体系,工程复杂度**

一个务实的判断标准:先按数据敏感度切分场景,再选路径。数据能不能出域,决定了 80% 的架构;剩下 20%(选哪个模型、要不要微调)反而是最容易改的部分——只要应用层把模型调用做成了可替换的接口。

四、真正算得过账的五类场景

  • 企业知识问答:把制度、手册、历史工单做成可检索的知识库,新员工问"怎么开票、质保期多久"不再靠问师傅。前提是文档先结构化——扫描件堆在一起,检索再多也没用。
  • 文档初稿生成:标书、工单回复、验收报告按模板生成初稿,人只做修订。省的是"从零到初稿"的时间,这部分通常占 60% 以上。
  • 数据问答(ChatBI):业务人员用自然语言查数,替代"提需求—排期—出报表"的循环。前提是指标口径先定义清楚,否则同一个数字两种答案。
  • 质检与视觉判断:外观缺陷、单据审核这类"看图判断"任务,小模型加上足够样本,成本远低于大模型,且可以跑在产线边缘。
  • 研发提效:代码补全、单元测试生成、存量代码解读。这是目前 ROI 最确定的一类,但也最依赖工程规范——混乱的代码库喂不出好的辅助。

五、Agent 热:能干什么,还不能干什么

  1. 已经可用:单一步骤、结果可验证的任务。例如"读取这批合同的关键条款并填进结构化表格"——产出可以逐字段核对,错了能发现。
  2. 有条件可用:多步骤流程,但每步之间要卡人工确认点。例如"根据订单生成出货单并提交审批",审批就是天然的确认点,Agent 负责把材料备齐。
  3. 暂不可放任:开放环境的自主决策。让 Agent 自己决定"给哪个客户降价多少",现在的可靠性还不够——不是能力问题,是责任问题:错了谁担责,系统说不清就不该放开。
  4. 判断标准:任务越是"可验证、可回滚、有确认点",Agent 化越安全。反着来的任务,先做"辅助人"而不是"替代人"。

六、给准备投入的企业的五条建议

  1. 选场景先选"场景主人"。每个 AI 项目指定一个业务侧责任人,他受益、他验收。没有主人的试点,做完演示就结束了。
  2. 先建评测集,再开发。50 条真实问题、标准答案、评分规则,一周能建起来,却是全项目最值钱的资产。
  3. 数据治理占一半工作量。文档扫描件转结构化、权限梳理、脱敏规则,这些不性感但决定成败,预算里要给它留够。
  4. 嵌入现有系统,而不是新开一个网页。客服在工单系统里用 AI,销售在 CRM 里用 AI。多开一个入口,使用率就掉一半。
  5. 按季度复盘,敢砍项目。评测数字连续两个季度不涨的,果断停掉。十个平庸试点不如一个真正嵌入流程的场景。

我们观察到的最终图景并不炫酷:赢家不是用 AI 最激进的企业,而是把 AI 嵌进一两个核心流程、并用评测盯住质量的企业。模型每年都在变强,不变的是数据治理、评测基线和流程设计——这三件事,恰恰是软件工程的老本行。

如果你正在评估企业 AI 落地,带上两样东西来聊最快:想改善的业务流程描述、现有系统的数据与权限现状。我们会先判断瓶颈在数据、评测还是流程,再给方案与分期报价。相关服务见 软件定制开发 → 与 智能工厂与物联网 →

有类似的产线 / 信息化系统要立项?

先看报价逻辑,再聊需求:成本构成、选型对比、验收方式,我们都写在明面上。

0.395918s