随着生成型人工智能（AI）的快速普及，企业的关注点已从“使用什么AI模型”转向“如何将AI真正落地于实际工作”。然而，尽管认识到运营设计的重要性，仍有不少尝试将同一设计应用于所有行业的情况。 例如，将在金融领域有效的做法直接应用于制造现场，或将为零售设计的数据结构照搬到公共机构。结果往往是相似的：技术虽然得以实现，但在实际工作中却无法运作。 根据全球研究，基于AI的数字转型（AX）失败率高达70%至85%，而各行业的AI应用率也存在显著差距，科技与金融行业的应用率在80%至90%之间，而制造业与农业则仅在20%至50%之间。在多个行业的AX项目中，我们发现，即使是相同的设计原则，应用于不同的行业时，优先设计的内容和重点也会完全不同。这是因为工作结构、数据形式、监管环境以及实际使用AI的主体各不相同。 在金融行业的AX项目中，最常见的错误是先实现技术，再将权限设计推迟到后期。虽然实现了合同审核自动化或客户咨询AI，但在运营阶段却因未明确接入权限和责任范围而不得不重新设计。此外，由于扫描合同或图像基础的金融和法律文档较多，事先验证AI能够处理的文档类型及其解析准确性也是必不可少的。 对于公共机构而言，民众投诉处理的准确性和行政程序的一致性至关重要。因此，AI不仅要生成答案，还需能够展示依据的法规和文档，并管理响应历史。此外，负责人员对AI结果进行审核并作出最终判断的运营方式，对提高现场的接受度也起着重要作用。 在零售AX项目中，常见的错误是未准备好数据就急于应用AI。由于不同来源的商品编码体系各异，或退货、换货未在销售数据中得到正确反映，即使AI模型再先进，结果也难以令人信服。大多数被现场拒绝的AI项目都是跳过了这一阶段。 在红砖参与的电商基础零售项目中，AI应用之前需要首先进行数据整合。商品数据、需求数据和地区销售数据分散在不同系统中，需先将其连接成一个管道。在此基础上，我们重新设计了商品推荐和促销决策流程。这不仅仅是增加AI功能，而是全面改变了工作流程，使得原本需要多人几天才能完成的任务，现在由一人一天内即可处理。 红砖在启动AX项目时，首先要了解该行业的工作结构、数据环境和监管背景。即使实现相同功能，金融公司和制造公司的设计也必须不同，需根据行业背景决定优先应用的领域、数据的结构化方式以及系统联接的起点。 红砖的前置工程师（FDE）从项目初期就被派往客户现场，通过访谈、实际文档和数据样本分析、工作流程观察，诊断重复工作、瓶颈和错误发生的点。随后，根据工作频率、所需时间、数据准备情况、预期效果以及安全和监管风险等标准评估候选任务，确定行业优先级。 在4至8周内，选择一个能够验证成果的工作进行试点，并设定处理时间缩短、准确度和实际使用率等明确的KPI进行设计。FDE在此过程中缩小了现场与开发团队之间的语言差异，协调数据清理、权限结构、系统联接和验证程序。通过这一方式，构建出不仅仅是技术实现，而是能够真正落地并扩展的AX结构。 在这一过程中，不会一次性尝试全公司转型。首先在效果高、风险低的领域进行试点，确认现场的信任后再进行扩展。这一顺序对提高AI应用后的实际使用比例起到了决定性作用。 许多企业已经意识到，AX项目的成功与其设计方式密切相关，而不仅仅取决于使用什么AI模型。然而，这一设计也必须因行业而异。如果忽视这一差异，将经过验证的单一方法应用于所有行业，最终的结果往往是技术实现了，但在现场却无法运作。成功的AX项目并不是从优秀的AI模型开始，而是从对该行业和现场的理解开始。 ※ 本报道经人工智能（AI）系统翻译与编辑。

“许多企业期待引入人工智能（AI）后立即实现业务创新，但实际上现场出现了完全不同的问题。” 杨英模 红砖代表最近对企业的AI转型（AX）项目氛围进行了这样的说明。在生成型AI热潮中，聊天机器人、文档摘要和报告自动化系统的引入迅速增加。然而，在实际应用阶段，反复出现了意想不到的局限性。 杨代表特别提到，最近企业现场常常出现“虽然构建了AI，但员工并未有效使用”的情况。他表示：“最初，大多数评估集中在AI模型的性能和回答准确性上，但在实际工作环境中，与现有系统的连接结构、数据管理体系和权限问题等运营要素显得更为重要。” 在实际现场，AI本身与现有工作流程冲突的案例并不少见。一家企业构建了基于生成型AI的工作支持系统，但其使用率未能达到预期。由于未能与ERP（企业资源计划）、协作工具和内部系统自然连接，员工将其视为额外的独立程序。 文档管理体系问题也是反复出现的案例之一。最新文档与历史资料混杂，或各部门管理标准不同，导致AI基于过时资料进行回答的情况时有发生。杨代表指出：“企业AI中重要的不是简单的准确度，而是基于什么数据进行回答，访问权限是否得到正确反映等运营结构才是关键。” 最近，企业们正逐步转向同时使用多种AI模型的“多LLM”环境。营销组织使用基于软件即服务（SaaS）的AI，开发组织使用开源模型，客户服务组织则使用独立的AI解决方案，AI的使用方式日益多样化。然而，能够进行统一管理的体系仍然不足。 他表示：“企业在这种情况下，甚至难以了解哪个组织使用了哪些数据和哪些AI。”并指出：“在多LLM环境中，必须同时考虑数据控制、安全政策和成本管理。”尤其是在金融、制造和公共等对安全和运营稳定性要求较高的行业，这种趋势愈加明显。实际上，最近越来越多的案例不仅要求简单的AI引入，还要求数据连接结构、权限管理体系和运营治理设计等方面的配合。 杨代表指出，企业最大的误解之一是“仅将AI视为技术项目”。他强调：“在内部数据结构和工作流程、审批体系尚未理顺的情况下，若先引入AI，运营阶段必然会出现问题。”他表示，AX不仅仅是增加AI功能，而是重新设计企业运营结构的过程。 他补充道：“未来企业的AI竞争力将不再取决于谁引入了更优秀的模型，而是取决于AI在实际工作中能否稳定且可重复地运行。”※ 本报道经人工智能（AI）系统翻译与编辑。

“现在企业AI的竞争标准不再是使用什么模型，而是能否在实际工作中安全、可重复地运营AI。” 红砖公司CEO杨英模最近对企业AI市场的变化作出了这样的解释。他指出，生成型AI扩散初期，巨型语言模型（LLM）的性能竞争是核心，而现在企业内部的数据、权限和安全体系的“运营结构”本身已成为AI竞争力的关键。 他表示：“最初人们常问‘使用什么模型’，而现在更多的是‘我们公司的数据能否安全连接？’以及‘如何反映部门的权限？’等以运营为中心的问题。”他指出，企业开始将AI视为不仅仅是生产力工具，而是实际的工作基础设施。 基于生成型AI的内容引擎初创公司红砖，提供基于自家开发的“红砖AI引擎”的AI解决方案，支持企业和机构的数据及业务自动化。用户只需输入文本即可生成游戏、教育和营销内容，并通过内部文档和协作工具的联动，支持知识搜索、文档撰写和报告草稿生成等功能。 企业解决方案“红砖AI企业版”同时提供安装型和云型，基于端到端加密的推理结构安全处理敏感信息。根据2025年的数据，公司累计用户已突破1000万。此外，红砖还被阿联酋穆巴达拉主权财富基金的初创企业孵化项目“Hub71”选中。 杨英模指出，企业的AI转型（AX）项目正从简单的聊天机器人引入，转向“AI运营体系建设”阶段。他解释说，实际现场中，数据结构、权限体系和业务流程的重新设计比AI模型的性能更为重要。他表示：“在演示环境中，AI看起来运行良好，但在实际企业现场，文档分散在多个系统中，最新资料与历史资料混杂在一起。”他补充道：“权限体系复杂交错，单靠模型无法完成AX。” 因此，红砖正在将自身定位从单纯的AI解决方案公司，扩展为“企业AI基础设施平台”公司。其核心战略是安全连接企业内部数据，运营符合部门需求的AI代理，并整合管理数据访问权限、成本和日志。 杨英模特别强调，全球AI市场中“前置部署工程师（FDE）”模式已成为重要趋势。这种模式深入客户的实际工作环境，共同定义问题，然后在AI平台上快速实现，并进一步提升产品功能。 他表示：“过去的系统建设（SI）项目以需求为基础，而FDE则是在客户现场共同发现问题，并将其积累为可重复的平台功能。”他补充道：“红砖也不再是单纯的建设公司，而是致力于成为客户AX转型的AI工程合作伙伴。” 他还指出，企业正在转向使用多种AI模型的“多模型运营体系（Multi-LLM）”，这是因为不同工作所需的成本、速度和推理能力各不相同，单一模型难以处理所有工作。 杨英模表示：“简单的摘要或分类可以使用轻量级模型，而复杂的分析或决策支持则需要高性能模型，这在成本和性能方面更为高效。”他指出：“企业AI最终比起模型本身，更重要的是如何在什么样的运营结构上进行管理。” 红砖未来将专注于构建一个将AI基础设施、知识型AI、协作型AI工作环境、AI业务自动化系统及安全、权限、治理功能整合为一个企业AI平台的“AI运营环境”。 杨英模表示：“未来企业AI市场将迅速从实验阶段转向实际运营阶段。”他强调：“红砖将帮助企业不仅仅使用AI，而是安全地将其作为组织的工作基础设施进行运营。”※ 本报道经人工智能（AI）系统翻译与编辑。