- 综合排序
- 最热优先
- 最新优先
- 来自专栏石云升
怎么招人实施AI企业落地？
去年还有人问企业要不要拥抱AI，今年已经没人问了。问题变成了：怎么落地？谁来干？ 很多企业的第一反应是招人——找一个既懂技术又懂业务的AI落地专家。 AI落地不要一上来就搞大项目。先找那些高频重复、耗时、易出错的工作，这类任务最适合用AI解决，见效快、阻力小。 设计原则：能一个按钮解决的，就不要操作两次。 用AI做小工具，成本低、见效快，还能让团队感受到AI的实际价值。 如果要外招，怎么甄别？ 有些业务确实需要比较丰富的技术基础，需要外招AI落地负责人。但市场鱼龙混杂，如何甄别？ 1. 有没有跨部门落地经验？ 给自己提效只是初级。能给财务、客服、运营、人事等不同部门都落地过，才证明此人有快速理解业务的能力。AI落地的难点不在技术，在业务逻辑的解构。 3. 有没有总结复盘的习惯？ AI落地需要跟各部门打交道——需求沟通、方案讲解、问题排查，都需要清晰逻辑。面试时如果对方表达混乱，落地时大概率也一团糟。 5. 使用AI的时长和频率 越早用、用得越频繁越好。
39610编辑于 2026-03-17 OPC 与企业 AI 落地创新
❝金句 · 手绘 · 解读 | 来源：沈欣《OPC 与企业 AI 落地创新》· 0726 上海活动 一份关于「企业如何把 AI 真正用起来」的极简长读。 01 · 关于落地 ❝AI 落地最大的障碍是知识。 很多团队把 AI 项目卡顿归咎于模型不够强，但讲者一针见血：真正的瓶颈在企业自身沉淀的知识。没有结构化、可复用的知识，再聪明的模型也只是空中楼阁。 这句话为整场演讲定调——AI 落地，先整理知识，而不是先追新模型。 02 · 关于幻觉 ❝AI 天生有幻觉，需要知识持续校正。 大模型的「幻觉」不是 bug，而是天性。 讲者主张：让 AI 把高交易成本的环节（协调、对齐、试错）收归企业内部高效运转，把低成本的环节交给外部市场。企业的边界，正因 AI 而重新划定。 12 · 业务拆解 ❝将企业业务彻底拆解成标准的基础逻辑单元。 这是落地的方法论起点。
20621编辑于 2026-07-29- 来自专栏服务端技术杂谈
企业中落地AI Agent的难点
下图是一个企业Agent落地的标准架构。 在Query动线上，包括规则模块、意图识别模块、意图处理模块、过滤引擎、推理执行、总结整理。 企业中落地Agent普遍的难点不是模型不够智能（因为大概率用的模型就那几家）。 难点是围绕模型的脚手架不到位，比如上下文工程、安全性、记忆系统等。 而且Agent架构越成熟，软件工程的重要性越高。 有人给我发了一篇脉脉上的有人吐槽自家AI落地的文章，相信也是遇到了同样的问题。 大多数AI Agent系统，打造的无非是上下文选择系统。
40910编辑于 2026-03-11 纳米Work，企业AI落地新范式
第一，纳米Work真的很懂know-how如果说workbuddy是全民AI办公专家，我感觉纳米Work更像是企业AI专家。首先体现在它预置500+岗位专家上。 我们讲AI的智能涌现更多的也是复杂协作下的智能涌现。我自己平常会用很多海外大神的编程skills，但是这是不可能直接迁移到企业里的，大部员工不可能去学GitHub。 毕竟企业AI提效如果token成本过高就会难以为继。如果一个工资1万的员工，每个月烧了2000块钱的AI去给你提效，先不说到底赚了多少，成本的消耗就没法玩儿了。 这种层面的协同才可能真的改变企业管理流程。因为它不是让组织去学AI，而是让AI彻底组织化。最后，我认为随着AI模型能力的对齐，模型的超能力会变得不再稀奇，串联AI和know-how才是最稀奇的。 这才是未来企业AI应用的比较靠谱的一个范式。ok，我是阿星更多AI应用，我们下期再见！
39710编辑于 2026-08-01- 来自专栏一乐来了
企业内AI落地难在哪里
剩下的3和5，也就是无摩擦和分级授权，则是我们今天讨论的主题，企业内AI落地的两大挑战。 更进一步，同一部门的AI都开通了人力资源服务接口，但主管可以查询部门所有人员的人力资源信息，员工个人只能查询自己的休假信息。 这是AI企业落地前必须解决的问题。 以上，都是我们在AI落地过程中的实践，也是对客户提问的解答，如果你有类似的问题或者经验分享，欢迎一起来讨论，这会对我们打造蓝莺企业级AI很有帮助。 关于企业内AI落地的更多内容 本期重要产品更新 1. 蓝莺GrowAI内测 ‼️ GrowAI，一个使用AI为企业构建Wiki或文档网站的工具，是蓝莺Agent平台的新服务，也是我们认为企业级AI落地的典型产品案例。
1K10编辑于 2025-05-23 企业Ai落地失效的真正原因
声明式的三个革命性变化 为什么声明式这件事对企业 AI 落地如此关键？因为它改变了三个底层逻辑： 第一，工作流变成「可传承资产」。 代码会烂，注释会过时，工程师会离职。 企业 AI 落地真正的瓶颈从来不是技术。Gartner 那份报告说得很直白：60-70% 的失败项目，最大原因是「组织没跟上」。 什么叫组织没跟上？ 不是因为他们技术比你强，是因为他们比你先想清楚一件事——AI 落地拼的不是买什么工具，是拼谁能把 AI 能力「组织化」。 你公司里的那些 AI 工作流，现在还锁在一堆 Python 字符串里。 有 AI 落地需求的老板，欢迎私信聊聊。不卖工具，不做 PPT。我们只带着方法论和 Agent，到你的业务里把流程真正跑通。 参考 [1] Gartner 2026 Q1 企业 AI 落地报告 [2] Pipelex GitHub — github.com/Pipelex/pipelex [3] Hacker News Show
25500编辑于 2026-09-09- 来自专栏生成式AI办公实践
企业AI应用落地的务实策略
一句话摘要：企业AI落地，根子不在技术，而在"谁牵头、谁诊断、从哪切入、怎么扩展"。本文给出一条经过实践检验的务实路径。近几年，几乎所有的企业老板都被同一个问题追问：AI到底能给自己的企业带来什么？ 一、老板亲自推动：AI落地是"一把手工程"很多企业把AI交给IT部门或某个项目组去"搞搞看"，这是最常见的失败起点。 AI落地要动流程、动数据、动人，这些都不是某个中层能拍板的。谁能打破部门墙、把数据从各个"烟囱"里请出来，只能是一把手。第二，试错空间要老板给。AI应用初期一定不完美，甚至会出差错。 明确今年AI要帮企业"降本、增效、增收"里落哪一项）。 AI落地不是百米冲刺，而是一场马拉松。对企业来说，最重要的不是一开始就规划出一张完美的蓝图，而是先让第一个场景真正跑起来，在跑的过程中不断修正、积累、扩展。星火一旦被点燃，燎原只是时间问题。
41810编辑于 2026-08-09 AI 为什么在企业难落地
这两年听得最多的一句话是：AI确实厉害，但就是落不下去。我一开始以为是模型不行，实践多了才发现不是。AI进了企业要过两道关，先是它自己的关，然后是人的关，前面那道是技术问题，后面这道不是。 三条合起来说的是一件事：AI现阶段做不到全自动，任何号称“全自动”的方案都是在赌它不出错。人这边难的是另外三件事第一个是触达不到。 能试的办法都试过了，结果都差不多关于怎么把AI推进企业，业内流传着一条走过四步的路，这四步我都见过类似的形态，拿出来对照很有意思。第一步是定制工具。 AI落地到最后是个组织问题前半程的原因在AI身上：不稳定、不确定、不可解释，这三条决定了它不能全自动，只能人机协作。 四步迭代走完，落点最后落在组织和人身上，这也是为什么我不太认同把AI落地当成一个技术项目，它是从技术起头的，走着走着就变成了流程改动、考核改动、协作方式改动，这些事没有一样在工具里。
16510编辑于 2026-10-09- 来自专栏张善友的专栏
本体：AI落地的企业翻译官
本文从哲学溯源到工程实践，系统拆解本体论如何成为AI落地企业的核心基础设施——从Palantir的千亿市值到国内企业的渐进实践，带你理解为什么"本体"是AI时代的企业翻译官。 多数企业可以先从语义层切入，解决AI数据分析的可信落地，再根据场景成熟度逐步扩展到对象语义和行动语义。 八、企业落地四步法：从0到1构建本体 步骤一：评估需求层级 先回答三个问题： 你的AI目前主要做什么？（查数分析 / 智能问答 / 业务执行 / 自主决策） 你的业务规则复杂度如何？ 在国内，迈富时等先行者也在探索本体论驱动的企业AI操作系统。 对于正在推进AI落地的企业而言，本体的价值不在于"技术先进性"，而在于"业务可落地性"。 它让AI从"Demo精彩、落地困难"的困境中走出来，真正参与企业的日常运营。 记住：AI落地的关键，不是让模型更聪明，而是让企业更"可被理解"。本体，就是那个让企业被AI理解的翻译官。
1.4K12编辑于 2026-07-27 AI Harness 企业级落地实践（一）
通俗来说，Harness是将工程学的思维，落地成范式束缚于Agent上，让Agent能够更规范、更稳定的工作。想象一下在广袤的草原上，一群骏马飞快的驰骋着，它们就是AI，有时候难免会跑偏。 套马的汉子，你威武雄壮\~关于Harness更具体的定义可以参考以下文献:OpenAIHarness深度长文、HarnessEngineering即控制论今天笔者的核心：详细拆解Harness工程的设计和落地同时 生成的项目基础信息画像├──context\-map.md\#AI生成的项目模块/上下文边界地图├──project.verification.md\#AI生成的项目级验证规则│├──core/\#通用 会：不要手工阅读和执行每一步，\\请务必相信AI比我们做的好\\。 3\.创建.ai\-runtime\-artifacts/及其子目录。
82610编辑于 2026-06-02Agentic AI落地企业初见倪端 - 沃尔玛AI应用拆解
他们为企业的四个关键角色 – 客户、员工、开发人员、合作伙伴，分别建立了各自的超级智能体。其中，客户侧的AgentSparky特别有意思。 二、AI落地框架：从工具思维到旅程思维 企业在面对AI落地时，需要跳出传统软件的局限性： 我们需要一个智能客服 → 就做一个客服 Agent； 我们需要一个智能推荐 → 就做一个推荐 Agent； 工具思维下的AI对用户是割裂和断点的。 Sparky 的做法非常具有启发性：从用户旅程出发，让AI升级购物体验。 我们在推动 AI 落地时，不必纠结功能“是不是最先进的”，而要问自己：它改善了什么流程？对应了哪些KPI？对最终的业务结果有什么影响？
25300编辑于 2026-07-01- 来自专栏腾讯云TVP
AI+本体于企业落地之意义
在生成式AI以前所未有的速度渗透企业每个角落的今天，一场深刻的认知危机正在蔓延：我们一边惊叹于大模型无所不知的博学，一边却无法在关键业务决策中真正信任它。 企业决策需要的不只是结论，更是可以追溯、可以质疑、可以被修正的推理链路。正是在这个意义上，“本体”从一个古老艰涩的哲学概念，变成了智能化落地过程中最性感也最痛苦的那把钥匙。 通过一次一次的讨论，关于本体的价值与其落地困境，被反复撕扯和深化，我们最终发现本体的现实意义恰恰凝聚在六个看似技术化、实则直指人性与组织本质的维度上。 一、让推理过程变为白盒：从“可信”到“可解”第一点意义，是“AI推理思考过程变为白盒”。这听起来像一句技术承诺，但它触碰的却是企业决策中最根本的焦虑。 本体作为一个古老的哲学概念，在AI大语言模型可以通过已有的流程、文档、数据进行高效的反向构建后，插上了腾飞的翅膀，将是每个希望获得AI生产力提升企业的基础必备能力。
39912编辑于 2026-08-05 - 来自专栏【腾讯云开发者】
CodeBuddy AI Coding 企业场景落地实践与思考
在 AI 浪潮席卷全球的今天，AI CODING 已经不是企业研发团队的可选项，而是必选项。 如果你是企业研发团队的负责人、 AI CODING 落地推动者或希望在工作中正在使用 AI CODING 工具的一线开发者，或多或少遇到一些落地困难，这篇文章结合日常团队的探索与实战，为你及你的团队提供一份可执行的 除了提供相应的智能体协作覆盖全流程，在服务专业开发者，企业开发者，CodeBuddy 也会在产品形态上，也助力个人/企业高效迈入智能研发时代，目前的支持 AI IDE 和 Plugin 插件形态，未来还会支持 04、团队 AI 研发流程落地实践 4.1 AI 编程落地痛点问题与分析 4.1.1 痛点问题 站在用户层面讲，一线用户或多或少会经历4个阶段，初次相识、尝试体验、深入使用或弃用、回流使用， ，AI 生成符合业务需要的效果 5.4 未来展望 从编程的角度来看，如图，相信团队级别 AI 规约编程，未来以技术规范和系统设计会形成共识，会有更多的团队级别编程落地，同时，在团队中落地 AI
5.4K21编辑于 2025-08-15 企业AI落地，到底还需不需要BI？
在此背景下，企业对BI与Data Agent的关系出现了不同判断：一方面，部分企业关注AI对传统BI的替代可能；另一方面，模型幻觉、数据准确性和结果可信度等问题，也使企业对智能问数的实际应用价值保持审慎 本文将围绕AI时代企业为何仍然需要BI，以及Data Agent能够带来哪些增量价值展开分析，并提出以岗位需求为切入点的落地路径。同时，结合邮储银行的实践案例，为企业推进相关应用提供参考。 所以要比较的不是谁更新更稳定，而是在真正的工作过程中，判断哪类需求需要BI实现，哪类需求AI能更快更简单更稳定地实现。04怎么落地，从岗位开始落地第一步是定义清楚业务含义、执行计算和任务组织。 这件事其实甲乙双方都很关注，乙方做AI落地时基本都会有一个FDE团队或类似模式；而甲方，尤其是很多集团企业的IT部门，在推AI落地时，也会希望搭建一个类似FDE的组织，让Agent真正在企业内部跑起来。 爱分析：现在大家聊企业Agent落地，聊得最多的还是从哪个场景切入、怎么找到高价值场景。但下一步更关键的是怎么推广，怎么把一个单点场景做成规模化、在企业内部铺开。
14810编辑于 2026-10-29- 来自专栏WorkBuddy知识库
Marvis vs ChatGPTClaude：企业办公AI落地真实对比
作者注：本文基于真实产品实测和企业内测反馈，所有案例均来自真实使用场景，不涉及虚构内容。引言：为什么我要做这个对比？我是华总，70后IT老兵，目前在推进企业的AI办公落地。 过去3个月，我实测了Marvis（腾讯）、ChatGPT Plus（OpenAI）、Claude Pro（Anthropic）三款产品，目标很明确：找到一款能真正在企业办公场景落地的AI助手。 /复杂合同 → 选Claude如果你的企业：✅ 预算有限 → 选Marvis（本地模式免费）✅ 需要快速落地 → 选Marvis（操作系统级集成，开箱即用）✅ 对AI依赖度高 → 三款都买，不同场景用不同产品 《企业AI办公落地SOP：从试点到全员推广》欢迎关注我的腾讯云社区专栏，持续分享企业AI落地实战经验！ 标签：#Marvis #企业AI落地 #AI办公 #隐私保护 #产品对比互动引导：你们企业在用哪款AI助手？遇到过哪些坑？欢迎评论区分享！
86511编辑于 2026-06-24 企业 AI 智能体落地：数据、趋势与判断
McKinsey 每年追踪全球企业的 AI 使用情况，2025 年的最新数据是：88% 的企业已经在至少一个业务环节里日常使用 AI，比 2024 年涨了 10 个百分点；使用生成式 AI 的比例从 2024 同一个调研里，真正算得上「AI 高绩效者」（AI 贡献了超过 5% 的息税前利润）的企业，只有 6%。 [1]Deloitte 2026 年的《企业 AI 现状》报告进一步揭示了这一差距：[2]66% 的企业确实看到了 AI 带来的效率提升——这解释了为什么所有人都在往前冲。 图片来源于Deloitte 2026 年《企业 AI 现状》更值得关注的是：37% 的企业仍然只是「表面用 AI」——工具在用，但业务流程、组织方式未发生实质性改变。 企业级部署：安全、可控、自主第二章已指出，企业 AI 落地的三道核心坎：安全合规、数据不出内网、成本可控。
83610编辑于 2026-07-01- 来自专栏AI与通信前瞻
AI从热潮到落地：企业 AI 的六道坎
写在前面：AI不缺热度，也不缺模型，缺的是把模型变成生产力的那一层"地基"一、反常识：浪潮真，价值掉队AI确实是百年一遇的大浪潮，但企业从里面真正赚到的钱，严重掉队。 CEO未从AI看到明显财务收益56%PwC2026CEOSurvey（4454位CEO/95国）部署了AI但看到实质结果仅6%（88%已部署）CAIOWeekly行业汇总我的解读很直接：企业早就不是"这东西能不能跑起来 但MIT那份把95%试点挡在利润表外的研究说得很直白——失败的根因不在模型质量，在集成和落地。 四、结语：2026是"交卷"之年把判断串起来：浪潮是真的，AI会从八个维度重塑企业；但价值兑现严重掉队——95%的试点没产生利润表影响、约50%的AI场景达不到ROI目标（IDC2026预测），是悬在头上的剑 我越来越确信：AI创新的速度超过了企业采用的速度，能填上这个洞的，只有把基础设施做扎实的企业自己。。对做AI落地的人，2026年不再是"要不要试"，而是"能不能交出ROI"。
28310编辑于 2026-09-16 - 来自专栏云计算与大数据
企业 AI 落地，为什么最后都会回到流程问题？
很多企业开始做 AI 项目时，讨论的第一个问题往往是模型：用哪个模型，私有化还是 API，知识库怎么建，Prompt 怎么写，成本怎么控制。这些问题都重要，但它们通常不是 AI 落地的最后阻力。 它们看起来没有模型那么显眼，却决定了 AI 能不能从“会说”走向“能做”，从“演示效果”走向“生产系统”。 企业 AI 的落地路线，不是从模型到应用，而是从流程到能力。 可以从这些流程指标观察 AI 是否真正落地： 工单是否更快完成分诊，而不是更快生成回复。 变更是否更早识别影响范围，而不是更快生成审批意见。 知识是否在处理过程中自动沉淀，而不是事后再靠人工补文档。 11 企业真正需要的，是可持续改进的 AI 流程平台 企业 AI 落地不应该被理解成“一次性上一个智能助手”。 这也是企业 AI 从试点走向生产时必须跨过的一道门槛：不是让 AI 更像人，而是让 AI 更懂企业如何做事。
30600编辑于 2026-07-08 企业 AI 落地：harness 该自研，还是用开源？
先说我的结论（不绕弯） 90% 的企业，别从零自研 harness。直接基于 DeepSeek Harness 这类开源运行时二开，模型调公有云 API，几周就能跑起来。 只想让 AI 帮公司干活？WorkBuddy、豆包工作这类闭源成品开箱即用，连 harness 都不用碰。但你要的是"掌控执行层"，那就站上开源的肩，别自己造轮子。 只想用 AI 干活 → 直接 WorkBuddy 类成品；要改执行层 → 走开源 harness；要做平台卖 → 才考虑自研。 第二步，先跑通一个场景。 90% 的企业，装上电池就能跑，别自己从头焊车架。
36410编辑于 2026-09-17企业AI落地：从概率到确定的演进蓝图
当时大家在探讨一个共同关心的话题：企业如何落地AI功能？讨论中我发现，很多企业的AI落地失败，根源不在技术，而在认知——管理者对AI能力的误解，要么过度期待，要么严重低估。 希望这份思考，对正在探索AI落地的企业有所帮助。核心命题：解决"AI到底能做什么"的认知问题。很多企业落地失败，根源是对AI能力的误解——要么过度期待，要么严重低估。 一、定心丸：AI不是革命，是进化很多企业觉得AI是"从0到1的全新技术"，不敢碰、怕掉队。但实际上，AI不是凭空冒出来的——它是你已经在用的技术的重新融合和升华。 2.4执行层：从"跑流程"到"智能闭环"纠正的误解："AI只说不做"正确的认知：AI能接入企业API真正干活，但熔断机制比能力本身更重要。执行层不是"自动驾驶"，而是"高阶辅助驾驶"。 （四层能力）我对AI的期待是不是太高了？（每层边界）我对AI的顾虑是不是多余了？（场景示例）我是否为AI的每一个"危险动作"都安排了"人类刹车"？（安全落地）
31210编辑于 2026-05-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号