- 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。
26210编辑于 2026-03-17 - 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。
28810编辑于 2026-03-11 - 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。
76510编辑于 2025-05-23 Agentic 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？
10200编辑于 2026-07-01- 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
4.5K21编辑于 2025-08-15 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。
37110编辑于 2026-06-02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。
33610编辑于 2026-07-01- 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！
30411编辑于 2026-06-24 - 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。
12000编辑于 2026-07-08 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）
19310编辑于 2026-05-07实测对比：企业落地的主流 AI 开发框架测评
作为 AI 框架测评人，本文以中立、客观、可落地为原则，对比当前市面主流 AI 框架，重点看 Java 企业适配、国产模型支持、工程化能力、存量系统改造难度，帮技术团队清晰选型。 AIPyTorch/TensorFlow国产深度学习框架主打定位Java 企业级 AI 落地框架AI 应用编排Spring 生态 AI 集成深度学习训练推理国产算力 + 模型训练技术栈纯 Java 原生 无侵入高中极高高企业级能力生产级完整权限、队列不足基础齐全偏向训练偏向基础设施落地场景老系统 AI 化 + 企业定制通用 AI 应用新 Spring 项目算法模型研发训练 / 推理学习门槛低中中高高国产化合规最强弱一般弱强三 老系统不重构，直接外挂 AI 能力，上线风险最低。2）国外框架：擅长创新，但企业落地水土不服LangChain 灵活但Python 重、工程化弱，生产环境要自己补权限、日志、队列。 四、选型建议（直白总结）做企业级落地、老系统升级、国产化合规 → JBoltAI 更稳妥做Java 新项目 AI 尝试 → Spring AI做通用 AI 快速验证 → LangChain做算法研究、模型训练
32710编辑于 2026-04-21- 来自专栏Elastic Stack专栏
Coding Agent 之外，企业 AI Agent 还有哪些落地场景？
字数 3964，阅读大约需 20 分钟 Coding Agent 之外，企业 AI Agent 还有哪些落地场景？ 根据业界实际的大规模生产级部署数据（如 Google Cloud、Capgemini 以及 LangChain 发布的年度智能体报告），企业内除了 Coding Agent 之外，AI Agent 已经在多个垂直领域实现了大规模的生产落地 工业预测性维护：让老师傅的经验变成代码 这个场景容易被忽略，但它可能是 AI Agent 在物理世界里最硬核的落地。 但企业内部充斥着老旧、封闭、缺乏标准 API 的遗留 IT 系统。 那些 Agent 落地成功的企业，不是因为它们的 AI 更强，而是因为它们的流程本来就更清晰。这才是最值得学的东西。
57934编辑于 2026-06-22 AIGS时代，Java 才是企业 AI 落地的核心抓手
而Java作为深耕企业级开发数十年的主流语言，凭借其稳定性、生态成熟度和在企业现有系统中的广泛应用，成为了企业AI落地的核心载体。 一、锚定AIGS核心方向，选准Java的AI落地定位企业做AI的终极目标是实现业务价值，而非单纯的技术尝鲜，这也是Java做人工智能的首要定位原则：Java并非适配AI算法底层研究，而是聚焦企业级AI的工程化落地与系统融合 构建企业级的AI智能中台等，这也是Java在企业AI落地中不可替代的核心价值。 三、聚焦企业数据资产，实现AI的精准化落地大模型的“幻觉”问题是企业AI落地的核心痛点之一，而Java做人工智能的重要抓手，就是结合企业私有数据，让AI能力贴合企业实际业务场景，实现从“通用生成”到“精准服务 JBoltAI等企业级Java AI开发框架的出现，也为Java团队提供了标准化的AI开发工具和落地路径，助力Java团队在AIGS时代快速构建企业级AI开发能力，实现企业业务系统的智能化重塑，让Java
35710编辑于 2026-03-05JBoltAI 4系列让企业AI落地告别“碎片化”
当企业AI落地从“单点尝试”走向“全流程渗透”，最棘手的问题往往不是技术不够强，而是数据散、资源乱、流程断——数据藏在数据库、文档、接口里难以整合，大模型、向量库等资源需挨个对接，智能问答等场景又要重新搭建链路 JBoltAI4系列 恰好瞄准这一痛点，以“智能数据中心”“AI资源中心”“AI智能问答”三大核心模块，构建起从数据整合到场景落地的完整闭环，让企业AI开发告别“东拼西凑”，实现“一站式成型”。 从“工具拼接”到“体系化落地”：JBoltAI4的核心价值 回顾企业AI落地的常见困境，本质是“数据、资源、场景”三者割裂。 如果你的企业正面临“数据难用、资源难管、场景难落地”的问题，不妨从JBoltAI4开始，让AI落地告别“碎片化尝试”，真正进入“体系化见效”的阶段。 现在点击下方链接，即可获取专属解决方案，开启企业AI的高效落地之旅。
21210编辑于 2026-01-24听完2个真实AI客服项目，我才看懂企业AI落地
上个月，我去听了一个AI客服项目分享。主讲人做过两个真实落地项目，一个银行，一个公积金。不是PPT方案，是真正上线、有用户在用的系统。 AI在后台帮人工客服出主意、推荐话术、整理信息，最终决定说什么的还是人，AI只是打辅助。 所以区别不在于用不用Agent，而在于最后拍板的是机器，还是人。 企业不是不用Agent。 AI客服是用户问了什么、系统答错了什么，才是最宝贵的信号。 AI客服不是上线就结束。 上线后才真正开始挨打。 05 个人追新是学习，企业追新是风险 最后这件事，说给所有正在焦虑追AI的人听。 但对企业来说，追新工具可能就是风险。企业真正需要的是稳定、合规、可控，不是每一个最新概念都要第一时间上生产环境。 不是叫你不学AI。 是叫你别把自己搞得那么焦虑。 企业引入AI，真正的价值不是立刻省掉多少人，而是把人从重复劳动里解放出来，去做更有价值的事。 这和外面大多数AI帮你省钱的宣传完全不同。 但这才是真实的。 回到主线。
15311编辑于 2026-06-12- 来自专栏安全攻防
企业安全落地思考
企业安全落地 技术岗里，开发、运维，都没有落地这个说法，唯独安全有落地这个说法。这是因为，开发及运维工作的落地，不需要其他部门配合，自己部门本身具备一切落地的要素。 而体系化的企业安全建设里，落地建设就离不开其他部门的配合。单应用安全里的SDL，其落地就折磨了数不清的安全从业者。 安全工作的落地，跟安全在公司内部的战略位置，是息息相关的。 根据安全在公司战略位置的不同，其安全组织、团队规模、人员职级、薪资范围、落地程度、落地内容等都会有所不同。 挂件安全里，安全部门完全没法干涉干预其他部门。 核心安全里，可能会存在安全委员会这种虚拟组织，企业安全是全体部门的分内职责。安全团队规模会很大，可能每个业务，每个分公司都有一定规模的团队。安全在公司具备话语权。 安全的人员职级，会普遍较高，网络安全各方面的内容都能够进行落地，会采用自研的方式来对自身企业进行安全防护，甚至有能力将安全能力做成安全产品对外提供。有人员专门从事安全研究工作，引领网络安全攻防的发展。
52930编辑于 2023-08-25 - 来自专栏老张的求知思考世界
企业内落地AI，要解决这两个难题！
24年各种基于大模型的应用开始开枝散叶，从人手一个ChatBot，到AI Native工具(如Cursor)，再到AI标准开放协议(如MCP)，以及各种智能体在不同场景的落地探索。 25年开年DeepSeek爆火，引领了大模型开源的新路径；紧随其后的Manus打响了通用任务智能体第一枪；然后就是字节推出了扣子空间，百度推出了心响APP；AI的能力越来越强，随后就是各种各样的企业端落地浪潮 如今25年已过半，回头看你会发现，很多企业内落地AI的案例，目前都很尴尬。问题主要集中在下面两点： 落地场景和AI工具怎么结合，技术怎么实现？ 简单理解，就是找到适合用AI来辅助甚至替换的业务场景。比如AI在数学计算、逻辑推理、信息检索、代码生成等方面具备明显优势，则落地场景选择上可以从这几个方面入手。 当你解决上述这些问题之后，才算是具备了基础的技术落地能力。 AI的落地，极其考验工程能力，而非单纯的技术实现。 或者说，AI本身就是一个复杂的工程。
29000编辑于 2025-07-02 盘古大模型落地：企业AI接入的务实之选
盘古大模型落地：企业AI接入的务实之选 最近跟几个做企业级AI应用的朋友聊天，发现一个普遍痛点：大模型API选型太纠结了。 今天重点聊盘古大模型，因为它在企业级场景里特别有代表性——不是最炫的，但可能是最贴近真实需求的。 盘古大模型到底是什么？ 这不是个案，很多企业都遇到过类似问题。 盘古大模型在企业AI接入中的实战价值 说了这么多，盘古大模型到底适合谁？我总结三个典型场景。第一，制造业质检——盘古的视觉模型在缺陷检测上表现优异，配合算力租赁模式，成本可控。 先搞清楚自己的AI模型选型需求，再结合API价格对比和模型对比，找到最适合的组合。 希望这篇文章能帮你在盘古大模型的落地路上少走弯路。如果你有具体问题，欢迎在评论区交流。
11010编辑于 2026-07-05- 来自专栏安徽开发者圈
51个真实案例：企业AI落地，最难的不是技术
最反直觉的发现：技术是最简单的部分 报告的核心结论可以用一句话概括： 77%的AI落地难题不是技术问题。 真正难的是什么？变更管理、数据质量、流程重塑。 一位受访高管直言："技术是最容易的部分。" 同样的需求，有人几周搞定，有人搞了几年 报告发现一个有趣的现象：相同的AI用例，在不同公司的落地时间差异巨大。 快的企业几周就上线，慢的企业磨了好几年。 落地本质上是一个"组织能力"问题，而不是"技术选型"问题。 风控和合规是AI落地最大的阻力来源—35%的阻力来自法务、HR、风控部门 一家大型零售银行的政策是"所有数据不能出防火墙"——但现代AI基本都是云端部署。 AI带来的收入是真实存在但很稀少：大多数企业通过AI省了钱，少数企业通过AI赚到了钱（超个性化、加速成交、内部工具产品化）。
64720编辑于 2026-05-27 - 来自专栏服务端技术杂谈
如何实现大模型后训练帮助AI在企业落地
当前产业共识是，大模型后训练不再是简单的模型优化，而是AI落地的必经之路。 企业需要将通用基座模型，训练成深度理解自身业务、具备领域知识、能执行复杂策略的智能引擎。 企业中后训练普遍会面对数据质量差、标注成本高、奖励信号与评估体系难以统一的挑战。 行业中有些企业已经有了最佳实践。 比如知乎采用的是大模型预打标+主动学习，来提升数据质量。 企业做大模型后训练，超过60%时间花费在数据准备上。 数据准备挑战的核心是，原始质量参差不齐，包含大量噪音、冗余和低价值信息，企业自有数据专业且垂直，直接用于训练会导致模型泛化能力缺失。 AI在企业中的落地，来自于如何用好企业独有的场景、数据和业务的理解。
29910编辑于 2026-03-11
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