自从 2025 年初 DeepSeek 火爆出圈，如同给压抑迷茫的 IT 行业注入一剂强心针，相关从业人员连夜研究技术原理，探索应用场景。我所在的公司及所服务的行业客户，更是迎来一波建设热潮，但凡涉及 AI 大模型的项目基本都绿灯放行。
经过数月的场景验证与探索，各类消息纷至沓来：推进 AI 应用项目的，效果不尽人意者开始质疑大模型的适用性，抱怨数据清洗成本高昂、落地应用者寥寥；取得突破试图快速复制的，又常因“水土不服”而遭用户质疑。负责 AI 技术基础设施建设的团队，则抱怨年初高调启动的项目为何弃用他们的平台。眼前这一幕似曾相识，犹如 2019、2020 年间数据中台建设热潮的回响。
时至今日，我依然十分认可并推崇“数据中台”理念，即便面对诸多质疑。虽然数据中台实践未能完全达成其最初目标，但它旨在解决的核心问题——消除数据孤岛、促进数据复用、沉淀通用数据能力、提升数据治理水平、加速业务敏捷响应——至今仍是企业数字化转型中必须直面的痛点。回溯其历程，症结往往在于：我们 高估了其短期价值，却低估了长期价值。 同时，未能 结合企业自身实际 的能力引入，终成负担——试想，同在血液科就诊，怎能期待医生将上一病人的处方直接套用？这恰恰也是眼下我们面临的困境。
究其根源，在于我们对新技术、新理念总怀有过度期待乃至幻想。总认为“外来的和尚会念经”，幻想一剂“灵丹妙药”就能速成数字化转型。事实上，当基础能力建设告一段落，我们真正的挑战便清晰显现：如何让数据与智能深度融入业务、创造价值。 达成此目标，远非喊口号、引技术、树标杆所能及。首要之事，是企业内各方需坐下来，使用同一种语言，脚踏实地厘清方向、路径与步骤。 这固然艰难，但在当下背景中，却是我们携手穿越数字化转型“深水区”的唯一通途。
企业开展数字化转型之初，为解决业务与 IT 间的解耦与协调问题，保障战略到执行的系统性衔接，我们尝试过诸如业技融合、统筹规划等方法。然而在落地时，囿于部门壁垒、领域知识鸿沟及建设基础差异，各方往往难以真正理解彼此意图，最终形成业务、IT、DT 分散建设，彼此视作黑盒的局面。这直接导致数据中台建设阶段，我们陷入四处寻觅场景、追问需求，如同“拿着锤子找钉子”的窘境。
为实现企业内部真正的“统一语言”，我们发现企业架构框架是最为契合的成熟方法论。企业架构为转型提供了结构化框架、动态治理机制与共同语义环境，能有效弥合业务与技术间的断层，促进深度融合、保障资源复用、管控变革风险。这一机制超越了传统业务与 IT 的博弈，推动双方迈向“共同定义成功”，是支撑数字化转型的核心方法论基础。
企业架构的具体实践方法此处不赘述，其核心在于：以核心场景为切入点，通过流程建模梳理识别所需的业务能力，基于 SOA、微服务思想进行能力的重构和整合，敏捷响应业务需求。面对 AI 大模型这类影响深广的新兴技术，企业架构框架更是其与现有 IT 体系深度融合的关键推手。 在场景层面， AI 技术的成功应用依然依赖于精选垂直应用场景。在流程层面， 可通过 AI 技术推动流程由标准化、数字化迈向智能化。具体落地形态根据智能体与现有流程的耦合度、场景智能化基础，可分为嵌入式、助理式、代理式。在组织、应用、数据、模型、算力、安全等各领域，企业架构思想均能有效引导原有架构向数智化方向有序演进。
让我们暂时把一些不切实际、过于长远的期待先放下，把 AI 大模型技术仅作为一项新技术看待。而每一项新技术都有其特点和适用的范围，经过近一年的观察，我们发现大模型技术在以下几个场景方向具备高度的应用价值：
大模型最让人惊喜的表现之一是 非结构化数据的多模态理解能力。它为一线的业务和管理人员提供了图像、文档等异构数据的统一交互界面，极大拓展了人机沟通维度。更关键的是，其出色的自然语言理解能力，正在消解业务语言与技术语言之间的鸿沟，使跨领域协作的沟通成本大幅降低。
在能够持续沉淀高价值业务知识的场景中，利用大模型对隐性知识的挖掘能力能够显著提升该类场景的智能化水平。例如基于质量风险知识库提升缺陷干预精准度、依托元数据知识库实现数据字典智能补全、融合运维知识库推动系统故障自愈、利用取数知识库降低人工干预取数占比等。这些成功实践揭示共性：高质量知识沉淀是智能化改造的前提。若数据供给不足，当务之急是夯实数据治理基础——补课终不可回避。
传统 RPA 等工具在实现作业自动化时非常依赖外部指令，无法执行复杂任务、执行过程呆板。大模型与 Agent 的结合实现了认知推理 + 自动执行，具备推理能后更容易解决复杂任务，再加上 RAG 技术的融入，让自动化工作锦上添花，能够解决传统自动化无法处理的模糊任务。
在这里可以为大家选择 AI 落地场景提供一个参考标准，在业务价值方面，高频，降本增效表现直接；技术可行性方面，技术成熟度、实施周期、数据供给、数据质量、自动化程度；以及实施难度、复用性、创新性、风险等维度进行评估。随着底层技术演进与工程化能力提升，适用场景将持续扩展。但当下，理性评估价值锚点，远比追逐技术神话更重要。
AI 大模型技术不同于过往数字孪生、隐私计算等技术，其技术特性具有较强的普适性。随着各领域 AI 应用的建设，衍生出 GraphRAG、HybridRAG、Agentic RAGR outer 等技术变体，同时也带来了如何有效衔接与协同的管理挑战。随着 MCP 技术落地为 Agent 应用框架进一步成熟提供了极大助力。业界期待利用 Agent 框架链接企业既有 IT 能力，使智能体能够根据真实业务需求，通过智能化、自动化方式调用业务工具达成目标，即实现“AI+”。
这一过程将促使传统的大而全应用系统逐步解耦为组件化的能力单元。IT 建设工作在某种程度上回归本源——聚焦于核心问题：实现企业价值链、场景或流程，需要构建哪些核心能力？ 而原本由“人 + 规则”驱动的应用系统，将演进为“智能体（决策中枢 + 数据流 + 知识库 + 业务组件）+ 人（目标制定与关键干预）”的深度协作模式。未来，企业 IT 建设的重心将转向保障 Agent 决策执行的可靠性与稳定性、确保数据供给的高效性与高质量、以及设计和封装高可用业务组件。Agent 将能根据业务需求，自主选择部署在容器化环境中的所需业务组件，实现按需调用、升级、替换或停用。
大模型技术正逐步重塑 IT 能力的供给模式。对于业务能力提供方而言，转型方向是从传统应用交付转向构建模块化的业务组件，其不可替代性的壁垒在于对领域知识的深度积累与高效利用。对于业务能力使用方，新模式进一步降低了技术门槛，在技术积累差距缩小的背景下，企业 IT 管理水平、对市场变化的感知与响应速度将更具决定性。
粤ICP备14082021号
免费POC，
零成本试错
