（问题一）中小企业如何实现 AI 工作流

刘通：

AI工作流是一个较新的概念，我通常基于大模型的agent框架来理解它。agent相当于一个代理，需要先定义一套模板，确定先做什么、后做什么。

以采购活动为例：

l  首先要定义需求分析工作流，分析库存、销售情况和现有订单；

l  接着查看库存和供应商信息，生成询价或采购工单；

l  采购完成后，进行入库操作，并调整后续生产或销售计划。

将这些步骤按顺序定义好，中间环节用大模型等机器人方式串联起来，这种串联不同业务环节的工作流，就是AI工作流，当下较为时髦。

最近不少企业在咨询和复盘如何搭建这样的流程。对于涉及大量人工重复或可定义的工作，需要用AI明确每个步骤，比如在哪个环节查询哪个数据库、生成什么报表、将报表传给谁等，把以前人工操作多个系统和网页的工作交给AI串联，形成“数字员工”，极大节约企业成本。

（问题二）AI在企业管理中的典型场景以及工作代价

刘通：

其实它现在主要的工作分两个维度：生产层和管理决策层。

生产层主要依靠各种自动化、智能化设备，如通过机器人或传感器进行设备自动化巡检、生产环境自动化检测以及产品综合检测等智能化工作。

经营管理层最关注了解现状和预测未知，核心是帮助管理者生成各种报表。传统上，定义报表及获取数据的过程对大企业而言有IT团队支持，而小企业往往因缺乏能力放弃或使用标准化SaaS工具。

现在有一种新玩法：将大模型与企业数据中台嫁接，管理者只需通过自然语言提出需求，如询问某个大区的销售额、投诉量等，AI就能将需求翻译成数据查询语言，自动采集数据并生成报表，这是当下很多企业关注的利用AI解决生产经营问题的典型场景。未来，大模型、AI与企业的结合会衔接以往数字化、信息化时代的数据分析工作，且形态将更智能、灵活。

（问题三）大模型数据中台，会有标准的第三方机构提供的工具来实现吗？

刘通：

目前大模型与数据中台的链接存在框架层面的尝试，但尚未形成成熟方案。主要原因在于企业业务与数据模型的差异性：

l   不同企业的业务话术、字典及指标定义存在显著差异。例如，餐饮行业的“客户满意度”可能关联复购率、催单情况，而教育行业则更关注退费、课程投诉等指标，难以用统一标准对接大模型。

l  大模型无法天然理解企业特定业务场景下的数据与指标对应关系，需通过持续使用让Agent（智能代理）在实践中不断优化，逐步实现对业务逻辑的适配，这是行业发展的主要趋势。

（问题四）AI应用幻觉导致的不靠谱，现在投入还值得吗?

刘通：

大模型幻觉通俗来讲就是答非所问，在回答问题时不基于实际数据，而是 “脑补”答案。由于大模型运行机制类似“黑盒”，一旦过度发散，就容易偏离业务主题。

现有解决方法与技术成熟度：目前应对大模型幻觉的主要方法是搭配知识库，强制大模型从知识库中提取信息作答。

技术成熟度方面，大模型刚出现时（2023 年底）幻觉问题严重，2024 年已有显著改善，当前在绝大多数行业的应用已较为成熟。不过，在能源、金融、法律、医疗等专业词汇多、属性强的行业，幻觉问题仍相对明显；但在社会问题解答、日常商务沟通等泛应用场景中，大模型已能可靠使用 。

未来发展趋势：各行业的龙头企业通常拥有自己的大模型引擎与技术底座，未来这些企业可能会将自身 AI 能力平台化、生态化，并逐步开放，使更多企业享受到技术红利 。