> **来源：[研报客](https://pc.yanbaoke.cn)** # 智能体时代的AI人才粮仓模型 2026年中国企业AI人才与组织发展报告 # 顾问专家 龚银 安克创新首席信息官 赵伟 鞍山钢铁集团有限公司数智发展部副总经理 王永合 平安壹钱包科技管理部算法负责人 梁家恩 云知声智能科技股份有限公司联合创始人 & 董事长 &CTO 程路 新奥能源副总裁、新奥泛能网CEO 李洋 博士 广东省CIO联盟会长 王晓钰 上海慧演智能科技有限公司数字化转型专家 # 引言 在大模型能力持续跃升与智能体技术加速成熟的双重推动下，AI正在从实验室走向产业现场，从单点工具进化为企业运行的新基础设施。2025年，我们看到智能体在金融、制造、能源、互联网等行业开始批量落地，token消耗量指数级增长、应用场景不断丰富、政策支持持续加码，企业对AI的认知也从技术探索转向业务重塑。与此同时，AI对组织、流程与人才的冲击愈发明显：岗位边界被打破，传统管理模式受到挑战，“超级员工”与人机协同成为新的工作范式。 站在2026年的起点，企业侧的AI应用正处于从试点验证迈向规模化价值兑现的关键转折点。如何构建适配AI时代的组织架构？如何培养能与AI协同的新型人才？如何让AI真正融入业务流程并产生可量化的价值？这些问题已成为企业数字化转型的核心命题。 基于大量调研、访谈与案例研究，本报告系统梳理了2025年企业级AI落地的整体进展，总结了智能体规模化应用的关键趋势，并对“十五五”时期企业AI战略规划、组织变革与人才发展路径提出了前瞻性判断。我们希望通过这份报告，为企业在AI时代的组织升级与人才建设提供可落地的参考框架，帮助更多组织在智能化浪潮中把握先机、构建持续竞争力。 # CONTENTS/目录 # 第一篇2025年企业AI应用现状 1．人才结构：AI核心人才占比偏低，内训成为主渠道. 06 2.AI项目落地范式：周期更短、团队更小、AI生成代码大规模普及.09 3. 企业应用AI进展：企业进入“规模化验证期” 4. 2026年技术趋势：智能体成为企业AI落地的核心 # 第二篇 智能体成为企业应用AI的主要抓手 1. 技术突破与成本下降，为智能体大规模商业化铺路 14 2. 生态逐步完善，显著降低智能体开发与应用门槛 14 3. 政策指引与市场需求，双向促进智能体与产业应用深度融合 16 # 第三篇 企业级AI技术落地效果不及预期 1. 企业落地AI技术的范式 ..... 19 2.AI落地效果不及预期 20 3. 原因分析 ..... 20 # 第四篇 AI 时代企业渴求超级员工 1. 企业渴求超级员工，对现存员工岗位及职责造成冲击……23 2. 组织管理者的设想 23 3．我们的推论 23 4．人才发展趋势预测 25 # 第五篇 AI 时代人才粮仓模型 1．前瞻规划-AI思维引导者 28 2. 业务骨干 - 智能体应用人才 ..... 30 3．中坚力量－智能体定义人才 31 4. 发展基石 - 大模型专项人才 ..... 32 # 第六篇 AI 时代组织变革不可避免 1. 组织管理者的设想 35 2．我们的推论 35 # 第七篇“十五五”规划下企业的AI前瞻规划 1. 政策指引 38 2. AI大模型赋能底层原创技术突破 38 3.AI大模型助力业务价值升级 39 4.AI大模型推动组织生态变革 42 5.AI大模型助力现代化产业体系建设. 43 # 第八篇 企业AI落地与人才实践案例 1. 安克创新：智能制造行业AI落地的全链路智能化样本 46 2．新奥泛能：能源行业AI落地的场景驱动实践 47 3．鞍钢：钢铁行业AI落地的数据驱动实践 47 4. 平安壹钱包：金融领域AI落地的全场景智能化样本 48 5．阿里云：科技企业AI全链路赋能业务实践样本 49 # 结尾 # 第一篇 # 2025年企业AI应用现状 在大模型能力持续跃升与智能体技术加速成熟的双重推动下，AI正在从实验室走向产业现场，从单点工具进化为企业运行的“新基础设施”。2025年，我们看到智能体在金融、制造、能源、互联网等行业已经开始批量落地。 为了深入了解中国企业AI应用的情况，我们以问卷调查、专家访谈以及桌面研究三种方式，面向中国企业管理者开展本次调研，涵盖有效样本量1035份。 其中，样本构成方面，技术负责人（Tech Leader）占比约 $74.0\%$ ；业务负责人（Business Leader）占比约 $7.8\%$ ；人力资源负责人（HR Leader）占比约 $5.2\%$ 。 在行业分布上，互联网企业占比 $40.3\%$ ，金融和智能制造紧随其后，皆占比 $13\%$ 。 以下是本次研究的主要发现： # 1．人才结构：AI核心人才占比偏低，内训成为主渠道 调查结果显示，近五成中国企业中，狭义AI人才（AI算法及架构类人才）占比不足 $10\%$ ，证明企业AI能力仍以应用型为主。 狭义AI人才占比 广义AI人才占比 注：广义AI人才：AI工具应用人才 在AI人才的来源途径上， $75\%$ 的受访者表示企业内部AI人才主要来自内训培养，显示企业更倾向于“业务 $+\mathrm{Al}$ ”的复合型成长路径。 AI人才来源 而在AI应用人才必备技能方面，数据显示排在前五名的技能均与智能体强相关：AI工具使用、Agent设计、提示词工程、AI基础知识、AI编排。 此外，约 $20\%$ 的受访者指出，以智能体为核心的业务流程编排（agent-based workflow）已成为复合型人才的核心技能之一，是打通业务与技术的关键桥梁。 AI应用人才必备的AI技能 # 2. AI项目落地范式：周期更短、团队更小、AI生成代码大规模普及 调研结果显示，近五成企业表示AI项目可在1个月内快速落地，部分借助智能体平台可将周期缩短至一周。 AI项目平均落地周期 同时，在专家访谈中我们发现项目团队规模呈现“小团队化”趋势，2-3人团队正在成为新范式，这也与麦肯锡【Moving away from Agile: What's Next】提到的研究结果一致。 此外，在项目代码开发过程中，AI生成代码被大规模纳入开发流程。部分企业表示其项目中AI生成代码普遍达 $50\% - 60\%$ ，部分新项目可达 $98\%$ 。但需要注意的一点是，AI生成代码也带来新问题--重复率高、复用率低、代码质量下降。 # 3. 企业应用AI进展：企业进入“规模化验证期” 从 token 消耗数据看， $75.3\%$ 的企业已能清晰感知自身的 token 使用量， $71.4\%$ 已搭建智能体平台，这从侧面印证了大模型在产业端的广泛应用。与此同时，日均token 消耗量在百万级及以下的企业占比接近五成。 日均 token 消耗量 智能体平台落地 经测算，日均百万级 token消耗量，大致处于大模型应用的“规模化验证期”：既非个人试错级（日均万级），也未达企业稳定生产级（日均亿级）。这一阶段更适合10—50人规模的团队，重点开展“业务流程优化、垂直场景落地、低成本试错”三类核心操作。 结合企业狭义AI人才占比普遍不足 $10\%$ 、且多数企业日均token消耗量在百万级以下这两个特征，可以推论：规模在500人以内的企业，整体仍处于大模型应用的“规模化验证期”。 # 4. 2026年技术趋势：智能体成为企业AI落地的核心 企业管理者最关心的前十项技术基本都与智能体强相关，其中排在前五位的是：多智能体协同、多模态大模型、AI辅助编程、统一知识库管理、智能体场景化落地。 2026关注的AI技术方向 综合来看，2026年企业AI正从单点实验转向规模化价值兑现，核心是围绕智能体构建“能协作、能落地、低成本”的业务化体系，主要体现在以下几个方面： # (1) 应用重心从能力验证转向业务闭环 企业不再满足于演示级AI，而是追求智能体可自主执行、跨系统协同的端到端价值交付。AI项目是否能真正嵌入业务流程、形成稳定闭环，将成为衡量其价值的关键标准。 # (2) 技术架构从单模型升级为协同生态 多智能体分工协作成为复杂任务的最优解，对应组织形态也从“单兵作战”向“硅基团队”转变。企业需要构建由多个智能体组成的协同系统，通过任务拆分、资源调度与结果整合，完成更复杂的业务目标。 # (3) 成本与效率驱动规模化落地 统一知识库、AI辅助编程、模型成本优化等，共同解决“用得起、用得快、用得准”的关键痛点。只有在成本可控、效率可量化的前提下，智能体才能从试点走向规模化复制。 # (4) 能力底座全面升级 多模态大模型提供更强的感知与理解能力，为智能体处理复杂非结构化信息、跨模态交互奠定基础。 # 第二篇 # 智能体成为 # 企业应用 AI 的主要抓手 综合上述分析，我们可以看到，智能体成为2025年企业应用AI的主要抓手，同时也是2026年企业侧最关心的AI技术方向。追本溯源，我们总结原因有以下几点： # 1. 技术突破与成本下降，为智能体大规模商业化铺路 # (1) 智能体能力层级跃升 大模型在推理、规划、记忆与复杂指令理解方面的能力显著增强，使智能体能够自主拆解任务、制定步骤并保持多步推理稳定，推动其从被动执行迈向主动推理。工具调用框架的完善，让智能体可连接外部系统与业务工具，将推理转化为实际行动，工具链越丰富，可完成的任务越复杂。 多智能体协同技术进一步提升了复杂任务处理能力，而记忆管理、长上下文处理、任务规划与评估体系等工程栈的成熟，共同促成了智能体能力层级从L1/L2阶段的聊天助手与预设工作流，发展到L3/L4级别的推理型与自主执行型智能体。 # (2) 模型使用成本大幅降低 火山引擎等厂商通过技术优化与区间定价等创新模式，将大模型调用成本降至原来的约三分之一。与此同时，Llama 3、DeepSeek 等开源模型的能力已接近闭源旗舰（GPT-40/Claude-3.5-Sonnet），API 调用成本低至 0.1 美元/百万输入 token，推动模型获取成本趋近于零。 # 2. 生态逐步完善，显著降低智能体开发与应用门槛 行业应用平台不断涌现，让企业能够基于自身数据和场景快速构建专属智能体，极大降低了应用开发的技术门槛。企业不再需要从零搭建底层模型与工程框架，而是可以通过平台化工具，聚焦业务场景设计与流程编排。 面向智能体的专用训练平台陆续出现，可将训练效率提升数倍，综合成本随之明显下降，有效缓解了智能体在处理复杂任务时 token 消耗过高的成本压力。此外，计算复杂度优化、知识蒸馏与模型压缩等算法创新，进一步降低了训练与微调成本，并大幅提升了推理速度。 # 3. 政策指引与市场需求，双向促进智能体与产业应用深度融合 # (1) 政策支持 北京、上海等地出台政策，直接支持通用智能体发展和应用落地。 <table><tr><td>城市</td><td>政策名称</td><td>核心内容</td></tr><tr><td rowspan="6">北京</td><td rowspan="3">《支持信息软件企业加强人工智能应用服务能力行动方案(2025)》</td><td>1.对取得生成式AI服务上线批号、首次上架的通用智能体,优先协调算力并补贴运营算力/模型成本</td></tr><tr><td>2.举办“创客北京”AI智能体专题赛,给予资金奖励并推荐至政府投资基金</td></tr><tr><td>3.制定大模型上下文协议、多智能体协议框架等标准</td></tr><tr><td rowspan="3">《人工智能赋能新型工业化行动方案(2025)》</td><td>1.支持融合工业机理/数据/知识的高性能通用智能体</td></tr><tr><td>2.对提升制造业效率、具有行业推广性的通用智能体,补贴运营算力成本</td></tr><tr><td>3.研制大模型与外部工具/数据源集成的标准化通信协议</td></tr><tr><td rowspan="5">上海</td><td rowspan="2">《进一步扩大人工智能应用的若干措施》</td><td>1.发放6亿元算力券,市级对租用智能算力给予最高30%租金补贴,市区协同最高100%(最多1年)</td></tr><tr><td>2.支持通用智能体,对达到一定用户规模的纳入“算力券+模型券”支持范围</td></tr><tr><td rowspan="3">《人工智能模塑申城实施方案》</td><td>1.聚焦“5+6”重点行业加速大模型/智能体落地</td></tr><tr><td>2.建设智能算力集群、语料供给体系、虚实融合实训场等底座</td></tr><tr><td>3.推动工业/公共服务MaaS平台建设,降低智能体应用成本</td></tr></table> # (2)市场需求 智能体在企业端的大规模落地，根本动力来自企业自身的需求升级。一方面，降本增效压力持续加大，而头部企业通过智能体实现效率跃升，进一步倒逼同行加速数字化转型。另一方面，当企业业务流程数字化发展到一定阶段，传统工具已难以处理日益庞大的数据量和复杂任务，必须依靠智能体实现“自动化 + 智能化”的深度突破，从而推动智能体成为企业提升竞争力的必然选择。 # 开发者学习交流的技术社区 # > 企业服务六大解决方案 # 科技和产品影响力提升 帮助企业提炼合适的营销亮点和关键路径，帮助企业快速提升市场影响力。 # 开发者生态建设 基于InfoQ众多内容产品向开发者传递有价值的内容，帮助企业建立完善、活跃开发者生态。 # 数字化转型案例宣传 基于数字化转型趋势洞察和对不同行业的理解，帮助提升企业相关技术方案在数字化转型层面的影响力。 # 年度整合营销服务 结合企业自身特点，制定个性化的年度整合营销规划，提高整体ROI。 # 会议/活动/事件营销策划 基于对开发者用户的了解帮助企业完成年度重大事件、会议、大赛等活动的策划落地，扩大传播声量，提升影响力。 # 重点客户圈层营销 帮助企业深度深度维护客户关系、加强潜在客户对企业的信任度、加强客户对企业解决方案的认知最终实现商业成功。 # > 整合营销服务产品矩阵 <table><tr><td>直播栏目</td><td>视频栏目</td><td>大型专题</td><td>研究报告</td><td>线下活动</td></tr><tr><td>公开课</td><td>行知行知合一助力数字中国早日实现数字中国InfoQ极客时间</td><td>大模型领航者对话先行者|润见新未来</td><td>AGI</td><td>QCon全球软件开发大会AiCon全球人工智能开发与应用大会ArchSummit全球架构师峰会</td></tr><tr><td>超级连麦数智大脑数字化典型案例解析</td><td>IntoQ新知实验</td><td>技术盘点与展望</td><td></td><td>FCon全球金融科技大会</td></tr><tr><td>极客有约</td><td>InfoQ一垛到底</td><td>InfoQGee/kathon>黑客马拉松大赛</td><td></td><td></td></tr></table> # 第三篇 # 企业级AI技术落地效果不及预期 # 1. 企业落地AI技术的范式 通过调研我们发现，目前企业“AI+”项目的周期大致可分为以下六个阶段： (1) 技术验证：进行技术调研及业内应用场景调研，确定该AI技术的性能指标、安全指标。 (2）场景筛选：针对该AI技术特性，从需求池中挑选1一2个贴合的场景进行快速验证。 (3) 应用开发：结合应用场景建设智能体应用，并完成模型部署与接口对接。 (4) MVP 验证：通过分流 / 加白方式进行产验及 A/B 测试，根据回收效果持续调优模型。 (5) 合规评审：准备相关合规材料，进行内部评审与外部报备。 (6) 全流量切换：安全评审及外部报备通过后即可正式上线，后续根据效果回收持续调优模型。 此外，在上文也提到，相比过去的项目，AI项目落地周期更短、团队更小，这很大程度是因为AI生成代码被大规模纳入开发流程。 与传统项目需要堆人手才能覆盖所有环节不同，AI项目的流程瓶颈变成了沟通和决策。团队规模越大，沟通成本越高。麦肯锡【Moving away from Agile: What's Next】中的一项实验研究显示，由小团队配合AI，其代码合并量上涨 $51\%$ 。 # 2.AI落地效果不及预期 在访谈中我们发现，企业的AI技术应用效果不及预期并不是个例。当前国内企业评估AI落地成效，仍以效能提升为核心衡量标准。麦肯锡「The state of AI in 2025: Agents, innovation, and transformation」中的研究数据也显示，仅 $39\%$ 的受访者表示人工智能技术对企业息税前利润（EBIT）产生了实质性影响。这从侧面印证，行业内尚未建立一套行之有效的AI价值评估指标体系。 值得注意的是，该份研究同时指出，业务流程的重新设计是AI落地成功的关键要素。在人工智能高绩效企业中，半数企业计划依托AI技术对现有业务进行深度改造，而绝大多数头部企业均已启动流程重构工作。 与此对应的是，在我们的访谈中，不少受访者表示，以智能体为核心执行单元的业务流程编排（agent-based workflow），作为打通业务与技术的关键桥梁，如今已成为复合型人才必须掌握的核心技能之一。 因而，我们推论，一套科学的评估标准，其核心应聚焦于企业是否具备基于智能体重构业务流程的能力。 # 3. 原因分析 # (1) 技术不成熟 一方面，底层大模型的能力仍有提升空间；另一方面，知识、插件等辅助工具准备不够充足，智能体缺少全局的指示，对于复杂场景的随机性太强，无法提供可靠的输出。 # (2) 人才不适配 - 场景转型困难 传统业务人才缺少AI敏感度，难以主动提出AI辅助的需求和解决方案，需要技术、算法团队主动介入，导致整体AI转型较慢。需要不断加强AI认知，同时定期分享AI赋能业务的标杆应用，帮助业务人才走出认知盲区。 AI人才技能不足 企业现有的AI相关岗位从业者技术能力参差不齐，导致企业的“AI+”项目难以有效赋能业务场景，落地效果不及预期。 - 对 AI 认知不足，对落地效果有错误预期 不少企业管理者将AI视为万能解决方案，要么盲目追求技术先进性而脱离业务实际，要么过度低估AI落地所需的数据基础、流程重构和持续运营成本，导致项目启动后难以达到预期目标，甚至出现投入与产出严重失衡的情况。 # 第四篇 # AI时代企业渴求超级员工 # 1. 企业渴求超级员工，对现存员工岗位及职责造成冲击 那么AI时代企业需要什么样的人才呢？ 调研中发现，企业对“超级员工”的渴求正在显著增强。受访者普遍认为，企业真正需要的是能够覆盖从需求挖掘、产品研发到测试落地的全流程工作的“超级员工”。 这种趋势也对现存员工的岗位定位与职责边界造成了明显冲击。传统的岗位划分、技能要求和工作流程正在被重新审视，许多原本需要多人协作的任务，现在可能由少数具备综合能力的“超级员工”或人机协同组合完成。这使得部分岗位面临被整合、弱化甚至被替代的风险，也迫使现有员工重新思考自身的能力结构与成长路径。 # 2. 组织管理者的设想 在我们的调研中，所有受访者均明确表示，兼具业务洞察与AI技术能力的复合型人才是当前行业最紧缺的核心资源。 与此同时，受访者普遍认为，未来AI人才的岗位名称将不再具备关键区分意义。例如，某智能制造企业已将相关岗位统一归类为“AI工程师”。他们一致指出，企业真正需要的是能够覆盖从需求挖掘、产品研发到测试落地的全流程工作的“超级员工”。 此外，我们在与头部AI原生应用企业的交流中还发现，针对AI相关的岗位职能定义，目前已经进入系统化构建阶段。 # 3．我们的推论 首先，符合未来需求的AI人才，应该是“原子化”人才。 这意味着他们不再局限于单一职能的条线划分，而是能够将自身技能拆解为可灵活组合的“能力原子”，无论是需求挖掘、流程重构、模型调优还是项目落地，都能根据业务场景的需要，快速适配不同角色的工作要求。正如调研中提到的，企业对AI人才的岗位名称逐渐淡化，更看重能否覆盖从需求到测试的全流程工作，本质上就是对原子化能力的高度认可。 其次，未来的 AI 人才必然是技能叠加的快速学习者。 他们不仅拥有“业务 + AI”的复合型知识储备，能够打通技术与业务的壁垒，更具备极强的学习迭代能力。在智能体技术快速发展的背景下，新的工具、算法和流程编排方式层出不穷，只有能够快速吸收新知识、叠加新技能的人，才能跟上技术迭代的节奏，成为企业AI落地的核心驱动力。我们相信，随着企业重新定义岗位职能，其核心方向正是围绕技能叠加构建人才能力模型。 与此同时，单兵作战的主动型人格也是AI人才不可或缺的特质。 面对企业AI转型过程中需求模糊、流程待重构的复杂场景，被动等待指令的执行者难以推动项目落地。而主动型人才能够自主挖掘业务痛点，主动设计解决方案，即便在跨部门协作资源尚未完全到位的情况下，也能凭借单兵作战能力率先突破关键节点。这与企业对“超级员工”的需求高度契合——他们不需要依赖繁琐的指令链条，而是能以主动姿态驱动工作向前推进。 最后，善与智能体协作，是新时代AI人才区别于传统技术人才的关键特质。 随着agent-based workflow成为复合型人才的必备技能，懂技术、懂业务已经不够，还需要懂得如何与智能体协同工作。他们能够基于智能体的特性重新设计工作流程，让智能体承担重复性、标准化的任务，自身则聚焦于策略规划、决策优化和异常处理等高价值环节，通过人机协同实现效率最大化。这种协作能力，正是企业AI落地从“技术试点”走向“规模化价值创造”的核心保障。 # 4．人才发展趋势预测 综合以上分析，我们认为AI时代的人才发展将出现以下趋势： # (1) 职能边界扩张，超级员工开始出现 伴随智能体在企业的深度落地与管理层级的精简优化，传统岗位的职能边界正被逐步打破并持续扩张，兼具技术能力与业务洞察力的“超级员工”开始应运而生。这类人才不再局限于单一岗位的职责范畴，而是能够覆盖全链路工作，并积极协同智能体完成任务。 # (2) 传统管理者的岗位数量减少，职责方向变更，决策模式变化 未来企业管理层级将精简至两到三层，中层管理者规模相应压缩。 管理者的角色也将迎来关键转型：传统上传下达的执行型管理者将被淘汰，未来管理者需转型为“业务Owner”，全面负责业务经营、能力建设与团队搭建，核心能力聚焦于问题定义、智能体规划与资源调配。 此外，管理者需掌握AI基础常识，具备技术方向判断与战略制定能力；随着数字员工的广泛应用，人机协同团队模式成为常态，管理者更需主导构建企业AI文化。技术管理者则需深耕主流技术的能力边界、合规性与可控性，为团队技术实践提供专业指导。 在决策模式上，未来决策将从个人经验驱动转向人机协同驱动——大模型将充当“外脑”输出分析与方案，决策依据更多依赖数据与模型推理，大幅减少感性判断的干扰。 # (3) 新角色涌现 在企业重构组织架构与岗位体系的过程中，一批适配人机协同模式的新角色或将应运而生，例如AI生成内容审核者与人机协同协调者。 前者需兼具AI技术认知与行业合规知识，既要对AI生成内容的准确性、合规性、逻辑性进行校验，也要基于业务需求优化内容生成的提示策略；后者则承担起业务需求与智能体能力的衔接重任，负责设计人机协作流程、协调智能体与人工岗位的分工配合、解决协同过程中的各类问题。 # 企业数智化技能培训综合服务商 # >全场景AI培训：助力战略、业务、技术全员数智化升级 专利研究 培养技能要求 三层次赋能对象 # AI战略思维管理者 企业AI实践的领导者，具备战略眼光，保持前瞻性，推动企业AI变革发展方向。 # 痛点 AI战略规划，难落地 管理、AI、业务，跨界难融合 AI战略及分析 AI创新AI 市场趋势洞察 人才培养与组织文化 AI组织建设 # AI应用人才 一类是精通AI场景化应用，实现业务价值升级的实践者； 二类是精通AI技术，融合技术与业务，推动AI赋能业务的赋能者。 # 痛点 AI难解复杂业务问题 场景应用与实际业务脱节 AI Agent 应用开发 DeepSeek办公提效 AIGC工具应用 AI数据分析 文生文 提示词工程 AI产品设计 文生图 安全合规 文生音/视频 智能体工作流 # AI技术研发人才 是AI系统的稳固基石，构建和维护AI技术平台，为上层应用和服务提供了坚实的技术保障。 # 痛点 技术迭代快，AI学习焦虑 大模型落地受阻 技术研发团队 AI Agent开发 RAG技术应用 多模态应用 大模型评估 大模型安全 算法团队 模型选型 大模型预训练 大模型微调 大模型部署 大模型算法调优 极客时间注册用户 300+万人 累计付费企业 3000+家 聚合全球一线技术专家 3000 + 位 线上优质课程 5500 覆盖数字化岗位 100 +个 # 第五篇 # AI时代人才粮仓模型 从上述调研结论不难判断，智能体将是未来企业组织架构与业务流程升级的关键核心。一方面，受企业降本增效需求的直接驱动，智能体在企业场景的规模化应用已是必然方向；另一方面，伴随企业对复合型人才的技能标准不断提高，基于智能体的业务流程重构，也成为企业发展的必经之路。 基于这一判断，我们提出“AI人才粮仓模型”，契合智能体时代发展需求，实现从数据准备、安全合规、建模研发、部署优化到智能体搭建与场景应用的全链路覆盖。以四层人才梯队为核心支撑——AI思维引导者领航方向、应用人才推动落地、定义人才承接衔接、大模型专项人才夯实技术底座，最终为企业构建储备充沛、结构科学、动态迭代的长效AI人才生态。 底座是数据来源层，数字员工、工业互联网、超级自动化、云计算、数字孪生、物联网、具身智能、AR/VR等都是企业获取数据的来源。 # 1. 前瞻规划 - AI 思维引导者 AI思维引导者是企业AI实践的领导者，需具备战略眼光，始终保持前瞻性，把控企业AI发展方向，是推动技术变革的领导者。他们的核心职能不仅局限于日常的运营 管理，更包括制定战略、建设团队、塑造企业文化与品牌以及提升组织效率等多个方面。 # AI思维引导者职责范围 # 战略规划与制定 掌握AI技术趋势，结合行业洞察，以抢占市场先机、提升企业竞争力为目标制定企业的短期及长期战略。 # 团队建设与激励 优化资源配置，通过数字员工与智能体的部署，致力于打造高效、协作的团队 # 品牌与文化塑造 打造企业工程文化，培育全体员工对极致的追求与务实创新的精神 注重企业品牌的建设，通过塑造积极的企业形象，提升企业在市场中的竞争力。 # 提升组织管理效率 推动企业进行组织变革，优化企业资源的调度与分配，提升组织效能与核心竞争力。 # AI思维引导者能力模型 # 2. 业务骨干 - 智能体应用人才 智能体应用人才是企业中应用AI大模型实现业务价值升级的实践者。他们有着丰富的业务经验和执行力，其敏锐的业务洞察有助于其把控智能体的输出质量，同时在智能体的辅助下，有利于他们做出更具价值的业务判断。 以智能体为核心的业务工作流对智能体应用人才同样深具挑战，其也需学习、适应与智能体协作的新工作模式。 # 智能体应用人才职责范围 # 学习与适应 z主动学习AI相关新知识、新技能，不断提升应用AI工具的纯熟度。 适应与智能体共同协作的工作环境和任务要求，磨合提高二者的配合度。 # 判断与执行 ■判断智能体输出的质量，判断智能体决策的范围与边界执行相应工作模式下的工作规划并取得成果。 # 归纳总结 归纳总结智能体的输出质量及规律，反馈至智能体定义团队及大模型专项团队，循环优化智能体能力/输出。 # 智能体应用人才能力模型 # 3. 中坚力量 - 智能体定义人才 智能体定义人才需要拥有敏锐的业务洞察力，且对AI大模型技术有充分认知，迅速识别出大模型技术在企业中的潜在应用点。他们的工作不仅仅是技术的实施，更多是融合技术与业务、推动AI大模型赋能业务，为企业创造更大的价值。 # 智能体定义人才职责范围 战略解码 结合行业洞察及AI技术趋势，拆解AI思维引导者/管理层制定的企业短期与长期规划，并据此制定业务部门的工作内容规划。 工作流设计 结合业务洞察，根据业务部门的工作内容规划，以智能体为核心重设工作流。 智能体的推广及应用 负责智能体在业务部门的应用普及，及相关的技术咨询收集智能体的应用反馈，与大模型专项团队循环迭代智能体。 # 智能体定义人才能力模型 沟通协作能力 # 4．发展基石-大模型专项人才 大模型专项人才，包括算法团队、工程团队、安全与合规团队及数据团队，负责构建和维护企业的AI技术底座，为上层应用和服务的平稳运行提供坚实的技术保障； # 大模型专项人才职责范围 前瞻性思考 ■ 预测未来技术趋势，为企业的AI技术升级提供战略规划。 判断与执行 结合业务部门的工作内容及需求，作出有利于智能体迭代优化的判断，并进行相应层面的技术改进。 系统构建与维护 精通AI大模型的架构设计、部署和维护，确保系统的稳定性和可扩展性，保证系统之上的应用稳定运行。 性能优化 ■持续监控系统性能，通过优化算法和资源配置，提升AI系统的处理效率和响应速度。 成本优化 持续优化技术架构与部署方案，保证系统与应用平稳运行的同时达到成本最优解。 安全与合规 保证系统的安全与合规 保证内容的安全与合规 # 大模型专项人才能力模型 AI技术能力 持续学习能力 沟通协作能力 此外，我们还观察到一个明显趋势：企业正在推动产研团队的深度融合，产品经理与研发人员之间的传统边界正在逐渐淡化。这一变化与前文提到的“超级员工”趋势高度契合。在人才紧缺和人力成本压力的双重驱动下，跨角色职责的重叠变得越来越常见。例如，在部分企业中，AI infra 人才与算法人才的工作范围出现交叉已不再是个别现象，而是正在成为一种实践常态。 # 学 AI，用极客时间 极客时间专注为开发者提供高质量技术教育。通过PGC内容生产模式，教研团队与 $1000+$ 一线技术专家共同打造，课程涵盖AI大模型、计算机原理、后端、架构、前端、测试、运维、管理等 $70+$ 技术领域。 400 + 精品体系课 技术领域全覆盖 18条 学习路径 垂直领域深耕 1000+ 一线大师独家心法名师出高徒 沉浸式学习 学习排位赛、打卡、直播让学习更有趣 扫码开启学习之旅 # 专栏课——哪里薄弱补哪里 Agentic AI 智能体开发行动营 王延飞 资深软件架构师 AI原生开发工作流实战 Tony Bai 资深架构师 AI重塑测试开发系统实践 陈磊 前京东测试架构师 大模型应用一站式开发 袁从德AI创业公司CTO AI时代程序员职业发展必修课 Brook某上市企业AI高级技术专家、资深架构师 玩转AI办公提效工具 尹会生 大模型领域连续创业者&技术战略专家 大数据应用实战 曹霖 神策数据联合创始人 & CTO DeepResearch前沿智能体实战 云阳 某大厂AI与容器技术专家 # 2. 训练营——体系化进阶实战 # AI编程实战营 全链路AI落地，打造可复制的高效研发流程 陈天TubiTV高级研发副总裁 # AI全栈开发实战营 基于DeepSeek开发，掌握Agent技术与大模型项目实战 彭靖田 谷歌开发者专家 # AI工程化项目实战营 面向生产的RAG系统与多Agent协同平台实战 尹会生成式AI与智能硬件融合创新者，大模型领域连续创业者&技术战略专家 # 大模型RAG进阶实战营 基于DeepSeek的RAG系统研发实战 黄佳 新加坡科研局资深研发工程师 # 企业级Agents开发实战营 Agent产品化工程落地实践的专业课 彭靖田 谷歌开发者专家 # 多模态 Agent 开发实战营 全模态突破性技术集成 $+$ 工程化落地，打造企业级AIGCAgent平台 Hiro某头部互联网公司多模态大模型负责人 数学基础 编程能力 数据工程 机器学习 深度学习与NLP 强化学习 模型能力 实践与工程化 # 第六篇 # AI时代组织变革不可避免 # 1. 组织管理者的设想 AI时代的企业应该是什么样的组织？ 在访谈中，我们发现受访者的观点存在明显分歧。尽管有观点认为，AI时代企业组织变革的核心在于能力重塑，而非对现有架构的颠覆性重构，AI技术不会完全取代既有的组织层级与职能分工体系，但会深度改变各岗位的工作内容与执行方式；但更多受访者提出，AI时代的组织形态将向扁平化方向加速演进，管理层级有望被压缩至两到三层。 在业务团队的建设层面，受访对象已形成普遍共识：未来团队规模将持续精简化，呈现小型化、敏捷化的发展趋势，团队运作更强调自主决策与快速响应能力，“一人+多智能体”的新型工作模式也将逐步成为常态。 # 2. 我们的推论 综合来看，未来的企业组织将呈现以下特征：更加扁平化、更加敏捷、小团队与单兵作战并行、人才构成组织、云端协作与实体办公融合。 # a. 更加扁平化 伴随智能体与人机协同模式的普及，传统多层级的管理架构将被大幅精简，管理层级有望压缩至两到三层。这一变革不仅能减少信息传递的损耗与延迟，更能推动管理角色从上传下达的执行者向权责一体的业务Owner转型，让决策更贴近业务场景，实现组织效率的跃升。 # b. 更加敏捷 面对快速变化的市场需求与技术迭代节奏，组织不再依赖冗长的流程与繁琐的审批链条，而是以快速响应、灵活调整为核心目标。业务流程中会大量植入人机协同节点， 通过智能体承担标准化、重复性工作，让团队聚焦于高价值的策略规划与创新突破；同时，组织资源的调配模式也将更具弹性，能够根据项目需求快速整合力量，适配不同业务场景的动态变化。 # c. 小团队 VS 单兵作战的并行模式 一方面，团队规模会持续压缩，呈现小型化、精干化的特点，每个小团队都具备独立作战能力，强调自主决策与高效协同，能够快速完成从需求挖掘到项目落地的全流程任务。 另一方面，“一人 + 多智能体”的单兵作战模式也会日益普及，原子化能力突出的超级员工，能够凭借自身的复合型技能与智能体协作，独立承担复杂工作。小团队的集体攻坚与单兵的灵活突破形成互补，共同支撑组织的高效运转。 # d. 人才构成组织 未来企业的核心逻辑将是“人才构成组织”，组织的竞争力不再取决于层级与规模，而是由人才的能力密度与技能结构决定。随着岗位名称的淡化与职能边界的扩张，兼具业务洞察与AI技术能力的复合型人才，以及掌握智能体协作技能的超级员工，将成为组织的核心资产。企业会围绕人才的能力模型搭建组织架构，通过系统化的人才培养与协同机制，将个体能力转化为组织能力。 # e. 云端协作VS实体办公 智能体与数字员工的规模化应用，打破了物理空间对协作的限制，云端协作将成为常态。团队成员无需依赖实体办公场所，就能通过云端平台共享数据、协同任务，借助智能体完成跨地域、跨时区的高效协作；而实体办公场所则会更多承担创意碰撞、团队建设与复杂问题研讨的功能，云端的灵活性与实体的体验感相互结合，形成更高效、更人性化的组织协作新范式。 # 第七篇 # “十五五”规划下企业的AI前瞻规划 # 1. 政策指引 2025年10月23日，中国共产党第二十届中央委员会第四次全体会议审议通过《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》，并于2025年10月28日全文正式发布。 在“十五五”规划的总体要求下，企业正面临从底层技术、业务体系、组织生态到产业协同的全方位升级任务： - 在底层技术层面，实现原创引领与自主安全可控，构建坚实的技术底座； - 在业务层面，要以AI、大数据等新一代技术重构核心业务流程，推动业务模式创新与价值提升； - 在组织层面，需强化工程文化建设，完善AI人才梯队与激励机制，以适应人机协同的新型决策模式，同时建立安全合规的治理体系，提升ESG表现与全球化运营能力； - 在产业层面，促进产业链上下游深度协同，推动跨领域融合与价值链延伸，培育新业态、新模式，提升产业链整体韧性与竞争力。 # 2. AI大模型赋能底层原创技术突破 数据设施、软件底座、硬件基础与AI技术本身共同构成了AI时代企业的硬实力底座。AI大模型从降低研发门槛、提升开发效率、增强复杂系统的理解能力并优化决策与控制机制四大维度出发，同时为数据设施、软件底座、硬件基础以及AI自身的底层技术突破提供全方位赋能。 <table><tr><td></td><td>着力点</td><td>价值</td></tr><tr><td>数据设施</td><td>云原生技术、大数据架构</td><td>可降低云原生应用开发门槛，并提高资源利用率；同时提升平台稳定性与效率，推动数据基础设施从能存会算迈向AI自治。</td></tr><tr><td>软件底座</td><td>工业软件、高端软件、OS</td><td>能够大幅提升软件开发效率，使复杂且高门槛的底层软件实现更快迭代，降低对顶尖专家的依赖。</td></tr><tr><td>硬件基础</td><td>芯片设计、先进制造工艺</td><td>缩短芯片设计周期、提升制造良率、降低生产成本，并加速先进制程的落地应用，推动硬件研发从经验驱动转向数据与AI驱动。</td></tr><tr><td>人工智能</td><td>AI大模型应用、算法优化</td><td>“AI赋能AI”的机制让模型的开发与部署更加高效，推动AI技术从实验室原型走向规模化生产与应用。</td></tr></table> # 3. AI大模型助力业务价值升级 回顾过去，中国企业的转型升级从信息化、数字化到智能化，已走过四分之一个世纪。 “十五”、“十一五”、“十二五”时期的信息化以“业务数字化”为主，核心是实现流程在线，本质上是服务于管理的工具性手段。进入十三五、十四五时期，数字化发展转向“数字化业务”，重点是打通信息孤岛，推动数据互联共享，服务于研发、技术与运营管理。数据开始驱动业务创新与运营模式突破，使企业具备柔性、敏捷、联通、智能与智慧的能力。 数字化转型的关键是业务数字化、数据资产化、数字化业务三个阶段循环迭代、持续增值，形成闭环。其清晰呈现了数字化转型的价值实现路径：数据从业务的附属产物逐步演变为核心驱动力，实现价值跃升。数字化转型的出发点始终是“业务价值”，推动企业在持续迭代中不断提升数字化能力与业务成效。 面向十五五，智能化发展将进一步迈向“业务 $+$ 数据”的深度融合，聚焦价值链与管理链的协同优化。其本质是推动企业全面转型升级，形成新的竞争优势。 智能体作为企业深化数字化转型、驱动产业升级的关键抓手，精准承接了“依托高质量数据资产赋能业务场景，进而重构工作流程、释放转型价值”的核心使命。 # (1) 数据资产池的准备 企业需要将过去分散在ERP等软件上的采购、制造、物流等业务系统数据进行整合，遵循“盘点-治理-建模-赋能-运营”的全流程闭环，将结构化、半结构化和非结构 化的数据转化为标准化、可复用、高价值的数据资产，最终支撑业务决策与AI场景落地。 # (2) 大模型选型 不同业务场景对模型的能力、性能、成本和合规性要求存在显著差异，单一通用大模型无法兼顾所有场景的最优适配性。选择匹配场景的大模型，本质是实现能力与需求的精准对齐，最大化AI落地的价值与效率。 - 视觉大模型：开发快速、精准识别，可减少重复劳动 - 自然语言大模型：高效内容生成与理解，提升企业知识管理 - 预测大模型：传承经验、预测准确，辅助工艺参数优化 - 科学计算大模型：处理复杂科学计算，发现和预测自然规律 - 多模态大模型：综合多维信息，辅助优化决策 # (3) 业务场景识别 评估业务场景是否适合应用AI赋能，核心是判断场景具备的商业价值、场景成熟度、持续运营可行性三大条件，同时规避“为AI而AI”的形式化投入。 1. 商业价值优先：AI赋能必须直接指向降本、增效、增收、控险四大核心业务目标，无明确价值的场景坚决不落地。 2. 场景成熟度匹配：在业务、数据、技术三个维度上是否具备足够的成熟度，从而保证AI技术在该场景的顺利落地。 3. 可持续性运营：须有明确的运营目标、可衡量的运营数据指标，以及支撑持续运营的组织、机制和资源。 # 4. AI大模型推动组织生态变革 AI大模型正从技术工具升级为组织生态重构的核心引擎，推动组织生态从封闭科层向开放协同的智能生态系统转型，实现管理效率与创新能力的系统性跃升。 # (1) 打造企业工程文化 重塑工作范式，培育对极致的追求与务实创新的精神文化，从内核到实践全方位构建企业工程文化，让技术创新、协作效率与责任担当形成正向循环。 # (2) 完善企业 AI 人才梯队建设 在AI时代，企业应通过构建多层次技能体系加速人才能力升级。同时推动人才角色重构，使组织架构更适配智能化转型。此外，通过数字化学习平台与项目制学习提升组织学习效率，形成自驱动的学习文化，让员工持续成长、组织快速应变。 # (3) 建立企业 AI 人才激励机制 建立企业AI人才激励机制，需以精准量化贡献为核心，同时实施个性化激励，根据不同岗位与个人需求提供差异化奖励。同时，通过自动化流程提升激励发放效率，确保及时透明。 激励体系还需与组织战略目标对齐，引导人才聚焦关键任务。此外，设置长期成长 激励，促进人才持续投入与稳定发展。 # (4) 建设企业安全合规的治理体系 企业在推进智能化转型的同时，必须同步强化数据安全治理，构建可追溯、可审计的数据体系，确保数据全生命周期的安全可控。通过提升安全运营自动化水平，打造智能化安全防护体系，能够更快速地识别并响应威胁。同时，推动合规流程数字化与智能化，可显著降低合规成本，提高管理效率。企业还需强化风险识别与预警能力，实现安全合规的前置化管理。最后，通过组织治理机制的升级，形成全员参与的安全合规文化氛围，为企业的稳健发展提供坚实保障。 # (5) 提升企业管理效率 为提升企业管理效率，需从信息、协作、决策与流程四个方面同步推进。首先，重塑信息流动方式，减少层级传递带来的延迟。其次，优化组织协作，打破部门壁垒，建立跨团队协同机制，提高沟通与执行效率。再次，提升决策效率，借助数据分析与智能工具，让管理层基于准确信息快速做出判断。最后，自动化管理流程，减少人工重复工作，从而全面提升企业运营效能。 # 5. AI大模型助力现代化产业体系建设 AI大模型通过打通数据与知识壁垒、推动跨领域融合、培育新业态新模式、提升产业链韧性与竞争力，让产业链从线性协作走向智能协同，从单点创新走向系统创新，从被动适应走向主动进化，为构建现代化产业体系提供强大动力。 提升产业链韧性与竞争力，构建安全可控的产业体系 培育新业态、新模式，推动产业体系升级 打通产业链数据与知识壁垒，实现上下游深度协同 推动跨领域融合，加速技术、数据与业务的跨界创新 # (1) 打通产业链数据与知识壁垒，实现上下游深度协同 通过打通产业链各环节的数据与知识壁垒，整合形成统一的产业链知识图谱，借助自然语言交互，让上下游企业便捷共享需求、库存、产能、质量等关键信息，实现产业链深度协同。 # (2) 推动跨领域融合，加速技术、数据与业务的跨界创新 通过打通垂直领域的数据与模型，以及跨学科知识推理，让研发人员能够在更广阔的知识空间中发现新的关联与突破点，从而加速创新研发进程。同时，积极推动产、学、研、用协同创新，让科研成果能够更快从实验室走向产业一线，转化为真正的生产力和竞争力。 # (3) 培育新业态、新模式，推动产业体系升级 深化智能制造，让设备与系统具备更强的感知、决策与自优化能力。同时，积极发展服务型制造、柔性制造和按需生产等新模式，进一步催生平台型产业协作模式，促进产业链上下游在开放平台上高效协同，形成更具韧性和竞争力的现代产业体系。 # (4) 提升产业链韧性与竞争力，构建安全可控的产业体系 实时监测地缘政治变化、供应链中断、自然灾害等各类风险因素，提前识别潜在威胁并制定科学应对策略。同时，对供应链布局进行动态调整，实现多源供应、柔性替代与高效调度，增强系统的灵活性和抗干扰能力。在此基础上，构建产业链级的智能决策系统，打通数据、模型与业务流程，提升整体协同效率与抗冲击能力，确保产业体系在复杂环境下依然能够稳定、安全、高效运行。 # TGO鯨鵬會 # 汇聚全球科技领导者的高端社区 累计学员人数 2000+ 全年公开学习活动 150+ 覆盖技术团队规模 30万+ 分布行业或领域 20+ 使命 Mission 愿景 Vision 价值观 Values 助力学员成为卓越的科技领导者 助力有科技背景的优秀人才实现蜕变成长的自组织、自激励同侪学习平台 渴望学习、乐于分享互相成就、守护信任 # - 专属学习小组 北京2组 上海16组 上海5组 杭州6组 南京1组 # - GTLC 全球科技领导力大会（北京总站） # - GTLC 全球科技领导力大会（大湾区站） # TGO鲲鹏会分会活动 # 第八篇 # 企业AI落地与人才实践案例 # 1. 安克创新：智能制造行业AI落地的全链路智能化样本 2025年，安克创新完成AI技术在研发、业务流程、智能体平台等领域的深度渗透，依托自研智能体平台MOPA构建端到端AI自动化能力，实现百倍级token消耗增长与高强度资源投入，为企业AI规模化落地树立可复制样本。 在技术落地成果上，安克创新实现全维度变革：其日均 token消耗从年初100万跃升至年底500亿，单日Sota大模型使用成本约15万美元。基于自研平台部署超1000个AI智能体，覆盖广告、营销等核心业务。研发端应用Cursor等AI工具，代码生成提交占比达 $50\% -60\%$ ，新项目占比高达 $98\%$ ，并推行全流程AI集成开发模式。流程端构建PA平台，实现L2级业务流程 $100\%$ 自动化运行，赋能非技术人员参与流程优化。核心底座MOPA平台基于周台大模型，具备动态智能执行、批量生成智能体、低代码/无代码等特性，打破技术与业务壁垒。 高效落地的关键在于“敏捷验证 + 极快周期”双轮驱动机制。安克创新建立“适配一构建一变革”三阶段闭环，新能力出现后即组建 1-2 人小团队开展 MVP 验证，验证通过后定制方案并推广至全公司。项目从 0 到 1 最短一周落地，部分项目实现两天出成果。团队配置采用“小而精”模式，20-30 人的专职 AI 团队提供技术支撑，小型项目由 2-3 人业务与研发混合小组推进。 人才体系是AI落地的核心支撑。安克创新日均3000-4000名员工使用AI工具，占比近 $80\%$ ，但能力两极分化，能构造智能体的“大六人”仅占 $10\% -15\%$ 。公司建立“大六人”“小六人”双轨分类体系，通过“火箭班”脱产培训、全员AI文化宣导、行为追踪激励等方式加速人才孵化，推行AI“a照”“c照”分级认证与末位淘汰机制。招聘采用“招飞”模式，聚焦实战能力，坚持内部培养优先，人才结构呈现“哑铃状”分布，弱化传统中间层岗位。 2026年，安克创新锚定“50%—60%核心流程AI驱动”目标，计划投入超1亿美元，聚焦多模态大模型、多智能体协同技术突破，全力向AI-native组织形态转型，有望成为企业AI规模化落地的标杆。 # 2. 新奥泛能：能源行业AI落地的场景驱动实践 新奥泛能推动AI与能源行业深度融合，形成覆盖多领域的技术赋能体系，构建泛能仿真模型的同时布局智能体技术，重塑组织管理，以场景驱动实现高效落地，成效显著。 AI应用已渗透技术研发、生产控制、组织管理核心领域：完成DeepSeek等大模型私有化部署，搭建知识互动系统；在虚拟电厂等领域采用激励模型，实现能源系统自主调控；AI辅助编码覆盖 $30\% -40\%$ 开发任务，提升研发效率；HR、财务等部门运用AI工具优化管理流程。 落地采用场景驱动模式，初期探索周期较长，后续依托模块化架构可快速复制扩展。印染行业案例中，AI调控使良品率从 $85\%$ 提升至 $97\% - 99\%$ ，暖通智能体节能率较去年提高 $3\%$ ，算法经云端自训练实现持续进化。 人才体系适配转型需求，员工中专职AI人才占比 $20\%$ ， $30\% - 40\%$ 员工使用AI工具。坚持选择优于培养，核心骨干引自大厂，通过跨界学习、全员AI工具应用和领导力培养构建AI人才培养体系，以战代练提升能力。 # 3. 鞍钢：钢铁行业AI落地的数据驱动实践 鞍钢以智能体构建与数据驱动为核心，稳步推进AI技术场景落地，形成“技术落地—战略规划—人才适配”全链路转型路径，为传统钢铁企业智能化升级提供实践参考。 技术落地层面，鞍钢采用“数据 $+\mathrm{AI}$ ”模式，深耕运营与经营数据挖掘，引入ChatGPT等大模型辅助决策，部署数字员工承接重复性工作。初期投入数百万元，算力全靠云端租赁，规避自建平台高额成本。未来将聚焦智能体集群调度、大小模型融合及流程自动化，推动“人找信息”向“信息找人”转变，提升决策响应速度，实现企业流程高效实时运转。 战略规划锚定运营管理协同，借AI打破部门壁垒，以RPA+智能体替代人工，破解协作壁垒导致的数据孤岛问题。实施分三步推进：先耗时五个月统一管理层认知，再 由业务方主导场景需求分析，最后通过“双战队长”机制实现业务与IT协同。AI落地周期以年为单位，成效渐进提升，初始目标务实（仅要求AI能力略优于人类），在时间缩短、合格率等量化指标中验证效果，同时通过会议纪要自动生成等场景释放人力价值。 人才体系采用引育结合策略，通过实践场景引导培养，新员工推行“理论学习 + 业务融入”路径，不设统一考核，侧重数据驱动思维的内化养成。 # 4. 平安壹钱包：金融领域AI落地的全场景智能化样本 平安壹钱包以“技术深耕一战略布局一人才适配”为核心，推动AI在金融领域全场景渗透，通过三大核心场景落地、标准化流程管控与复合型人才培养，为行业智能化转型提供系统参考。 AI技术已实现三大场景规模化落地： 一是多模态统一知识库，协同OCR/ASR工具提取音视频等数据，经大模型提炼形成知识底座； 二是大小模型协同工作流，拆解重构人工流程，小模型负责识别判断，大模型承担决策生成，可完全替代人工并积累业务工具； 三是LLM + MCP智能体，针对风控等复杂场景，通过“推理—行动—观察”闭环实现辅助决策。 “十五五”期间，平安壹钱包明确三大布局：加大AI投入，聚焦基础平台建设与业务转型；开展全员AI培训，重点培养“业务 $+$ AI”“技术 $+$ AI”“管理 $+$ AI”复合型人才；构建AI创新实验室，探索前沿技术与新兴场景。 落地遵循六阶段闭环流程：技术验证-适配场景-应用开发-MVP验证-合规评审-全流量切换，后续持续迭代。 人才培养以实践为核心，复合型人才需掌握AI编排、Agent设计等技能，金融领域流程编排类工作流已成必备能力。通过推广AI Code工具，将AI重新定位为工作和学习的合作伙伴。通过人机协同的方式，边实践边磨合，助力研发提效。 # 5．阿里云：科技企业AI全链路赋能业务实践本 阿里云以“结果即服务（RaaS）”为核心，推进AI大模型在企业全场景落地，通过28个数字人上岗赋能业务，构建起“组织重组-机会识别-指标定义-工程落地”的全链路方法论，为企业AI规模化应用提供了标杆样本。 AI落地已覆盖十大核心场景：技术文档翻译数字人将多语种翻译成本降至原1/200，评分超专业译者；文档验证数字人把原半年的验证周期压缩至一周，保障多语种文档与功能一致性；网站AI助理将咨询工单响应时间从5小时缩至10秒；智能电销辅助覆盖话前、话中、话后全环节，话中提示采纳率达 $50\%$ ；智能质检实现 $100\%$ 全量覆盖，解决人工抽样低效难题；智能外呼数字人突破专业坐席短缺瓶颈，支撑线索清洗、续费提醒等场景；直销辅助数字人让客户拜访准备时间从1小时缩至10分钟，新人上手周期减半；合同风险审核数字人破解大客户合同审核瓶颈；员工服务数字人“云小宝”将响应时长从7.2分钟压至5秒；面试智能辅助数字人提升招聘专业性与客观性。 这些数字人均以正式员工身份纳入管理，拥有专属工号，需满足“效率、效果双超人工”标准才能上岗，核心衡量指标包括折算拓展人力、业务效率与效果提升幅度。 以核心方法论RIDE推动成功落地：重组组织生产关系，通过全员AI认证统一认知，数字人划归业务部门管理；识别Language类、重复规模化、缺人低效的业务痛点；定义以准确率为核心的产品指标与运营指标；以数据与评测为基石推进工程落地，采用翻译与Agent两大应用范式，规避“无蛋糕坯先放樱桃”等常见误区。 # 结尾 AI浪潮席卷之下，智能体正重塑企业运行底层逻辑，人才升级与组织变革成为破局核心命题。从技术试点到规模化价值兑现，企业需锚定智能体核心抓手，搭建AI人才体系、优化组织架构、深耕高价值业务场景。面向“十五五”，唯有以政策为引领、以技术为基石、以人才为核心驱动力，持续推进业务流程重构，方能在AI时代筑牢核心竞争力，在产业变革新浪潮中行稳致远。 # AGICamp 模力工场 # 每天发现好用的AI应用 320+ 已上线AI应用 157+ 链接开发者团队 16种 涵盖应用分类 模力工场（AGICamp）专注于发掘和推荐全球新兴、优质的AI应用，通过每周AI应用榜单发布、黑客松、会议、投融资等服务，帮助AI软件、AI硬件、智能体、具身智能等领域初创产品，快速找到用户，获取用户真实评价，打造一个有烟火气的AI原生社区。 大模型时代，让每一个好用的AI应用在“模力工场”焕发魔力。 # 扫码添加模力工场小A助手 应用上榜、周卡福利领取、大会赛事合作均可咨询 # 》诚邀AI应用开发者，来模力工场发布应用，惊喜四重奏！ # 每周AI应用榜，提升行业影响力 每周AI应用榜单将通过极客邦科技旗下全媒体矩阵传播，覆盖技术决策者、开发者与AI应用用户，包括InfoQ全媒体矩阵、极客时间全媒体矩阵、AI前线全媒体矩阵、TGO鲲鹏会全媒体矩阵。 # 行业大会联展，专属展位曝光 # 参与精品路演，闭门会分享 # AI编程黑客松，创意无极限 # Geek<bang> 极客邦科技 极客传媒 TGO鯨鵬會 极客时间 AGIcamp 模力工场 推动数智人才全面发展，助力数智中国早日实现 关注「极客时间企业版」服务号下载电子版报告