1. 首頁 > 生活百科 > >

AI應用如何落地政企？首先不要卷通用大模型

人工智能ai

AI應用如何落地政企？首先不要卷通用大模型

文章圖片

【AI應用如何落地政企？首先不要卷通用大模型】AI應用如何落地政企？首先不要卷通用大模型

文章圖片

AI應用如何落地政企？首先不要卷通用大模型

文章圖片

AI應用如何落地政企？首先不要卷通用大模型

白交 發自 凹非寺
量子位 | 公眾號 QbitAI
智能體元年 ， 處處都是智能體 。 甚至剛落幕的ISC.AI 2025第十三屆互聯網安全大會 ， 主題直接就是“ALL IN AGENT” 。
在這里 ， 全球首個L4級智能體系統“納米AI”上演技術秀 ， 具身智能機器人主持整個會議流程 ， 重新定義“智能參會” 。

大會傳遞出的信號清晰而強烈：智能體技術正加速滲透進產業核心領域 。
360作為大會主辦及支持方 ， 其政企AI業務已經與智能體技術深度綁定 。 這場大會既是行業趨勢發布會 ， 更成為了360AI落地的“實踐秀” 。
當智能體從技術熱詞變成生產力工具 ， 360的實踐揭示了三重反常識邏輯：
不盲目追求通用大模型 ， 聚焦小場景更容易在政企行業破局； 用“樂高式”的智能體工廠 ， 賦能傳統政企場景也可以變成可復制的黃金模板； 新「安卓」時代 ， 安全與AI的深度綁定 ， 成為智能體落地的必選項 。接下來逐一拆解來看 。
不盲目追大模型 ， 聚焦「小」場景更易破局首先 ， 從戰略選擇上 ， 不盲目卷通用大模型 。
360集團創始人周鴻祎指出 ， 大模型在企業中的落地效果不如預期 ， 其中主要存在兩個問題：一是模型推理能力不足；二是模型不具備獨立做事的能力 ， 不太會用工具 。

這時候 ， 大模型向智能體進化就是一個必然趨勢 。 如果說大模型是大腦 ， 智能體相當于大模型的身體手和腳 ， 它能夠理解目標、規劃任務、調用工具、具備記憶 ， 實現從需求到結果的完整交付 。 因此對于政企機構而言 ， 想要把AI變成真正的生產力工具 ， 必須要在智能體上進行投入 。
大的技術方向是確定了 ， 但后面怎么落地才是更值得思考的問題 。
我們知道在C端 ， 智能體產品怎么設計 ， 目標其實很明確——只要用戶滿意就行；但在B端 ， 每個行業痛點都不同 ， 問題就在于怎么找場景切入；但找到場景之后 ， 各家企業數智化所處階段又不一樣 ， 這時候談如何賦能就更復雜了 。
那么先找場景 。 360的方法論聚焦于「小」這個字 。
有這么一個軌交領域的案例 。 最初的切入點非常小 ， 僅僅是幫助軌交集團解決生產經營月度會的報告自動化處理問題 。
過去集團戰略企管部每月需要協調集團各職能部門及下屬建、管、運相關公司20余家單位整理、匯總并提交生產經營數據 ， 涉及資產負債情況、收入情況、成本情況、利潤情況、資金情況、項目投資建設情況、運營生產服務情況、考核目標完成情況等 ， 并形成月度報告供生產經營調度會使用 。 此報告的匯編和使用存在時間周期長、人力投入大、數據易出錯、無法探究明細、紙質件翻閱難等問題 。
后來軌交集團通過搭建AI知識庫+生產經營智能體+MCP很好地解決了這一問題 。 通過AI知識庫提供報告各部分所需的模版 ， 靈活組裝；通過MCP鏈接各業務系統實時調取數據；通過生產經營智能體獲得符合要求的報告模板、鮮活數據以及輔助決策知識 ， 利用大模型能力 ， 最終自動化生成生產經營報告 。
改造后 ， 不僅實現了月度報告的自動化生成 ， 集團高管團隊還能通過移動端實時調取各類細節數據 ， 并通過智能問答的方式獲取集團生產經營情況 ， 極大提高企業管理效率 。
這樣一來 ， 高層在決策上更加高效和有據可查 ， 實現了從“看不到、看不到價值”到“有成效”的轉變 。
事實上 ， 過去一直以來 ， 360都是基于這樣的方法論來切入政企AI落地——
通過識別并解決企業中的核心痛點和“小場景” ， 來撬動巨大的業務價值和效率提升 。
不過除了有一雙尋找場景的「慧眼」 ， 還得有「手」有「腳」在場景中去實踐 ， 這的確也是件老大難的事兒 。
這次大會現場 ， 360集團高級副總裁、數智化集團CEO殷宇輝發布了新一代企業級蜂群智能體工廠SEAF——針對智能化時代企業需求推出的核心平臺 ， 旨在解決政企客戶在智能體落地過程中遇到的“不能用、不好用、不放心”等問題 。

先是解決不能用的問題 。 我們知道 ， 當前開源的智能體平臺主要是SDK、框架工作流 ， 要么缺組件缺功能 ， 要么需要二次開發 ， 不能立即開箱使用 。
據介紹 ， SEAF全棧融合了Agent開發所需的工具、資源和功能塊 ， 其SaaS平臺整合了上百種MCP和上萬個開箱即用的智能體 。 讓開發者不用再為找工具、拼資源浪費時間 ， 開發效率大幅提升 。
其次是如何解決不好用的問題 。 企業場景知識和業務深度都比較復雜 。 SEAF的多模型、多知識庫、多MCP能力可以靈活組合 ， 這樣大而全的配置 ， 能夠適配企業各類個性化需求 。 還有 ， 企業多場景多歷史系統 ， 需要各類智能體自由組隊 ， SEAF打通了Workflow和多智能體模式 ， 供企業靈活選擇 ， 從而實現成本可控 。
而最需要解決的“不放心”問題 ， 本質就是關于安全的問題 ， 這是360的天然優勢 。 他們構建了全鏈路的安全防護體系 ， 覆蓋供應鏈、內容安全、數據訪問、隱私保護等方方面面 。
這背后是一整套全面的“8+10”智能體能力架構來支撐：8大基礎能力 ， 10大增強能力 。
8大基礎能力是構建智能體的底層支撐 ， 如存儲、工具、Workflow編排、運行環境、算力調度、基座模型、RAG知識庫和外部情報/搜索 。 其中 ， RAG知識庫是智能體知識的基座和原料加工廠 ， 能夠深度理解企業業務 ， 處理多模態非結構化數據 ， 確保回答的精準性和可溯源性 ， 幫助智能體從“通才”進化為“專才” 。
而10大增強能力則是進一步提升了智能體的復雜任務處理、協同、管理和安全防護能力 。 包括多智能體框架、多模態輸出、數據庫訪問、智能體沙盒、RPA/瀏覽器使用、智能體交互環境、自動規劃及Playbook、記憶、即時編程、統一管理終端 。
除了技術能力之外 ， 他們還配備了一系列產品 ， 針對企業內部辦公、業務流程 ， 來「樂高式」地搭建相應的解決方案 ， 從而實現全場景覆蓋 。

對打工人來說 ， SEAF就像個懂你工作節奏的數字同事 。 你可以隨便改它的交互界面 ， 跟收拾自己的電腦桌面似的 ， 怎么順手怎么來 。 關鍵是它不搞“暗箱操作” ， 智能體在干啥、進度到哪了 ， 全在頁面上明明白白實時顯示 ， 一眼看透 。
而像這種講究穩當嚴肅的政企場景里 ， 他們專門加了“人在回路”機制 ， 你隨時能插話修正 ， 甚至一鍵回退 ， 可控又靠譜 。
對于開發者而言 ， SEAF主打一個“零門檻” 。 不用寫代碼 ， 說句話講清需求 ， 它自己挑大模型、配模塊 ， 分分鐘生成能用的智能體 。 更絕的是有“蜂群協作空間” ， 多個智能體能組隊干活 ， 共享記憶、交換信息 ， 像個AI團隊一樣搞協作 ， 這不只是聰明 ， 簡直有“組織能力”了 。
至于老板們關心的“管理好智能體團隊”問題 ， 也被迎刃而解了：權限、運行狀態、任務完成率這些數據全透明 ， 一眼看清 ， 輕松搭起健康的智能體運營體系 。
事實上 ， 這種樂高式靈活透明、簡單易管理的平臺 ， 在實際場景中已經有了不少實踐 。 通過那些案例 ， 就能對360的落地方法論有更強的感知 。
「樂高式」搭建解決方案 ， 與企業共創AI痛點場景在企業級智能體應用中 ， 最具代表性的 ， 就是復雜業務流的深度協作場景 。
以某個航空公司客戶的飛機維修為例 。
飛機維修不僅是一套高度復雜的工程體系 ， 更是安全底線極高的領域 。 一架民航飛機的維修資料堪稱“會飛的圖書館” ， 涵蓋幾十本英文手冊、上萬頁PDF文檔 。

有這么一個具象的場景是 ， 一位經驗豐富的工程師 ， 可能在凌晨兩點的機庫里 ， 對著電腦與紙質手冊反復切換查閱 ， 甚至翻到第五版才發現關鍵步驟已更新 。
為應對這些挑戰 ， 他們基于SEAF平臺構建了一個 “1+6” 智能體協作框架：由1個主智能體負責統籌調度 ， 6個子智能體分別承擔故障識別與處理、案例知識庫調用、智能分析診斷、維修方案生成、維修風險提示、維修計劃與航材申請等任務 ， 形成了一個能夠覆蓋全流程的智能維修團隊 。
針對飛機維修場景 ， 這套智能體還配備了專屬范式：
通過真實維修圖像微調多模態模型 ， 使其具備識別照片中故障部位的能力； 借助維修文檔的RAG檢索功能 ， 快速匹配合適的維修方案； 同時打通航材庫存、ERP系統等關鍵業務接口 ， 實現配件狀態一鍵查詢、工單指令直接提交 。這一完整鏈路突破了單純“AI識別”的范疇 ， 實現了“AI深度參與業務閉環” 。
值得注意的是 ， 這樣一套范式具有極強的可復制性 。
目前已在數據中心運維、高端醫療設備維修、能源領域巡檢調度等場景快速落地 。
能夠看到的是 ， SEAF平臺可以有效鏈接專家知識與業務流程 ， 為生產提效創造實際價值 。
還有像傳統的電氣行業 。 某電力設計院曾深陷知識分散、檢索低效、流程繁瑣的困境 。
結果借助360 SEAF的三期建設 ， 這一局面被徹底改觀：通過統一知識庫整合分散資產 ， 搭建標準化管理平臺；部署辦公與專業雙問答系統 ， 讓考勤、設計規范等查詢得到快速響應；集成辦公系統后 ， 請假、報銷等場景實現自動化處理 。 升級后 ， 企業知識實現安全規范管理 ， 員工獲取知識的效率與質量顯著提升 ， 得以節省更多時間投入核心業務 。
另一案例中 ， 某市城建集團為破解營銷人員面臨的紙質手冊檢索難、知識分散及協作效率低等痛點 ， 與360 SEAF合作打造營銷全產業鏈知識平臺 。
平臺不僅整合各分公司資源建成集中式知識庫 ， 還部署了AI智能助手 ， 利用AI進行市場趨勢預測與競品分析 。 最終 ， 該集團營銷資料獲取效率提升80% ， 徹底擺脫對紙質手冊的依賴 ， 300余名營銷人員獲得精準決策支持 ， 有效驅動了業績增長 。
在當前產業互聯網智能化的背景下 ， AI技術落地難、場景適配不精準等問題始終是行業痛點 。
而360在服務大量政企客戶的過程中 ， 基于海量實踐經驗沉淀出的落地方法論 ， 正為這一困境提供了切實可行的解決方案——
通過小切口、大縱深、十倍提效的原則 ， 和客戶共創企業AI痛點場景 。
不追求大而全的概念性布局 ， 而是從企業真實的業務痛點切入 ， 像軌交集團的經營辦公會效率優化、電力設計院的知識管理難題等場景 ， 都是從具體需求出發 。
再通過深度挖掘場景價值 ， 推動技術應用向業務鏈條的縱深滲透 ， 最終實現效率的跨越式提升 。
更關鍵的是 ， 其方法論強調與客戶的“共創模式” ， 無論是前期的需求調研、場景適配 ， 還是中期的模型訓練、系統對接 ， 再到后期的效果監測、迭代優化 ， 都有清晰的路徑提供指引 。
對于企業而言 ， 這種方法論的價值在于：無需在技術探索中“走彎路” ， 能讓有限的資源集中投入到真正產生價值的環節 ， 從而確保AI技術從概念到落地的順暢銜接 ， 最終實現向實際業務成果的高效轉化 。
安全與AI的深度綁定 ， 是智能體落地的“必選項”智能體發展如火如荼 ， 之所以寄予如此厚望 。 因為它既集成了大模型的能力 ， 同時又規避了大模型在企業應用中的痛點 。 不過 ， 智能體在企業的落地也帶來了全新的安全風險和挑戰 。
比如 ， 智能體之間頻繁的交互和數據流轉就像無形的信息河流 ， 其中可能包含企業的核心機密和用戶隱私數據 。 一旦遭遇攻擊 ， 可能引發數據泄露、業務失控等風險 。

還有像“智能體黑客”的出現 ， 使得網絡攻防對抗進入了“機器對機器”的新階段 。 這意味著單個黑客可以操控上百個智能體黑客 ， 批量發起自動化攻擊 ， 從而加劇了網絡的風險 。
這樣看來 ， 智能體落地既要AI又得要安全 。 安全與AI的深度融合 ， 才是智能體企業落地的“必選項” 。
因此新時代的安全運營專家 ， 就顯得格外稀缺 ， 且培養周期長 。 這時候360的生態位就顯得格外重要 ， 他們天然擁有技術與人才的積累 ， 來幫助企業智能體落地 。
AI應用時代 ， 360就是以類似安卓系統的開源生態與產業協同模式 ， 構建以安全為紐帶的產業互聯網新基建 。

安卓系統的成功 ， 在于通過開源模式降低了移動設備的開發門檻 ， 吸引全球開發者、廠商參與 ， 最終形成統一的技術標準和龐大的應用生態 。
360的短期目標就是“通過開源生態建立事實標準”——
通過開放底層AI技術平臺 ， 讓合作伙伴無需重復投入基礎技術研發 ， 可直接基于該平臺開發適配特定場景的應用 ， 逐步形成行業通用的技術規范和協作標準 ， 類似安卓對移動互聯網的標準化支撐 。
由此一來 ， 360與合作伙伴形成“平臺+生態”的共贏模式 ， 類似安卓生態中 “系統廠商+硬件廠商+開發者”的協作關系 。
安卓是移動互聯網時代的底層基礎設施 ， 支撐了消費端的海量應用 。
現在360正在以開源、安全、生態協同為核心 ， 構建支撐產業互聯網的AI基礎設施 ， 最終實現AI技術在千行百業的普惠化落地 。
— 完 —
量子位 QbitAI · 頭條號簽
關注我們 ， 第一時間獲知前沿科技動態約

    推薦閱讀