在企业AI落地的赛道上,有一个尴尬的现实:技术再先进,项目再前沿,AI工作流仍频繁“烂尾”;有决策权的高管不点头,连启动键都按不下去;当AI开始自我优化流程,人类指导者又是否真的可以被取代?这些问题在9月13日的PEC 2025 AI创新者大会暨第二届提示工程峰会上被拎了出来。
会上“年度提问二:新工作时代:AI工作流由谁主导?”由PEC China发起人、微软MVP、软积木CEO刘海峰主持。来自企业与技术前沿的代表齐聚一堂:百度智能云创企生态负责人张龙、中国联通智慧足迹副总裁、首席经济学家王旭阳、NVIDIA企业级软件生态负责人张海军、百望股份数字经济与金融科技研究院院长李国平,以及华硕电脑AIoT战略合作伙伴总监蔡裕正,从企业实践到技术实现、从业务落地到战略决策,展开了一场高密度的思想碰撞与经验分享,将AI工作流背后的难题和解决路径彻底揭开。

AI 工作流 “烂尾” 该怪技术? 还是业务方需求反复无常?
在企业AI落地实践中,工作流烂尾的现象屡见不鲜。无论是技术能力不足、业务需求频繁调整,还是数据治理不完善,都可能让原本前景可期的AI项目半途而废。
百度智能云创企生态负责人张龙将问题拆解为启动前、开发中和上线后三个阶段。他指出,启动前的选题与选型至关重要,过度贪心或工具不可拓展会让项目埋下隐患;开发中要关注模型与工具的场景适配性,并兼顾安全与内容红线;上线后需持续优化、建立数据飞轮,否则项目容易草草收尾。
中国联通智慧足迹副总裁、首席经济学家王旭阳认为,烂尾问题源自业务侧与技术侧的双重因素。业务部门对AI能力边界认知过高,期望AI解决所有复杂任务;技术侧在POC阶段停留,对落地复杂性估计不足。他建议将复杂任务拆分为微服务,分级部署,确保每个环节稳健运行。
NVIDIA企业级软件生态负责人张海军强调,企业需系统性构建AI能力,将技术工具与业务价值紧密结合。AI落地应作为“一把手工程”,通过系统规划让AI融入组织架构,利用不同类型的AI软件组合解决业务问题,而非局限于单一技术。
百望股份数字经济与金融科技研究院院长李国平指出,传统企业烂尾原因主要集中在业务部门对AI预期过高、技术部门脱离业务价值以及数据治理薄弱。他强调,AI工作流需通过智能体技术灵活适配业务变革,才能避免项目停滞。
华硕电脑AIoT战略合作伙伴总监蔡裕正指出,忽视用户体验是AI工作流“烂尾”的核心原因。若功能追求大而全,而非聚焦高频刚需,往往难以获得用户长期使用。他建议企业在开发阶段就邀请小部分用户参与测试,并通过快速迭代优化产品,从而降低项目失败的风险。他强调,唯有坚持以用户体验为核心,AI工作流才能真正落地并创造长期价值。
没有高管拍板,AI 工作流为何 连 “启动键” 都按不下去?
即便技术成熟、业务价值明确,AI工作流仍可能因决策层犹豫而停滞。跨部门协同难、成本收益难量化,以及高管对AI认知不足,都是阻碍项目启动的重要因素。
“AI工作流本质是‘一把手工程’。”张龙强调,要说服决策层,需要用真实案例展示量化ROI,并通过持续布道让高管理解AI范式与传统范式的本质差异,从而主动推动项目。
王旭阳认为,决策层犹豫主要因为成本收益不明确与跨部门协同困难。AI项目属于重资产投入,涉及算力、数据和业务专家,若无法清晰核算收益,项目很难启动。同时,多部门协作难以统一调度,也会导致项目搁浅。
张海军提出,推动AI工作流需要构建完整体系,包括顶层设计、AI平台、组织协同和业务需求四个层次。顶层设计明确战略规划,AI平台解决基础设施和数据问题,组织协同确保工具被充分使用,业务需求则确保技术与真实痛点匹配。
“决策层推进AI工作流应聚焦可量化业务价值,避免盲目跟风。”他解释道,AI虽然带来技术创新和效率提升,但企业在投入前必须明确具体产出和落地场景,技术与业务部门需共同测算产出,找到真实落地场景,确保投入带来可观收益,才能获得高管认可。
蔡裕正补充道,高管在推进AI工作流时最关注的核心是数据安全与信任。如果企业无法保障关键数据的安全性,或未能建立对技术方的信任,项目往往难以启动。他强调,唯有在安全可控、成果可预期的前提下,高管才会主动推动项目落地,从而加速AI工作流的执行。
当 AI 自己能优化流程, “人类指导者” 会不会被彻底取代?
随着AI技术日益成熟,自主优化流程的能力逐渐增强。一些重复性、规则性任务可能完全由AI完成,但战略决策、复杂业务判断和风险控制仍需人类干预。
尽管AI可以优化重复性任务,但在战略规划和复杂业务判断上,人类指导者仍不可替代。张龙认为,AI能显著提升效率,但在项目设计、风险评估和跨业务流程的整合中,仍需要人类提供方向和监督。未来AI将更多作为生产力助推器,帮助人类更快完成数据分析和决策执行,而不是完全替代人类判断。
王旭阳指出,AI自主优化能够减轻人工操作负担,提高常规任务处理效率,但在跨部门协调、业务优先级设定以及复杂经济预测等环节,人类的判断和经验仍不可或缺。企业应合理划分AI与人工的边界,让AI承担可重复、可量化的任务,而将核心决策保留给熟悉业务全局的人类。
张海军强调,AI在工作流中的自优化潜力必须依托完善的数据治理和流程体系,否则优化效果有限。他补充道,AI虽然可以自主完成部分流程迭代,但企业仍需建立监控机制和反馈环路,让人类在异常处理和战略目标调整中提供指导,确保AI输出与业务目标一致。
“AI优化能够显著提升规则性任务效率,但企业决策、业务优先级设定及异常处理仍需人类把控。”李国平认为,企业应将AI用于可量化、重复性强的环节,同时确保关键节点由人类监督,以避免技术自嗨或偏离业务目标。
AI 能在特定场景中快速迭代并优化用户体验,但在人类的战略决策、信任建立与风险把控上仍不可替代。蔡裕正建议企业探索“人类指导 + AI 自优化”的混合模式:让AI承担高频、重复性的自动化任务,而关键决策依旧由人类掌舵。唯有如此,才能确保技术落地真正转化为业务价值。
从烂尾原因到启动难题,再到AI自优化趋势,企业若能实现技术、业务和决策层的协同,就能在新工作时代抢占先机。对于正在探索数字化转型的企业而言,这不仅是一份直接可落地的实践指南,也是未来AI应用的参考蓝图。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。