AI用得越来越多，为什么还没变成企业能力？山东CIO联盟AIHUB的一场实践交流

从车间装炉优化到电商视频制作，从AI辅助开发到智能体权限管理，8月27日的AIHUB技术沙龙，把讨论落在了一个具体问题上：怎样让AI从个人工具，走进企业的业务流程？

8月27日，山东CIO联盟AIHUB在齐鲁软件园大厦举办“企业AI进入业务流程——场景、架构与安全边界”技术沙龙。天融信科技集团作为本次活动的赞助单位参与交流，围绕企业AI应用的技术底座与安全治理进行分享。企业实践分享与现场演示，则将讨论带到了生产、营销和软件开发的具体环节。

这些交流呈现出一个值得关注的变化：当AI开始连接企业数据、调用业务系统、执行实际操作，评价它的标准也在变化。能否生成一个答案只是起点，能否在既定权限内完成任务、经得起验证，并持续服务业务，才决定了它能走多远。

一个装炉问题，让AI的价值变得具体

制造企业的分享，从图纸识别、装炉优化等日常工作切入。

面对客户提供的图片或PDF图纸，现场展示了利用AI识别关键指标、辅助生成简图的探索，尝试减少人工提取与标注的工作量。相比泛泛讨论“大模型赋能制造”，这样的场景更容易让业务人员判断：哪些步骤可以辅助完成，哪些结果仍需专业人员复核。

纯化炉装炉优化则提出了另一个直接的业务问题：炉内空间有限，不同规格的产品怎样摆放，才能提高空间利用率？

分享者介绍了结合三维装箱算法、开源技术和大模型辅助编程进行探索的思路。优化目标很清楚——提高装载率，进而改善单件产品的能耗与加工成本。现场也交流了滚动排产的试用探索。

这些实践的启发，在于把AI应用拆成可处理的问题：识别哪些信息、满足哪些约束、优化哪个指标，再组合模型、算法与程序完成任务。大模型辅助编程降低了构建工具的门槛，但工艺规则、排产约束和结果验收，仍然离不开企业自身的业务知识。

电商视频制作，开始从单点工具走向工作链条

消费企业的分享，展示了AI在电商视频制作中的一组应用探索。

从直播录播的语音转写和关键词切片，到对视频镜头、卖点与表达方式的分析，再到从素材仓库匹配内容、组织创作画布，AI被放进了连续的制作过程。

这类应用的价值，并不只在于生成一张图片或一段视频。更有意义的是，把原本分散在转写、查找、分析、剪辑和创作之间的工作连接起来，让业务人员更快找到可用素材、形成内容方案。

分享中也谈到了一种实际的推进方法：先做出一个最小可行原型，让业务人员看到、试用，再一起补充需求。对于难以在一开始说清细节的业务场景，可操作的演示往往比抽象讨论更容易暴露问题。

与此同时，视频生成等环节的模型消耗也提醒企业，评估AI应用需要同时看效率、质量和持续使用成本。原型能够运行之后，仍要回答一个问题：它能否稳定融入日常工作？

AI能帮助企业更快开发，验证却不能省略

在视觉与工程化演示中，现场还展示了手势与人体关键点识别、目标检测、OCR以及插件化工具组合等技术，并讨论了它们在危险动作识别、操作规范比对和缺陷检测中的应用可能。

这里需要区分技术演示与生产应用。一个演示能够识别动作，并不等于已经适应车间中的光照、遮挡、设备变化和复杂作业条件；一段代码能够运行，也不意味着已经满足业务系统的稳定性要求。

现场交流中，一个有价值的思路是：让程序处理明确的规则与约束，让模型处理需要理解、识别和生成的任务，再通过测试与人工复核形成闭环。

AI让原型开发和代码编写更快，也让企业IT团队有机会更直接地参与工具构建。随之而来的要求是，IT人员既要理解业务，还要能够定义验收条件、识别异常，并判断什么样的结果才可以上线。

当AI开始执行操作，安全就进入了业务设计

天融信的分享，把视角从模型本身延伸到了智能体的完整应用链路。

当AI只提供回答时，企业主要关注答案是否可靠、数据是否泄露。当AI进一步获得文件访问、邮件处理和业务API调用能力后，风险也会延伸到实际操作：它以谁的身份执行任务？能够访问哪些数据？可以调用哪些工具？哪些动作必须经过人工确认？

围绕这些问题，分享从基础设施、数据、模型、应用和输出内容等层面，讨论了资产清查、身份管理、权限隔离、输入输出防护、API审计与持续监测等建设思路。

其中，针对高风险或不可逆操作设置人工审批，是与企业日常管理紧密相关的一点。AI应用中的权限边界，需要落实到具体系统、具体工具和具体动作，而不能只停留在一句“请谨慎操作”的提示上。

对企业而言，推进AI应用与建立安全边界应当同步考虑。在试点阶段明确允许做什么、出现异常如何停止、操作如何追溯，有助于为后续推广建立基础。

从个人提效到组织能力，还需要流程这一环

活动最后，讨论回到了企业管理本身：员工个人使用AI，与组织形成AI能力之间，还有一段距离。

个人可以用AI写文案、分析资料、生成代码；企业则需要进一步明确，这些能力进入哪个流程节点，由谁负责，使用哪些数据，输出交给谁，以及出现错误时如何处理。

从本次交流中，可以提炼出几项值得企业参考的做法：

• 从一个明确的业务问题开始，用具体指标判断是否值得推进。
• 先做小范围原型，让业务人员参与验证和完善需求。
• 根据任务组合大模型、专用模型、算法与现有系统。
• 将权限、人工确认和运行记录纳入应用设计。
• 在演示成功之后，继续验证稳定性、使用成本和业务效果。

山东CIO联盟AIHUB希望通过这样的实践交流，让企业看见同行如何选择场景、怎样解决问题，也看见探索过程中仍需跨越的门槛。

当具体问题被提出、实践经验得到交流、技术路径能够被共同检验，企业AI应用才更有机会从个人尝试，逐步沉淀为可持续的流程能力。