编者按：大模型产业落地浪潮席卷各行各业，智能制造行业数字化建设迎来全新变革机遇，但热潮背后，大量企业陷入概念迷惑与落地两难：激进改造核心系统暗藏业务风险，保守观望又担忧错失转型窗口；通用大模型通用性强却缺少行业深度，垂直专业模型训练、运维成本居高不下；高层对AI转型抱有高期待，一线IT团队却需平衡成本、风险与真实收益。

为拨开产业AI落地迷雾、传递一线CIO真实实操思路，CIO发展中心围绕企业AI落地核心痛点开展专题深度访谈，邀请宝通科技CIO朱建成、头部消费电子企业CIO唐总、半导体CIO顾问史震、汽车行业to B端AI应用规划和落地者王轩同台对话。本次访谈跳出技术概念炒作，立足业务场景输出兼具实操性与前瞻性的理性观点，为广大CIO、数字化决策者提供可参考的落地方法论与行业判断。

问题1：现在行内有2种声音：企业如果不尽快用大模型重构核心系统，会错失下一个十年；也有人坚持，绝不能拿ERP、核心交易系统给Al做试验。对此您更认同哪种思路？支撑您判断的核心依据是什么？

【宝通科技 CIO 朱建成】：我认为现在还不是用大模型去重构企业核心系统的时候。当然，我们最终肯定希望构建一个企业大脑，从目前架构来看，企业大脑应该是基于垂直模型，架构在核心应用系统之上，然后切入不同业务场景提供AI助力，有点像早年“面向方面的编程”模式的切入方式。

以大语言模型为代表的人工智能技术确实具有颠覆性，但它要成熟落地到企业场景需要一个过程。及早拥抱是对的，但也要量入为出。至于能不能拿ERP或核心交易系统做实验，关键还是看业务场景。我们在切场景时一定会做POC，如果某个场景价值特别高且概念验证成熟，那切入ERP或核心系统的部分场景也可以。其核心判断依据在于：第一，业务场景是否具备AI应用的基础，包括流程是否规范、规则是否完善、数据是否足够、技术上是否可行，并且结果要有确定性，不能受大模型幻觉的影响。第二，要看投入产出比，大概花多少成本，能带来多少效率提升或回报。如果业务条件具备、技术可行、投入产出比又高，那就可以落地。

【消费电子 CIO 唐总】：这个问题我认为没有标准答案，需要根据企业自身情况来判断，每个企业面临的问题和痛点各不相同，不能一概而论。在回答这个问题之前，首先需要明确重构核心系统的目的是什么。如果企业只是需要使用核心系统中的数据，那么重构系统本身并非必要。将数据治理工作做好，把ERP、PLM、MES等核心系统的数据完整地抽取出来，建立好数据平台，再让AI去调用这些数据，对大多数企业而言已经足够。

当前行业里也在探讨本体论的思路，一些头部的厂商正在尝试用本体思想重构系统。一般企业没有必要率先去吃这个螃蟹，让专业厂商先行探索，待本体论落地有了成功案例之后再跟进，我认为更为稳妥。至于所谓“错失下一个十年”的说法，这有些制造焦虑的意味。只要企业始终把握住自身的核心业务，就不存在所谓的错失问题。

具体到哪些系统可以触碰、哪些不能触碰，我思路是：对于核心业务系统，做好数据治理，把数据抽取出来，构建好数据平台，用AI去使用这些数据。但业务流程层面，短期内我不会用AI去直接驱动核心业务流程，因为风险和收益目前看来并不成正比。而像OA这类办公自动化系统，它不属于核心业务系统，我们可以率先尝试，让它逐步具备AI能力。ERP、PLM、MES这些核心系统，我的策略就是接数据、用数据，而不是去重构系统本身。

【半导体CIO顾问 史震】：传统ERP等SoR(System of Records)是确定性的记录系统，当前大模型AI底层是概率统计的拟合，天然不确定。企业追求的是确定性，这也是为何业界推出驾驭工程以及大模型推理能力的持续提升，其目的是通过工程方法降低大模型的不确定至人类可接受的水平。截至目前，工程领域依旧在快速发展，目前除了少数诸如客服、代码、运维等方向的确定性被广泛接受外，其他多数领域尚未确定。因此，答案是阶段性的。短期看，大模型可在如客服、代码、运维、报表分析、风控、决策辅助等场景下应用，中长期看将复杂核心系统解耦合并MCP/API化，持续验证AI能力边界，等待模型可靠性、可观测性、可审计工具成熟之后，再循序渐进把部分非强事务的核心能力迭代升级。

【汽车行业 to B端AI应用规划和落地者 王轩】：AI作为新兴生产力已逐步受到重视并进入落地阶段：+AI场景已成为当前企业提效增质的核心发力方向，AI+则取决于企业推动变革的决心。AI Agent在行业内获得较高评价，潜在实现价值突出，但整体仍处于落地初期。当前实践中，AI已逐步接入研发设计工具、质量管理、财务管理、项目管理的核心系统，通过工具链与业务数据、成熟Agent功能、前期最佳实践的组合，可完成评价分析、内容生成工作，部分环节中重复性、低效性工作已可由AI替代，支撑降本增效目标落地，核心环节仍需人工开展判断与决策。

从技术趋势来看，对模型的约束与提示越少，大模型能力越强，但结合实际落地情况，基于现有工具链路改造，仍依赖现有业务流程与系统沉淀的knowhow数据，单纯依靠通用大模型生成的内容，其准确性无法满足工程设计的要求。

问题2：行业内有“通用大模型一统天下”和“垂直小模型才是落地王道”两种声音，您更倾向哪条技术路线？背后的核心理由是什么？

【宝通科技 CIO 朱建成】：我不认为这两条路是非此即彼的。行业特有的逻辑，通用模型肯定解决不了，这需要垂直模型；但在通用办公等场景，小模型的能力毕竟有限。所以我觉得最终应该是两者结合的模式。

【消费电子 CIO 唐总】：这个需要分场景来看。如果是为了打造产品，比如我们的产品会涉及安全管控、隐私管理等诸多特定场景要求，那么必然要走向垂直小模型。但如果是为了企业的经营运营活动，比如招聘面试、智能客服、软件编码等，使用通用大模型已经完全足够，没有必要自行训练垂直模型。而且调教小模型的成本过高，通用大模型迭代进化速度很快，其能力足以覆盖这些场景。在实际操作中，我可以采用多家模型并行：用A模型做开发，用B模型做测试，实现互补。只有在做产品的时候，因为需要体现差异化和自身核心能力，才有必要走向垂直小模型。

【半导体CIO顾问 史震】：我认为是后者。随着大模型微调和训练成本急速降低到企业可接受的程度。业界已经出现企业采用通用大模型向采用多垂直小模型的趋势，从成本、延迟、可用性、领域知识、推理和专业性（如向量化专用模型对向量化任务准确率高、成本和延迟低）均比前者更优。

问题3：当CEO带着“我们要打造行业首个AI原生企业”的目标来找您时，您在技术层面会如何管理老板的预期？

【宝通科技 CIO 朱建成】：首先，在我们企业大概率不会发生，因为我们所处行业的数字化水平和先进行业相比仍然有一些差距。虽然我们企业的数字化水平在业内属于较高水平，但必须清醒的意识到我们在信息化、自动化、数字化方面还有很多领域需要进行持续的建设和完善。如果CEO提这个要求，首先这个方向和目标是正确的，但要制定合理的实践路线图，比如：现阶段通过特定场景做AI试点，第二步在试点基础上打造一些AI Agent或智能体，在一些短流程上实现的智能化，然后再逐步延展到更长、更全、更多的其他相关流程中。我们相信未来AI是能深入生产运营的方方面面，这也是我们的远期目标。

【消费电子 CIO 唐总】：这个问题在我们企业代入感不强，我们的管理风格本身不属于激进派，老板大概率不会提出这样的目标。但如果假设确实发生了，我认为首先要做的是把“成功时的样子”定义清楚，把概念对齐。我们是务实的企业，最忌讳的就是概念尚未厘清就盲目跟进，那必然导致失败。坦率地说，国内目前真正能够称得上AI原生企业的，屈指可数。所谓管理预期，本质上是达成共识，而非单向的管理。如果真的要做这件事，就需要先明确目标和路径，无论是内部研讨还是借助外部资源，先把这件事对齐。在没有达成共识之前，不宜贸然推进。

【半导体CIO顾问 史震】：与其从技术层面不如从管理层面管理老板的预期，我一直强调CIO对外要讲业务语言，因为沟通的效果取决于对方听懂了多少。AI原生企业和AI赋能企业的关键区别是，拿走AI，是业务根本不在了还是效率降低了。那么反向思考一下当前我们企业的业务是建立在什么之上？是人(组织)、流程与IT系统。AI取代传统IT系统，我们在上面第一个问题中的答案是循序渐进。那么AI取代人是否也是如此？不仅仅如此，比起取代IT系统更为复杂。是典型的变革。因此，答案是除非你的业务特性合适，且企业规模小，否则AI原生企业一定是传统企业经历一系列复杂的变革后到达的未来目标，而非一蹴而就。

【汽车行业 to B端AI应用规划和落地者 王轩】：AI Native是行业发展趋势，有的企业已开展相关长期规划，但受限于前期工具链建设、数据治理成熟度不足，企业很难下定决心摒弃现有投入完成重构。历史包袱较重是打造AI原生应用过程中无法回避的问题。AI原生企业的建设目标，并非单纯的数字化转型目标，而是企业战略方向层面的调整。若企业管理者已下定决心推进该转型，就需要做好变革过程存在反复与阵痛的心理准备。

问题4：您考虑自研行业大模型还是接入现成模型，您的决策逻辑是什么？您怎么看那些投入巨资自研模型后又陷入沉默的企业？

【宝通科技 CIO 朱建成】：我们目前还没有到自研行业大模型的阶段，也不具备对应的数据基础。所以我们现在是利用公司已有的数据和专家知识，借助公有模型、公有云Token调用，也可能是私有算力部署的开源模型来推动AI落地。

【消费电子 CIO 唐总】：这个问题前面已经有所涉及。作为企业IT负责人而言，我们并不做产品本身，因此直接接入现成的大模型即可，不需要自研。

【半导体CIO顾问 史震】：当前自研大模型门槛已经降低到企业可以接受的水平的情况下，取决于企业规模、业务禀赋和管理意志。自研成本高但易于定制，多数中小企业目前没有必要自研，除非是核心竞争力。大型企业根据自身业务禀赋和管理意志决定。投入巨资又沉默的企业要么是没有想清楚，要么是想清楚了知道不清楚，依旧愿意投入，主要是风险偏好型。前者需要反思。后者无对错。

问题5：有CIO担忧AI投入巨大但产出难以量化，最终会沦为新一轮技术面子工程，您怎么看？

【宝通科技 CIO 朱建成】：坦率讲，我对AI投入的预算也很谨慎。老板愿意给你几千万，你真的敢拿吗？要评估这笔投入能不能带来三到五倍的产出，有信心就拿，没信心就先别拿。不如找一些小点先做应用尝试。目前AI发展非常快，它一定会颠覆很多企业现有状态，但绝不能做成面子工程。

【消费电子 CIO 唐总】：这本质上是一个路径策略的问题。AI投入确实较大，产出也难以量化，但有一种思路叫“成熟且低垂的果实先摘”。以智能客服为例，我们是C端消费品企业，客服团队规模庞大，而行业里智能客服已有成熟的解决方案，投入后很快就能见到实际收益，人力成本可以实实在在地降低。AI编码等通用场景也是同样的道理。先在这些确定性较高的领域取得成效，建立信心，再逐步向深水区拓展，这是一个合理的策略路径。

问题6：您在内部优先推动的AI场景是什么？

【宝通科技 CIO 朱建成】：AI的范围很宽，包括大语言模型、机器学习、各种算法，所以它的应用涉及公司各个领域。营销和客服确实是比较容易着手的，因为需求更强烈，基础也更好。制造环节会涉及设备和自动化，受影响面更广，相对复杂一些。我们优先推动的场景很多，但营销和客服是第一批重点。任何公司都要把产品卖出去，营销是售前，客服是售后，都是帮企业获得订单的。另外，我们走差异化竞争，全部面向订单进行研发和设计，所以产品研发领域的AI应用也是我们优先推动的方向。

【半导体CIO顾问 史震】：企业都是唯一的，取决于①具体企业领域的问题，②AI目前成熟度。正确的方式是引入适当AI工具，快速进行业务价值验证。只要控制好范围，都会产生价值。最后根据实际ROI取舍即可。但一般性来说，客服是目前LLM AI已经验证过容易实现的方向之一。

【汽车行业 to B端AI应用规划和落地者 王轩】：AI落地过程中，必须坚持以人为主的前提，当前优先落地的领域依托于成熟技术，先让组织逐步适应AI的应用模式，比如覆盖面最广的行政类场景：人员对接、事务咨询等。AI落地不仅需要管理层的期待，也需要一线技术人员建立信心；只有形成AI应用打造与使用的整体氛围，当全局性变革到来时，相关工作才更容易推进落地。

问题7:目前80%的企业级AI应用会集中在哪些领域？假设三年后回看今天，您觉得哪一项AI共识可能会是最大的误判？哪些火热的场景会被证伪？

【宝通科技 CIO 朱建成】：关于80%的企业级AI会集中在哪些领域，我没有特别统计，目前看到比较多的是知识库应用，也有办公、运营、营销、客服等。我们推动时，主要看技术可实现性和价值高低来优先排序。

我觉得最大的误判有两个：一是很多人把个人应用的AI工具直接等同于能应用到企业场景，这很危险；二是低代码/无代码领域，非专业人士觉得能让普通人替代专业IT工程师，这也要打个问号。至于火热的场景哪些会被证伪，个人感觉，今年特别火的Agent类智能体，在企业级不一定是最終形态，因为企业很多场景要求准确性和唯一性，而Agent在处理上仍有不确定性，所以不一定是最合适的方案。

【消费电子 CIO 唐总】：从目前与同行交流及参加行业论坛的感受来看，大家对AI的认知存在显著的两极分化。有人觉得无所不能，有人觉得作用有限，这两种极端都有问题。那种认为AI无所不能、甚至未来企业就是“一人+AI”的说法，有些过度炒作了。

最大的误判可能是大家认为AI能够替代企业的创新能力和战略决策能力。AI最终的价值更多体现在效能提升上，但企业最核心的战略方向和产品创新能力，仍然要依靠最顶层的人才来决策。如果AI能够替代这些，企业之间就不存在差异化竞争了。以我们所在的行业为例，如果AI能做出同样的产品，那市场上就没有差异化可言。人的深度思考能力和战略判断能力，始终是企业的核心竞争力。AI可以辅助，比如原本5个人需要3个月完成的市场洞察工作，AI可以帮助缩短到3个人1个月。但最终的决策和判断，仍然需要人来做。

至于企业级AI应用会集中在哪些领域，目前比较清晰的在软件编码、智能客服、图片视频生成、招聘等，这些都是“低垂果实”，已经可以看到实际效果。至于今天火热的场景哪些会被证伪，我认为现有这些热门场景不会证伪，而是会持续深化，只是应用方式会随着模型能力的不断提升而持续演进，比如软件编码，未来的交互会越来越简洁高效。

【半导体CIO顾问 史震】：据我所知，貌似LLM AI的世界里达成共识的并不多见。反而是最近具身智能2026为元年好像传播较为广泛，我不知道所谓元年怎样定义，通俗理解具身智能的核心依旧是智能，从这个角度看，通用具身智能的智能2026年应该也就刚刚起步，甚至都没开始。目前的具身智能机器人均为遥控或者编程实现。在有限边界内可应用，但无边界通用场景的智能几乎是零。除了特斯拉擎天柱，尚不清楚进展如何。