- 综合排序
- 最热优先
- 最新优先
- 来自专栏石云升
怎么招人实施AI企业落地？
去年还有人问企业要不要拥抱AI，今年已经没人问了。问题变成了：怎么落地？谁来干？ 很多企业的第一反应是招人——找一个既懂技术又懂业务的AI落地专家。 AI落地不要一上来就搞大项目。先找那些高频重复、耗时、易出错的工作，这类任务最适合用AI解决，见效快、阻力小。 设计原则：能一个按钮解决的，就不要操作两次。 用AI做小工具，成本低、见效快，还能让团队感受到AI的实际价值。 如果要外招，怎么甄别？ 有些业务确实需要比较丰富的技术基础，需要外招AI落地负责人。但市场鱼龙混杂，如何甄别？ 1. 有没有跨部门落地经验？ 给自己提效只是初级。能给财务、客服、运营、人事等不同部门都落地过，才证明此人有快速理解业务的能力。AI落地的难点不在技术，在业务逻辑的解构。 3. 有没有总结复盘的习惯？ AI落地需要跟各部门打交道——需求沟通、方案讲解、问题排查，都需要清晰逻辑。面试时如果对方表达混乱，落地时大概率也一团糟。 5. 使用AI的时长和频率 越早用、用得越频繁越好。
13910编辑于 2026-03-17 - 来自专栏服务端技术杂谈
企业中落地AI Agent的难点
下图是一个企业Agent落地的标准架构。 在Query动线上，包括规则模块、意图识别模块、意图处理模块、过滤引擎、推理执行、总结整理。 企业中落地Agent普遍的难点不是模型不够智能（因为大概率用的模型就那几家）。 难点是围绕模型的脚手架不到位，比如上下文工程、安全性、记忆系统等。 而且Agent架构越成熟，软件工程的重要性越高。 有人给我发了一篇脉脉上的有人吐槽自家AI落地的文章，相信也是遇到了同样的问题。 大多数AI Agent系统，打造的无非是上下文选择系统。
14110编辑于 2026-03-11 - 来自专栏一乐来了
企业内AI落地难在哪里
剩下的3和5，也就是无摩擦和分级授权，则是我们今天讨论的主题，企业内AI落地的两大挑战。 更进一步，同一部门的AI都开通了人力资源服务接口，但主管可以查询部门所有人员的人力资源信息，员工个人只能查询自己的休假信息。 这是AI企业落地前必须解决的问题。 以上，都是我们在AI落地过程中的实践，也是对客户提问的解答，如果你有类似的问题或者经验分享，欢迎一起来讨论，这会对我们打造蓝莺企业级AI很有帮助。 关于企业内AI落地的更多内容 本期重要产品更新 1. 蓝莺GrowAI内测 ‼️ GrowAI，一个使用AI为企业构建Wiki或文档网站的工具，是蓝莺Agent平台的新服务，也是我们认为企业级AI落地的典型产品案例。
54010编辑于 2025-05-23 - 来自专栏【腾讯云开发者】
CodeBuddy AI Coding 企业场景落地实践与思考
在 AI 浪潮席卷全球的今天，AI CODING 已经不是企业研发团队的可选项，而是必选项。 如果你是企业研发团队的负责人、 AI CODING 落地推动者或希望在工作中正在使用 AI CODING 工具的一线开发者，或多或少遇到一些落地困难，这篇文章结合日常团队的探索与实战，为你及你的团队提供一份可执行的 除了提供相应的智能体协作覆盖全流程，在服务专业开发者，企业开发者，CodeBuddy 也会在产品形态上，也助力个人/企业高效迈入智能研发时代，目前的支持 AI IDE 和 Plugin 插件形态，未来还会支持 04、团队 AI 研发流程落地实践 4.1 AI 编程落地痛点问题与分析 4.1.1 痛点问题 站在用户层面讲，一线用户或多或少会经历4个阶段，初次相识、尝试体验、深入使用或弃用、回流使用， ，AI 生成符合业务需要的效果 5.4 未来展望 从编程的角度来看，如图，相信团队级别 AI 规约编程，未来以技术规范和系统设计会形成共识，会有更多的团队级别编程落地，同时，在团队中落地 AI
3K21编辑于 2025-08-15 JBoltAI 4系列让企业AI落地告别“碎片化”
当企业AI落地从“单点尝试”走向“全流程渗透”，最棘手的问题往往不是技术不够强，而是数据散、资源乱、流程断——数据藏在数据库、文档、接口里难以整合，大模型、向量库等资源需挨个对接，智能问答等场景又要重新搭建链路 JBoltAI4系列 恰好瞄准这一痛点，以“智能数据中心”“AI资源中心”“AI智能问答”三大核心模块，构建起从数据整合到场景落地的完整闭环，让企业AI开发告别“东拼西凑”，实现“一站式成型”。 从“工具拼接”到“体系化落地”：JBoltAI4的核心价值 回顾企业AI落地的常见困境，本质是“数据、资源、场景”三者割裂。 如果你的企业正面临“数据难用、资源难管、场景难落地”的问题，不妨从JBoltAI4开始，让AI落地告别“碎片化尝试”，真正进入“体系化见效”的阶段。 现在点击下方链接，即可获取专属解决方案，开启企业AI的高效落地之旅。
13410编辑于 2026-01-24AIGS时代，Java 才是企业 AI 落地的核心抓手
而Java作为深耕企业级开发数十年的主流语言，凭借其稳定性、生态成熟度和在企业现有系统中的广泛应用，成为了企业AI落地的核心载体。 一、锚定AIGS核心方向，选准Java的AI落地定位企业做AI的终极目标是实现业务价值，而非单纯的技术尝鲜，这也是Java做人工智能的首要定位原则：Java并非适配AI算法底层研究，而是聚焦企业级AI的工程化落地与系统融合 构建企业级的AI智能中台等，这也是Java在企业AI落地中不可替代的核心价值。 三、聚焦企业数据资产，实现AI的精准化落地大模型的“幻觉”问题是企业AI落地的核心痛点之一，而Java做人工智能的重要抓手，就是结合企业私有数据，让AI能力贴合企业实际业务场景，实现从“通用生成”到“精准服务 JBoltAI等企业级Java AI开发框架的出现，也为Java团队提供了标准化的AI开发工具和落地路径，助力Java团队在AIGS时代快速构建企业级AI开发能力，实现企业业务系统的智能化重塑，让Java
18810编辑于 2026-03-05- 来自专栏安全攻防
企业安全落地思考
企业安全落地 技术岗里，开发、运维，都没有落地这个说法，唯独安全有落地这个说法。这是因为，开发及运维工作的落地，不需要其他部门配合，自己部门本身具备一切落地的要素。 而体系化的企业安全建设里，落地建设就离不开其他部门的配合。单应用安全里的SDL，其落地就折磨了数不清的安全从业者。 安全工作的落地，跟安全在公司内部的战略位置，是息息相关的。 根据安全在公司战略位置的不同，其安全组织、团队规模、人员职级、薪资范围、落地程度、落地内容等都会有所不同。 挂件安全里，安全部门完全没法干涉干预其他部门。 核心安全里，可能会存在安全委员会这种虚拟组织，企业安全是全体部门的分内职责。安全团队规模会很大，可能每个业务，每个分公司都有一定规模的团队。安全在公司具备话语权。 安全的人员职级，会普遍较高，网络安全各方面的内容都能够进行落地，会采用自研的方式来对自身企业进行安全防护，甚至有能力将安全能力做成安全产品对外提供。有人员专门从事安全研究工作，引领网络安全攻防的发展。
42830编辑于 2023-08-25 - 来自专栏老张的求知思考世界
企业内落地AI，要解决这两个难题！
24年各种基于大模型的应用开始开枝散叶，从人手一个ChatBot，到AI Native工具(如Cursor)，再到AI标准开放协议(如MCP)，以及各种智能体在不同场景的落地探索。 25年开年DeepSeek爆火，引领了大模型开源的新路径；紧随其后的Manus打响了通用任务智能体第一枪；然后就是字节推出了扣子空间，百度推出了心响APP；AI的能力越来越强，随后就是各种各样的企业端落地浪潮 如今25年已过半，回头看你会发现，很多企业内落地AI的案例，目前都很尴尬。问题主要集中在下面两点： 落地场景和AI工具怎么结合，技术怎么实现？ 简单理解，就是找到适合用AI来辅助甚至替换的业务场景。比如AI在数学计算、逻辑推理、信息检索、代码生成等方面具备明显优势，则落地场景选择上可以从这几个方面入手。 当你解决上述这些问题之后，才算是具备了基础的技术落地能力。 AI的落地，极其考验工程能力，而非单纯的技术实现。 或者说，AI本身就是一个复杂的工程。
22300编辑于 2025-07-02 企业AI落地：从试点表演到生产部署的鸿沟
几乎所有大型公司现在都有AI战略。但几乎没有任何一家公司真正拥有能让它起作用的要素。2025年，企业在AI上的支出达到了370亿美元，同比增长3.2倍。 截至2026年初，只有8.6%的公司有AI代理在生产环境中运行。近三分之二的企业仍停留在试点阶段。63.7%的企业报告称根本没有正式的AI计划。 本月发表的《哈佛商业评论》和Cloudera的一项研究发现，只有7%的企业表示其数据已完全准备好用于AI应用。超过四分之一的企业表示，其数据准备程度不高或根本没有准备。这些数字并非空泛的概念。 德勤的《2026年企业AI现状报告》发现，只有34%的组织真正在围绕AI重新构想其业务。其余的组织则用AI来打磨现有流程。竞争威胁并非来自对手公司的AI路线图。 代理式AI改变一切，除了数据问题从单次提示的AI到代理式工作流的转变，是当前企业AI领域最重大的结构性变化。代理系统不仅仅回答问题。
9610编辑于 2026-03-29- 来自专栏IT运维技术圈
DeepSeek最佳落地实践之AskBot企业级AI助手
在 DeepSeek 风靡全球，并持续在行业推理能力榜单中领跑之时，自 2020 年起便专注于企业级 AI 助手领域的果然智汇 AskBot，宣布集成 DeepSeek 满血版模型后，多个应用场景实现升级蜕变 经过百万职场人几年的使用打磨，借大模型升级的契机，AskBot为企业 AI 应用落地打造出全新的 “样板间”。 所有答案自动标注信息来源，并通过交叉验证机制确保信息可靠性，杜绝AI封闭回答的幻觉风险。 合规围栏 针对法务、财务等严肃场景，优先调用经审核的知识条目生成结构化应答。 03—十年磨一剑，连续创业者的初心与坚持 果然智汇AskBot团队多年来深耕企业级AI应用，默默无闻的服务了多家数智先锋企业，如百丽、蒙牛、立邦、美年等知名企业。 团队始终坚持"场景驱动、价值为先"的产品理念，深知让 AI 真正创造业务价值远比制造营销噱头更具挑战性。。
53610编辑于 2025-02-21 Java 团队做 AI 不用愁！企业级 AI 开发全流程落地
事实上，Java团队做AI无需跨界重构技术体系，基于现有Java生态，依托专业的企业级AI开发框架，即可低门槛完成AI大模型的接入与业务落地。 三、实战价值：基于Java AI框架，落地企业级核心AI场景依托企业级Java AI开发框架，Java团队可快速落地一系列高价值的企业级AI场景，覆盖知识管理、智能交互、业务自动化、老系统改造等核心方向 Java团队的核心优势在于企业级工程化能力和业务系统开发经验，这正是AI大模型从“Demo”到“生产环境”落地的关键能力。 ，也让企业AI项目的落地效率大幅提升。 依托这样的框架，Java团队可真正实现“低门槛做AI，高效率落地AI”，让Java生态在AI时代持续发挥企业级开发的核心价值。
25510编辑于 2026-03-05- 来自专栏服务端技术杂谈
如何实现大模型后训练帮助AI在企业落地
当前产业共识是，大模型后训练不再是简单的模型优化，而是AI落地的必经之路。 企业需要将通用基座模型，训练成深度理解自身业务、具备领域知识、能执行复杂策略的智能引擎。 企业中后训练普遍会面对数据质量差、标注成本高、奖励信号与评估体系难以统一的挑战。 行业中有些企业已经有了最佳实践。 比如知乎采用的是大模型预打标+主动学习，来提升数据质量。 企业做大模型后训练，超过60%时间花费在数据准备上。 数据准备挑战的核心是，原始质量参差不齐，包含大量噪音、冗余和低价值信息，企业自有数据专业且垂直，直接用于训练会导致模型泛化能力缺失。 AI在企业中的落地，来自于如何用好企业独有的场景、数据和业务的理解。
13110编辑于 2026-03-11 「AI 共创・三生万物 」2025 企业 AI 落地应用峰会杭州站落幕，多领域行业先锋共探企业AI落地破局路径
在提及国企业目前真正落地应用AI的占比时，宗栗引入创新扩散理论，解读技术产业的发展规律。他还提出企业AI落地面临的六大挑战，指出企业数据困境是目前企业AI落地最大阻碍，这是企业大规模AI落地的前提。 司马阅产品交付总监陈涛深度拆解企业AI落地实践案例方法论，针对当前企业普遍面临的数据治理困境与AI应用可靠性挑战展开系统分析，并重点阐述司马阅在解决AI幻觉的技术路径与实践成果，为企业规避AI落地风险、 业务总监任春虹发布AI合伙人计划，直指企业 AI 落地核心痛点：企业虽知 AI 价值，却受路径规划、技术适配、资源整合能力所限，亟需专业力量助推落地。 关于司马阅企业AI落地应用峰会 司马阅2025企业AI落地应用峰会，是聚焦企业AI应用真实落地的全国性系列活动。 司马阅2025企业AI落地应用峰会不仅是一场思想盛会，更是一场面向未来的企业增长大会，为中国企业提供可复制的AI落地路径与共创生态。
19810编辑于 2025-10-25- 来自专栏安全攻防
企业数据安全落地思考
数据安全里面，我们需要帮助数据梳理的工具，有帮助数据分类分级的工具，有帮助数据解析（AI关联价值分析）的工具，有帮助文件解析的工具（非结构化数据），然而市面上，其实并没有这些工具。 企业数据安全落地1、应急及领导的需求调研处理：调研公司层面是否需要安全应急，以及公司层面有没有什么迫切的安全需求。2、熟悉人员：请领导带着安全跟各部门的领导认识一下，简单对齐一下信息。留一下联系方式。 6、数据梳理：数据梳理是落地执行的第一步，是数据安全治理的基础。数据安全治理需要对公司的信息数据有清晰的了解，因此需要进行数据梳理。 10、落地执行：对于单条数据，工作有采集，传输，存储，使用，加工，销毁的生命周期内的安全保护。对于非结构化数据，可能还有自动化的解析，AI智能分析，整体文件加密，密钥管理等系统工具的开发建设内容。
44520编辑于 2023-08-25 - 来自专栏科技云报道
企业级AI“脱虚向实”，落地还有几道槛？
当全球科技巨头们将AI的边界推向星辰大海时，绝大多数企业仍在经历着AI落地的“高原反应”。 在满足企业智能化需求、打通业务场景的过程中，智能体、大模型等生成式AI应用作为一种理想的产品化落地形态，正在承接日益复杂的提质增效需求，并强化内外部协同效能，释放组织核心生产力，对抗组织熵增带来的挑战。 第三，专业人才方面，AI领域专业人才稀缺且竞争激烈，86%的企业面临严重的技能缺口，技术团队与业务团队间的沟通障碍进一步阻碍了AI应用的有效落地。 更为重要的是，Dify.AI深度集成亚马逊云科技生成式AI技术，通过生成式AI能力集成与扩展、数据层架构优化和弹性架构与成本优化，在性能、成本、安全三方面实现突破，助力企业高效落地生成式AI应用。 通过此平台，业务员工可直接在Dify上接入Amazon Bedrock并创建AI应用，如Excel公式解析助手、旅行规划助手等，实现零代码AI任务编排，快速落地AI方案。
37310编辑于 2025-04-02 - 来自专栏老张的求知思考世界
企业如何落地DevOps（下）
但在实际的落地过程中，往往都会出现这几种典型案例： 代码提交后并没有触发完整的流水线； 流水线很多时候并没有触发自动化测试，而是通知后手动执行自动化测试； 自动化测试之后发现了问题，往往需要很长时间去排查到底是哪里出现了问题 在devops的落地实践中，我个人认为如下几点是衡量持续交付能力的几个重要特征： 完整的动作：从提交、打包编译、配置变更、服务部署到测试执行、结果反馈，是否是连贯快速的。 可视化和持续度量，二者本身需要关联在一起，才能真正实现devops最本质的目标： 在保障交付质量的前提下提高软件研发交付效率； 高效的交付支撑了业务目标更快达成，技术和业务互相促进闭环； 业务目标达成更有利于企业员工自身跟着平台成长而获利和成长
33620编辑于 2023-08-09 - 来自专栏老张的求知思考世界
企业如何落地DevOps（上）
前面几篇文章，分别从devops的定义和价值、落地路线图以及落地三要素进行了分析。 这篇文章开始，我会分享devops在企业或团队中具体的落地实践以及落地过程中的一些关键动作。 业内关于devops成熟度模型以及落地实践的关键能力，有不同的定义。比如信通院牵头制定的devops过程模型： 当然，一线大厂及一些软件服务咨询机构也有自己的模型。 部署和环境管理 在软件研发测试阶段，总免不了频繁的编译构建和部署，特别是业务线众多，迭代频繁的企业而言，往往具有多套环境，常规的有开发环境、测试环境、uat环境、灰度环境和生产环境。 这也是我在前文《落地DevOps的路线图》中提到过的devops落地的切入点。 通过制定落地实施流程，形成行动和响应机制，在关键节点推动项目进度，在行动中不断践行和树立devops的工作实践准则。
44420编辑于 2023-03-01 - 来自专栏深度学习与python
企业落地 AI 大模型，一个 DeepSeek 远远不够
最终目标是让大模型在企业应用场景中落地，帮助企业实现增收降本和提升办公效率。 客户需求和市场需求的变化正在深刻地引导整个 AI 市场格局的演变，尤其是 ToB（企业服务）领域。 神州数码提出的“AI for Process”概念，正是商业模式、管理方法和技术架构三者的融合点。我们倡导的企业落地方法论是“大小模型通专融合”，以促进企业 AI 在流程中的应用。 这种大模型的通用能力与小模型的专业能力相结合，将有力推动企业 AI 的落地应用。 这些能力将不断推动行业企业及业务场景的落地，逐步实现从商业模式到管理方法再到技术架构的闭环，最终助力企业实现 AI for Process 的目标。 这种动态的、相辅相成的发展模式更适合未来 AI 在企业中的落地。 InfoQ：有观众提问：企业在部署 DeepSeek 后，如果使用自有数据，是否需要采用 RAG？
43810编辑于 2025-03-03 - 来自专栏腾讯云TVP
5%的AI企业落地成功者到底做对了什么？
大家都看过上次的那个悲观的报告，95%的企业级AI是失败的，但如果我们不去纠结95%的企业AI失败概率，而是去研究5%的AI企业落地成功者到底做对了什么，我们会看到这样一条清晰的路径：1、道：宏观工作： 解决意愿的问题——从0到1生产关系：构建真正的，经验（知识）贡献的生产关系和回报模型——首先解决的是意愿问题，大家都愿意贡献知识人机关系：AI+人，靠机制而不是LLM自己的能力来减小幻觉，人始终配合约束幻觉的扩散 2、法：介观工作：解决组织和结构的问题——从1到10知识整理：建立一个实体组织，能持续的将人的“经验”，企业已有的数据，企业已有的流程，转化为可以被AI读取的“知识”持续迭代：构建可迭代的体系，AI服务中积累下来的内容能够变为新的知识自我迭代 ，这里包含了一个检测的体系培训：全员的AI培训，从上到下，从下到上的愿意拥抱AI3、术：微观工作：解决落地放大的问题——从10到10000解耦：不依赖于某个LLM，多个LLM之间可以互相配合成本：不做几个月后就会落后的大规模预算投入
1.6K41编辑于 2025-11-10 - 来自专栏数据猿
企业AI落地三重门，用友如何破局？
企业AI落地的“三重门”： 可信、数据与价值 在大模型的“买家秀”与“卖家秀”之间，隔着一道名为“落地”的深渊。对于企业主来说，如果AI无法解决实际经营中的复杂问题，它就只是昂贵的“数字摆设”。 目前的行业共识已经很清晰：企业AI要落地，就不能只懂聊天，它必须拥有一套企业级的“世界观”。 懂业务逻辑、能闭环决策、且开箱即用，这才是打通企业AI落地的唯一路径与必然选择。 用友如何破局？ 用友的YonLOM本体大模型与本体智能体，便是为了解决AI进入企业时的“落地困境”。 对于仍在AI门口徘徊的企业而言，这种极低门槛的接入方式，恰恰打通了AI进驻企业的最后一道关口，这不仅是技术落地的难关，更是决定未来存续的“生死关”。 AI会杀死软件？
13310编辑于 2026-03-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号