导语：大模型爆火之后，很多企业也用大模型做了相关探索和实践，我们发现大模型解决单点问题时效果更好。但同时会产生安全、幻想等相关问题。今天从传统数据分析的痛点，到大模型智能分析的建设方式，并结合相关实践案例，分析AI Agent在智能分析领域的价值与实践。 分享嘉宾｜李飞（博士），数势科技AI负责人 内容已做精简，如需获取专家完整版视频实录和课件，请评论区或私信联系我们，为您发送完整内容。 01 传统数据分析的三大痛点 那么，在与Agent能力结合前，传统的数据分析方式存在哪些问题？首先是管理团队之痛，现有的数据产品无法端到端快速产出深度结论。 在团队管理中，大多企业都有经营驾驶舱，由BI或经营分析团队运维使用。但事实上，当管理团队提出对数据的诉求与本质的洞察，并不单纯只想得到数据的呈现和可视化，更希望得知变化背后的原因，然后采取一系列决策手段。如果通过以往的任务下发链路，需求响应速度往往较长，要先把需求告知分析团队，若数据有缺失，再提给数据团队，当结果返回给管理团队时，往往会带来决策滞后性，影响实时决策。 其次是业务团队之痛，BI产品学习门槛高，数据解读靠人工。 BI 人员是企业内部的宝贵资产。复杂 BI 的学习难度相对较高，业务人员需要非常熟悉什么指标对应哪个数据集、使用什么聚合函数、什么过滤条件等等。而且现在的 BI 产品为了做到足够灵活，功能很复杂，一个产品有几十，甚至上百种功能，若没有经历过完整的培训，就不知道这些功能到底隐藏在哪。BI 产品功能隐藏在水下，使用难度也较高，更多还是通过 BI 产品做数据呈现，对于数据结论的生成，还需要人为地做总结。其实在于最后一公里的问题上，并没有一个很好的解决方式。 另外，数据团队的也有难点痛点，业务需求复杂且跨部门的数据指标口径不统一，很难保证实时响应业务需求变化。 数据团队在面对数仓做很多表的情况下，会遇到某些口

4月11日，Kyligence 2024 数智论坛暨春季发布会成功召开。Kyligence 正式发布全新的企业级 AI 解决方案，基于服务金融、零售、制造、医药等行业领先客户的落地实践，Kyligence 为企业提供准确、可靠、智能的 AI + 指标平台一站式解决方案，以行业领先的技术和稳定可靠的产品助力更多客户在数智化浪潮中掌握先机。来自德勤和 Kyligence 的多位嘉宾分享了 Data + AI 现阶段在企业场景中落地的痛点，并带来 AI + 指标平台在金融、零售、制造、医药等行落地的最新成果，吸引了众多观众的参会与热烈讨论。 准确、可靠的 AI，Kyligence AI 解决方案正式发布 随着大模型的迅速发展，企业逐渐从聚焦技术转向关注应用，迫切需要将 AI 结合业务落地，在市场竞争中抢占先机。Kyligence 联合创始人兼 CTO 李扬提到，2023年 Kyligence 产品全面集成 AI 能力，推出了智能一站式指标平台 Kyligence Zen 和 AI 数智助理 Kyligence Copilot，为企业使用数据带来了革新体验，并已率先在金融、零售、制造、医药等客户的真实场景中落地。 基于技术沉淀、创新产品和实践经验，Kyligence 正式发布了 AI 解决方案，将为企业级客户提供准确、可靠的 Data + AI 落地应用，通过对接企业已有的数据源，智能一站式指标平台将帮助企业实现统一的数据语言和目标管理，以及服务型的数据治理；其配备的 AI 数智助理将进一步降低业务用户使用数据的门槛，助力业务人员进行快速、准确的决策，为业务创新提供数据支持；此外，Kyligence 独具技术优势的企业级 OLAP 平台更将为企业大规模使用数据、推广 AI 应用提供坚实的技术底座。 在本次演讲中，Kyligence CTO 李扬还分享了 Kyligence

3.4 湖仓一体 市场定义： 湖仓一体是基于湖仓一体架构，提供多模异构数据统一存储、管理和计算，支持BI、数据科学、AI/ML、实时分析等数据应用场景，实现数据自由流动和共享、降低数据开发和运维复杂度的解决方案。 甲方终端用户： 企业数据部门、IT部门 甲方核心需求： 云计算、大数据、IoT等技术发展催生企业数据体量爆发式增长，数据类型也异常丰富。企业对半结构化、非结构化数据的存储、加工和应用提出了新要求，无论是数据仓库还是数据湖都难以满足企业需求。在此背景下，湖仓一体数据架构能融合数据仓库和数据湖的优势，成为企业数据架构演进新方向。企业对湖仓一体解决方案的需求具体如下： 实现海量异构数据的统一存储和批流一体的开发范式，降低数据存储、计算和运维成本。企业在历史构建数据平台的过程中，多形成数据仓库和数据湖共存的数据架构，以及“离线计算”和“实时计算”共存的双链路。数据在数据仓库和数据湖之间的存储和调用带来存储冗余；同时数据在离线链路、实时链路中的存储、清洗、转换会同时带来存储和计算冗余。而双链路和数据湖也使得企业的数据架构异常复杂，系统监控、性能优化、故障排除等运维工作量成倍增加。此外，传统的数据仓库和大数据平台架构中存储和计算资源耦合，面对大数据集时，极易出现存储资源冗余而计算资源不足的情况，企业需要花费数小时或更长时间来查询数据，大数据分析性能受限制。 实现多模异构数据的统一管理，提高数据质量。一方面，数据湖本身容易由于缺乏数据质量和数据治理形成数据沼泽，降低数据可用性。另一方面，在常见的数据仓库、数据湖共建的数据架构中，数据在数据仓库和数据湖之间的流转调用需要通过多个引擎实现，操作复杂，可靠性难以保证，极易产生数据一致性问题。 可同时支撑数据分析、数据挖掘、机器学习、RPA等工作负载，适应全域数据融合分析场景。针对全域数据的联合分析，以电商平台为例，电商平台需要对图片

3.2智能营销 市场定义： 智能营销是指具备自主知识产权的，提供自动化用户触达、用户运营、用户管理，支持企业实现用户洞察、精准营销的平台。 甲方终端用户： 大型国央企的业务部门，信息科技部门 甲方核心需求： 企业正面临营销方式的重建。一方面，随着数字技术的快速发展，消费者的数字渠道日益丰富，微信、抖音、小红书、淘宝等各类APP层出不穷，使得企业的获客渠道更加分散。另一方面，为适应市场的快速变化以及提高客户忠诚度，企业也愈发关注精准营销能力。在此背景下，传统以人工为主的营销方式成本太高、效率也太慢，企业亟需智能化、自动化的平台来满足新时代的营销需求，具体表现在以下方面： 解决企业数据孤岛问题。企业用户数据往往分散在CRM、电商、微信公众号、网站、APP等多个渠道中，并且各个渠道的数据定义各不相同造成数据质量参差不齐，使得企业难以充分利用用户数据资产开展用户洞察、优化营销策略或是进行精准营销。企业需要打通多渠道用户信息，建立OneID体系，以统一用户画像，获取用户行为洞察、提高营销效率。 适应不同行业的智能营销需求。不同行业的营销需求侧重点不同，如房地产消费属于高价、低频消费，需求借助周边商业、物业等业态“导流”，因此房企更需要连通商业、物业、地产等多业态的大会员体系，看重公域流量到私域运营的沉淀、生态内的会员积分体系建设。而在零售行业，市场已经进入存量竞争时代，零售企业更看重对私域流量的汇集和运营，以提高用户复购率，因此客户生命周期的管理很关键。 支持多系统集成，实现营销流程自动化。一方面智能营销平台本身就需要接入线上、线下多种渠道。另一方面，在精准营销过程中，企业需要挖掘高价值人群或用户，针对性匹配运营策略，再进行渠道触达，这一过程需要智能营销平台与CRM、ERP、OMS、WMS等多个系统联动，协作实现精准营销。 支持国产适配。智能营销平台应为自主研发，并兼容适配其他国产

导读：为迎合现今数字化经营的市场趋势，指标平台通过实现指标的高效开发，提供了既灵活又高性能的指标服务，逐步演变为企业数据基础设施的核心组成部分。大模型通过其强大的数据处理能力和深度学习机制，为指标分析提供了更加精准、全面的视角，为企业提供更加精准的业务洞察和决策支持。 本次分享围绕大模型加持的指标平台在企业内的建设路径，以及相关实践案例展开。 分享嘉宾｜王劲 数果智能创始人&董事长 内容已做精简，如需获取专家完整版视频实录和课件，请在评论区留言或私信我们，为您发送完整内容。 本次分享的内容主要是从多个角度出发，重点关注智能指标平台的整体架构与企业内实际应用，以及在具体场景中与大家深入探讨潜在问题和解决方案，综合从以下三个方面展开介绍。 首先，从实际应用出发，来谈谈企业内部对指标的爱与恨。 其次，聊聊如何构建并运营指标平台展开。众所周知，指标对企业有着举足轻重的作用，那么我们如何构建一个能使企业高效地应用指标的体系呢？这便是我们要讨论的，如何提升指标平台的效率，以及在这一过程中所遇到的挑战及其解决方法。 最后，将以实际案例中的两个场景与大家分享一些经验，介绍指标在具体业务场景下的应用。 01 对指标的爱与恨 指标体系并不仅仅是公司层面的运营体系，每个业务场景也可能拥有自己的指标体系。只是指标体系的规模各有不同，它们所专注的问题点存在差异。因此，从企业的角度来看，可能存在一个非常庞大的指标体系，然而对于每个具体的业务场景而言，它可能只是一个相对较小的体系，大的体系也是由众多这样的小场景构成的。 指标在企业管理中是至关重要的，它是导航灯塔，能够为我们指引业务的方向；它是地图，能帮助我们做好计划，规划好业务路线；它还是探测器，能够帮助我们预警并发现业务的风险；它也是仪表盘，帮助我们评估业务的效绩，评估这个业务的好坏。因此，在企业的各项经营活动中，我们都无法离开指标。 但

导读：企业的存量客户作为当今时代重中之重，如何让AI大模型大显身手，提升客户营销名单的精准性、营销自动化的效率性、营销资源分配的最适性？ 今天主要围绕三个关键环节以及相关案例展开说明。 分享嘉宾｜林庆治 飞算科技首席数据官 01 营销是一连串的转换过程 零售行业客户转化逻辑分为四块，公域引流、会员经营、私域经营、私域裂变，大部分企业当前尚处在第二阶段——转化成会员，但对于精细化经营跟裂变往往暂时不具备能力。 中间转换过程有几个步骤，第一是明确目标客群，根据商品属性找到目标客群，第二确定获客渠道，再进行内容运营。现在大模型中AIGC做生成式的大模型，可以针对性地做内容截取跟运营工作。最终目标是把公域内的游离客户转换成会员。会员管理进入传统CRM系统做经营，有一套会员管理系统或权益，但在企业一般就进行到这一步。如何做有效转换，包括怎么引导客户购买产品、进行价值提升，甚至在客户流失后，怎么挽留、裂变，很多客户没有这方面经验。 当目标客群引入到私域之后经营有几个重要步骤，首先是要业务分析，了解客户状况如何？购买情况如何？客户是否有兴趣？有没有成为付费会员？有没有继续往下落？这些方面必须做精细分析—找到问题。然后做客户洞察—“为什么不买产品？为什么会流失？”找到上述问题原因后，针对问题找到合适的营销手法—触达客户。在经营得成功、获得口碑之后，自然可以做到非常好的私域裂变。 私域经营、私域裂变对应到银行就是存量客户经营，对应到零售就是私域经营。 营销是一个流程，如何提升营销转化率，有三个重点。 第一个是营销精准性。转化率为什么不好？内容运营为什么没办法转化成注册会员？注册会员为什么没做更好的运营，最后进交叉销售？这是精准性的问题，包括名单精准性、触达有效性、内容有效性。 第二个解决营销效率问题。现在大部分营销都是人工进行，没有闭环。一次营销活动可能要一两个月的时间，营销效率非常

01 研究范围定义 研究范围： 在中央及地方政府的信创政策推动下，我国信创部分领域正在从“试点验证”迈向“规模推广”阶段。随着信创替换的深化，爱分析观察到，在需求侧，企业对信创产品的需求逐渐融合更丰富的业务诉求以及未来数智规划，正从“同类替换”转向“迭代升级”；而在供给侧，信创产品已经跨过“要用”、“能用”，正进入实力比拼的“好用”阶段。企业对信创产品迭代升级的具体需求表现为： 1、软件基础设施 数据库是基础软件的替换重点，企业对数据库的替换需求具体为，在功能和性能上可同等替换IOE数据库外，还要满足企业上云、资源弹性伸缩、混合事务分析、多模数据管理和查询等需求，因此企业对数据库的替换也开始考虑云原生、存算分离、HTAP、超融合等功能特点。 与此同时，在数据架构方面，企业需要解决异构数据源架构下的数据开发及运维难度，湖仓一体架构正成为大数据平台架构替换新方向。 2、应用端 OA是企业最核心的办公软件，也位列全面替换软件的首位。以OA系统的文档管理为例，企业在进行国产替换时，新增知识体系构建、员工办公效率提升以及办公流程自动化等业务场景需求，因此融合AI大模型、知识图谱等技术的文档管理中台成为企业选型偏好。 在客户信息管理方面，企业传统的客户信息管理主要通过Oracle、SAP等系统进行管理，但在本次国产化替换中，在实现客户信息管理功能的基础上，企业会考虑业务的成长性以及未来数智化对业务系统互联互通的需求，因此具有平台化特点的CDP引发关注。 本次报告中，爱分析按照IT架构，自下而上将信创市场划分为：基础硬件、基础软件、技术支撑层、数据层、上层应用软件等五个层级。其中基础硬件包含芯片、服务器、PC、打印机、存储等；基础软件包含操作系统、数据库与中间件；技术支撑层包含低代码/无代码平台、数据科学与机器学习平台、隐私计算、信创云、云原生、安全等；数据层包含数据中台、大数据平台、数

导读：存量客户是金融机构的最重要的资源，而AI大模型技术与应用的高速发展，能为银行业务提升方面发挥哪些作用呢？ 本次分享围绕存量时代的客户经营趋势、银行存量客户经营策略以及AI如何赋能银行存量客户经营等方面展开。 分享嘉宾｜史晓辉 某国有银行数字化运营专家、 公众号“西欧欧”主理人 存量客户是金融机构的最重要的资源，而AI大模型技术与应用的高速发展，能为银行业务提升方面发挥哪些作用呢？ 本次分享围绕存量时代的客户经营趋势、银行存量客户经营策略以及AI如何赋能银行存量客户经营等方面展开。 01 存量时代客户经营的特征及趋势 客户经营的底层逻辑简单来说就是连接客户与产品，在下图中，最上方是业务经营目标，左侧是客户，里面涉及客户生命周期、关键行为、客户分层以及经营策略等；右侧则是产品，涉及产品的设计、营销、竞品分析和产品迭代等方面；下方是数据、权益、客户、AI等底座以及机制、人才等基础能力，而中间则是客户经营的重点，涉及渠道、经营和场景。客户经营的逻辑其实就是将不同的客户与不同的产品，通过最短路径、在最低的成本下实现精准连接，概括一下，就是做好客户与产品之间的连线题。 随着流量红利的逐步消退，大部分行业都面临新客增长缓慢、市场竞争激烈、客户流失加快等问题，尤其是客户量级过亿的银行，线上获客的天花板大多已经显现，所以此时对于存量客户的价值挖掘就显得格外重要。 存量时代客户经营的特征和趋势大概分为5个方面： 精细化：客户的需求越来越高，需要我们从个性化、定制化方面切入，通过千人千面的方式对其进行精准转化； 场景化：客户如今的在线时间基本都被一些相对垂直的场景所瓜分，此时就需要我们在场景中对客户进行无缝的触达，这样才能保证转化率； 私域化：这个在存量客户经营的逻辑中极为重要，大家都知道二八定律，对于那些贡献8成营收的两成高价值客户而言，通过企微等私域渠道为其进行一对一的服务很

01 研究范围定义 研究范围： 在中央及地方政府的信创政策推动下，我国信创部分领域正在从“试点验证”迈向“规模推广”阶段。随着信创替换的深化，爱分析观察到，在需求侧，企业对信创产品的需求逐渐融合更丰富的业务诉求以及未来数智规划，正从“同类替换”转向“迭代升级”；而在供给侧，信创产品已经跨过“要用”、“能用”，正进入实力比拼的“好用”阶段。企业对信创产品迭代升级的具体需求表现为： 1、软件基础设施 数据库是基础软件的替换重点，企业对数据库的替换需求具体为，在功能和性能上可同等替换IOE数据库外，还要满足企业上云、资源弹性伸缩、混合事务分析、多模数据管理和查询等需求，因此企业对数据库的替换也开始考虑云原生、存算分离、HTAP、超融合等功能特点。 与此同时，在数据架构方面，企业需要解决异构数据源架构下的数据开发及运维难度，湖仓一体架构正成为大数据平台架构替换新方向。 2、应用端 OA是企业最核心的办公软件，也位列全面替换软件的首位。以OA系统的文档管理为例，企业在进行国产替换时，新增知识体系构建、员工办公效率提升以及办公流程自动化等业务场景需求，因此融合AI大模型、知识图谱等技术的文档管理中台成为企业选型偏好。 在客户信息管理方面，企业传统的客户信息管理主要通过Oracle、SAP等系统进行管理，但在本次国产化替换中，在实现客户信息管理功能的基础上，企业会考虑业务的成长性以及未来数智化对业务系统互联互通的需求，因此具有平台化特点的CDP引发关注。 本次报告中，爱分析按照IT架构，自下而上将信创市场划分为：基础硬件、基础软件、技术支撑层、数据层、上层应用软件等五个层级。其中基础硬件包含芯片、服务器、PC、打印机、存储等；基础软件包含操作系统、数据库与中间件；技术支撑层包含低代码/无代码平台、数据科学与机器学习平台、隐私计算、信创云、云原生、安全等；数据层包含数据中台、大数据平台、数

03 工业数据智能平台应用实践分析 3.1 工业数据的治理、应用正面临一系列挑战 在数据集成打通层面：分散在信息管理系统、机器设备中的非结构化数据伴随着工业企业业务场景丰富而剧增。与此同时，由于工业软件的接口协议不一致、烟囱式开发等原因，工业基础数据存在属性规范不一致、数据指标不统一等数据质量问题。以上难题对数据平台的存储能力、集成能力提出了更高的要求，要求数据平台能够有效处理海量数据，打破企业数据孤岛。 在数据治理使用层面：首先，平台需要以更快的响应速度满足工业数据的实时性需求，这为平台的存储和读写带来了压力。其次，现阶段对于工业数据价值挖掘的深度和广度仍然不够，未来仍需进一步提炼数据价值，赋能和开发业务场景，提升产品服务能力。最后，在数据平台出现以前，由于缺乏统一的数据共享和管控体系，各业务系统之间、部门之间的数据无法有效共享，数据复用能力弱。 在数据合规利用层面：相较于金融、汽车、电子政务、健康医疗等领域，工业数据在安全与合规利用方面尚处于起步阶段，工业数据法律法规体系建设有待进一步深化和完善。一方面，工业数据在研发设计、生产控制、售后运维等环节均有涉及，一旦发生数据安全事件都有可能引发生产经营活动的停滞。另一方面，对于一些关系到国计民生的行业，数据安全尤为重要，例如电力行业、能源行业等。 3.2 工业数据智能平台解决方案 以湖仓一体、流批一体、区块链等技术为依托，工业数据智能平台解决方案能有效应对数据质量不高，数据存储、计算成本高等难题，为企业提供统一的数据资产管理底座，为制造业企业数据治理提供安全保障。 1）构建数据治理能力内核 数据资产目录有助于企业厘清、盘活数据资产：数据资产目录通过对海量的工业异构数据进行明确的分类、定义、分层架构表达，使得企业可以快速完成数据标签的建立，对数据的血缘关系进行全链路的查询。 数据标准有助于企业获得高质量清洁数据：数据标准的建

01 报告综述 中国制造业体量庞大，增长迅速。根据国家统计局数据，2022年我国制造业增加值达33.5亿元，继续保持世界第一制造大国的地位。根据工信部的数据，我国制造业占全球比重也从22.5%上升到近30%。 与此同时，中国制造业面临智能化水平不足、核心技术受制于人、部分工艺流程的人工依赖度较高、产业附加值不足等问题。伴随着我国人口结构和产业结构的转型，制造业的成本将进一步攀升，未来发展面临挑战。 在此背景下，智能制造成为制造业转型升级的核心命题。智能制造是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称，它以智能工厂为载体，以关键制造环节智能化为核心，以端到端数据流为基础、以网络互联为支撑，能够缩短产品研制周期、降低资源能源消耗、提高生产效率、提升产品质量。 当前，制造业企业的数字化转型实践已经进入深水区，呈现出以下趋势：从业务运营的降本增效走向商业模式变革，从单点场景的验证突破转向平台化能力建设，从成熟技术的应用延伸到新兴技术的探索。 以设备制造行业为代表，设备后市场服务引领服务型制造商业模式变革。伴随着政策指引和制造业观念转变，制造业开始向服务化转型，由原来的以产品为中心转为以价值为中心，通过提供附加值服务来增强产品竞争力。一方面，《中国制造2025》《关于进一步促进服务型制造发展的指导意见》等政策文件中明确指出，要利用工业互联网等新一代信息技术促进生产型制造向服务型制造的转变，推动商业模式和业态的创新。另一方面，越来越多的企业认识到，伴随着市场由短缺经济向过剩经济的转变，产品同质化愈加严重，消费者选择空间也更大，服务化经营和差异化战略将成为制造业实现突围的制胜策略。 数据智能平台建设成为智能制造的核心基建。数据已成为继土地、劳动力、资本、技术之后的第五生产要素

3.7 大模型安全流通平台 市场定义： 大模型安全流通平台是指覆盖大模型开发及应用全流程，对数据、模型、参数提供安全防护，为大模型生态的多方参与者提供利益分配支持的平台。 甲方终端用户： 企业大数据部门和业务部门、大模型厂商、大模型应用厂商 甲方核心需求： 企业对大模型安全流通平台的需求体现在全流程安全、利益分类支持和价值体系三个方面。一是企业需要大模型安全流通平台覆盖大模型开发及应用全流程，对数据、模型、参数提供安全防护。二是企业需要大模型安全流通平台为利益分配提供支持。三是企业需要阐明大模型流通平台价值，促进大模型生态各方达成合作。 企业需要大模型安全流通平台覆盖大模型开发及应用全流程，对数据、模型、参数提供安全防护。大模型训练及应用全流程可大致分为数据治理、预训练、微调、应用四个环节，每个环节均有安全需求。全流程安全是大模型及其要素高效流通的必要条件之一。 图14：大模型开发及应用全流程 大模型开发及应用全流程主要涉及企业大数据部门、大模型厂商、大模型应用厂商、企业业务部门等四类参与主体。它们在合作过程中需要解决信任及隐私安全保护问题。企业大数据部门面临数据被使用过程中的各类不安全因素。大模型厂商面临基础模型产权被窃取风险，特别是对于初创企业而言，大模型是公司的核心资产。大模型应用厂商面临数据可触达性以及调优成果遗失风险。企业业务部门关系核心业务数据的泄漏风险。 企业需要大模型安全流通平台为利益分配提供支持。大模型开发及应用过程中常面临利益分配困境，主要在于难以衡量各方贡献率。如果有合理的利益分配机制，大模型生态的各参与方能够达成更加高效且安全地协作，加快推动大模型的技术进步和产业落地。大模型安全流通平台的使命在于加快大模型及其要素的流通，因此被企业寄予厚望，希望提供相关的模块或功能。 企业需要阐明大模型流通平台价值，促进大模型生态各方达成合作。大模型“出圈”

3.5 行业大模型 市场定义： 行业大模型是指经过后训练或者微调，具备金融、医疗等明确的行业属性，致力于更好地完成特定任务。 甲方终端用户： 大型企业IT部门 甲方核心需求： 企业需要有行业属性的大模型，致力于更好地完成特定任务。并且，行业大模型需要是合规可信的，才能保证其可用性。美国政府持续扩大针对中国芯片的出口限制，加剧了国内算力供应的压力，AI芯片价格持续走高且一卡难求。企业通常需要“行业大模型+算力”的综合解决方案来应对“卡荒”，解决对算力的后顾之忧。 需要有行业属性的大模型。目前，通用大模型一般是基于广泛的公开文献与网络信息来训练的，属于“泛行业”，没有特定行业属性。企业较难指望通用大模型拿来就可用和好用。因此，企业更希望采建设具备自身所属行业属性的大模型，建设方式为私有化部署或公有云MaaS。 需要合规可信的大模型，保证其可用性。用于预训练的数据一般源自公开文献与网络信息，这种数据不仅数据噪音大，并且中文语料少。这不仅影响大模型生成内容的准确度，更由于生成内容受西方价值观影响较深，致使企业担心合规问题。大模型可信度问题主要在于存在大模型幻觉，“一本正经地胡说八道”让用户不敢使用大模型生成结果。 企业需要“行业大模型+算力”的综合解决方案来应对“卡荒”。行业大模型的微调、推理需要高端AI芯片作为算力底座。但是，美国政府持续扩大针对中国芯片的出口限制，加剧了国内算力供应的压力，AI芯片价格持续走高且一卡难求。企业通常需要“行业大模型+算力”的综合解决方案来应对“卡荒”，解决对算力的后顾之忧。 厂商能力要求： 企业更希望建设具备自身所属行业属性的大模型。因此，厂商要以高质量行业大数据作为行业大模型的属性保障。为保证行业大模型可用性，厂商需要具备应对合规、可信难题的解决方案。为应对“卡荒”，厂商需要具备足够的高端AI芯片，并具备以华为升腾为代表的国产化芯片替代方案

3.3 AI Agent 市场定义： AI Agent是指以大模型为驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行完成复杂任务的系统。 甲方终端用户： 企业IT部门、业务部门 甲方核心需求： AI Agent相较于Copilot，有诸多能力的提升。其中，Planning能力是二者最大的区分，也是企业最为需要的能力项。Copilot需要明晰的Prompt才能发挥作用，AI Agent则与此不同，它可以自行规划并执行任务。AI Agent完成计划后，企业需要其调用组件来执行任务。对大企业而言，可能需要上百个AI Agent，需要对多AI Agent进行统一管理。 企业需要AI Agent的Planning能力。AI Agent相较于Copilot，有诸多能力的提升。其中，Planning能力是二者最大的区分，也是企业最为需要的能力项。Copilot需要明晰的Prompt才能发挥作用，AI Agent则与此不同，它可以自行规划并执行任务，也可以调动一系列组件来完成目标，甚至可能探索周围环境。例如AI Agent可以知道用户所在公司差旅政策以及用户对航空公司、酒店的偏好信息，当用户跟它下达指令就可以说“帮我安排下周的行程”，它们将直接输出切实可行的方案。 企业需要AI Agent调用组件来执行任务。AI Agent若要完成用户的任务指令，通常需要调用各种组件，例如文档处理组件、数据分析组件等。这将改变人与系统的交互方式，用户不再需要对系统功能以及操作路径进行记忆，而是通过自然语言让AI Agent调用组件来执行任务。 企业需要对多AI Agent进行统一管理。目前来看，尚不具备满足所有场景需求的“超级AI Agent”，企业要针对不同场景构建多个AI Agent。对大企业而言，可能需要上百个AI Agent。如果考虑AI Agent的生命周期与更新低代，管理工作

01 研究范围定义 研究范围 大模型是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。2023年以来，ChatGPT引爆全球大模型市场。国内众多大模型先后公测，众多互联网领军者投身大模型事业，使得大模型市场进入“百团大战”阶段，2023年成为公认的“大模型元年”。 企业用户方面，大模型的应用速度之快超乎想象。2023年初，企业管理层对大模型的话题还停留在大模型是什么，是不是概念炒作。短短半年，大模型已经从饭后谈资走向落地应用。大企业管理层们希望了解到大模型能为企业发展带来哪些变革，大模型的应用路径是什么，如何提升大模型的投资回报率，以及应该为拥抱大模型做哪些准备。而且，大模型吸引的人群也愈发广泛，不仅吸引CIO、CTO等技术管理者的关注，CEO、CMO等非技术类管理者同样期待大模型在业务中发挥价值。这些转变表明，大模型的变革之力正日益得到产业界的认可。 通过对市场规模数据的分析，能较为直观地体现出企业对大模型应用落地的热情。爱分析数据显示，2023年中国大模型市场规模约为50亿元（人民币，下同）。2023年，企业在大模型方面的采购特点是论证多、采购少，各企业计划在2024年开始大量释放大模型预算，因此市场规模将大幅增长，预计达到120亿元。 爱分析认为，大模型市场从技术架构角度可以划分为基础层、模型层、中间层和应用层。基础层是指为大模型训练推理而提供的基础环境，包括湖仓一体、向量数据库、智算中心、大模型安全流通平台等。模型层是指基础大模型以及微调后的大模型，包括通用大模型、行业大模型、领域大模型和企业大模型。中间层是模型层和应用层之间的“桥梁”，有利于大模型在各种实际场景快速落地，包括大模型应用开发工具、LLMOps工具等。应用层是指大模型应用和解决方案，包括知识库问答、智能客服、对话式分析等。大模型市场划分详见下图。 图1：大模型市场全景地图

01 研究范围定义 研究范围： 大模型是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。2023年以来，ChatGPT引爆全球大模型市场。国内众多大模型先后公测，众多互联网领军者投身大模型事业，使得大模型市场进入“百团大战”阶段，2023年成为公认的“大模型元年”。 企业用户方面，大模型的应用速度之快超乎想象。2023年初，企业管理层对大模型的话题还停留在大模型是什么，是不是概念炒作。短短半年，大模型已经从饭后谈资走向落地应用。大企业管理层们希望了解到大模型能为企业发展带来哪些变革，大模型的应用路径是什么，如何提升大模型的投资回报率，以及应该为拥抱大模型做哪些准备。而且，大模型吸引的人群也愈发广泛，不仅吸引CIO、CTO等技术管理者的关注，CEO、CMO等非技术类管理者同样期待大模型在业务中发挥价值。这些转变表明，大模型的变革之力正日益得到产业界的认可。 通过对市场规模数据的分析，能较为直观地体现出企业对大模型应用落地的热情。爱分析数据显示，2023年中国大模型市场规模约为50亿元（人民币，下同）。2023年，企业在大模型方面的采购特点是论证多、采购少，各企业计划在2024年开始大量释放大模型预算，因此市场规模将大幅增长，预计达到120亿元。 爱分析认为，大模型市场从技术架构角度可以划分为基础层、模型层、中间层和应用层。基础层是指为大模型训练推理而提供的基础环境，包括湖仓一体、向量数据库、智算中心、大模型安全流通平台等。模型层是指基础大模型以及微调后的大模型，包括通用大模型、行业大模型、领域大模型和企业大模型。中间层是模型层和应用层之间的“桥梁”，有利于大模型在各种实际场景快速落地，包括大模型应用开发工具、LLMOps工具等。应用层是指大模型应用和解决方案，包括知识库问答、智能客服、对话式分析等。大模型市场划分详见下图。 本评估报告聚焦通用大模

典型案例2：某地检察院打造信创非结构化数据中台，通过协同办公提升办案效率 某检察院成立于2006年，是省检察院的派出机关，下辖两个基层检察院。该检察院主要职责包括打击涉铁领域的普通刑事犯罪，依法对其他铁路司法机关立案侦查的案件进行审查批捕、起诉，以及对立案、侦查、审判、执行等执法司法活动和监管场所进行检察监督等。 1. 跨层级跨部门工作成常态，组织协作效率待提升 检察院作为重要的政务机关，也在积极推动数字检察转型，将大数据和人工智能技术应用在检察侦查、侦查监督、审查起诉、审判监督、执行监督以及公益诉讼等活动中，改变传统线索发现难、监督效果不佳等问题，提高监督质量和效率。 该检察院工作涉及下辖基层检察院跨行政区工作，工作人员需频繁跨组织协同办理案件，这为该检察院的调查效率带来挑战，具体体现在： 图4：某检察院组织协同办公面临的挑战 文档流转场景下，业务系统割裂，业务数据流转慢。该检察院部门之间以及上下级检察院之间均存在业务系统割裂的情况，这使得一旦涉及复杂的跨行政区划的诉讼案件，上下级检察院需协作完成案卷整理、移送、审查、起诉、逮捕等多个环节，流程繁琐，沟通成本过高、业务数据流转不顺畅。 文档汇集、共享场景下，办公方式传统，办公效率低。一方面，信息统计、收集等场景仍以邮件、手工汇总为主，如综合管理部队对体系内应用系统的监督需通过下辖检察院的IT人员定期发邮件汇报，再手工汇总统计，效率低下。另一方面，移动办公效率低，文件的共享、访问、编辑只能依靠携带电脑、U盘等，不能满足案件讨论、紧急通知等场景下实时编辑文件的需求。 文档安全方面，文档流失、泄漏风险高。一方面，各部门对文档数据管理的不规范，使得该检察院面临设备损坏、病毒感染等带来的文档损坏、流失风险；另一方面，线上办公、出差办公等场景使检察院面临外网暴露、内部敏感数据访问泄露等风险。该检察院之前在上级检察院的指导下已经开展了