henry 发自 凹非寺

量子位 | 公众号 QbitAI

过去一年，AI正在从回答问题的工具，逐渐走进企业的真实业务。

从办公助手、代码生成，到营销内容制作、供应链分析，越来越多工作开始有AI参与。

一位为电商商家提供AI方案的彭经理告诉量子位，他们已经将AI生图、换模特、换背景等能力接入到商品上架流程。

按他的估算，商品负责人接入系统后，完成素材处理、商品上架等相关操作的速度，可以达到原来的约20倍。目前，这套系统已经被8家店铺采用，单家店铺每月付费约2万元。

但具体操作提速，并不意味着整条业务流程已经实现自动化。

“最好还是人工看一遍。”彭经理说，生成的素材是否符合要求，仍需要人工检查操作。目前，这套AI能力主要集中在商品型录制作环节，与审核、选品、运营等后续流程的衔接还没有完全打通。

换句话说，AI已经帮助一个岗位节省了时间，但这部分收益如何进一步传导到整个业务流程，仍然需要解决。

当量子位进一步问到，企业是否应该自己训练模型、搭建完整AI团队时，他的回答很直接：“包亏钱。”

随后他补充，这笔账最终取决于业务规模。如果没有足够大的业务量支撑，无论是模型训练、企业数据整合，还是持续的Token消耗，前期投入都很难通过业务收益覆盖。

更进一步，在他看来，企业真正需要考虑的，并不是简单地“要不要上AI”，而是哪些智能能力值得自己建设，哪些可以直接采购？

这些选择，又会带来新的问题：一个场景跑通后，怎样扩展到上下游环节？局部积累的经验，如何沉淀为企业可以反复使用的能力？模型和工具更新后，已有成果怎样继续使用？不同应用又该如何与企业原有的数据和系统衔接？

而这也不只是AI商拍的问题。随着AI进入更多行业和业务环节，类似的建设、应用与扩展问题，也会出现在更多企业面前。

可以说，从单点应用到企业智能化，中间还隔着能力建设、流程连接和组织协同。企业需要一套方法，让分散的AI工具和实践真正融入业务，并逐步形成能够持续积累、不断演进的企业能力。

9月18日，华为在全联接大会2026上发布《Agentic Enterprise：企业智能化白皮书》，围绕这些问题，提出了企业智能化建设的参考架构与工程方法。

接下来，我们一起来看。

AI越来越能干，企业该怎么用

在华为看来，企业AI建设首先需要回答的，并不是“选择哪个模型”，而是企业真正需要解决什么业务问题？

过去，很多AI项目往往从技术能力出发，先寻找可以应用的场景。但对于企业而言，真正有价值的应用，需要从经营目标出发，找到影响业务结果的关键环节。

例如，一个AI系统可以帮助销售更快整理客户信息，但如果这些信息没有进入销售决策、客户跟进和订单流程，最终产生的价值仍然有限。

回到开头的AI商拍案例，商家已经从素材制作提速、人工成本下降中受益。但图片做得更快之后，审核、运营等环节能否跟上，又会影响这些收益能否进一步扩大。

华为AI应用首席专家李宏恺告诉量子位，局部提效也可能让瓶颈转移：“你这个环节提效了，导致下一个环节成了堵点了。”因此，企业需要从完整业务流程出发，找到真正制约整体产出的关键环节，再判断AI应该用在哪里。

这正是白皮书“让经营定义技术”的核心主张：企业不应先寻找AI能做什么，而应先明确要改善什么业务结果，再决定AI能力如何建设，以及如何与现有流程连接。

业务、财务和技术负责人需要先共同确认：当前的业务基线是什么，希望改善哪个经营指标，为什么需要使用AI，又由谁对最终结果负责。

这些问题不明确，技术建设就很容易变成“拿着锤子找钉子”。

只有经营目标先确定下来，后面的数据、知识、模型和智能体，才有明确的建设方向。

但找到一个有价值的场景，只是企业AI建设的第一步。场景跑通之后，企业还要考虑：解决这次业务问题形成的数据、知识和方法，怎样保存、复用和持续改进，再扩展到更多业务？

这就需要把一次项目的成果，逐步建设成企业可以长期使用的能力。

DIMAK：把智能能力建设成企业能力

要让一次实践服务于后续业务，企业首先需要把AI作出判断所需的事实、规则和经验组织起来。

这些判断依据，往往远不止现成的报表和文档。

很多业务决策背后，还包含大量隐性的经验：过去为什么这样判断，什么情况下需要例外处理，哪些规则必须遵守，最终结果是否符合预期。

如果这些经验散落在不同岗位和项目里，一个场景中形成的成果，就很难被其他业务使用。要让它们参与新的任务，还需要将其与模型、工具和运行环境组织起来。

华为提出的DIMAK，正是一套面向企业智能能力建设、供给与持续改进的工程体系。它由数据（Data）、AI基础设施（Infra）、模型（Model）、智能体（Agent）和知识（Knowledge）五个相互协同的工程域组成。

围绕一项具体任务，可以这样来理解五项工程的配合：

首先是给AI提供判断依据。

数据工程提供可信的业务事实；知识工程则把制度、流程和专家经验整理成可以检索、并且明确适用条件的规则和案例。

其次是让任务真正运行起来。

模型工程负责模型接入、适配和评测；智能体负责组织数据、知识、模型、工具以及人与AI之间的协作；AI基础设施则保障整套能力稳定运行。

最后是把任务做过之后留下的经验继续利用起来。

任务使用了哪些依据、人工改了什么、哪里发生异常、最终结果怎样，都可以继续记录。经过验证后，有效经验进入知识服务，失败记录用于后续评测，成熟的方法则可以进一步沉淀成可复用的任务方法。

进一步，这就可以形成类似RSI（递归自进化）的增强循环：业务反馈用于训练和强化学习，推动模型能力提升；改进后的AI再参与业务执行、训练和评测，产生新的经验与反馈，继续推动下一轮进化。

这样一来，企业可以从边界清晰、指标明确的场景开始，先把一项能力跑通，再逐步扩展到更多业务。

每一次真实任务产生的反馈，又会成为下一轮改进的依据。对于可能影响生产运行的知识和策略变更，则需要经过评测、业务确认和受控发布，再进入正式环境。

华为AI系统科学家姚骏在解读白皮书、介绍配套工具时，将这一目标概括为：帮助企业把通用人工智能转变为“企业需要的可以沉淀的价值与资产”。

但能力开始沉淀之后，还会碰到另一个现实问题：

模型会换，支撑智能体运行的框架也会换，那已经积累下来的企业能力怎么办？

白皮书将DIMAK的核心，概括为“解耦技术生命周期与企业能力生命周期”。

也就是说，模型与框架可以持续更新，经过验证的数据服务、知识资产和任务方法，则需要成为企业能够长期积累的能力。

为此，DIMAK通过相对稳定的能力接口、框架适配和版本管理，尽可能降低业务应用对单一模型和框架的依赖。

当底层模型或智能体框架发生变化后，企业重新验证任务效果和运行兼容性，让已有的数据、知识和任务方法在必要适配后继续使用。

白皮书中的电网设备评价实践，让这种能力积累有了具体形态。

某电网企业将原先供人阅读的专业导则，整理为来源明确、版本有效、适用范围清晰的知识资产。运检智能体结合设备台账、缺陷和监测数据，依据导则生成评价建议，由专业人员审核确认。

评价依据与结果一并保存，人工修订、缺陷处置结果和设备状态变化持续反馈，成为下一轮评价的依据。

于是，一次设备评价在完成当前任务的同时，也为企业积累了下一次可以继续调用的知识和经验。

不过，对于需要进一步改变订单、账户或生产状态的任务，形成判断之后，还要完成正式操作。这又涉及智能能力与企业原有业务系统的衔接。

H型双塔：从智能判断到正式业务行动

智能体即使提出了方案，正式操作仍要通过原有系统完成。如果后续依然需要人员逐个系统查询、录入和提交，分析环节的提效，就未必能缩短完整的业务流程。

华为提出的H型双塔，正是为了衔接这两部分：明确智能体系与原有系统的分工，并建立双向连接。

企业AI体系（智能塔）以DIMAK为工程基础，负责理解目标、分析变化、比较方案和组织任务。

企业IT/OT体系（现网塔）则是企业已经运行的业务与生产系统，负责提供权威业务事实、校验并执行操作、记录正式结果。

“H”中间的横向连接，将数据、知识、权限、指令和结果贯通，让同一项任务从判断走到执行，再把结果返回智能体系。

白皮书中的银行理财到期案例，就展示了这种协同方式。

某大型商业银行从客户的到期资金安排切入。手机银行智能体在获得必要授权后，结合产品到期状态、账户资金、风险等级和现有持仓，形成多套方案，并解释期限、收益、流动性和风险等方面的差异，供客户比较和调整。

在这个过程中，智能塔负责组织信息、分析方案；银行原有系统则提供账户、持仓等权威事实，让判断有据可依。

但能查询账户，并不意味着就能操作资金。

客户确定方案，并完成适当性确认和必要的强认证后，智能体才能在授权范围内调用资金划转、理财购买等业务能力。

交易校验、账户变更和持仓记录，仍然由银行原有系统完成。遇到大额交易、异常账户等情况，也仍需客户进一步确认，或转交相应责任岗位处理。

智能体负责组织任务，原有系统承担正式执行，客户保留资金安排和交易确认的决定权。每一步操作，都有相应的权限和责任边界。

这与过去的服务方式有一个明显区别。过去，客户需要自己寻找查询、转账和购买入口，再把这些功能一步步串起来；现在则围绕“资金怎么安排”这一目标，由智能体组织信息和操作，再由原有系统承担正式执行。

企业AI由此开始把原本分散的功能，围绕业务目标重新组织起来。白皮书披露，这项实践已在限定范围内进入客户确认后的授权执行。

不过，任务并不是发出指令就结束了。按照H型双塔的架构要求，购买请求被受理后，系统还需要依据原有业务系统的正式记录，确认交易是否完成、账户和持仓是否已经更新。

如果结果不明确，应先核验状态，避免重复操作；如果执行失败或业务条件发生变化，则需要重新调整任务，或交由人员处理。

这些真实执行结果，又会返回DIMAK体系，成为下一轮能力改进的依据。

人工修订、异常原因和业务反馈，可以帮助企业发现知识、模型和任务策略中的不足；相关变更经过评测、业务确认和受控发布后，再进入后续任务。

从DIMAK到H型双塔，一条相互衔接的工程路径由此形成：

前者解决AI能力如何建设和沉淀，后者解决这些能力如何进入企业流程并与现有系统协同。围绕经营目标，企业可以持续构建模型、智能体和业务系统之间的连接，让AI真正参与任务执行。

任务执行后的结果，又会反过来成为能力优化的依据。

最终，单点场景中的效率提升，能够通过流程协同扩展为业务链路的整体改善，并在持续反馈中形成增长闭环。

从一套参考方法，走向企业自己的实践

除了上面提到的，白皮书还记录了金融、汽车、医药、材料化学和电力等多个领域的落地实践。

不同行业的经营目标、业务流程、数据条件和风险边界各不相同。这些案例能够提供参考，但具体怎样建设，仍需要企业结合自己的业务作出判断。

正如华为AI系统科学家姚骏在发布会上所说：

“业务价值流的最后一公里是由企业来建设的，我们无法替代。”

这也决定了华为在其中扮演的角色：将不同项目中反复出现的共性问题梳理出来，形成参考方法、工程框架和共性工具，降低企业和生态伙伴重复摸索的成本。

华为给出的落地路径，也强调从核心场景切入，逐步完成验证、部署投产，再沿着价值业务流向更大范围扩展。

进入具体行业之后，则需要企业、华为与生态伙伴共同推进：企业明确自身的经营目标、业务规则和责任边界，伙伴参与具体场景的适配与实施，华为提供可以共同使用的参考设计与工程基础。

回到开头电商商家的选择，企业可以采购已经成熟的能力，把自己的建设投入放在业务规则、数据衔接和流程协同上。具体怎样分配，仍要由业务规模、现有条件和预期回报决定。

这份白皮书的意义，也在于为这些选择提供一套参考：哪些问题应该先由经营来定义，哪些能力值得长期沉淀，智能体系又该怎样与现有业务连接。

共性问题可以借鉴已有的方法，具体建设则需要围绕每家企业的业务持续验证和调整。

模型还会更新，智能体框架也会继续变化。企业需要在这些变化中，持续积累自己的数据、知识和任务经验，让每一代新的通用智能，都有机会转化为经营成果。

华为希望把其中可以共用的方法和工具搭建起来，再与企业和伙伴一起，在一个个真实业务中验证、完善。

对于正在开展AI项目的读者，可以先选取一项具体任务，对照白皮书梳理它的业务目标、已有能力和系统衔接，判断下一步最需要补齐什么。

白皮书链接：https://www-file.huawei.com/dam/asset/view/agentic-enterprise-cn.pdf

了解更多白皮书内容，点击左下“阅读全文”。