架构视界
主页
企业架构
  • 方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
数据收集与分析
  • 转型总览
  • 信息化阶段
  • 数字化解决方案
  • 智数化解决方案
  • 智能化解决方案
  • 产品设计
  • 项目管理
全栈软件工程
AI 原生软件工程
方法论
博客
  • 资源导航
  • 效率工具
  • 展示专区
主页
企业架构
  • 方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
数据收集与分析
  • 转型总览
  • 信息化阶段
  • 数字化解决方案
  • 智数化解决方案
  • 智能化解决方案
  • 产品设计
  • 项目管理
全栈软件工程
AI 原生软件工程
方法论
博客
  • 资源导航
  • 效率工具
  • 展示专区
  • 数字化转型

    • 数字化转型:从信息化到智能化的架构演进
    • 信息化阶段:业务上线,数据留痕
    • 数字化解决方案:业务应用跑通端到端流程
    • 智数化解决方案:业务应用 + 数据应用
    • 智能化解决方案:业务应用 + 数据应用 + AI 赋能
  • 数字化平台技术方案

    • 多业务域数字化平台技术方案
    • 架构与部署蓝图
    • 三阶段演进视角
    • 交付与治理
    • AI 赋能层设计:在既有平台上叠加

智能化解决方案:业务应用 + 数据应用 + AI 赋能

智能化不推翻业务与数据应用:业务应用负责记录与执行,数据应用负责可信口径,AI 赋能层在其上增加"理解、建议与协作"。先选场景、定边界,再让模型进入流程,并为人机协同的后果负责。

1. 方案范围:两层之上加 AI 赋能

层次本方案说明
业务应用延续记录与执行的底座,流程节点仍是入口
数据应用延续指标、口径与数据服务成为模型可用的上下文
AI 赋能本方案新增场景与智能体、知识与检索、模型服务、评测治理

AI 赋能不是给每个系统加一个对话框:方案对象从功能模块变成场景、智能体、知识、模型服务与评测治理。没有可信数据与稳定流程,这一层只会把错误放大。

2. 阶段判断

出现以下信号,说明企业具备进入智能化的条件:

  • 业务流程与数据口径已经稳定,指标可追溯、可复算;
  • 规则与人工判断成为瓶颈,异常处理依赖少数资深人员;
  • 知识分散在文档、工单与个人经验中,检索与培训成本高;
  • 业务希望用自然语言获得分析与操作,而不是逐层点开菜单。

3. 业务问题

问题典型表现
场景想做的很多,说不清哪个值得做、做成什么样算成功
边界哪些判断可以自动、哪些必须人工确认,没有约定
知识资料散落,模型回答缺少依据,无法追溯
评测demo 效果不错,上线后无法判断是否变差
责任出错时说不清是数据、模型还是使用方式的问题

4. AI 赋能层与业务、数据应用的差异

维度业务与数据应用AI 赋能层
方案单元功能模块、报表与菜单场景与智能体
交互人按固定路径操作系统人描述意图,系统组织查询与操作
依据规则与代码逻辑规则 + 模型 + 知识检索,回答需带出处
数据业务库、指标口径与数据服务业务与指标数据 + 知识资产 + 反馈数据
质量用例测试与验收评测集、线上反馈与回归
风险权限与操作审计数据边界、内容安全、越权与责任归属

差异不意味着推翻前两层:业务系统仍是记录与执行的底座,数据口径仍是回答可信的前提。AI 赋能层改变的是"判断怎么形成",而不是"记录长什么样"。

5. 业务方案

  • 场景筛选:按价值与可行性排序,优先选择高频、规则清晰、错误代价可控的场景;
  • 人机分工:明确模型建议、人工确认、自动执行三档权限,以及每档的触发条件;
  • 流程嵌入:把模型能力嵌进现有流程节点,而不是另起一个入口;
  • 责任边界:每个场景有业务负责人,对使用范围与结果负责。

6. 应用方案

  • 助手与 Agent:面向查询、分析与操作的智能入口,按场景拆分而不是做一个万能助手;
  • 知识与检索:企业知识库与检索增强(RAG),回答带出处与版本;
  • 模型服务:模型接入、路由与降级统一管理,业务系统不直连模型厂商;
  • 评测与反馈:场景级评测集、线上反馈与回归机制,版本变更可比较;
  • 权限与审计:模型可访问的数据范围与操作范围显式配置,调用留痕。

7. 数据与知识方案

  • 知识资产:文档、工单、规程经过清洗与结构化,形成可检索的知识库;
  • 向量与索引:按场景建立向量库或混合检索,保留来源与更新时间;
  • 反馈数据:人工采纳、修改与拒绝的记录回流,用于评测与优化;
  • 数据边界:敏感数据分级,模型可用的数据范围小于人可用的范围;
  • 特征与上下文:把业务上下文(客户、订单、指标)按最小必要原则注入。

8. 技术方案

  • 模型接入层统一封装多家模型,支持路由、限额与降级;
  • 推理服务与业务服务分离,避免模型抖动影响核心交易;
  • 提示与上下文版本化管理,重要场景的提示变更走评审;
  • 日志、审计与成本监控覆盖调用量、时延与费用;
  • 安全控制包括密钥管理、内容过滤、越权访问检测与沙箱执行。

9. 落地方案怎么排

  1. 先定场景与验收口径:没有评测标准,不进入开发;
  2. 再定数据边界:明确模型可用与不可用的数据、可执行与不可执行的操作;
  3. 从只读场景起步:查询、总结、检索优先,写操作与人机确认流程后置;
  4. 评测与回归先行:评测集与线上反馈在首个场景就建立,随场景扩展;
  5. 治理同步成型:负责人、审计、成本与安全规则随方案一起交付。

10. 本阶段产出的架构产物

产物内容相比智数化阶段的变化
场景清单与价值评估场景、价值、可行性、风险与负责人从指标树升级为决策场景组合
人机协同流程建议、确认、执行三档权限与触发条件从人操作流程升级为人机分工流程
AI 应用架构助手、Agent、知识库与模型服务边界从业务应用升级为含模型能力的应用架构
知识与数据边界知识资产、检索范围与敏感数据规则从数据资产升级为可用且有边界的上下文
评测集与治理规则场景评测、回归、审计与责任约定从数据质量升级为模型效果与安全治理

11. 常见误区

  • 为 AI 而 AI:没有场景与验收口径,先搭平台再找用途;
  • 把 AI 方案做成万能助手:场景、权限与评测全部缺失;
  • 把 demo 当交付:没有评测集与回归,上线后无法判断效果;
  • 只做生成不做检索:回答没有出处,错误无法追溯;
  • 模型直连业务库与生产接口:绕过权限与审计;
  • 数据边界按"技术能不能"而不是"业务该不该"划定;
  • 责任缺位:出错归因于"模型",没有业务负责人与处置流程。

继续阅读

  • 智数化解决方案:可信数据与指标口径是 AI 赋能的前提
  • 数字化解决方案:业务应用是记录与执行的底座
  • AI 原生软件工程:AI 参与研发本身的工作范式
  • 转型总览:回到架构产物演变主线
最近更新: 2026/11/20 17:51
Contributors: 庆峰
Prev
智数化解决方案:业务应用 + 数据应用