汇顶科技CIO邓辉：企业AI转型演进分享

汇顶科技是一家芯片设计公司，主要做手机端芯片，比如指纹、触控芯片。这两年公司也给到很多资源，去探索如何通过AI实现提效，围绕这件事我们已经做了两三年的实践尝试。

从去年到今年，涌现出非常多AI产品与AI概念。今年年初，像龙虾、Harness这类个人端智能体产品热度很高；编码领域，Claude code、Codex 也被很多企业采用，Harness、Skill这类新的AI概念不断出现。面对市面上层出不穷的产品和技术，硬件、各类智能体、垂直行业应用、安全相关产品百花齐放，企业该如何选择、如何落地应用？

我们调研了不少企业，也开展过很多内部研讨。MIT去年发布一份报告提到：95%的企业在推进 AI 落地的过程中遇到各类问题，实际落地效果并不理想。我们把共性问题做了总结：

第一，用户期望值过高，这是最普遍的问题。企业内部不管是高层还是普通员工，普遍会觉得 AI 无所不能。但一项新技术从诞生走向成熟、完成企业级落地，本身存在很长的周期。预期和现实场景不匹配，会让项目推进十分被动。

第二，搭建测试、试用环境门槛不高，但想要把 AI应用做稳定、实现持续运营，难度很大。很多新兴功能上线，热度过后很快就无人使用。

第三，安全风险。龙虾这类C端产品刚出来时大家都愿意尝试，但C端要管控本机数据、核心信息与密钥，放到企业、服务器侧，同样存在这类安全风险。

第四，业务场景模糊。今天很多嘉宾、伙伴都在分享场景，每家企业的AI场景差异很大。传统数字化，供应链、销售、研发领域的方案大同小异；但 AI 赋能不一样，各家想要提效的方向、待解决的问题、业务场景都各不相同。

第五，价值难以量化。企业投入资金、人力之后，很难评估AI项目的 ROI。采购了大量产品，最终给企业带来多少实际收益，很难衡量。

这里顺带做个小分享，是我自己梳理的数字化转型 12张图。企业早年做信息化，近些年推进数字化，前两年又转向智能化，每个阶段有着对应的诉求：信息化阶段，核心是业务线上化、沉淀数据、提升办公效率；数字化阶段，重点解决企业流程、运营、数据分析洞察的问题；而智能化，目前还没有成熟通用、适配所有企业的方案，大家都处在探索阶段。我们理解智能化，就是利用 AI 技术赋能业务、提升效率，打造具备自学习、自适应能力的智能化平台，可以跟随业务需求、技术迭代持续演进。就像企业内部成熟的数字化系统，都是长期使用、持续迭代运营的。

结合自身AI实施的经历，对于如何规避、化解上述痛点，我们也总结了一些实践思路。

首先，要有合适的统一入口。企业会落地大量 AI 赋能、提效场景，基于各类智能体、AI平台产出很多能力，但用户该去哪里找到这些能力？如果企业内部上线成千上万个智能体，如何触达终端用户，入口是关键问题。

第二，保障数据有效、及时。数据是AI的燃料，如果燃料本身存在问题，AI应用输出结果的正确性就无从谈起。

第三，确保智能体具备真实业务价值，这里有几个关键点：

找准真实业务场景，优先解决用户高频、海量、重复性的工作，这是AI项目能够持续推进的前提；

·选择适配企业自身实际问题的平台，市面上产品繁多，要匹配内部业务现状；

·严守信息安全红线。对于科技企业来说，安全是底线，所有新技术引入、应用落地，都必须建立在保障企业信息安全的基础之上。

接下来展开讲讲我们的实践和思考。今年我们才开始认真规划统一入口的建设。我们设想，未来企业内部理想状态下有一个唯一入口，能够处理用户绝大部分诉求；如果只能解决部分问题，剩余工作还要跳转其他系统，那就算不上真正的统一入口。我们希望这个入口可以接入全部 AI 助理、智能体，完成任务路由，对全部数据、信息、功能做统一调度处理。举个例子，企业办公涉及大量不同业务域，不可能把所有AI助理全部展示给用户，依靠统一入口做路由分发。比如用户提出要出差，入口就会调度对应的行政AI助理，完成出差全流程处理。

其次，搭建适配企业的智能体平台。行业内相关产品非常多，开源、商用层出不穷。龙虾爆火之后，大量客户端个人智能体平台涌现。客户端平台优势是可以感知个人行为，访问本机全部数据，但短板同样明显：维护成本高，每个人有多台设备，设备环境各不相同；同时存在安全管控难题。所以我们尝试建设服务端的企业级智能体平台，面向全员开放使用。平台内部搭建Scale Hub，对接企业 MCP工具集、全量系统API总线；针对成熟业务场景，开发固定工作流助理，既提升效率，也节约 Token 消耗。平台分为两部分：一部分做模板化处理，固化成熟 Workflow，打造通用AI助理；另一部分沉淀高频工具库，比如PPT生成、翻译、图片生成、深度调研等工具，本次分享的 PPT 就是由它辅助完成。工具库可以通过统一入口直接调用。同时引入行业成熟 Skill 能力，承载非完全模板化的能力。另外，把企业历年信息化、数字化沉淀的 API、系统集成能力，以及新开发的 MCP 服务全部接入，整体对接至统一入口。

第三，场景选择，主要参考三个维度：高频使用、业务规则清晰、明确业务 Owner。AI赋能是业务驱动，而非IT驱动，需要业务负责人完成需求梳理、决策拍板，如果业务规则模糊，无论做成 Skill还是Workflow，都很难达成预期效果。

我们梳理三类落地方向：第一，通用办公场景，这类场景各家企业相似度较高，也是同行普遍在落地的方向；第二，业务流程AI化。完整梳理全业务流程，识别各个业务活动、工作流当中，可以被 AI 优化、重塑的环节，基于业务流分析挖掘机会点；第三，面向专业岗位挖掘场景。研发型企业，芯片设计、代码开发这类岗位作业，不一定显现在标准业务流程当中，需要针对岗位本身寻找AI提效机会。

第四，数据。企业数据治理普遍难度大，不完全取决于IT建设水平。数据全部产生于业务，分散在不同渠道、不同平台，包含结构化、非结构化数据；研发场景还会产生大量动态数据，并非全部来自人为操作，治理难度更高。我们的观点是：尽量在数据产生环节完成治理，不要等数据产生完毕，再导入AI平台做二次处理。

关于数据消费，我们总结几种模式：

传统 RAG，已经经过两三年实践。Kapasi提出 LLM Wiki思路，尝试依靠大模型解决数据之间关联关系，而RAG仅能实现向量匹配。但我们判断 RAG在很多场景依旧无法替代：海量数据下直接依靠大模型做关联推理，会造成模型过载；

小规模个人Wiki类场景，数据体量有限，使用大模型原生能力处理，效果会更好；

结构化数据，依托过往平台沉淀，实现问数能力。早期问数聚焦文本转SQL，不同企业数据现状不同，实现方案各有差异。伴随智能体平台迭代，问数不再是单次查询单次返回结果的一次性交互，而是智能体RAG模式，多轮迭代，挖掘用户真正需要的数据。做好数据治理，才能释放数据消费价值。

最后是安全。企业AI产品形态多样，对应不同安全风险。很多企业会使用公有大模型，私有化模型在能力、Token 吐量上，很难完全满足企业级业务需求。使用外部公有模型，就要关注模型安全：核查隐私条款，确认企业数据会不会被模型服务商用于训练，明确哪些模型可以引入企业，哪些数据可以调用外部模型。

其次是数据安全。数据会经历存储、传输、访问各个环节。传统代码开发模式下安全相对可控；AI 场景下，要保障数据访问安全，做好传输加密、存储防护，完善权限控制，实现访问留痕、审计追溯。同时不同业务系统权限体系不一样，要做到 AI 侧完整继承原有系统的数据权限隔离。

再者是智能体平台运行安全。我们建设服务端企业级智能体平台，必须做好用户之间的数据隔离，可以通过容器隔离、用户授权权限隔离等多种手段实现。

安全是所有AI落地工作的基础。企业AI落地，需要兼顾数据安全保障与业务效率提升，这是长期探索的课题。