华为发布企业智能化白皮书 解锁AI商业落地路径

近一年来，人工智能早已跳出单纯的问答工具范畴，深度融入企业的真实业务流程中。从办公助手、代码生成，到营销内容制作、供应链分析，越来越多的工作场景开始有AI参与其中。

有一位为电商商家提供AI解决方案的从业者提到，他们已经将AI生图、更换模特、替换背景等能力整合进商品上架流程。据他测算，商品负责人使用这套系统后，素材处理、商品上架的操作速度可以达到原先的20倍左右，目前已有8家店铺接入，单店每月付费约2万元。不过，单点的操作提速并不代表整个业务流程已经实现全自动化。他坦言，生成的素材仍需要人工审核确认，目前这套AI能力仅覆盖商品型录制作环节，和后续的审核、选品、运营等流程并未完全打通。也就是说，AI虽然帮单个岗位节省了时间，但如何将这部分收益传导到整个业务链路，仍是待解的问题。

当被问及企业是否应该自建模型、搭建完整AI团队时，他的回答十分直接：“肯定会亏钱。”他补充道，这一投入的回报最终取决于业务规模，如果没有足够大的业务量支撑，不管是模型训练、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收回。他进一步指出，企业真正需要思考的，不是“要不要上AI”，而是哪些智能能力值得自主建设，哪些可以直接采购。而这些选择背后，又衍生出新的难题：当一个场景的AI应用跑通后，如何将其扩展到上下游环节？局部实践中积累的经验，怎样沉淀为企业可复用的能力？当模型和工具更新后，已有的AI应用成果该如何继续使用？不同的AI应用又该如何和企业原有的数据系统、业务流程衔接？

这类问题并非仅存在于AI商拍领域。随着AI渗透到更多行业和业务环节，类似的建设、应用与扩展难题，正摆在越来越多企业面前。从单点的AI工具应用到真正的企业智能化，中间还隔着能力建设、流程衔接和组织协同三道关卡。企业亟需一套系统化的方法，让分散的AI工具和实践真正融入业务流程，逐步形成可以持续积累、不断进化的企业智能能力。正是为了解决这些问题，华为在2026年全联接大会上发布了《Agentic Enterprise：企业智能化白皮书》，提出了企业智能化建设的参考架构与工程方法论。

华为方面指出，企业开展AI建设时，首先要回答的不是“选择哪款模型”，而是“企业真正需要解决什么业务问题”。过往不少AI项目往往从技术能力出发，先寻找可以落地的场景，但对企业来说，真正有价值的AI应用，应该从经营目标出发，找到影响业务结果的关键环节。举个例子，一套AI系统或许能帮销售更快整理客户信息，但如果这些信息没有接入销售决策、客户跟进和订单流程，最终产生的价值依然有限。

回到前文提到的电商商拍案例，商家确实从素材制作提速、人工成本降低中获得了收益，但当图片制作速度提升后，审核、运营等后续环节能否跟上，将直接决定这些收益能否进一步放大。华为AI应用首席专家曾表示，局部环节的效率提升，反而可能让瓶颈转移到其他流程：“你把这个环节的速度提上来了，下一个环节就会变成新的堵点。”因此，企业需要从完整的业务链路出发，找到真正制约整体产出的关键节点，再判断AI应该应用在何处。

这正是白皮书“以经营定义技术”的核心主张：企业不应先去寻找AI能做的事，而应先明确想要改善哪些业务结果，再决定AI能力如何建设，以及如何与现有业务流程衔接。业务、财务和技术负责人需要先达成共识：当前的业务基线是什么，希望优化哪些经营指标，为什么要引入AI，以及最终的结果由谁负责。如果这些问题没有明确，技术建设就很容易陷入“拿着锤子找钉子”的误区。只有先确定清晰的经营目标，后续的数据、知识、模型和智能体建设，才有明确的方向。

不过，找到一个有价值的AI应用场景，只是企业智能化建设的第一步。当单个场景跑通后，企业还需要思考：解决当前业务问题所产生的数据、知识和方法，该如何保存、复用并持续改进，进而扩展到更多业务场景？这就需要将单次项目的成果，逐步建设为企业可以长期使用的智能能力。

要让一次实践的成果能够服务于后续业务，企业首先需要将AI做决策所需的事实、规则和经验系统化整理。这些决策依据往往不止于现成的报表和文档，很多业务决策背后还隐藏着大量隐性经验：比如过去为何做出这样的判断、哪些情况需要例外处理、必须遵守的规则是什么、最终结果是否符合预期。如果这些经验分散在不同岗位和项目中，单个场景产出的AI成果就很难被其他业务复用。要让这些经验能够参与新的任务，就需要将其与模型、工具和运行环境整合在一起。

华为提出的DIMAK体系，正是一套面向企业智能能力建设、供给与持续迭代的工程方法论，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构成。我们可以结合具体任务来理解这五个工程域的配合逻辑：

首先是为AI构建决策依据。数据工程负责提供可信的业务事实；知识工程则将制度、流程和专家经验整理为可检索、且明确适用条件的规则与案例。

其次是保障任务顺利落地执行。模型工程承担模型接入、适配和评测的工作；智能体负责统筹数据、知识、模型、工具以及人与AI的协作；AI基础设施则为整套能力提供稳定的运行保障。

最后是实现经验的持续复用与迭代。任务中使用的决策依据、人工调整的内容、出现异常的环节以及最终结果，都可以被完整记录下来。经过验证的有效经验可以纳入知识服务体系，失败案例可用于后续的模型评测，成熟的业务方法则可以沉淀为可复用的任务模板。

在此基础上，还可以形成类似RSI（递归自进化）的增强循环：业务反馈用于模型训练和强化学习，推动AI能力不断提升；升级后的AI再参与业务执行、训练和评测，产生新的经验与反馈，进一步推动下一轮的进化。通过这种方式，企业可以从边界清晰、指标明确的场景入手，先跑通一项AI能力，再逐步扩展到更多业务场景。每一次真实任务产生的反馈，都将成为下一轮优化的依据。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后，才能正式接入运行环境。华为AI系统科学家在解读白皮书并介绍配套工具时，将这一目标总结为：帮助企业将通用人工智能转化为“企业所需、可沉淀的价值与资产”。

不过，当企业的AI能力开始沉淀后，又会遇到另一个现实难题：模型会更新迭代，支撑智能体运行的框架也会变化，那已经积累下来的企业智能能力该如何处理？白皮书将DIMAK体系的核心概括为“解耦技术生命周期与企业能力生命周期”。也就是说，底层的模型和框架可以持续更新，但经过验证的数据服务、知识资产和任务方法，需要成为企业可以长期留存的核心能力。

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时，企业只需要重新验证任务效果和运行兼容性，就能让已有的数据、知识和任务方法在适当适配后继续使用。白皮书中的电网设备评价实践，为这种能力积累提供了具体的落地形态。某电网企业将原本仅供人工阅读的专业导则，整理为来源明确、版本有效、适用范围清晰的标准化知识资产。运检智能体结合设备台账、缺陷记录和监测数据，依据这些导则生成设备评价建议，再由专业人员审核确认。评价依据和最终结果会被一并保存，人工修订的内容、缺陷处置结果以及设备状态的变化，会持续反馈到系统中，成为下一次设备评价的参考依据。这样一来，单次设备评价在完成当前任务的同时，也为企业积累了可在后续场景中复用的知识和经验。

不过，对于那些需要修改订单、账户信息或生产状态的任务，AI形成判断后，还需要完成正式的操作执行，这就涉及智能能力与企业原有业务系统的衔接问题。即便智能体已经生成了可行的方案，正式操作仍需要通过企业原有的业务系统来完成。如果后续仍需要人工逐个系统查询、录入和提交数据，那么分析环节的效率提升，未必能缩短整个业务流程的耗时。

为此，华为提出了“H型双塔”架构，用于解决这两类系统的衔接问题：明确智能体系与原有业务系统的分工，并建立双向的数据与指令连接。其中，企业AI体系（智能塔）以DIMAK体系为工程基础，负责理解业务目标、分析场景变化、对比不同方案并统筹任务执行。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，负责提供权威的业务事实、校验并执行操作、记录正式的执行结果。而“H”结构中间的横向连接，则实现了数据、知识、权限、指令和执行结果的双向贯通，让同一项任务从智能判断走到正式执行，再将执行结果反馈回智能体系。

白皮书中的银行理财到期服务案例，直观展示了这种协同模式。某大型商业银行以客户的到期资金安排为切入点，手机银行智能体在获得必要授权后，结合产品到期状态、账户资金情况、客户风险等级和现有持仓情况，生成多套资金安排方案，并清晰解释不同方案在期限、收益、流动性和风险等方面的差异，供客户对比和调整。在这个过程中，智能塔负责统筹信息收集、方案分析和组织；银行原有系统则提供账户、持仓等权威业务数据，让智能判断有可靠的依据。

不过，能够查询账户信息并不代表可以直接操作资金。只有当客户确定了具体方案，并完成适当性确认和必要的强身份认证后，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等正式操作，仍由银行原有业务系统完成。如果遇到大额交易、异常账户等特殊情况，还需要客户进一步确认，或者转交相应的责任岗位处理。智能体负责统筹任务流程，原有系统承担正式执行职责，客户则保留资金安排和交易确认的最终决定权，每一步操作都有明确的权限和责任边界。

这与传统的服务方式有着显著区别：过去客户需要自行寻找查询、转账和购买的入口，再将这些分散的功能手动串联起来；而现在则围绕“如何安排到期资金”这一核心目标，由智能体统筹信息和操作流程，再由原有业务系统完成正式执行。企业AI由此开始将原本分散的功能，围绕业务目标重新整合。白皮书披露，这项实践已经在限定范围内进入客户确认后的授权执行阶段。

不过，任务并非在发出指令后就宣告结束。按照H型双塔的架构要求，当购买请求被受理后，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。如果执行结果不明确，需要先核验系统状态，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方案，或者转交人工处理。这些真实的执行结果，会被反馈回DIMAK体系，成为下一轮能力改进的重要依据。人工修订的内容、异常情况的原因以及业务反馈，都可以帮助企业发现知识、模型和任务策略中的不足；相关的变更经过评测、业务确认和受控发布后，才能正式进入后续的任务流程。

从DIMAK体系到H型双塔架构，一条相互衔接的工程路径就此形成：前者解决AI能力如何建设和沉淀的问题，后者解决这些能力如何融入企业业务流程并与现有系统协同的问题。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真正参与到任务执行的全流程中。任务执行后的结果，又会反向成为AI能力优化的依据。最终，单点场景的效率提升，可以通过流程协同扩展为整个业务链路的整体优化，并在持续的反馈循环中形成增长闭环。

除了上述两个典型案例，白皮书还收录了金融、汽车、医药、材料化学和电力等多个行业的落地实践。不同行业的经营目标、业务流程、数据基础和风险边界都存在显著差异，这些案例只能提供参考方向，具体的建设方案仍需要企业结合自身业务情况进行判断。

正如华为AI系统科学家在发布会上所言：“业务价值流的最后一公里需要企业自身来完成，我们无法替代。”这也明确了华为在整个体系中的角色：将不同项目中反复出现的共性问题梳理总结，形成标准化的参考方法、工程框架和通用工具，降低企业和生态伙伴重复摸索的成本。华为提出的落地路径，强调从核心业务场景切入，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。当进入具体行业后，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，生态伙伴参与具体场景的适配与实施，华为则提供可共同使用的参考设计与工程基础。

回到前文提到的电商商家的选择，企业可以采购已经成熟的AI能力，将自身的建设投入集中在业务规则梳理、数据系统衔接和流程协同优化上。具体的资源分配比例，则需要根据企业的业务规模、现有条件和预期回报来决定。这份白皮书的核心价值，正是为企业的AI建设选择提供系统化的参考：哪些问题需要先由经营目标来定义，哪些智能能力值得长期沉淀，智能体系该如何与现有业务流程衔接。对于共性问题，可以借鉴已有的成熟方法；而具体的建设工作，则需要围绕每家企业的业务场景持续验证和调整。

模型仍会持续更新，智能体框架也会不断迭代，企业需要在这些技术变化中，持续积累自身的数据、知识和任务经验，让每一代新的通用人工智能技术，都能转化为实实在在的经营成果。华为希望将其中可共用的方法和工具搭建起来，再与企业和伙伴一起，在一个个真实的业务场景中验证、完善这套方法论。对于正在推进AI项目的企业而言，可以先选取一项具体任务，对照白皮书梳理其业务目标、现有能力和系统衔接情况，判断下一步最需要补齐的环节。

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

想要了解更多白皮书内容，可以点击相关入口查看详情。