回顾过去近三十年（1995 年至今），我们经历了软件工程的蓬勃发展，塑造了 Web、App 等我们今天习以为常的数字形态。如今，大模型带来的 AI 应用浪潮，包括 MCP、Agent 的涌现、探索和尝试，与软件工程早期阶段非常相似。互联网上的显性知识已经预训练到大模型里，AI 应用的核心在于人类的 " 经验值 " 的提取。Agent 作为一种全新的架构，要代替的是人操作现有软件（如 wps、oa 系统、财务系统）推进知识型任务或重复琐碎工作，如何将人的经验知识、经验规则和经验判断转化为 AI 可执行的形式，转化为生产力，是企业核心关注和解决的痛点。

分享嘉宾｜广州广交数科信息产业有限公司副总经理、AI 负责人     常振廷

内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。

今天分享的高价值场景案例是在央国企以及政府机构里非常高频的场景：AI 收文员。收文员每天需要处理大量文件（约 80-100 份）。我们将原本由人完成的办文经验（如判断牵头部门、牵头领导、拟办意见等）转化为 AI 可执行的规则和形式。目前，AI 收文员在执行准确率上已接近 100%，并且与 OA 关联进行自动填报。通过这个案例，我们深刻体会到 AI 原生能力真正释放生产力的关键点在于：将原本由人操作工具来完成的工作，交由 Agent 代理执行。而更高层次的价值创造工作，则仍然由人来主导。这是我们基于前期落地案例和研究得出的核心认知。

下面我将详细介绍下我们的 Agent 实践经验。

广交数科原来是做交通信息化，从去年开始切入 AI 工作，目前整个研发人员 600 多人。在 AI 起步的过程中做了三件事，一个是提出央国企 AI 转型和行动指南；另一个是企业 AI 应用的建设，构建起 "AI 应用工程 " 技术体系，涵盖场景识别、高效建模、智能体生产级调优等关键技术环节；三是成功举办了全国首批 AI 员工批量 " 持证上岗 " 发布会；四是在持续探索 AI 原生的能力和解决方案，识别出哪些原本由人操作的工作能被 AI 有效接管。

接来下将拆分企业的 AI 转型方法与行动指南。

为什么 AI 能在企业落地？

我们在不断的实践和复盘中，总结出两个核心逻辑：

语言 / 文字处理的天然契合：  人类交流和传承的核心载体是语言和文字，而这正是大模型最擅长的处理对象。

持续优化管道的确立：每创建一个智能体（Agent），就相当于建立了一条可持续观察、维护和改进的管道。即使初期效果不完美，通过业务人员、技术人员、AI 工程师的持续迭代，最终能显著提升效率，替代部分人工操作。

基于这两点，我们坚信 AI 在企业落地是可行的路径。

企业 AI 转型的核心议题

众多央国企和企业普遍都关注 AI 落地了有哪些效果，究竟能带来什么实际效益？如何选择模型开发工具链？如何让 AI 文化在企业内部生根？

目前，无论是选用现有工具还是定制开发，大部分企业仍处于 AI 或者智能体的试点和探索阶段，今年下半年会逐步有成熟的 Agent 应用和解决方案发布。当前的智能体，本质上是智能协作类 Agent 系统，主要是代替人操作软件工具完成工作。未来各领域都可能出现成熟的、开箱即用的智能协作 Agent。

如何让 AI 文化在内部落地生根

第一层是原生开发还是买现有的工具链，第二层是技术形态，构建企业知识大脑，整合不同颗粒度的知识引擎：联网搜索、内容库、知识库、文档库、规则库、数据库，甚至专家系统。接下来就是 " 数字员工 " 与 AI 工作台， 将人的规则输入后，由 AI 扮演的 " 数字员工 " 执行高度重复的任务。一个企业可拥有几十至几百个这样的 " 数字员工 "，就构成统一的 AI 工作台，最终提升工时效率和企业竞争力。

AI 应用落地的高要求与挑战

企业要做好 AI 的落地，坦率说要求还是挺高的。

近两年积累的 AI 知识体系非常庞大，AI 应用工程作为一个新兴领域，与成熟的传统软件工程形成鲜明对比，工作推进有一定难度，需要先对齐认知。

其次是 AI 应用工程能力是否具备场景识别、智能体高效建模及最终实现的能力是关键。当前许多案例仍停留在利用模型能力增强传统软件工程（如信息抽取、质检），而非真正实现 " 经验知识 AI 化 " 的原生价值。

另外还有 AI 管理变革的能力，是让 AI 落地生根的过程。每个企业对 AI 的认知不同，高管对 AI 的认知深度，以及如何设计硅基员工、碳基员工的分工协作机制，和整个全景覆盖的打造，这些是一个渐进过程。

而 AI 应用落地效果的影响因素也有很多，在智能体落地的过程中，需打通多个环节：模型层、智能体层、工具层、私有知识数据层、应用场景层。同时从人员上来说，业务专家、IT 工程师、AI 工程师这三类场景的知识体系也需要拉通。任何一环出问题都会影响最终表现，所以这也是不少人觉得当前许多 AI 应用效果未达预期的原因。

那如何围绕企业价值链，构建 AI 应用呢？

先选择高价值场景试点，无论是生产场景还是管理场景，建议每个部门优先选择一个高价值场景进行实践，让团队亲身体验 AI 能做什么。成功覆盖后，再进行智能体实现和运营迭代，然后逐步扩展至全景覆盖和统一界面集成，紧接着就可以推进硅基员工与碳基员工的协同管理。

例如开篇提到的 AI 收文员，它的执行水平已经达到人工收文水平的 99%，现在只需要人工做最后的确认动作。

带入到上方四象限中，目前 AI 收文员已经达到 " 执行者 " 水平了，也有一些其他的智能体，还处于 " 共创者 "" 学习者 "" 建议者 " 的水平，这也是因为大模型生成的结果还需要人工做最后的确认，有些场景还存在幻觉现象，无法完全信赖。

广州公交集团 Agent 的创新案例

去年 6 月份，广州公交集团印发了 AI+ 三年行动方案，在去年 10 月份启动了 AI 智能体的比赛，共有 115 个参赛应用，也在今年 3 月 26 日举办了首批 AI 员工发布会，并发布了 10 个 AI 员工。

他们覆盖了整个企业管理领域、生产领域的各个方面，包括党务党建（" 智 HUI 党务 "）、法务（" 如影法务 "）、旅游客服（" 如约旅伴 "）、物业招租（" 智物 "）、安全管理（" 智行安报宝 "）、编程辅助（" 创码小思 "）、维修支持（" 维修强哥 "）、车身广告管理（" 小冠 "）、公文处理（" 文收宝 "）、财务分析（" 财析通 "）。

总结与展望

AI 应用是能力持续跃迁的过程，不是一锤子买卖，所以在企业推进落地过程中，首先要做整体的 AI 规划，识别 AI 目标高价值场景，明确哪些 Agent 需要去构建，做好哪些数据准备。其次是选一些试点，先落地使用 AI，在落地过程中持续提升我们对 AI 的认知，再提升整个 AI 文化在企业内的覆盖和落地效果。借鉴成功案例经验，逐步构建起 AI 应用工程能力，实现与 AI 的共生发展。

⩓