华为首发企业AI白皮书：AI让员工更快了，怎样让整个企业受益？

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 华为首发企业AI白皮书：AI让员工更快了，怎样让整个企业受益？ henry 2026-09-20 22:23:52 来源： 量子位 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