AI时代企业数智化顶层设计初探

随着AI技术的爆发，许多企业开始部署大量的“概念验证（POC）”项目，却发现这些零散的试点往往沦为孤立的“玩具”，不仅无法规模化产生商业价值，反而带来了新的数据孤岛；同时，面对业务部门私自使用外部不可控大模型所引发的核心商业机密甚至源代码外泄的“影子AI”风险，传统的IT安全防线早已捉襟见肘。 这一切的根源在于：传统基于“确定性与固定流程”的4A顶层架构，在高度动态、意图驱动的AI时代已经逐渐失效。本课程旨在打破传统的IT顶层设计思维，全景推演包含C.A.R.E.体系在内的新一代“五层数智化架构”，打通稳态IT与敏态AI的平滑过渡路径，用一套科学可落地的蓝图设计，将AI真正转化为企业的核心生产力。

• 洞察 AI时代范式转移，打破传统信息化“记录系统”思维，树立“认知驱动”的新型架构理念。

• 掌握 诊断数智化现状的“五看”分析法与企业AI数智化成熟度评估模型（AI-MM），精准定位战略起跑线。

• 重构 企业新一代五层架构（从价值生态层到异构算力层），运用前沿的C.A.R.E.顶层设计新方法论。

• 打通 传统稳态IT资产与敏态AI引擎的“双态平滑过渡”路径，唤醒并盘活沉睡的非结构化“暗数据”。

• 制定 科学落地的数字化建设路径与项目组合，规避“影子AI”隐患，实现企业级的受控民主化创新。

一、 AI时代数智化顶层设计的范式转变

1、顶层设计的价值和意义

案例：某大厂政务云中心（业务战略）

案例：某会展中心（应用场景）

案例：某园区伪智能化改造和系统“整合”

2、时代激荡：AI原生时代的“生死之变”与庙算之重

• 战略传导：企业要拥抱AI时代，顶层设计如何作为连接“企业战略规划”与“底层技术执行”的唯一桥梁？

• 破除迷思：为什么缺乏系统性规划的AI试点会带来巨大的异构算力浪费与数据孤岛？

• 系统跃迁：从传统追求确定性的“记录系统（SoR）”向拥抱非结构化数据的“认知系统（SoI）”跨越。

2. 架构腐化：传统EA（企业架构）面临的全面挑战

• 业务架构挑战：当生成式AI具备认知与推理能力，人机协同的边界该如何重新定义？

• 数据与应用挑战：从结构化统计走向多模态认知，从菜单式交互走向自然语言意图驱动。

讨论：我们企业目前面临的最大“AI转型阻力”是什么？数据还是老旧的系统固化？

二、 现状诊断：在重构架构之前，如何精准评估我们的战略锚点与数智化底子？

1、战略解码：自上而下的数智化发展方向研判

• 运用经典的“五看”分析法（看政策、看行业、看一流、看总部、看自身），全面识别数字化建设诉求。

• 战略决定场景与生态边界：成本领 先 vs 极 致体验下的AI重心理念差异。

2、定位坐标系：企业AI数智化成熟度评估

• 数字化基础能力诊断：业务支撑、数据质量、架构管理与技术领 先性评估维度。

• 企业AI数智化成熟度（AI-MM）五阶跃迁路径详解：

L1 单点尝试期（影子AI泛滥）

L2 局部赋能期

L3 平台统管期

L4 AI原生架构期

L5 自治演进期

模型：企业AI-MM五阶坐标体系

三、 架构重塑：如何摒弃旧IT蓝图，构建“业技共生”的新一代五层架构？

1、核心方法论：从4A架构向C.A.R.E.体系的全面升级

• 突破传统的“业务-数据-应用-技术（BA/DA/AA/TA）”线性模型，引入“认知驱动”新理念。

• C.A.R.E.体系（Cognitive 认知, Agentic 智能体, Resilient 韧性, Evolving 演进）底层逻辑拆解。

2、 新一代数智化顶层设计“新五层”模型

• 价值与生态层：进行“AI业务重塑”，界定AI数字员工的编制与业务场景锚点。

• 智能协同应用层：重构系统入口，搭建基于意图的“智能体网络（Multi-Agent System）”。

• 认知与模型大脑层：构建企业级大模型网关，采用“1+N”混合模型选型策略。

• 知识与数据资产层：引入向量数据库与RAG技术，实施“数据与知识双轨治理”。

• 异构算力设施层：构建私有与公共云混合的异构算力底座及LLMOps平台。

一、 平滑演进：面对庞大的历史系统，如何让旧有资产“变废为宝”并守住安全边界？

1. 1、资产重塑：“双态架构”下的平滑过渡策略

• 为何顶 级机构强烈反对“推倒重来”的激进架构重构？

• 稳态系统记录层（SoR）与敏态系统认知层（SoI）的API解耦与高频交互模式。稳态（系统记录层 System of Record）： 保持现有ERP、核心账务、基础数据库体系的稳定性。它们依然是企业运转的基石，负责处理高一致性、强规则、零容错的事务。数据依然是最核心的资产，但从数据治理向数据生成转变

• 敏态（系统认知层 System of Intelligence）： 在稳态系统之上，构建全新的AI认知层。通过API网关与大模型中台赋能，与稳态系统进行解耦，实现前端体验与认知的极速迭代。

• “变废为宝”法则：旧API服务化身为Agent的执行“手脚”；沉睡的“暗数据”升维为最深的AI护城河。旧有的API与微服务： 过去十年SOA和微服务改造留下的接口，将直接成为AI Agent的“手和脚”。大模型负责思考判断，旧API负责执行系统操作。

• 沉睡的“暗数据”： 过去无法结构化处理的历史文本、研究报告、客服录音，通过RAG技术提取后，将成为训练企业专属大模型最核心的护城河，这是外部通用大模型无法获取的独 家语料。

• 现有的安全与身份体系： 现有的IAM（身份识别与访问管理）机制，直接平移作为AI调用的权限边界，确保“谁能问什么级别的数据”受到严格的物理与逻辑双重控制。

2、混合式协同边界：公共云调用 vs 私有化掌控

• 划定安全红线：哪些核心业务模型与企业向量知识库必须实行私有化闭环部署？必须企业自有/私有化部署的核心资产：核心业务大模型（Fine-tuned LLM）： 涉及极度敏感信息（如核心财务指标、关键工艺配方）的模型，必须在私有云或本地算力集群上闭环微调和部署。企业向量知识库： 包含企业核心Know-how的数据，其主权必须绝 对掌握在企业手中。

• 大模型网关与安全围栏： 统管企业内部所有向外的大模型请求，负责敏感词过滤、数据脱敏和合规拦截。

• 能力适配方略：基座模型（LLM）组合、Agent框架选型与企业通用技能（Skills）库建设方案。

• 优先调用公有云AI服务的领域：

o 通用逻辑推理、多语言翻译、通用的代码生成辅助。

o 极耗算力的通用基础大模型API调用（在确保数据脱敏的前提下）。

o 标准化程度极高的办公协同AI助手。

一、 落地闭环：如何科学规划实施路径与项目组，化解“影子AI”的全面失控风险？

1. 1. 实施路线图：从瀑布式规划走向敏捷试错与双态并行

• M1 价值锚定与认知对齐

• M2-M3 知识工程与基础设施筹备。

• M4-M6 智能体原型涌现 架构能力沉淀与全面开放（AI Ubiquity）。

• 基于“业务迫切度”与“技术就绪度”矩阵进行项目投资效益分析与优先级排序规划。

2. 组织与治理：

• 企业级AI搭台（筑牢底座与安全红线）：统一部署带数据防泄漏（DLP）的大模型操作台。

• 个人级AI唱戏（释放长尾创新力）：赋能业务一线利用低代码搭建解决长尾痛点的小智能体。

• 构建自下而上涌现、自上而下沉淀的“企业级官方AI应用商店”良性双向循环机制。

案例：国内首个企业级龙虾劫持事件

讨论：员工传递内部数据给外部大模型，企业应该如何应对？

六、现场演练：搭建智能体，分析企业数据

要求：学员自带笔记本电脑 注册coze账号；培训教室有无线网络覆盖