客服机器人在响应客户咨询时表现出了前所未有的效率 与准确率; 在制造业中,通过智能算法优化生产流程,减少资源浪费, 大幅 提升了生产效率。从垂直融合到泛化应用, 人工智能正凭借全面连接、信息 共享、上下联动和资源整合等优势, 正深度激活各行各业的 '脉络' , 推动 千行百业的智能化水平走向纵深。 各行业已普遍启动 AI 转型,智能成为一种生产力被认同并发挥作用 AI 创新文化逐渐形成。可预见的是,价值量化将成为企业识别差距、 企业可实行敏捷开发模式,应用虚拟仿真、 AI 算法 等技术进行辅助决策,从而实现快速响应、 动态优化, 降低研发成本、提升研发 质量。例如, 企业可利用生成式 AI 进行产品的概念设计; 或者通过整合内外部 数据 (如销售数据、客户需求数据) , 来做出更科学的产品规划。 今年的企业智能化转型框架在研发创新模块方面进行了差异化的个性化设 计, 依据行业和场景的不同, 划分为硬件研发、软件研发成熟度模型。 是否搭建了基于行业场景的定制化研发平台? (2) 智能供应链: 对于制造、零售、医疗等行业来讲, 供应链能力是 "内 核实力" 。智能供应链包括, 需求管理、采购计划、生产计划、订单履约计划以 及运输管理等流程自动化;梳理和整合客户需求平台、 物料需求计划、供应商信 息等系统;供应链的数字化、 在线化协作,建立预测到采购、 订单到收款等流程 的高度自动化等。在工业领域, 智能制造具有大展拳脚的空间, 落地智能排产、 智能检测等

正在成为推动数字政府治理现代化的重要引擎。 首先，大模型驱动资源整合，强化数字政府协同联动能力。 政务热线数智化注重资源整合，借助大模型的强大能力，能进一步提升数字 政府协同联动能力。数智化秉持整体性思维，贯穿从接诉到反馈的整个流程。一 方面，加快推进热线整合，通过搭建统一的在线平台，努力实现跨区域、跨部门、 跨层级、跨业务的协同管理和政务服务。大模型可以对海量数据进行分析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 组织结构的调整和权责重组，促进 资源配置的最优化。另一方面，强调部门联动。在热线整合基础上，大模型能够 打破传统政府部门结构限制和冗杂热线的识别困扰，助力各级平台及其成员单位 之间横向和纵向上的协同联动，以及不同数据网络和管理系统之间的互联衔接， 有效缓解因“数据孤岛”引发的沟通成本高昂和治理流程阻塞等问题。同时，大 模型通过对数据的深度挖掘和分析，解决源于数据共享受阻所导致的信息不对称、 再次，创新治理模式，大模型助力提升数字政府风险防控能力。 数字政府建设坚持数据赋能政府治理，而政务热线接办了市民关于城市生活 中的各类诉求，收集了大量的碎片化信息。大模型可以通过对这些碎片化信息的 整合提炼，将社会问题系统化呈现。一方面，对数据信息进行整合和分析使政府 得以精准把握社会民众的需求。政务热线通过建立社会治理云平台，借助大模型 对群众诉求进行深入发掘和全景刻画，并将分析结果应用于政策决策上，实现了 政府资源

正在成为推动数字政府治理现代化的重要引擎。 首先，大模型驱动资源整合，强化数字政府协同联动能力。 政务热线数智化注重资源整合，借助大模型的强大能力，能进一步提升数字 政府协同联动能力。数智化秉持整体性思维，贯穿从接诉到反馈的整个流程。一 方面，加快推进热线整合，通过搭建统一的在线平台，努力实现跨区域、跨部门、 跨层级、跨业务的协同管理和政务服务。大模型可以对海量数据进行分析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 组织结构的调整和权责重组，促进 资源配置的最优化。另一方面，强调部门联动。在热线整合基础上，大模型能够 打破传统政府部门结构限制和冗杂热线的识别困扰，助力各级平台及其成员单位 之间横向和纵向上的协同联动，以及不同数据网络和管理系统之间的互联衔接， 有效缓解因“数据孤岛”引发的沟通成本高昂和治理流程阻塞等问题。同时，大 模型通过对数据的深度挖掘和分析，解决源于数据共享受阻所导致的信息不对称、 再次，创新治理模式，大模型助力提升数字政府风险防控能力。 数字政府建设坚持数据赋能政府治理，而政务热线接办了市民关于城市生活 中的各类诉求，收集了大量的碎片化信息。大模型可以通过对这些碎片化信息的 整合提炼，将社会问题系统化呈现。一方面，对数据信息进行整合和分析使政府 得以精准把握社会民众的需求。政务热线通过建立社会治理云平台，借助大模型 对群众诉求进行深入发掘和全景刻画，并将分析结果应用于政策决策上，实现了 政府资源

融机构间产品同质化严重，增加了产品开发压力，同类产品 的同业竞价也影响了机构整体的利润。日益精细化的客户需 求也导致非同类金融机构若无法共享与整合数据时，数据孤 岛现象的加剧，这可能降低营销策略制定和调整时的及时性 和有效性。 2.金融风控方面痛点介绍 金融风控领域方面的痛点包括风险识别滞后，合规压力 大，数据整合难度大。传统金融业风险管理方式一般基于历 史数据和静态模型，在客户对金融产品个性化需求提高的现 在，可能 融风险领域的反洗钱。这增加了机构的合规成本，也加大了 金融机构平衡合规性和业务灵活性的难度，以及管理难度。 客户个性化及监管法规和标准的增多，使得数据结构趋 于复杂增大了数据的整合难度。不同机构、系统之间的数据 孤岛也成了风险管理人员获取并整合准确数据的障碍，这种 情况不仅影响了风险的实时监测，也使得机构难以预测和应 对潜在的市场风险。 3.金融安全方面痛点介绍 金融安全领域的主要痛点包括数据泄露风险、合规成本 技术实现方案 基于数字孪生技术的仿真业务数据生成，在技术实现上 主要涵盖数据语料库、算法基础层、工具引擎三部分，为了 更加真实地模拟业务数据，需要对结构化及非结构化业务数 据进行归类，按照业务流程进行整合梳理，并生成一整套与 业务流程相匹配的数据语料库，通过变分自动编码器 VAE、 生成对抗网络 GAN 等生成模型，结合业务规则模型及大语言 模型，对业务流程数据进行模拟，在工具引擎层实现业务用

地和战略转型的主要瓶颈。 虽然 89% 的受访 CEO 认可 AI 的战略重要性，超半数的 CEO 表 示正面临来自企业内部推动 AI 转型的迫切压力，但只有四分之一的 CEO 表示其组织已经为全面整合 AI 做好充分准备。 大模型正从“能用”迈向“好用”和“实用 ”，从技术创新演变为推动组织变 革的核心引擎，引领企业的智能化转型。 1 2 3 具备高 AI 力的个体能够显著提升工作效率和质量。 典型案例： 营销领域：利用 AI 生成营销文案、个性化推荐 客服领域：智能客服机器人初步应用 运营领域：数据分析和预测性维护 行政领域：智能会议纪要、文档处理自动化 扩展深化阶段：AI 的产品化整合 阶段特点： 系统性应用部署 技术深度集成 跨部门协同 以业务创新为核心诉求 典型案例： 研发领域：AI 辅助产品设计、智能代码生成 生产领域：智能质检系统、预测性维护 供应链：智能库存管理、需求预测优化 实用 主义思维，优先将 AI 技术部署在核心业务部门，希望快速获得业务价值回报。 然而，职能部门虽然在 AI 应用规模上相对较小，但由于其业务流程更加标准化和规范 化，反而更容易实现 AI 的深度整合，从而达到较高的应用成熟度。而核心业务部门尽管 应用普及率较高，由于业务场景复杂和跨部门协同困难，AI 的应用成熟度较低。 08 "君子生非异也，善假于物也。"两千余年前，荀子在《劝学》中道出“借外物以成事”的生存

落地实践 | 2025 爱分析 · 流程智能化实践报告 9 2. 落地实践 流程智能化实践本质上是企业运营范式的结构性变革。其实践落地过程中遵循场景锚定、技术整合 的方法论。其成功要素取决于高层战略支持与深入的流程梳理。本章将阐述实践落地方法论与关键 成功要素。 实践方法论 1，需求诊断与场景锚定 流程智能化的实施必须始于精准的业务需求识别与场景选择。首先，企业需通过对于内部流程的抽 讨论相结合，评定场景价值度。 实践方法论 2，技术选择与整合 技术路径的选择需兼顾适配性与前瞻性。企业应当基于流程智能四层架构理论，在感知层、认知层、 决策层和执行层找到合适的技术路线。同时，流程智能化必须突破数据孤岛与流程割裂。 企业可以通过构建穿透式数据治理体系，突破数据孤岛。物理穿透层面，企业通过多模态数据中枢 整合异构数据源，形成全域数据资产池。逻辑穿透层面，企业可以建立动态数据血缘图谱，利用 这也要求技术供应商构建覆盖流程全生命周期的智能中台，将流程建模、执行监控与持续优化能力 封装为可配置模块。 供给侧，技术供应商的竞争格局正经历重构。头部平台型供应商通过技术整合加速生态构建，已展 现出“平台+场景”的双轮驱动能力。其通过统一流程引擎整合 SAP、CRM 等多系统数据流，并在 诸多行业沉淀出标准化流程资产库。 未来技术供应商的核心竞争力将体现在三个方面。一是基于大模型的流程理解与生成能力，如通过

来源：IDC，���� 初步探索期 快速增长期 巩固期+ 新一轮探索期 试点建设，小规模部署和应用 灵活扩展支持业务增长 资源持续整合优化+ 面向未来的布局和规划 �� 在经历初创期的IT系统快速交付后，企业需要不断思考IT系统的灵活扩展、整合 优化以及面向未来的统筹规划问题。大多数企业在业务与数字化的协同发展中， 都普遍经历了以下典型阶段： 初步探索期：业务发展伊始，企业往往采用试点验证的思路，小幅投入IT资 IT运维和运营难 度激增。 巩固期和新一轮探索期：当业务步入稳定期，企业在着手加固现有业务根基 的同时，会积极挖掘新机会，以期进入新一轮增长。在此阶段，企业往往会 利用中台建设等方式进行资源整合，以迁移、重构等方式更新已有系统，期 望通过对IT系统的升级带动企业上下的降本增效，并持续提升企业智能化水 平和创新能力，驱动企业迈入新的创新发展阶段。 业务和IT层面的需求极大地塑造了企业的云战略。企业的业务发展目标和IT系统 竞争优势。 尤其对于那些致力于提供全球化服务的企业来说，多云环境不仅是一种必要 的选择，更是提升其全球部署效能的关键途径。它帮助企业跨越地理边界， 根据各地不同的市场需求和法规要求，灵活选择并整合最适合的云服务资 源，实现快速而高效的分布式部署。同时，多云架构保障了企业在各重点区 域提供贴近本地需求、高效率且具有高价值的定制化服务，真正意义上实现 了全球化与本地化的深度融合，有力地支撑了企业的全球化战略实施与业务

版权所有，不得转载。 智慧银行：以人工智能驱动转型并创造价值 8 现状 银行业正积极探索和完善人工智能部署策略。在基础设施和人才不足的压力之 下，银行业正谨慎地探索人工智能应用创新，采用不同实施策略，并整合互补 技术以实现关键业务职能转型。 对于银行业而言，人工智能不再只是一个未来概念，而是已在欺诈检测、个性化和风险管 理等关键领域推动着创新实践。当前，全球各地反应迅速的银行正率先利用人工智能改造 可组装的企业架构 企业韧性、可持续性及信任 员工队伍塑造、变革与学习 基础层面 混合云基础设施 智能数据管理 负责任的人工智能模型开发 融合智能的应用程序 网络安全与保障 数字孪生与银行生态系统整合 运营价值流 能力中心 支持能力和流程 能力中心 能力中心 能力中心 调研结论 打造智慧银行 阶段二 阶段三 主要考虑因素 为迎接人工智能奠定基础 为您的人工智能转型保驾护航 简介 概要 引言 明了人工智能有助于提 高效率，尤其是可以帮助程序员简化编码工作，或帮助数据分析团队处 理数据，为他们在执行重复性任务上节省了大量时间。 虽然该行起初对采用人工智能犹豫不决，但目前已经进入了谨慎整合阶 段。他们承认此项技术具备推动转型的潜力，但同时对相关风险也颇为 在意。 挑战 克服人工智能应用方面的监管、技术 和人才障碍 该行在应用人工智能方面面临着诸多挑 战，包括依据严格的监管要求对人工智能

10万级别智驾落地推动行业进入智驾平权 1.5 汽车行业加速迈向智能驾驶全面普及时代 2.关注自研核心算法的整车企业 2.1 特斯拉：纯视觉方案+一体化端到端先驱 2.2 华为鸿蒙智行：模块化端到端，聚焦生态整合与全域协同 2.3 小鹏：云端蒸馏模型+纯视觉方案，大幅提升车端上限 2.4 理想：双系统并行，VLM规范端到端模型下限 2.5 比亚迪：智驾平权加速，边际变化可期 3.智能驾驶产业链 3.1 车端：电子电气架构向中央计算迈进 提升了驾驶体验的拟人化和安全性。这一版本成为行业标杆， 推动了全球车企加速端到端技术的研发。 2023年：OpenDriveLab发布UniAD。OpenDriveLab推出了全 栈Transformer端到端模型UniAD，整合感知、预测和规划模 块，进一步提升了复杂场景下的环境理解和决策能力。 Pipeline架构 MontionFormer Planner OccFormer 请务必阅读正文之后的免责条款部分 强化学习（RL) 为提高自主系统的可解释性和安全性，一种解决方案是引入各种辅助模块以更好地监督学习过程，另一种则采取注意力可视化。 2023-2024年，研究重点聚焦生成安全关键数据、预训练策略学习的基础模型或骨干网络，推动感知与规划模块的端到端整合。 同时，更具挑战性的CARLAv2和nuPlan基准测试也被引入。 请务必阅读正文之后的免责条款部分 端到端实现方法：模仿学习 8 算法实现层面，端到端的方法可以大致分为模仿学习和强化学习。

时、高效、 安全共享，并满足不同功能对地图精度、鲜度、渲染效果的差异化需求，仍面临技术挑战（如 数据隔离、功能安全、算力分配）。 图商的机遇 在‘舱驾一体’的演进中，不仅是数据的趋同和架构的整合，更重要的是实现‘感知反哺座 舱’。例如，车辆自驾系统通过车身感知获取的实时高精度环境数据，能够反哺到座舱导航应 用中。这不仅能增强导航的实时校正能力，还能极大丰富座舱的安全预警信息，提供比传统基 心能力（含地图相关模 块），对外部依赖相对小 快速追赶型 (如: 小米) 轻地图 (采购+部分自研) 快速落地, 成本效 率 采购 + 深度合作 (特定模块) 依赖合作 + 逐步 自建 寻求捷径，整合资源，采 取混合策略（如基础图+ 自研更新） 传统大厂转型 (如: 比亚迪，吉利, 长安，长城) 多路线并行 (轻/HD/合作) 快速补齐能力, 规 模化 多供应商策略, 合作/采购 如：百度工程师入驻，协助特斯拉 将车道标记、交通信号灯等数据嵌 入FSD V13系统，并实现数据本地 化处理，符合中国《数据安全法》。 本地化适应性需求 挑战： FSD V13系统需深度整合 百度地图数据，提升对中国特有交 通元素（如复杂路口、人车混行、 特色交通标识）的感知与规划精度。 合作补充： 虽然端到端模型力求 通用性，但在实际应用中，精准的、 符合本地特点的地图数据（由本土