发展白皮书 AI驱动商业智能决策， 企业数字化转型的智脑引擎 China Artificial Intelligence and Business Intelligence Development White Paper 智能融合新纪元｜ AI 驱动 智能决策 企业数字化转型的智脑引擎与生态重构 2 ◼ 研究背景 随着数据成为企业核心生产要素，企 业对数据驱动决策的依赖日益加深， 传统商业智能（BI）工具已难以满足企 传统商业智能（BI）工具已难以满足企 业日益复杂的决策需求，其局限性日 益凸显。在此背景下，人工智能（AI） 与BI的融合成为发展趋势，人工智能与 行业智能（ABI）通过结合AI的自动化、 智能化能力与BI的数据分析能力，推动 商业智能向智能化引擎升级。 ◼ 研究目标 • 了解ABI的发展现状与代表产品 • 探析ABI当下的应用场景 • 挖掘ABI的行业实践与机遇 • 探索ABI的技术发展方向与落地领域 在法律服务、媒体传播等知识密集型领域， ABI可穿透行业不确定性，系统性提升决策 效率与用户体验 ◆ ABI推动人力操作向知识价值转化，重新定 义数据驱动的商业文明形态，实现商业价 值链深层重塑 03ABI分层突破，三角失衡待解： ◆ AI与BI融合呈现分层态势，其中基础层聚 焦工具升级，战略层重构传统决策链路 ◆ ABI应用的核心矛盾源于"数据-技术-业务 "三角失衡，数据治理滞后、算法黑箱与

2 6 版 FOREWORD 数字经济浪潮奔涌，财务数智化转型已然成为大型企业实现高质量发展的核心必答 题。企业财务管理历经电算化、信息化、数智化 1.0 阶段的迭代演进，如今正式迈 入以智能决策与价值创造为核心的数智化 2.0 新阶段。在政策引导、技术革新、管 理升级的三重驱动下，企业财务职能正完成从传统核算后台向战略价值引擎的关键 转型。本白皮书立足大型企业财务数智化建设的丰富行业实践，创新提出 数据无法跨系统共享，财务与业务数据割裂，形成若干 “信息孤岛”；管理维度单一，仅满足基础核算需求， 缺乏数据分析与决策支持能力，财务职能仍局限于 “会 计与记录”。 • 主要特征：核算线上化，手工 记账的电子化替代 • 主要系统：基础核算 • 系统形式：单机版财务软件 • 系统集成：无跨系统集成能力 • 数据粒度：法人 • 决策分析：法人维度分析为 主，依赖人工 会计电算化 • 主要特征：财务运营线上化 系统形式：ERP • 系统集成：点状集成 • 数据粒度：法人、部门 • 决策分析：法人、组织层面 分析 财务信息化 • 主要特征：财务运营全面自动化 • 主要系统：核算、成本、报表、 税务、资金、共享、预算、经营 分析 • 系统形式：ERP深化 • 系统集成：集成扩展 • 数据粒度：法人、部门、客商 • 决策分析：基于数据平台实现核 心指标自动化 财务数智化 1.0 • 主要特征：财务系统全面自动化、智

，初步构建能源与人工智能融合创新体 系，人工智能赋能能源核心技术得到显著突破。在此背景下，“智能原生”作为关键实现路 径，强调从系统设计初始就将人工智能嵌入运营决策核心，而非事后附加。它通过构建以数 据实时流动和AI算法自动决策为基础的石油石化智能运营体系，实现生产、能源、设备与供 应链等全要素的协同优化与动态调优，并在全面提升运营效率的同时，系统化推动绿色低碳 转型。这一模式推动行业从 制、财务管理、科 技研发等领域的创新。当前，政策不仅推动单点技术升级，更注重构建可持续的智能运营体 系。例如，《原材料工业数字化转型工作方案（2024—2026年）》强调建立基于数据的数字 化决策机制，《智能制造典型场景参考指引（2025年版）》则系统提炼可复用的智能运营� 模式。企业需突破局部数字化，打造覆盖资源优化、绿色生产、能耗管理、供应链韧性与客 户服务响应的全要素智能能力，以科 新技术加速石化运营智能变革 以5G、物联网、云计算、大数据和人工智能为代表的数智技术，正深度驱动石油石化运营向高端 化、智能化和绿色化转型。这些技术不仅增强了数据感知、汇聚与价值挖掘能力，支持智能分析 与决策，更通过数字员工、机器代人、人机协同等模式提效降本，推动无人化、少人化场景落 地。同时，智能运营显著提升能效管理水平及资源利用率，减少碳排放，实现安全、高效、绿色 的可持续发展。 1.3.1

目 录 组织架构 3 2 主数据 4 录入检验结果 检验批 7 使用决策 6 记录缺陷 5 1 QM 模块简介 8 检验活动 SAP 模块介绍 支 持 近 30 个 行 业 方 案 S/4 质量与企业其他业务之间集成图 质量管理 (QM) 物料管理 (MM) 销售分销 (SD)/CS 设备管理 (PM) 生产管理 (PP) 出货检验与退 货检验 质量检测 质量检测申请 产品移动 订单 时间监控 何类业务需要进行 产品质量检测？ 检测清单 检测指导 抽样 决定如何进行抽样？ 起点 检测结果是什么？ 最后决策 产品质量 存货检测 事件管理流程 采购 生产 销售 服务 供应链 通知单 投诉供应商 客户投诉 内部问题通知单 问题 缺陷或毁损 信息管理 7865 Defect 质量管理 加强对供应商供货质量的控制力度，质检判定未通过，自动冻结供应商发票 5. 建立方便快捷的质量追溯体系，实现从产品到原材料的材质追溯自动化 目 录 QM 模块简介 3 1 主数据 4 录入检验结果 检验批 7 使用决策 6 记录缺陷 5 2 组织架构 8 检验活动 SAP －组织结构 集团 100 公司代码 1000 工厂 1000 库存地点 0001 库存地点 0002 库存地点 0003

AI在企业人力资源中的应用白皮书2.0 2025 站在数字文明与智能革命交汇的十字路口，我们正见证着管理科学史上最具颠覆的范式跃迁。与其执着于 "AI 能否替代管理者 " 的伪命题，我们更应直面一个更具革命性的真相：当管理决策的底层逻辑与人工智能的核心 能力实现深度耦合，所有的管理问题都将被重新定义，而这场变革的深度和广度，将远超我们的想象。 管理的本质，是管理者在资源约束、市场波动、组织博弈等多维变量构成的超平面中寻找帕累托最优解的过程。 更强大的系统建模能力——它能同 时处理百万量级的约束条件，在纳秒级时间内遍历传统管理咨询公司需要耗费数月才能构建的决策树。这正是 DeepSeek 等大模型为管理科学带来的范式革命：将管理者从经验主义的迷雾中解放，让决策真正成为一门精 密科学。 在易路构建的 AI 辅助决策矩阵中，我们验证了这种革命性转变的可行性。以新员工定岗定薪场景为例，传统 HR 需要平衡的 " 外部竞争力 " 与 " 平台不仅能够接入 30 余个细分行业的薪酬 脉冲数据，更能通过组织网络分析（ONA）捕捉隐性薪酬公平因子，在保持组织熵减的前提下，为候选人生成独 特的薪酬方案。这种将博弈论、复杂系统理论与深度学习融合的决策模式，已帮助数百家企业将岗位匹配效率 提升 400%，员工留存率提高 35%。 但这仅仅是 AI 重构企业管理的冰山一角。当我们把视角扩展到组织设计、战略规划、文化塑造等更宏观的领域， 会发现

层. 其中, 公共能力层提供时序数据、图像数据、文本数据等多模态处理能力, 业务应用层则结合具体 业务场景开发了多种类型的智能体, 包括图表智能体、低代码智能体、感知智能体、分析智能体、诊 断智能体、决策优化智能体和控制智能体. 这些智能体能够准确执行人类通过自然语言发出的各项任 务, 并通过组合调用公共能力层的能力来处理数据和知识. 这种新型体系旨在提高核心工业软件的数 据透明化程度、实现更完善的信息互通和利用 赋能 核心工业软件提升数据透明化程度、实现信息互通和利用、给出更具价值企业营运分析结果. 基于上述背景, 本文提出了基于大语言模型建立工业大模型驱动的交互式图表分析助手, 构建覆 盖建模、感知、决策、诊断全环节的多场景智能体, 赋能流程工业智能工厂核心工业软件体系. 本文的剩余章节组织如下: 第 2 节回顾了流程工业智能工厂的核心工业软件体系, 分析了核心工 业软件解决上述瓶颈所面临的挑战; (KBC 先进技术) [18]: Petro-SIM 是专为炼油与天然气处理过程设计的模拟平台, 模 块化架构设计灵活, 支持工艺建模、热力学计算与优化策略分析, 广泛用于能源与石化领域的工程规 划与决策支持. SimTech Simulator® (圣泰科技) [19]: SimTech 提供本地化整合的物性与热力学模块, 支持多种工 业设备的模拟, 具有友善的用户接口, 且易于进行功能客制化,

的人类工作任务场景将被大模型影响，据麦肯锡预 测，生成式 AI 每年可以增加 2.6~4.4 万亿美元经济收入，AI 驱动的自动化决策与交互将成为业务常态。与此同时，传统 应用与 AI 应用的融合不再局限于简单的功能叠加，而是依托数据与 API 的深度协同，构建起“感知 - 决策 - 执行 - 学习” 的闭环智能体系。在这一趋势下，应用现代化的核心命题已从“云原生”升级为“AI-Native”，即应用的全生命周期—— 过去十年，云原生重构了 IT 基础设施；未来十年，AI 原生将重新定义企业运营范式。这场变革不是简单的技术迭代， 而是认知维度的跃迁——企业需要从“功能驱动”转向“价值创造”，从“流程优化”升级为“智能决策”。 华为云始终践行“一切皆服务”战略，致力于将最前沿的技术转化为企业触手可及的服务能力。在应用现代化领域， 我们聚焦六大核心技术：组装式交付、数智驱动、DevOps、服务化架构、安全可信、韧性。这些能力已在金融、制造、 数字基础设施从“封闭体系”向“开放生态”加速转型 软件驱动、算力赋能、应用引导，推动产业转型 智能化“技术奇点”，重塑竞争力，凸显商业价值 应用开发从“工具型交付”向 “价值型服务”演进 从“工具执行者”进化为“智能决策体” 重塑“以客户为中心”的价值链 涌现“需求即服务”的应用创新范式 算法 算力 数据 安全 人工智能驱动 数字基础设施 数据联接价值 软硬系统自主化 深度学习、强化学习 自然语言处理等 模型库、案例库、知识库

核心要素 技术应用 具身智能包含感知、决策和行动三个关键部分。通过各 类传感器，如视觉、听觉、触觉传感器等，智能体能够 感知周围环境的信息，像机器人利用摄像头获取视觉图 像，了解周围物体的位置、形状等；接着，运用机器学 习、强化学习等先进算法，智能体对感知到的信息进行 分析和处理，做出决策，例如判断在当前环境下应该采 取何种行动来完成任务；最后，智能体根据决策结果， 通过自身的物理实体进行行动，如机器人的机械臂完成 具身的物理载体 传感器技术： 感知世界的触角 机器学习与强化学习 2.1 传感器技术：感知世界的触角 在具身智能体系中，传感器技术宛如智能体的“触角”，承担着获取外界信息的关键任务，为后续的决策与行动 提供了不可或缺的数据基础。 传感器 融合技术 视觉传感器 听觉传感器 触觉传感器 其他传感器 2.1 传感器技术：感知世界的触角 n 视觉传感器 工作原理 在具身智能中的应用 常见的视觉传感器主要基于电荷耦合器件（ 出相应决策。 2.1 传感器技术：感知世界的触角 n 传感器融合技术 为了让智能体获取更全面、准确的环境信息，通常会采用传感器融合技术。 该技术将多种类型传感器的数据进行综合处理，充分发挥各传感器的优势，弥补单一传感器的不足。通过将视觉 传感器获取的物体形状信息与触觉传感器获取的物体表面信息相结合，能够让智能体更准确地识别和操作物体。 传感器融合的方法主要有数据层融合、特征层融合和决策层融合

4系统性原则 2.2核心架构：全周期风险管理闭环 2.2.1外部系统层：构建生态数据互联基础 2.2.2业务应用层：核心服务闭环的业务逻辑落地 2.2.3 AI智能中枢层：AI 算法驱动的决策能力升级 2.2.4公共应用层：标准化基础能力支撑体系 2.2.5技术支撑层：系统稳定性与安全性的底层保障 2.3关键能力支撑 2.3.1全域数据整合 2.3.2智能算法引擎 2.3.3安全与治理基座 1动态敞口管理：风险可视化的基础 3.1.1敞口全生命周期管理 3.1.2敞口动态转换与预测 3.2智能交易与风控：从经验判断到数据驱动 3.2.1衍生品全生命周期管理 3.2.2 AI辅助决策 3.2.3实时风控体系 3.2.4外币结算与跨境资金池 3.2.5市场数据中枢 3.3业财融合：财务流程协同 3.3.1风险管理分析 3.3.2自动套期会计 3.3.3业财联动优化 主要外币兑人民币即期汇率走势 数据来源：Wind数据库 1.1.2政策监督升级——“风险中性”要求 中国外汇管理局自2020年以来持续强化“风险中性”理念，所谓“风险中性”是指企 业应把汇率波动纳入日常的财务决策，聚焦主业，尽可能降低汇率波动对主营业务以及 参考文献： [1]沈嘉贤,陈浩智,张卫国.基于知识图谱网络特征的中国外汇市场系统性风险测度研究[J].中国管理科学,2025,33(3):45—61.

回顾组织演进的历史脉络，技术始终是驱动变革的核心动力。工业时代，福特 汽车以“金字塔式科层制”拆解生产流程，通过“层级分工 + 标准化执行”实现规 模化效率，将人类转化为“高效机器零件”，但也陷入“决策滞后、创造力压抑” 的困境；数字时代，Google 以“平台化 + 敏捷团队”打破信息壁垒，依托 OKR 工 具与 20% 自由时间制激活创新，但仍受限于“数据价值未释放、AI 仅为辅助工具” 技术的突破性发展正在瓦解传统组织的底层基石：数据显示，AI 对一线岗位的总工时节约潜力达 82%，对管理层“监督审批”职能的自动化潜力超 80%——当智能体可自主承担重复性执行，人类的核心价值必然转向“战略决策、 复杂创新、情感交互”，“人与智能体协作”的智能体组织，已成为企业生存与发 展的必然选择。 然而，当前企业数智化转型普遍陷入“三重碎片化”的结构性困局，这些问题 并非 AI 引入后新增，而是长期运营中积累的缺陷在 与架构碎片化，新旧系统烟囱林立，集成成本高企，AI 能力无法复用；数据与知识 碎片化，信息散落于员工大脑与结构化、非结构化数据，AI 缺乏高质量“燃料”， 序言 - 01 - 迈进人与智能体协作新时代 转型难入核心决策层。这些困局的本质，是企业未跳出“传统思维框架”——将 AI 视为“旧流程的补丁”，而非“重构业务的引擎”；将转型视为“IT 部门的任务”， 而非“全组织的战略共识”。 破解困局的关键，在于回