数字CIO洞察：用技术重构业务基因

2025年09月 用技术重构业务基因 李晨龙神州数码首席信息官 曹强艾比森拉美地区部总经理 光合智能创始人兼CEO 这里有战略洞察、技术跃动我们彼此共创、向新而行在不确定中看见前行的方向打开《Digital CIO Insights》一起洞见数字化未来 目录contents ��数智咨询 · Digital Advisory AI技术应用驱动企业创新业务体系的方法路径··························01 ��管理者言 · Leadership Voice ·····················09············12业务驱动的IT价值：从CEO视角重构数字化转型路径价值创造与团队构建：数字化战斗力如何从“被需要”到“不可替代” ��CIO实践 · Practice Briefs ························15····················190 到 1 的突破：数字化 BP，破解协同难题的新答案行业效率最高的公司提升背后：LTC 变革重构销售价值 ��领航者谈 · Executive Lens ·····························24当CRM遇上AI：纷享销客的“难而正确”之路 AI技术应用驱动企业 创新业务体系的方法路径 文/中信联&点亮智库 周剑 摘要： 近年来，AI技术应用迎来新的发展高潮，成为企业重构业务基因、提档进阶的重要驱动力量。在AI技术的支持下，企业可以更高质高效地实现业务系统灵活配置和快速迭代，破除当前业务架构过于刚性、业务系统自由度低等日益凸显的痛点难题，系统性提升应对不确定性发展需求的能力和水平。 基于6月份新实施的GB/T 45341—2025《数字化转型管理 参考架构》国家标准，中信联&点亮智库将企业AI应用成熟度由低到高划分为5个等级十个水平档次，从头厘清企业以AI技术应用为核心抓手，进行业务升级的方法路径，形成一套可移植可复制的体系化解决方案。 1956年，约翰麦卡锡等十位科学家在达特茅斯学院组织召开学术研讨会，开启了人工智能（artificial intelligence, AI）发展元年。随后几十年时间，计算机视觉、计算机听觉、自然语言处理、知识图谱、机器学习等一系列AI技术持续发展。近年来，随着大模型、智能体等的创新突破，以及算力、数据等基础设施及资源条件的日益完善，AI技术应用迎来新的发展高潮，成为助力传统产业改造升级，开辟战略性新兴产业和未来产业新赛道的重要驱动力量。 6月1日，我国自主研制的首项数字化转型领域奠基性架构类国家标准⸺GB/T 45341—2025《数字化转型管理 参考架构》正式实施，该标准按照数字经济、数字化转型的新趋势新规律新要求，以价值效益为导向、业务场景为牵引、新型能力为主线、数据要素为驱动，构建了一套支持系统性创新性转型的新型企业架构（DLEA），其中明确了企业AI应用升级的方法路径，并将其作为进入数字化转型阶段企业重构业务基因、提档进阶的核心抓手。 - 01 -企业转型发展的新需求 数字时代的业务新趋势 当前，百年未有之大变局风起云涌，以人工智能为代表的新一代信息技术迅猛发展，并与系统性的产业革命叠加，加速了全球从工业经济向数字经济的变革转型。在此背景下，数字技术引领和带动传统产业向高端化、绿色化、数字化升级，催生了新业态新产业，开辟出竞争新赛道。 虚实联动、全链协同的先进制造新赛道，清洁低碳、安全可控的智慧能源新赛道，便利快捷、舒适和谐智慧城市新赛道，软硬结合、多向联动数字产业新赛道，多元融合、专业系统的现代服务新赛道等等这些产业新赛道正在快速增长，其新技术、新模式、新业态的优势日益凸显，与传统产业的竞争差距也持续拉大。 特斯拉、比亚迪、希音等融入产业新赛道，按照数字经济新趋势新规律新要求转型发展的企业，进入引领发展的快车道，新技术、新产品、新模式日新月异，在经济下行周期也都实现了逆势增长，与那些不转型或转型慢的企业深陷发展困境形成鲜明对比。 AI技术应用成为企业转变业务体系的核心抓手 依据中信联对13余万家企业数字化转型成熟度发展水平的监测数据分析，目前全国仅有10.15%的企业进入了实质性数字化转型阶段，接近90%企业的数字化转型工作重心，仍在于通过信息技术应用实现业务的规范化运行与管理，提升可管可控水平。但整体来看，企业的数字化转型出现了一些可喜的趋势：从关注业务流程的数字化运行转向新业务、新产品、新模式创新；从单元级业务场景转向全领域、全价值链、全产业链级业务场景；从数据管理转向数据开发利用和价值挖掘等。 AI技术的发展和应用，正成为企业提升效率、创新业务，乃至改变业务体系的新抓手。尤其是AI大模型应用，一方面可大幅提升企业数字化能力的建设和应用水平，推进数字化能力与业务解耦，支持业务系统灵活配置和快速迭代，破除当前业务架构过于刚性、业务系统自由度低等日益凸显的痛点难题，系统提升应对不确定性发展需求的能力和水平；另一方面可以助力企业通过知识赋能加速实现创新驱动，更大范围更深程度地实现传统隐性知识的显性化，并通过平台化部署支持企业内乃至跨企业、跨行业、跨领域的场景化、个性化大规模高效复用，更好赋能各方通过协同协作大幅提升创新能力，更高质高效开展创新创造活动，全面加速行业领域创新驱动进程。 目前，我国已成为全球产业体系最完备、产业规模最大、产业创新最活跃的产业大国，AI大模型的大火，推动产业创新进入了加速转型变革的快车道，东西方科技竞争形势也正在发生此起彼伏的变化，在“十五五”规划期，以AI技术应用和新型企业架构（DLEA）牵引企业更大范围、更深程度、更高水平谋划数字化转型战略，创新引领数字化转型进程，恰逢其时。 在AI技术应用的支持下，企业可以更高效高质地实现能力与业务解耦，加速重塑从推式到拉式的生产模式和业务体系转变，推进业务多样化、场景化、个性化、一体化动态运行，构建端到端、可快速迭代好持续创新的业务快速响应体系，更好适应数字时代响应不确定性变化的发展要求。 - 02 -AI技术应用当前成熟度情况 AI应用成熟度分级 中信联&点亮智库基于GB/T45341—2025《数字化转型管理参考架构》国家标准构建的新型企业架构（DLEA）将数字化转型分为五个发展阶段和十个水平档次，相对应的AI应用成熟度也被由低到高划分出起步级、场景级、领域级、平台级和生态级五个等级十个水平档次。 起步级的总体特征为在单一业务功能点或单一细分业务环节，以辅助、拓展乃至替代岗位专业技能为重点开展人工智能应用，支持高质高效实现业务规范化运行和可管可控。 业主要业务活动全面集成融合、柔性协同和一体化运行。 平台级的总体特征为围绕平台企业建设，以构建应用覆盖平台用户群的数据驱动型、知识驱动型或智能驱动型的平台级能力模型为重点开展人工智能应用，支持开展对外赋能服务，高质高效实现平台化社会化业务模式创新。 场景级的总体特征为在主业务环节（主场景），以构建应用数据驱动型、知识驱动型或智能驱动型的场景级能力模型为重点开展人工智能应用，支持高质高效实现关键业务数字化、场景化、柔性化（多样化、个性化）运行。 生态级的总体特征为围绕生态企业建设，以构建应用覆盖产业生态圈的数据驱动型、知识驱动型或智能驱动型的生态级能力模型为重点开展人工智能应用，支持产业生态圈合作伙伴共同开展产业创新创造活动，高质高效培育生态化的业务新体系。 领域级的总体特征为沿着资源链、价值链或产品链（资产链）等，以构建应用数据驱动型、知识驱动型或智能驱动型的领域级能力模型为重点开展人工智能应用，支持高质高效实现全企 AI应用的关键性作用在深度数字化转型中日益凸显 AI大模型在企业的应用，其基本出发点并非简单替代人的劳动，而是要通过人机智能协同实现运营效率、创新能力和价值成效的全面提升。其作用的发挥，有赖于高质量数据的积累以及数字化建模水平的提升。 按照数据要素开发利用的不同程度，新型企业架构（DLEA）将企业数字化转型划分为6个不同转型深度 ⸺ 信息技术工具应用、信息系统应用、信息系统集成、数据驱动、知识赋能、智能自主，分别对应信息模型、数字模型、知识模型和智能模型等四类模型，模型的演进过程也代表了人工智能应用深度提升的过程。AI大模型的关键作用在数据驱动、知识赋能、智能自主三个转型深度上日益凸显，分别对应数字模型、知识模型和智能模型。 其中，在数据驱动深度上，AI大模型（数字模型）侧重于更好实现全面实时动态数据的采集、集成与分析应用，支持业务场景实现动态响应、动态协同和动态优化。在知识赋能深度上，AI大模型（知识模型）强调以知识赋能实现业务场景个性化按需响应、按需协同和按需优化。在智能自主深度上，AI大模型（智能模型）侧重于支持业务场景实现智能自主运行、自主协作和自学习优化进化。 应用AI大模型可大幅提升企业数字化建模的能力和水平，从构建信息模型向数字模型、知识模型、智能模型加速转变。 - 03 -基于AI大模型应用实现知识赋能是当前战略制高点 AI与业务融合创新的关键是知识赋能 AI与业务融合创新的关键在于提升基于动态数据的知识建模和应用水平，以知识赋能实现场景化、个性化按需应用。 知识赋能的核心关键是知识经验的规则化、数字化、模型化。数据+知识+功能=数字能力。要充分发挥AI大模型及其他AI技术应用的效能，企业需要以数字化能力建设为牵引，构建形成聚焦核心能力的新型知识工程体系。当前数据基础设施不断完善，AI大模型取得重大突破，也为企业大规模生成和个性化应用知识技能提供了前所未有的重大机遇和关键支撑。 具体来说，企业知识应用的成熟度由低到高可划分为知识库搜索调用（L1）、流程式融合推送（L2）、数字化动态推送（L3）、个性化按需赋能（L4）、生成式自主优化（L5）五个级别，其中L4、L5达到知识赋能要求。 基于AI大模型的新型知识工程不同于传统知识工程（以知识库搜索调用、流程化融合推送为重点），侧重于实现知识的数字化动态推送、个性化按需赋能和生成式自主优化。企业可参考知识工程体系建设参考模型（如图6所示），将知识工程建设与数据驱动型乃至知识赋能型AI应用场景清单、数字化能力体系和能力中台以及落地解决方案的策划实施与评测改进过程进行有机结合，系统提升知识沉淀、复用以及创新创造能力。 企业知识工程建设的PDCA过程方法 企业新型知识工程体系建设的第一步是策划（P），包括知识需求分析、知识体系梳理、知识成熟度评估、知识图谱策划。 第三步是改进（C），通过知识工程建设效果评估和问题诊断，找出不足，明确后续迭代的方向和目标。 第二步是建设实现（D），包括技术实现和管理保障两部分。前者需要完成知识流程融合、知识库建设、知识工程平台建设、知识工具化应用等工作，后者则需要构建相关的知识安全机制、制度文化、运营机制等。 第四步是迭代优化（A），包括知识自身优化、平台工具提升、应用场景迭代、管理机制优化等。 最终形成“知识获取-知识管理-知识应用-知识创新”和“知识共享化构建-知识工具化实现-知识智能化应用”的双循环。 基于AI大模型的新型知识工程的持续发展和优化，将加速实现知识技能的规则化、数字化、模型化和生成式快速增长，实现更大范围更深程度传统隐性知识的显性化，并通过平台化部署支持企业内乃至跨企业、跨行业、跨领域的场景化、个性化大规模高效复用，更好赋能各方通过协同协作大幅提升创新能力，更加高质高效开展创新创造活动，全面加速行业领域创新驱动进程。 如某装备制造企业积极建设数据驱动智能工厂，通过MES与ERP无缝集成，以及基于物联网的大数据采集应用，实现了无人化下料、智能化分拣、自动化焊接、无人化加工、智能化涂装、智能化调试等，大幅提升生产效益，不仅产量增加123%，生产效率提升98%，单位制造成本也下降了29%。 - 04 -加速AI应用升级的具体策略 对企业而言，要怎样系统推进AI应用升级呢？这4条策略或许可以作为抓手