比如，如果你是一家鋼鐵企業(yè)，你就應該關注天津市西青區(qū)的用電量，因為在西青區(qū)有一個大邱莊，鋼管用量很大，它的用電量意味著繁榮度，這就是蝴蝶效應，要求我們關注每個角度的信息，然而光靠人是不可能的，通過AI就可以做到，可以輕松地獲取并分析這些信息。

此外，AI還可以幫助我們了解產業(yè)鏈上下游的變化，比如，找客戶的時候、新廠搬遷的時候怎么快速建立產業(yè)鏈，外部的變化到底對我有沒有影響、怎么進行評估等，人很難去做，這需要AI或者數據幫我們做，擴大外部感知，延伸我們的感知。

作為企業(yè)的管理者，我們可能并不都是專業(yè)出身或者能夠讀懂財務報表。當財務管理者給我們提供財務報告和經營分析報告時，我們可能并不知道這些指標是好是壞，下一步應該做什么。而利用AI的能力，我們可以快速地認知這些信息，并做出正確的決策。

AI能顯著提升我們的高效執(zhí)行能力，這一點在數智化轉型前后尤為明顯。比如在拜訪客戶時，傳統方式下，我們主要依賴對銷售人員的培訓來決定客戶拜訪策略，如拜訪時間、對象及目的，這完全依賴于銷售人員的個人能力和判斷。進入數據時代后，我們開始利用數據為客戶打上靜態(tài)和動態(tài)兩種標簽。靜態(tài)標簽反映客戶的核心程度、潛力大小、應收賬款狀況等；動態(tài)標簽則由數據系統自動生成，包括客戶股權變更、訴訟情況、產品調整等信息。一旦發(fā)現重要客戶出現異常，如應收賬款高的客戶涉及訴訟，我們會立即安排客戶經理進行拜訪，因為這可能意味著客戶業(yè)務變化或競爭對手的介入。

數據時代，我們還會根據標簽自動生成銷售人員的周或月拜訪行程，包括具體拜訪對象和議程。面對突發(fā)事件，AI能更敏捷地安排拜訪優(yōu)先級和選派合適的業(yè)務員，相比數據系統更為高效。

比如，關于成本的問題。今年我們制造企業(yè)都在面臨原材料價格上升、內卷嚴重的問題。這時候，很多企業(yè)產品報價出現偏差，每個企業(yè)管理者都想知道每個原材料價值的變化對于企業(yè)最終利潤的影響。然而，由于數據量龐大且復雜，我們很難直接看到這種真實的關系，這就導致了我們在報價時無法準確提升價格以應對原材料成本的上漲。而AI結合模型可以幫助我們解決這個問題，讓我們更準確地了解原材料價值變化對企業(yè)利潤的影響。

剛才我們看了一些AI的演示，接下來我們再看看整體的架構。

我們的系統在下層有數據艙或者數據湖，我們可以增加社會化的數據，并將社會化數據和產業(yè)化數據放在數據湖里。

在數據湖上面是模型層，模型分成兩層：基礎模型和數據模型。比如客戶拜訪等就是數據模型的一種，這些模型都是開箱即用的，裝上項目就可以直接使用?；谶@些模型，

我們又建立了三層AI模型：一是通用大模型，我們與市面上的公司合作獲?。欢荵onGPT模型；三是私有模型。雖然AI都在廣域網上運行，但我們會為您的企業(yè)建立私有化或專屬的知識庫，確保數據的安全和隱私。

同時，我們還有一個智能體Builder，通過它可以生成各種經營管理智能體，包括財務營銷、人力、采購智能體等。雖然理論上我們可以只建立一個智能體來管理所有事務，但實際上就像企業(yè)不能只有一個總裁一樣，我們需要多個智能體來協同工作，這是因為每個智能體都需要數據學習和龐大的算力支持，將智能體按照角色進行劃分，以減少每個智能體的算力需求，并基于智能體將原有的數據場景做得更深入、更具體。

最后，我相信在數字經濟的時代里，數據資產將成為企業(yè)最重要的資源之一，而數據交易則是讓數據聚合、產生更大價值的關鍵環(huán)節(jié)。然而，由于數據量龐大且復雜，我們需要引入AI來幫助我們更好地利用和管理這些數據。

我一直堅信，通過AI的引入和應用，很多傳統行業(yè)模式和業(yè)務模式都將被顛覆和創(chuàng)新。因此，企業(yè)應該積極思考如何建立自己的數據模型，構建全新的數據優(yōu)勢，并與我們一起走向成功。