11月5日-10日，第八届中国国际进口博览会在上海隆重启幕。安永连续八年参展，今年的主题为“智启新程数联全球”，分享了多个新质生产力、人工智能、高质量出海、可持续发展等议题的前沿洞察。

其中“人工智能”作为近年备受国际关注的议题，围绕AI科技、企业应用、风险把控等热点问题，凤凰网邀约安永大中华区人工智能与数据咨询服务联席主管合伙人陈剑光、安永大中华区网络安全与隐私保护咨询服务主管合伙人高轶峰进行了详细解读。

“新质生产力引领，AI或在高端制造业产生颠覆性价值”

在新质生产力的发展方向引领下，未来1-2年内AI在哪个传统行业的应用会产生最具颠覆性的业务价值，其核心突破点将是什么？

陈剑光认为，进博会对新质生产力的重视，表明AI的发展重点正从技术本身转向与实体经济、特别是传统产业的深度融合与系统重构。未来1-2年，高端制造业很可能是AI产生最具颠覆性业务价值的竞技场。

当前制造业的核心痛点在于计划、排产、物流、质量、维护等环节多为信息孤岛，决策滞后且全局优化困难。AI的颠覆性在于，它能基于实时汇集的海量数据（订单、物料库存、设备运行状态、能耗、人员位置等），进行跨域分析和协同决策。

未来，制造业的核心突破点在于，从单个环节的自动化或可视化管理看板，转变为利用AI实现工业智能体，全面介入生产运营，从而达成全局性、动态化、自适应的生产系统级优化。这些具备自主决策能力的AI智能体，将动态调度和优化整个生产系统：例如，当预测到某一关键原材料可能延迟送达时，智能体能自动重新优化全线生产排程，并同步调整上下游备料与物流配送计划；当通过视觉和传感器数据预判某台关键设备即将发生故障时，它能自主调度维护资源，并在维护期间将生产任务无感切换至其他产线，最大限度地减少停机损失。

总体而言，制造业的智能化变革，其颠覆性将不仅在于技术本身，更在于它重构产业竞争力的巨大潜力。AI工业智能体将从根本上改变制造业的运营模式，在生产成本、运营效率、交付敏捷性和资源利用率上带来阶跃式改善，充分体现了新质生产力“高科技、高效能、高质量”的特征。

“企业要将AI视为需迭代的组织能力，而非一次性项目”

AI发展日新月异，政策提出中小企业数字化转型需“小快轻准”。但在实践中，“链主”企业带动上下游中小企业协同转型十分重要，在此过程中哪些模式可行？中小企业的AI试水，是否都应该“从轻量化场景切入试点，再到规模化推广”？

陈剑光认为，中小企业采取“轻量化场景切入，逐步规模化推广”的路径，是基于资源效率与风险控制的务实策略。这一路径的成功与否不仅取决于技术，更取决于战略耐心、业务主导、以及拥抱变化的组织文化，是一场“小步快跑、持续迭代”的马拉松。概括地说，企业需要将AI视为一项需要持续投资和迭代的组织能力，而非一次性项目。

在试点阶段，核心关键是选准场景并明确定义成功。场景选择应聚焦于当前业务中耗时耗力、规则相对清晰、效果易于量化的痛点，例如自动化数据录入与报表生成、内部知识库的智能问答等等。

试点目标需具体，核心是快速验证三个问题：技术的可行性如何、是否能带来可感知的降本增效、以及用户体验和接受度怎样。

在推广阶段，核心关键则转向能力沉淀与组织适配。企业需要将试点项目的成功经验转化为标准操作流程：着手构建企业统一的AI能力平台，规范数据治理，促进技术资产的复用和集成；同时，进行流程优化与员工技能提升。

此外，陈剑光提出“AI是‘增强工具’而非‘替代者’”。人机协同的科学分工模式是建立在让机器和人各自做最擅长的事情上，核心原则是效率、创造性和责任感的优势互补。

具体而言，AIAgent是人类做出分析、决策的辅助者，应承担那些规模化、重复性高、规则相对明确的任务：如海量数据的实时监测、信息检索与初步分析、7x24小时标准问答、基于固定规则的自动化操作等等。

而人类应聚焦于需要创造性思维、复杂判断、战略决策、情感共鸣等领域，如整体策略优化、异常情况处理、跨部门沟通协作、以及提供有温度的客户服务等等。

以制造业的智能质检环节为例。我们可以在产线上部署视觉识别Agent，让它不知疲倦地对每一个产品进行高速、高精度的扫描检测，自动识别出划痕、尺寸偏差等标准缺陷。这使得质检员能够从长时间、高度专注的重复劳动中解放出来。当Agent发现一个无法根据现有规则分类的、极其复杂的缺陷时，它会自动标记并实时推送给人类质检专家。专家则凭借其深厚的经验，对这个复杂案例进行最终研判，分析根本原因，并据此与技术部门的同事们沟通，调整Agent的识别模型或提出生产流程的改进建议。

“企业自建核心业务数据体系必须作为战略重点”

当前不少企业（尤其中小企业）的数据积累相对薄弱，针对这类企业在AI转型中“借助外部公共数据服务”与“自建核心业务数据体系”的平衡，陈剑光指出，可以采取“内外兼修，动态平衡”的策略。

首先应该明确“构建自有的核心业务数据体系”是根本和长远之计，但在起步阶段，巧妙借助外部服务是加速启动的有效手段。

借助外部公共数据服务（如行业报告、开放的API、数据库等），可以帮助企业在短期内弥补信息空白，快速验证一些宏观分析、市场洞察或通用性较强的应用场景，能降低初始门槛。

但外部数据往往缺乏深度和特异性，难以支撑企业个性化的精准决策，并且存在数据质量、时效性、以及安全合规方面的潜在风险。如果过度依赖外部数据，企业无法形成自己独特的竞争壁垒。

因此，自建核心业务数据体系必须作为战略重点和优先方向。这意味着企业要有意识地开始积累和治理在运营中产生的第一方数据，例如客户交易记录、产品使用日志、供应链信息等等。这些高质量、高相关性的内部数据，是未来训练更贴合业务需求的专属模型、实现真正差异化智能的护城河。例如，一个零售企业即便使用外部数据做宏观趋势分析，其核心的库存优化和个性化推荐必然依赖于自身的销售和用户行为数据。

“对风控增强的量化，是一个系统性的评估过程”

陈剑光提出，衡量AIAgent需兼顾技术效能与业务价值。在实际为企业评估时，量化“风控增强”这类偏质性的业务价值指标，需要结合实际的业务诉求来制定。企业可以将其解构为几个可观测、可衡量的层面，共同印证其业务价值。

首先，是直接反映风控能力提升的领先指标，这需要看风控流程的关键效率是否得到优化。例如，风险事件的平均响应与处置时长是否显著缩短、风险预警的准确率（例如误报率的下降）和覆盖率（潜在风险点的识别）是否提升。这些指标是风控能力发生质变最前沿的信号，帮助企业遏制潜在损失、体现风控体系的精准和敏锐。

其次，是与业务成果直接挂钩的结果性指标。通过分析历史数据并结合AI介入后的决策结果，可以估算出若无当前风控体系干预，可能发生的风险损失金额。例如，基于AIAgent识别并成功拦截的可疑交易模式、虚假申请或潜在违规操作，以及所涉及的总金额和该类风险事件历史平均损失率，综合计算出其避免的潜在经济损失。这类指标是风控系统价值最直接的反馈。

最后，是衡量运营优化的效率指标。当AIAgent承担了规则性、重复性的初筛工作后，风控专家的人力资源得到了有效释放。我们可以量化专家从繁琐警报中节省出来的时间，这些宝贵的资源被重新配置到更复杂的风险策略优化、模型训练和前瞻性分析上，这是风控增强带来的巨大隐性价值。

总而言之，对“风控增强”的量化，是一个系统性的评估过程。它要求我们跳出单一的技术视角，构建一个融合了时效性与精准度、经济损失避免、业务增长促进和运营效率提升的综合性框架，从而全面衡量其对企业的真实贡献。

“企业部署高敏感领域需建立体系化审核”

中央网信办正重点整治AI技术滥用，重点关注医疗、金融等领域的“AI幻觉”风险，企业在部署这类高敏感领域AI应用时，需建立哪些刚性审核机制？

高轶峰建议企业可以建立“前-中-后”的体系化审核和校验体系，针对一些敏感行业和数据场景，比如问题中提到的金融、医药行业等，要有必要的人工参与机制。

例如有一家医疗企业，就从去年开始建立AI风险管控机制：在模型部署前，实施场景化安全基线管控，并通过安全测试和问答校验，来测试AI系统的稳定性和可靠性。此外，在AI系统运行阶段，需构建动态监控与人协同机制：例如对AI输出内容进行实时审核和风险评分，高风险结果自动触发拦截并转人工复核；在医疗诊断等关键决策点，强制要求“双人复核”并留存日志。

“需破解跨企业数据壁垒与信任缺失”

数字化转型正走向“智能化供应链”，企业运用数字孪生、AI算法优化供应链时，如何解决跨企业数据壁垒与信任机制缺失的问题？

高轶峰认为，在企业开展“智能化供应链”的进程中，安全风险敞口和攻击面会被进一步扩大，需要破解跨企业数据壁垒与信任缺失。

当前中大型企业，已经着手构建“AI治理规则+技术平台”双轮驱动的协同生态。具体来讲，在AI治理层面，企业可以联合供应链合作伙伴制定人工智能场景下，数据权责与合规标准，明确数据使用边界与安全管控策略，形成可持续的协作生态。可参照不同行业的头部企业实践，通过供应商智管系统强化数据流通过程中的安全性、合规性和可追溯性。

在技术层面，可依托区块链技术、隐私科技、可信数据空间等方案，实现数据“可用不可见、可用不脱离”。建立跨主体数据分级共享机制，在不暴露原始数据的前提下完成联合建模，从而在保护商业敏感性的同时释放数据价值。

“聚焦三方面确保语料安全合规”

生成式AI的训练语料存在安全与合规风险，企业在构建行业大模型时，对训练数据的筛选、脱敏及版权合规应采取哪些核心措施？

高轶峰指出，生成式AI的语料安全合规是AI应用安全的基础之一，企业可聚焦三方面措施：

首先是数据源合规管理。其次是数据保护和隐私合规，在数据处理阶段采用安全加密、脱敏、权限管控等控制降低数据泄漏和隐私违规的风险，并在可信环境中完成数据标注与模型调试，确保“数据不出域”。

此外，需建立供应链数据风险管控机制，对第三方数据供应商进行安全准入审核，要求其提供合规承诺与授权证明，并定期扫描开源数据集防范投毒攻击。