一、 高价值应用是数据要素价值释放的关键环节

图1 数智应用体系概览

通用范畴来看，数智应用的目标呈现出多样化发展的态势。数智应用的目标可分为效率提升、体验优化和模式创新三类：一是效率提升，即通过数智技术改进原有场景下的工作流程，减少重复和冗余的人工操作；二是体验优化，即通过数智技术对现有业务场景中的痛点进行改造，以提升业务场景中各类参与者的体验；三是模式创新，随着大模型技术的快速落地，数字员工、智能客服、个性化营销、智能化医疗诊断等新业态、新模式成为发展的重点。大模型的应用落地正在深度改变现有的应用范式，并以智能体为核心落地形态，催生出新的产品和服务，数智应用的目标也更具多元化。

场景范畴来看，大部分业务场景仍处于数智能力建设阶段，营销、运营、管理类场景正在向落地成熟阶段转变。数智技术应用落地较为优先的场景具备高价值、共性强、数据密集、成效明确的特点，一般集中在营销、运营、供应链管理、财务管理、智能风控、智慧办公等业务场景；研发设计、生产制造领域的数智化水平则较为滞后，仍然处于能力建设阶段。

表1各行业数智应用落地的头部场景

行业范畴来看，数智应用已经渗透到各个行业和领域，大部分行业正处在能力建设阶段。依托对近三届行业数智应用星河案例申报企业的统计分析，整理出各行业数智应用的头部落地场景。各行业数智应用的头部场景存在差异，其中营销及经营管理部分关注的细分场景相似度较高，研发设计、生产服务等场景具备较强的行业特异性，数智应用的侧重点存在较大的差异。总体上来看，以生产型服务业为主导的第三产业在数智应用的深度和广度方面都显著强于其它行业，在数智应用创新过程中发挥着引领作用。

1． 协同困难阻碍数智应用落地

在大中型企业，数智应用的落地涉及到业务、技术、管理等多个部门的共同协作，跨部门协同难度较大，主要存在两方面问题：一是缺乏复合型的数智化技术人才，数智技术的创新应用需要同时精通算法、擅长工程实现、深刻理解业务的复合型人才，目前这类综合性人才相对稀缺，各部门人员跨领域沟通易出现困难。二是缺乏一体化的顶层设计，缺乏顶层设计和跨业务、跨领域统筹规划的现象普遍存在，使得对于数智化应用的建设各自为政，难以形成合力，技术和业务需求之间存在脱节，导致数智化应用无法有效解决实际业务问题，造成资源的重复投入和低效建设。

2． 数智应用赋能效益难计量

一方面，对数智应用的产出预估困难，存在着高估短期收益，低估长期收益的倾向。企业倾向于对大模型等新兴技术短期内能带来的效益抱有过高的预期，期望能够通过快速建设系统、引入工具平台来实现显著的短期收益，但数据质量的持续优化、员工能力的培训、制度流程的适配和企业文化的变革通常需要更长的时间来逐步完善，应用的收益往往需要更长的周期才能显现。另一方面，数智应用成效评价方式不合理，存在着注重技术指标，轻视业务指标的倾向。场景类应用的成效评估是一个复杂问题，需要综合考虑多个因素，通常可以细分为技术指标（如算法误差、数据处理性能等）和业务指标（如业务效益变化情况、客户转化率等），由于技术指标较易获取，导致注重技术指标而轻视业务指标的现象普遍，存在着技术和业务需求脱节的风险。

3． 数智应用落地经验难复用

这里将按照数据原生行业（如金融、电信等）和非数据原生行业（如制造业、医疗、交通等）进行探讨。数据原生行业数智应用所面临的问题主要集中在安全合规方面。相对其它行业来说，数据原生行业的数据量大，数据质量高。由于涉及到海量个人用户的敏感数据，数智应用过程中面临着数据隐私和安全等问题。非数据原生行业数智应用所面临的问题主要集中在数据质量、采集成本、多模态处理技术等方面。非数据原生行业数据量小、质量不稳定且种类复杂，采集成本高、通用性弱，数智应用需解决数据采集成效和处理分析技术适配问题。整体而言，这些行业的数智应用模式尚不成熟，仍需进一步探索和实践。

大模型的落地将对企业数智应用模式产生深远影响。具体来看，有以下四大趋势：

1． 大模型技术与小模型协同提升数据分析能力

在大模型技术兴起之前，参数规模较小的模型和机器学习算法在图像分析、社交媒体分析、用户行为分析等分析业务中已取得优异成果。大模型驱动的数据分析工具将趋向于整合多种类型的数据分析能力，如文本、图像、社交媒体、指标及标签等，通过数据智能体（Data Agent）调用高度专业的小模型及机器学习算法并整合分析结果。大模型的应用将有助于企业实现对多模态数据的高质量分析，从而更全面地理解和处理复杂问题。为助力各方开展ChatBI等大模型数据分析工具能力建设，中国信通院推出了《大模型驱动的智能数据分析工具技术要求》《数据智能体能力要求》等多项标准，并持续推进相关评测，其中，大模型数据分析工具的交互能力和分析的准确度成为选型的重点方向。

2． 大模型与知识库融合提升决策能力

作为一种全新的知识载体，大模型和传统的知识库、知识图谱存在较强的互补性：一方面，大模型具备海量通用知识，具备较强的多模态处理能力；另一方面，传统的知识载体则在专业性、可解释性、可靠性方面具备显著的优势，两者结合可实现复杂的知识推理和智能问答，在工业制造、交通物流、国防军事等复杂场景中具备广阔的应用空间。基于专业知识库、知识图谱的检索增强生成（RAG）也成为大模型在垂类场景落地的重要技术路线，在智能问答系统、智能搜索工具、智能客服等场景中具备较大潜力。各领域头部企业开始重视建设完善知识中台、知识工程相关能力，为企业大模型建设提供知识供给的同时也通过大模型构筑面向员工的知识服务，全方位提升企业的决策能力。

图2 《企业知识工程能力成熟度模型》标准框架

3． 智能体将逐渐成为大模型应用落地的主要形式

智能体将大模型的语言理解、内容生成、分析推理等能力具象化，形成具备感知、记忆、决策、交互能力的智能系统，实现流程自动化与决策智能化。各企业智能体能力建设的布局主要体现在三个方面：一是完善智能体工具平台建设，包括建设具备智能体开发、编排、管理等能力的智能体平台，以及具备智能体工具集成及API服务能力的MCP服务器等；二是构筑智能体研发运营（AgentOps）体系，完善制度流程，使企业智能体研发、运营、管理、服务、协同以及成效评估更加规范化；三是打造智能体应用生态，通过智能体设计竞赛、智能体开发培训等形式推进智能体应用创新并实现智能体对企业原有系统的升级改造。企业智能体能力建设旨在面向员工提供便捷、易用的智能体服务，将有助于加速企业人工智能落地进程。

图3 《智能体研发运营(AgentOps)能力成熟度模型》标准框架

4． 数字员工将成为数智能力建设的新方向

通过建设数字员工能力，并融入企业研发、生产、营销等多环节，企业能够减少人力投入，并实现业务的增长。在研发环节，智能研发助手能精准分析市场趋势，生成创意和设计方案，缩短研发周期，提升创新效率。生产制造方面，运维数字员工可实现生产流程的自动化监控与优化，精准预测设备故障，提高生产效率和产品质量。在营销运营中，运营助手及智能客服能实现通过数据分析，把握消费者行为，制定个性化营销策略，提升客户满意度和品牌忠诚度。如何构建数字员工平台，提升数字员工的运营能力，探索数字员工和人类员工协作管理模式成为各企业数智化能力建设的重点方向。

图4 《大模型驱动的数字员工平台技术要求》标准框架