结论先行:2026年9月中旬的落地案例有一个共同特征——AI开始按KPI结账,而不是按演示效果结账。用友在第十六届智博会披露,AI+财务已沉淀50多个智能场景、21个财务Agent,应收账款智能催收效率从每天80封提升至10000封;Anthropic推出Claude for Financial Advisors,连接BlackRock、Charles Schwab、Addepar、Vanguard等机构数据并建议采用带审计日志的企业方案;银行业智能尽调、投研摘要、合规审查、客服工单、反欺诈编排等AI智能体招标大单密集出现;我国领航级智能工厂中人工智能渗透业务场景比例超过70%,沉淀垂直领域模型超6000个。杭州一道科技认为,AI项目的验收单正在从「上线了」改成「省了多少、快了多少、错漏降了多少」。
职能岗先行:用友把效率写成了具体数字
第十六届智博会期间,用友围绕AI+财务、AI+人力、AI+制造三大场景展示落地实践。数字相当直白:AI+财务沉淀50多个智能场景、21个财务Agent,应收账款智能催收效率从80封/天提升至10000封/天;AI+人力实现入离职流程自动化率85%;AI+制造推动产能利用率提升5%至8%。三个数字的共性值得琢磨:它们都不来自模型能力本身,而来自流程被重新切分与重组——催收从人工逐封跟进变成批量生成加人工复核,入离职从串联审批变成并行校验。这类岗位之所以先跑通,是因为流程边界清晰、数据结构化程度高、结果可量化。
金融业:连接器、审计日志与人工兜底
Anthropic发布的Claude for Financial Advisors用于会前准备、投资组合分析、研究、材料整理与合规检查,新连接器覆盖BlackRock、Charles Schwab、Addepar、Vanguard等机构的数据与工具,官方建议注册投资顾问采用带审计日志的Enterprise方案,并明确专业判断与对客户的责任仍由顾问承担。国内侧,银行业AI智能体招标大单频现,智能尽调、投研摘要、合规审查、客服工单、反欺诈编排等标段密集出现;上海金融监管局同期发文鼓励有条件的金融机构建设企业级人工智能平台。金融机构数据厚、流程多、容错低,倒逼Agent产品完善权限管理、操作留痕、人工兜底与审计链路——这四项能力,恰恰是所有行业AI落地的通用底座。
制造现场:从试点盆景走向规模风景
制造侧的进度更值得关注。据统计,在我国领航级智能工厂中,人工智能渗透业务场景比例超过70%,沉淀垂直领域模型超6000个,并加速向工艺优化、设备管理、人机协同等生产核心场景纵深渗透。工信部等八部门年初发布的《「人工智能+制造」专项行动实施意见》提出,到2027年推出1000个高水平工业智能体、打造100个工业领域高质量数据集。执行层已有样本:极氪智慧工厂通过柔性总拼系统与AGV调度,实现不同型号、不同配置车身在同一条产线无缝衔接与自动装配。本体侧同样提速:优必选工业人形机器人超级智慧工厂在广西柳州投产,按设计节拍每10分钟下线1台。
一道科技建议:按可结账的指标设计AI项目
我们给企业的建议是三步。第一步选对切口:优先流程边界清晰、数据结构化程度高、结果可量化的岗位,财务催收、入离职、质检、设备运维通常是最先跑通的四类。第二步把KPI写进立项书:参照80封到10000封这类表述,先确定基线值,再约定目标值与统计口径,避免上线后各说各话。第三步同步建治理四件套:权限管理、操作留痕、人工兜底与审计链路,金融行业已经走过的路,制造业与服务业会重走一遍。AI大模型定制、数据挖掘与软件外包三项能力必须一体交付:缺数据挖掘模型没有燃料,缺工程外包结果落不进业务系统。参考路径见一道科技客户案例,更多动态见行业资讯。
关于本文与AI落地,你可能还想问
为什么财务、人力这类职能岗反而先跑通?
因为它们具备三个条件:流程边界清晰(审批、对账、催收有固定步骤)、数据结构化程度高(表单、凭证、流水本就在系统里)、结果可直接量化(处理量、时长、差错率)。相比之下,研发设计、工艺优化等环节知识隐性程度高,需要先做知识沉淀才能建模。
引入AI智能体后,如何界定人工与机器的责任边界?
建议按风险分级:低风险且可自动核验的动作(信息整理、批量生成、状态同步)全自动;中风险动作(对外发送、金额变动)采用机器生成加人工复核;高风险动作(授信、合同条款、停机指令)保留人工决策并要求双人确认。所有动作留审计日志,可回溯到具体会话与操作人。
一道科技如何帮助企业把AI项目做成「可结账」的?
从立项阶段就介入指标设计:先盘出业务现状基线(如催收日均80封、质检漏检率3%),再确定目标值与统计口径,最后按里程碑验收。交付上承担数据治理、行业大模型定制、智能体构建与MES/ERP/CRM集成及私有化部署,公司位于杭州,支持私有化与混合部署。