随着生成型人工智能的快速普及，企业普遍将AI转型视为核心管理课题。许多企业在聊天机器人、文档摘要、数据分析、工作自动化等多个领域尝试应用AI，但在实际进行AX项目时，仅仅引入AI并不能立即实现全公司范围的推广或实质性的工作变化。
这一现实在全球调查结果中得到了证实。去年11月，对2000多家全球企业进行的一项调查显示，62%的受访企业正在试验AI代理。然而，真正达到某些功能的全面推广阶段的企业不足10%。这意味着，尽管对AI的关注和实验迅速增加，但将其真正融入日常工作仍然困难重重。
在初期的生成型AI引入讨论中，主要关注的是使用什么模型以及能够实现哪些功能。然而，最近企业在AX项目中提出的问题发生了变化。现有员工如何在实际工作中利用和内化AI，应该从哪些工作开始应用以产生投资回报（ROI），以及如何建立可持续的运营体系等问题的思考越来越深入。
相同模型却有不同准确度的原因：知识系统
这一差异在企业的知识系统中表现得尤为明显，即AI在多大程度上能够准确读取和搜索企业内部文档并给出回答。许多企业期待通过引入最新模型获得准确的回答，但实际上，决定准确度的并不是模型，而是前期的设计。了解公司文档的存在形式、如何无损地将其转化为数据，以及如何设计符合提问意图的信息检索管道（RAG）将直接影响最终回答的质量。
尤其在国内企业环境中，这一问题更加复杂。打开实际企业的文档文件夹，可以看到不仅有文本层次清晰的电子文档，还有扫描的合同、拍摄的银行存折复印件、登记簿等仅以图像形式存在的韩文金融和法律文档。
在这些文档中，简单的文本提取工具往往会破坏韩文或结构，导致结果几乎无法使用。相反，精确识别图像本身的方法则能更高水平地保留原始格式、数字和韩文信息。即使是相同的文档和模型，处理体系的设计不同，结果也可能分为可直接用于工作和难以利用的两种情况。
红砖持续推进文档解析和RAG管道的研发，旨在构建在企业环境中具有高准确性和可靠性的知识系统。针对实际企业文档中包含的扫描基础韩文文档，经过多种处理方式的精细比较和验证，发现不同文档类型的最佳处理路径完全不同。
AI在现场运作的条件
企业现场AI的实际运作需要几个条件。首先，必须准确理解现有的工作流程。需要区分可以应用AI的工作和不能应用的工作，并优先选择能够产生成果的领域。之后，需要将企业内部数据与现有系统连接，并设计用户权限、安全性、审计日志和运营政策等。为了使AI不仅仅停留在某一特定功能，而是融入组织的工作方式，这种运营设计是必不可少的。红砖采用FDE基础方法的原因也在于此。FDE不仅仅是倾听企业的需求并提供解决方案，而是分析现有的工作流程和数据结构，设计AI在实际工作环境中能够运作的应用领域、系统联接和运营体系的执行导向的AX方法。前面提到的知识系统设计也是这一FDE方法的一部分，在技术引入之前，首先解决“这家企业的文档是什么形式，如何阅读才能准确”这样的问题。
实际成果：香港电商PoC
最近，红砖与香港的一家电商企业开展了基于FDE的AX项目PoC，确认了显著的生产力提升效果。该企业希望通过AI提升商品选择和促销推荐流程，以建立更高效、快速的决策体系。核心在于基于数据预测未来全球各地区哪些商品会有高需求，并将其反映在推荐流程中。PoC结果显示，原本需要4人花费约5天完成的工作，在引入AX平台后，1人可以在1天内完成。这并不是简单地应用AI功能，而是因为重新设计了数据分析、推荐流程和工作流程，才实现了这一结果。前面提到的知识系统为提供准确数据奠定了基础，而这个案例则展示了在重新设计整个工作流程时所取得的成果。
随着AI应用范围向实际工作环境的扩展，AX项目所涉及的领域也在不断扩大。在企业环境中，仅仅应用最新的AI模型是不够的。为了确保AI在组织内部稳定运行，必须考虑到根据工作目的和特性设计数据结构、与现有系统的联接，以及适合企业环境的多LLM构成和基于RAG的数据利用体系、用户权限管理和审计日志等AI运营环境的整体设计。
※ 本报道经人工智能（AI）系统翻译与编辑。
