技术更新 or 组织重塑，企业如何用好“数据智能”？

67 0 0

文章摘要

大模型技术的快速发展正在深刻改变数据管理与分析的方式，Chat BI、Agent+Workflow等应用使得业务人员能够通过自然语言交互即时获取数据洞察，显著提升了生产力。然而，如何构建高质量数据集、优化检索效率，以及让数据在大模型应用中发挥最大效能，仍然是当前面临的核心挑战。在AICon全球人工智能开发与应用大会2025北京站的预热活动中，多位专家围绕这些问题展开了深入探讨。

数据构建的挑战与趋势是讨论的重点之一。单海军指出，数据构建方式正从割裂的范式向统一的训练框架演进，例如清华大学提出的IFT（直觉微调）将SFT与RLHF融合，减少了对数据的依赖并提升了训练效率。此外，数据构建正在趋于轻量化和自动化，合成数据的出现大大减少了人工标注的需求。然而，数据量并非越多越好，数据蒸馏技术的应用成为筛选高质量数据的关键。单海军还强调，数据配比、任务分布均衡性以及数据质量是构建高质量数据集的核心要素。

在企业落地过程中，数据准备往往是最容易被忽视但最难做好的环节。覃睿提到，数据相关工作周期长、过程枯燥，且缺乏直接成效的呈现，导致其容易被忽视。特别是在传统企业中，数字化基础建设较为薄弱，直接开展模型微调存在较高门槛。文档解析、QA数据构建和结构化数据处理是数据准备中的三大挑战。例如，Chat BI场景对数据的准备要求极高，货拉拉通过DSL作为中间层，避免了直接生成SQL的准确率问题，并通过精细分类和高质量数据构建确保模型调优效果。

Deep Research框架的引入为大模型应用带来了新的可能性。覃睿指出，Deep Research不仅是传统RAG的扩展，它代表了大模型应用从检索辅助走向多阶段、可规划推理的质变。这种能力将极大拓展AI的可用场景，尤其是在复杂任务处理中展现出显著优势。然而，“控幻觉”仍然是技术架构下无法彻底消除的问题，需要通过用户交互机制和场景选择来平衡效果与成本。

在数据智能落地的过程中，Agent + Workflow的结合被认为是未来的重要方向。凌霄强调，归因逻辑的清晰性和系统性决定了Agent与Workflow的不可或缺性。这种架构不仅能固定复杂逻辑，还具备灵活性，能够作为触发器连接大模型或其他工程逻辑，从而推动业务流程的标准化和自动化。覃睿进一步指出，大模型应像水一样，自然地嵌入业务流程中，而不是作为“主体”硬性插入，这样才能真正发挥其价值。

最后，数据智能的本质挑战在于技术升级与组织流程重塑的双重作用。单海军认为，这轮技术升级正在推动企业组织模式从“以业务流程为中心”转向“以数据流为中心”，跨部门的协同与融合成为关键。覃睿则从落地项目经验出发，指出大模型技术的占比并不高，更多价值来自于数据的打通和业务部门的协同。CEO的亲自推动使得过去难以落地的项目得以实现，但智能化的提升速度和曲线仍存在不确定性。

总体而言，大模型技术为数据管理与分析带来了新的机遇，但其成功落地依赖于高质量数据的构建、业务流程的优化以及技术与业务的深度融合。