過去一年，AI正在從回答問題的工具，逐漸走進企業的真實業務。
從辦公助手、程式碼生成，到行銷內容製作、供應鏈分析，越來越多工作開始有AI參與。
一位為電商商家提供AI方案的彭經理告訴量子位，他們已經將AI生圖、換模特、換背景等能力接入到商品上架流程。
按他的估算，商品負責人接入系統後，完成素材處理、商品上架等相關操作的速度，可以達到原來的約20倍。目前，這套系統已經被8家店舖採用，單家店舖每月付費約2萬元。
但具體操作提速，並不意味著整條業務流程已經實現自動化。
“最好還是人工看一遍。”彭經理說，生成的素材是否符合要求，仍需要人工檢查操作。目前，這套AI能力主要集中在商品型錄製作環節，與稽核、選品、營運等後續流程的銜接還沒有完全打通。
換句話說，AI已經幫助一個崗位節省了時間，但這部分收益如何進一步傳導到整個業務流程，仍然需要解決。
當量子位進一步問到，企業是否應該自己訓練模型、搭建完整AI團隊時，他的回答很直接：“包虧錢。”
隨後他補充，這筆帳最終取決於業務規模。如果沒有足夠大的業務量支撐，無論是模型訓練、企業資料整合，還是持續的Token消耗，前期投入都很難通過業務收益覆蓋。
更進一步，在他看來，企業真正需要考慮的，並不是簡單地“要不要上AI”，而是那些智能能力值得自己建設，那些可以直接採購？
這些選擇，又會帶來新的問題：一個場景跑通後，怎樣擴展到上下游環節？局部積累的經驗，如何沉澱為企業可以反覆使用的能力？模型和工具更新後，已有成果怎樣繼續使用？不同應用又該如何與企業原有的資料和系統銜接？
而這也不只是AI商拍的問題。隨著AI進入更多行業和業務環節，類似的建設、應用與擴展問題，也會出現在更多企業面前。
可以說，從單點應用到企業智能化，中間還隔著能力建設、流程連接和組織協同。企業需要一套方法，讓分散的AI工具和實踐真正融入業務，並逐步形成能夠持續積累、不斷演進的企業能力。
9月18日，華為在全聯接大會2026上發佈《Agentic Enterprise：企業智能化白皮書》，圍繞這些問題，提出了企業智能化建設的參考架構與工程方法。
接下來，我們一起來看。
AI越來越能幹，企業該怎麼用
在華為看來，企業AI建設首先需要回答的，並不是“選擇那個模型”，而是企業真正需要解決什麼業務問題？
過去，很多AI項目往往從技術能力出發，先尋找可以應用的場景。但對於企業而言，真正有價值的應用，需要從經營目標出發，找到影響業務結果的關鍵環節。
例如，一個AI系統可以幫助銷售更快整理客戶資訊，但如果這些資訊沒有進入銷售決策、客戶跟進和訂單流程，最終產生的價值仍然有限。
回到開頭的AI商拍案例，商家已經從素材製作提速、人工成本下降中受益。但圖片做得更快之後，稽核、營運等環節能否跟上，又會影響這些收益能否進一步擴大。
華為AI應用首席專家李宏愷告訴量子位，局部提效也可能讓瓶頸轉移：“你這個環節提效了，導致下一個環節成了堵點了。”因此，企業需要從完整業務流程出發，找到真正制約整體產出的關鍵環節，再判斷AI應該用在那裡。
這正是白皮書“讓經營定義技術”的核心主張：企業不應先尋找AI能做什麼，而應先明確要改善什麼業務結果，再決定AI能力如何建設，以及如何與現有流程連接。
業務、財務和技術負責人需要先共同確認：當前的業務基線是什麼，希望改善那個經營指標，為什麼需要使用AI，又由誰對最終結果負責。
這些問題不明確，技術建設就很容易變成“拿著錘子找釘子”。
只有經營目標先確定下來，後面的資料、知識、模型和智能體，才有明確的建設方向。
但找到一個有價值的場景，只是企業AI建設的第一步。場景跑通之後，企業還要考慮：解決這次業務問題形成的資料、知識和方法，怎樣保存、復用和持續改進，再擴展到更多業務？
這就需要把一次項目的成果，逐步建設成企業可以長期使用的能力。
DIMAK：把智能能力建設成企業能力
要讓一次實踐服務於後續業務，企業首先需要把AI作出判斷所需的事實、規則和經驗組織起來。
這些判斷依據，往往遠不止現成的報表和文件。
很多業務決策背後，還包含大量隱性的經驗：過去為什麼這樣判斷，什麼情況下需要例外處理，那些規則必須遵守，最終結果是否符合預期。
如果這些經驗散落在不同崗位和項目裡，一個場景中形成的成果，就很難被其他業務使用。要讓它們參與新的任務，還需要將其與模型、工具和運行環境組織起來。
華為提出的DIMAK，正是一套面向企業智能能力建設、供給與持續改進的工程體系。它由資料（Data）、AI基礎設施（Infra）、模型（Model）、智能體（Agent）和知識（Knowledge）五個相互協同的工程域組成。
圍繞一項具體任務，可以這樣來理解五項工程的配合：
首先是給AI提供判斷依據。
資料工程提供可信的業務事實；知識工程則把制度、流程和專家經驗整理成可以檢索、並且明確適用條件的規則和案例。
其次是讓任務真正運行起來。
模型工程負責模型接入、適配和評測；智能體負責組織資料、知識、模型、工具以及人與AI之間的協作；AI基礎設施則保障整套能力穩定運行。
最後是把任務做過之後留下的經驗繼續利用起來。
任務使用了那些依據、人工改了什麼、那裡發生異常、最終結果怎樣，都可以繼續記錄。經過驗證後，有效經驗進入知識服務，失敗記錄用於後續評測，成熟的方法則可以進一步沉澱成可復用的任務方法。
進一步，這就可以形成類似RSI（遞迴自進化）的增強循環：業務反饋用於訓練和強化學習，推動模型能力提升；改進後的AI再參與業務執行、訓練和評測，產生新的經驗與反饋，繼續推動下一輪進化。
這樣一來，企業可以從邊界清晰、指標明確的場景開始，先把一項能力跑通，再逐步擴展到更多業務。
每一次真實任務產生的反饋，又會成為下一輪改進的依據。對於可能影響生產運行的知識和策略變更，則需要經過評測、業務確認和受控發佈，再進入正式環境。
華為AI系統科學家姚駿在解讀白皮書、介紹配套工具時，將這一目標概括為：幫助企業把通用人工智慧轉變為“企業需要的可以沉澱的價值與資產”。
但能力開始沉澱之後，還會碰到另一個現實問題：
模型會換，支撐智能體運行的框架也會換，那已經積累下來的企業能力怎麼辦？
白皮書將DIMAK的核心，概括為“解耦技術生命周期與企業能力生命周期”。
也就是說，模型與框架可以持續更新，經過驗證的資料服務、知識資產和任務方法，則需要成為企業能夠長期積累的能力。
為此，DIMAK通過相對穩定的能力介面、框架適配和版本管理，儘可能降低業務應用對單一模型和框架的依賴。
當底層模型或智能體框架發生變化後，企業重新驗證任務效果和運行相容性，讓已有的資料、知識和任務方法在必要適配後繼續使用。
白皮書中的電網裝置評價實踐，讓這種能力積累有了具體形態。
某電網企業將原先供人閱讀的專業導則，整理為來源明確、版本有效、適用範圍清晰的知識資產。運檢智能體結合裝置台帳、缺陷和監測資料，依據導則生成評價建議，由專業人員稽核確認。
評價依據與結果一併保存，人工修訂、缺陷處置結果和裝置狀態變化持續反饋，成為下一輪評價的依據。
於是，一次裝置評價在完成當前任務的同時，也為企業積累了下一次可以繼續呼叫的知識和經驗。
不過，對於需要進一步改變訂單、帳戶或生產狀態的任務，形成判斷之後，還要完成正式操作。這又涉及智能能力與企業原有業務系統的銜接。
H型雙塔：從智能判斷到正式業務行動
智能體即使提出了方案，正式操作仍要通過原有系統完成。如果後續依然需要人員逐個系統查詢、錄入和提交，分析環節的提效，就未必能縮短完整的業務流程。
華為提出的H型雙塔，正是為了銜接這兩部分：明確智能體系與原有系統的分工，並建立雙向連接。
企業AI體系（智能塔）以DIMAK為工程基礎，負責理解目標、分析變化、比較方案和組織任務。
企業IT/OT體系（現網塔）則是企業已經運行的業務與生產系統，負責提供權威業務事實、校驗並執行操作、記錄正式結果。
“H”中間的橫向連接，將資料、知識、權限、指令和結果貫通，讓同一項任務從判斷走到執行，再把結果返回智能體系。
白皮書中的銀行理財到期案例，就展示了這種協同方式。
某大型商業銀行從客戶的到期資金安排切入。手機銀行智能體在獲得必要授權後，結合產品到期狀態、帳戶資金、風險等級和現有持倉，形成多套方案，並解釋期限、收益、流動性和風險等方面的差異，供客戶比較和調整。
在這個過程中，智能塔負責組織資訊、分析方案；銀行原有系統則提供帳戶、持倉等權威事實，讓判斷有據可依。
但能查詢帳戶，並不意味著就能操作資金。
客戶確定方案，並完成適當性確認和必要的強認證後，智能體才能在授權範圍內呼叫資金劃轉、理財購買等業務能力。
交易校驗、帳戶變更和持倉記錄，仍然由銀行原有系統完成。遇到大額交易、異常帳戶等情況，也仍需客戶進一步確認，或轉交相應責任崗位處理。
智能體負責組織任務，原有系統承擔正式執行，客戶保留資金安排和交易確認的決定權。每一步操作，都有相應的權限和責任邊界。
這與過去的服務方式有一個明顯區別。過去，客戶需要自己尋找查詢、轉帳和購買入口，再把這些功能一步步串起來；現在則圍繞“資金怎麼安排”這一目標，由智能體組織資訊和操作，再由原有系統承擔正式執行。
企業AI由此開始把原本分散的功能，圍繞業務目標重新組織起來。白皮書披露，這項實踐已在限定範圍內進入客戶確認後的授權執行。
不過，任務並不是發出指令就結束了。按照H型雙塔的架構要求，購買請求被受理後，系統還需要依據原有業務系統的正式記錄，確認交易是否完成、帳戶和持倉是否已經更新。
如果結果不明確，應先核驗狀態，避免重複操作；如果執行失敗或業務條件發生變化，則需要重新調整任務，或交由人員處理。
這些真實執行結果，又會返回DIMAK體系，成為下一輪能力改進的依據。
人工修訂、異常原因和業務反饋，可以幫助企業發現知識、模型和任務策略中的不足；相關變更經過評測、業務確認和受控發佈後，再進入後續任務。
從DIMAK到H型雙塔，一條相互銜接的工程路徑由此形成：
前者解決AI能力如何建設和沉澱，後者解決這些能力如何進入企業流程並與現有系統協同。圍繞經營目標，企業可以持續建構模型、智能體和業務系統之間的連接，讓AI真正參與任務執行。
任務執行後的結果，又會反過來成為能力最佳化的依據。
最終，單點場景中的效率提升，能夠通過流程協同擴展為業務鏈路的整體改善，並在持續反饋中形成增長閉環。
從一套參考方法，走向企業自己的實踐
除了上面提到的，白皮書還記錄了金融、汽車、醫藥、材料化學和電力等多個領域的落地實踐。
不同行業的經營目標、業務流程、資料條件和風險邊界各不相同。這些案例能夠提供參考，但具體怎樣建設，仍需要企業結合自己的業務作出判斷。
正如華為AI系統科學家姚駿在發佈會上所說：
“業務價值流的最後一公里是由企業來建設的，我們無法替代。”
這也決定了華為在其中扮演的角色：將不同項目中反覆出現的共性問題梳理出來，形成參考方法、工程框架和共性工具，降低企業和生態夥伴重複摸索的成本。
華為給出的落地路徑，也強調從核心場景切入，逐步完成驗證、部署投產，再沿著價值業務流向更大範圍擴展。
進入具體行業之後，則需要企業、華為與生態夥伴共同推進：企業明確自身的經營目標、業務規則和責任邊界，夥伴參與具體場景的適配與實施，華為提供可以共同使用的參考設計與工程基礎。
回到開頭電商商家的選擇，企業可以採購已經成熟的能力，把自己的建設投入放在業務規則、資料銜接和流程協同上。具體怎樣分配，仍要由業務規模、現有條件和預期回報決定。
這份白皮書的意義，也在於為這些選擇提供一套參考：那些問題應該先由經營來定義，那些能力值得長期沉澱，智能體系又該怎樣與現有業務連接。
共性問題可以借鑑已有的方法，具體建設則需要圍繞每家企業的業務持續驗證和調整。
模型還會更新，智能體框架也會繼續變化。企業需要在這些變化中，持續積累自己的資料、知識和任務經驗，讓每一代新的通用智能，都有機會轉化為經營成果。
華為希望把其中可以共用的方法和工具搭建起來，再與企業和夥伴一起，在一個個真實業務中驗證、完善。
對於正在開展AI項目的讀者，可以先選取一項具體任務，對照白皮書梳理它的業務目標、已有能力和系統銜接，判斷下一步最需要補齊什麼。 (量子位)