战略一致性，企业成功落地大模型的隐藏秘钥｜爱分析报告

5月15日，爱分析正式发布了《2024爱分析·大模型应用实践报告》。报告的完整版自然信息量更大，不过今天先放出市场洞察这一部分，重点聊聊大模型落地过程中企业会遇到的三个典型挑战，以及应对思路。希望能给正在规划或推进相关项目的团队一些实实在在的参考。

挑战1：大模型项目与企业战略脱节

先抛一个核心判断：大模型这事儿，很多时候是“一把手工程”。董事长或CEO拍板了，任务就压下来了。不管落到哪个部门，项目组都会迅速启动，然后进入一轮又一轮的汇报流程。

问题往往出在汇报环节。老板问的第一个问题通常是：“这个项目，跟公司今年的战略到底有什么关系？”结果呢，项目负责人给出的答案，大多还停留在“大模型+知识库让一线员工提效”、“大模型+数据分析让业务人员用数据更顺手”这类战术层面。这些价值听着不错，可跟企业战略之间，往往隔着一层纸。说白了，就是没讲清楚“这项目为啥非做不可”。

某大型化学用品公司的CIO就遇到过这个坎。他带着2024年度IT项目规划和预算去找总经理汇报，结果并不顺利——核心问题就是大模型项目的业务价值没打动对方。所以，第一步必须解决的关键问题，就是让大模型项目和企业战略“对上频道”。

解决方案：战略一致性，企业成功落地大模型的隐藏秘钥

大多数企业在2023年底到2024年初都做了年度战略规划，涉及目标设定和战略解码。关键就在于，大模型项目必须在战略解码的过程中找到自己的位置。不是硬贴，而是真正找到与战略的紧密联系。

一个常见的方法是战略地图——从公司级战略，到管理层设定的KPI，再到业务执行层的每个项目。这个过程的核心价值，是在执行层里，让大模型项目找到符合自身情况的战略对齐，从而提升项目本身的“段位”。

拿一个金融机构的案例来说。每年年底到第二年年初，他们都要对十四五规划做全方位回顾。规划里有一项非常关键的战略：自主可控。大模型项目负责人就是从这儿出发，挑选出“大模型+运维”这个落地方向。

为什么选运维？因为它能很好地解释“自主可控”这个概念——这里的自主可控，不局限于外资软件或基础设施，更重要的是对外部供应商的自主可控。大模型加上运维，可以强化公司内部的运维能力，比如通过知识库、BI等方式赋能内部人员。这样一来，运维团队对云厂商或外资硬件服务器厂商的依赖降低了，自主可控性自然就体现出来了。

这个项目从立项到实施都比较顺畅，原因就在于，从一开始就把“自主可控”这个战略目标融入进去了。值得借鉴。

挑战2：大模型业务收益难设定

项目负责人设定业务收益时，容易陷入一个困境：头绪太多，但真正有效的收益项却很难找到。常见的收益方向包括提升企业形象、减少资本支出和运营支出、增加业务收入、提高客户满意度、提升员工人均产出、缩短流程时间、加快新产品上市节奏等等。

如果负责人追求“多多益善”，而不是“有的放矢”，内部往往很难就收益达成共识。结果就是项目推进困难重重。

解决方案：面向企业高管，设定业务收益

这里提供一个比较实用的思路：从顶层开始考虑。具体来说，就是从管理层出发，到部门领导，再到执行团队。这条路径的可行性在于，大模型本身需要管理层的强力支持，也需要在公司范围内推动。与其费劲地去说服所有人，不如先为管理层创造价值——探讨如何让模型为管理层带来直接收益，显然是一个更有效的切入点。

挑战3：数据分析场景，大模型生成结果的准确率较低

数据分析是这两年大模型落地的“先锋场景”，但生成结果的准确率偏低，让很多项目负责人头疼不已。核心原因之一在于，大模型基于语言交互，无法限制用户的提问方式，导致理解问题和生成结果的难度都偏高。

从用户反馈来看，影响准确率的主要因素有两个：

• 语义对齐
  ：用户口语化的查询，需要对齐到指标字段、维度字段，甚至是对接到其他API的输入参数。一个人问“这个月业绩怎么样？”和“本月销售额是多少？”，可能指向同一个指标，但系统得能识别出来。

• 任务多样性
  ：用户提一个复杂问题或目标时，大模型没法直接执行。需要先把目标拆解成多个子任务，再协同执行，最后拼出答案。

解决方案：指标平台+Agent，提升数据分析结果的准确率

针对语义对齐问题，可以通过语义增强配置来解决。用户提问时不一定知道该问什么指标，往往是做场景描述。所以，需要把企业的业务数据做指标语义化相关的生成和配置——包括指标名称、业务口径、应用场景等。当用户提问时，系统基于相似度和索引，找到对应的指标。

针对任务多样性，则可以通过引入Agent来解决。Agent具备规划拆解能力，能调用插件执行子任务。比如，Agent基于指标查询，会把指标、维度和时间三要素解析出来，填充到标准化的接口。它还能调用归因、预测、异常检测等算法，把事情处理得更精细。

新技术的落地从来都不是一蹴而就的，但方向对了，路径清晰了，剩下的就是执行层面的耐心和细节。希望这份洞察能给正在探索大模型落地的团队，带来一些实质性的启发。