对话阿里云 CIO 蒋林泉：AI 时代，企业如何做好智能化系统建设？

都说“AI 一日，地上一年”，这句话在过去一年里被一次次验证。从通用大模型的能力爆炸，到各种AI应用在具体业务场景里的落地生根，这场技术变革的速度和广度，确实远超很多人的预期。智能客服只是冰山一角，更底层的变化在于，AI正在重塑企业运营的每一个环节，从数据分析到决策支持，AI化的应用正深刻改变着企业的竞争格局。可以说，在当下这个节点，智能化系统的建设已经不是一道选择题，而是企业数字化转型升级的必由之路。

对于CIO（首席信息官）这群技术掌舵者来说，这种感受尤为真切。CIO的核心职责，字面意思上是管理信息系统。但在AI的冲击下，“智能”（Intelligence）的分量，似乎在悄然超越“信息”（Information）本身。在这个转变的过程中，无论是CIO本身还是业务一线，都面临着不少新挑战，当然也积累了许多值得借鉴的经验。阿里云CIO及aliyun.com负责人蒋林泉（雁杨），就这个话题进行了一场深度分享，聊了聊AI时代CIO的角色进化、企业智能化转型的真正路径，以及那些技术落地中的经验教训。

AI时代，CIO的角色变了什么？

先说说不变的部分。无论技术怎么变，CIO的第一要务永远是贴合业务战略，用信息化技术去支撑业务目标。这是永恒不变的主题。但要说变化，过去一年最大的冲击，就是AI技术极大地改变了信息系统的开发方式和效率。一个强烈的感受是，在新的时代里，CIO这个角色里的“I”，其含义确实应该从Information转向Intelligence。现在的CIO，必须思考如何结合智能能力为业务带来实质性的改变，推动整个企业的信息系统朝着智能化的方向演进。

那么，这种技术冲击具体体现在哪里？过去一年，文本基础模型的进步是跳跃式的。一开始，升级一个基础模型，效果提升立竿见影。但到了GPT-4或通义最新版本这个阶段，单纯依靠切换基础模型带来的文本能力提升就开始递减了。业界很快将目光转向了多模态，以及像o1那样在慢思考、推理侧和复杂问题上做scaling law的方向。在多模态领域，尤其是语音交互，它能带来的改变是碘伏性的。端到端的语音交互效果远超传统的语音机器人，因为它接近真人，甚至比以前的客服更聪明、更有耐心。

至于像o1这样的模型，它对ToB应用的启发在于解决“复杂推理”问题。在企业信息系统的自然语言交互中，大约有10%的用户问题属于需要复杂推理的类别。传统的“RAG（检索增强生成）+基础模型”组合在处理这类问题时往往力不从心。o1的核心思路，是把一次性输出改为将复杂问题拆解成多个步骤，为每个步骤找到最佳解，最终推理出结果。这个范式不仅适用于STEM（科学、技术、工程、数学）领域，同样适用于企业信息系统。一旦用上这类模型，知识获取和推理决策的能力上限将大幅提升，用户自然会用它去尝试更复杂的问题，从而产生新的需求。这也打开了一个新的可能：以前，产品经理要获取B端用户的真实需求非常困难，因为需求深埋在工作流里。但现在，用户倾向于直接用自然语言表达他们的诉求，这使得需求收集的效率和准确性都大幅提升。从迭代效率来看，从需求到实现的工程效率，可能会提升1000倍甚至更高。

如何让业务部门愿意为AI“买单”？

回到CIO的职责本身。如何将智能理念融入信息系统建设并执行AI战略？这一次技术变革，影响最深的是“信息获取”环节。大模型可以快速结构化全链路信息，并聚合分散在各处的数据，从根本上改变了信息的获取方式。回顾信息获取的历史，从目录到搜索，再到现在的自然语言对话式获取，效率是飞跃式的。粗略估算，基于大模型的信息获取效率可能是搜索的10倍，而搜索本身又是目录的10倍。

更进一步，信息思考和决策阶段也深受影响。大模型为系统带来了一个强大的“大脑”，超越了传统固定的规则性思考框架，极大地提升了系统思考的灵活性和深度。AI界面将信息获取、思考与行动融合在一个界面上，用户可以实现获取信息、做出决策、执行任务的高效联动，这带来的效率提升是巨大的。可以说，AI大模型在信息获取与决策行动上形成了一个效率飞轮，同时在产品迭代上创造了新的动力机制。如果CIO能推动组织利用好这个“双轮驱动”模型，企业信息系统的效率和效果有望实现百倍以上的提升。所以，当下最核心的思考，就是如何快速推动组织转型，实现从Information到Intelligence的根本转变。

理想很丰满，现实却总是绕不开“部门墙”的阻力。这是CIO工作的老生常谈。但在AI时代，这个阻力反而变小了。为什么？因为过去一年AI的爆发式发展，让所有业务部门自己都在思考，如何用AI提升效率。这种共识，是历史上任何一种技术都没有带来过的局面。

共识有了，怎么让业务部门真正为AI技术落地“买单”？答案还是得回到业务本身。CIO需要深入理解业务目标，进入业务流程去了解痛点、分析效率和成本。不是坐在办公室里访谈，而是真正代入客户的角色，进入一线的工作流，去深刻体会他们的痛点。当你用技术手段解决了这些痛点，你和他们就在一个战壕里，他们自然会欢迎你。更重要的是，要找到一个非常好的切入点，打造一个能产生“榜样效应”的成功案例。一个标杆案例，比一百次PPT宣讲都管用。

AI落地，知识库和客服不再是“做好就行”

接下来是落地层面的具体问题。很多企业第一个想到的应用场景就是“知识库”和“客服”。关于知识库的AI化，它的重要性在AI时代被前所未有地放大了。它不是一个应用，而是所有上层应用的支撑。一个没有高质量领域知识库的AI应用，就像一个没有记忆的大脑。大模型对知识库提出了两个极度刚性的要求：第一是完整性，领域知识不完整，AI就回答不了客户的问题；第二是准确性，知识不准确，AI的回答就是误导。更深一层看，企业的知识本质上是领域专家大脑里知识的外化。如何高效地萃取专家知识进入知识库，是成功与否的关键。而AI本身，恰恰可以反过来帮助专家，以更低成本进行知识萃取，形成正向循环。

说到知识库的边界，这是一个很实际的问题。很多企业会纠结，知识库到底要建多大？要不要囊括全网知识？答案是否定的。在企业信息系统中，RAG（检索增强生成）的核心作用，就是把模型的回答范围严格限制在知识库内。知识库的边界，就是企业想让用户获取的知识边界。这个边界，需要企业自己清晰定义。比如，用户问的问题超出了边界且合法，怎么办？一种不错的做法是，先明确告知“这不在我们的服务范围内”，然后可以调用通用大模型（比如通义）的接口来回答，但必须清晰标注“下面是通义的答案”，明确划分责任边界。这样做既友好，又规避了风险。

另一个大坑是“幻觉”。模型会编造出看似正确实则错误的答案，这是大模型落地应用时最大的坑。为什么？因为模型本质上是在学习人类语言模式，而不是理解真实世界。所以，从第一天起，就要引入“专家评测”。这里强调的是真正的领域专家，而不是普通用户。因为普通用户很难校验出幻觉的真假。尤其对于ToB应用，准确性是生命线，出了问题是会有实质性后果的。专家评测加上专家知识库，是企业级AI落地的两块基石。说到底，AI本质上是学习人脑中的知识和技能，但这个学习过程能否产出可靠的成果，最终还是需要人脑来把关。

在AI客服的实践上，阿里云的经验是按层次递进的。第一层是作为客服的Copilot，帮助客服人员更好地服务客户，像一个经验丰富的师傅在身边指导。第二层是Native层，在客户与客服的实时语音交互中，AI根据上下文实时提示客服客户可能问的问题以及对应答案。第三层是完全人工智能的语音客服，但这块相对谨慎，目前更多用于替代原有的技术含量较低的智能语音场景，起到提升效果的作用。至少在目前，完全取代人类客服不是一个理智的选择。一个更务实的思路是，永远有专业的客服小二在旁边兜底，AI则去解决那些原本非常繁琐、消耗精力的事情，从而提升整体服务效率和客户体验。

现实情况是，绝大多数企业的技术储备都无法与阿里云这类平台公司相比。对这些企业，核心建议是：不要花太多时间在底层基础技术的搭建上。把精力重点放在应用创新和实现业务目标上，把底层技术平台交给专业的服务商。毕竟，阿里云自己也是其AI云服务最大的用户，很多产品都是在深度落地过程中被不断打磨和验证过的。站在巨人的肩膀上，专注于自己最擅长的业务场景，才是务实的策略。