来源：企业数字化的下一站，是整个业务流程的智能重构-神州数码集团官方公众号

我们正步入一个由技术重新定义一切的时代。生成式AI不仅是一场工具革新，更是一次根本性的范式转移。在这样的大背景下，企业如何系统重构自身的技术根基与创新逻辑？

在近期举办的全球软件案例研究峰会上，神州数码CIO李晨龙及神州数码通明湖云和信创研究院AI解决方案中心总经理李盛受邀参会，并分享了关于“AI for Process”的前沿思考与实践成果，为企业的数字化转型提供了新方法论。

“回顾全球市值前十企业二十年的变迁，本质上反映的是产业逻辑的根本性重构。”李晨龙在组织力专场中指出，“这向所有企业传递了一个明确信号：市场对数字化能力与AI赋能的期待已变得极为迫切。”

AI for Process：数字化转型新方法论

面对当前AI在企业应用中普遍面临的瓶颈，李晨龙分析道：“通用大模型压缩了人类知识，专业模型在特定领域超越了人类水平，但在企业环境中，这两条路径都遇到了挑战。”企业数据的复杂性和非结构化特征，使得大模型难以直接学习内部知识体系。

对此，神州数码提出了“AI for Process”的解决方案。“我们采用‘通专融合’策略——既保留通用大模型的交互优势，又通过外挂向量数据库等方式处理企业内部知识。”李晨龙强调，这不仅是技术升级，更是思维模式的根本转变。神州数码从企业发展的底层逻辑中提炼出三大核心要素：业务模式、管理方法和技术范式。“这三者的交汇点正是流程——企业所有宏大战略最终都要通过具体的业务流程落地。”

智能体架构：重新定义企业技术栈

在技术架构层面，李晨龙分享了神州数码提出的全新企业技术参考架构。与传统架构不同，新架构中，原有的应用系统转变为功能模块，企业的核心变成了流程驱动。“新架构包含几个关键部分：服务资源池封装所有应用能力，数据资源池整合企业数据资产，智能体中台解决智能体生产问题，智能流程工作台解决智能体消费问题。”

他特别强调了AI基因模型的重要性，“通过七个要素结构化地描述AI场景，我们解决了如何清晰定义AI赋能场景的关键问题。”实践成果显著：在神州数码自身的Leads To Cash流程改造中，智能体平均迭代周期从90天缩短到15天，不同业务模式下的组织能力得到高效协同。

医疗实践：AI深入专业场景的突破

在技术实践专场，李盛分享了神州数码在“AI+医疗”领域的深度实践。“我们选择了最具挑战性的领域——胰腺癌术后并发症诊断，思考如何用AI实现没有AI时做不到的事情。”

胰腺癌被称为“癌症之王”，诊断复杂度极高。传统的诊断方式依赖医生个人经验，且诊断流程涉及多个系统，数据分散且复杂。“我们不是要给医生做一个辅助的知识查询工具，而是重新定义并发症的诊断流程。”李盛介绍，项目采用了创新的动态自适应框架训练，将诊断准确率提升至94%，为医生提供了强有力的决策支持。

技术攻坚：通专融合的深度实践

在技术层面，神州数码团队面临了五个核心挑战：知识泛化污染、局部更新困难、性能不可控、溯源难题和数据协同障碍。

“比如胰腺癌的‘胰漏’并发症判断，全国标准指南规定血淀粉酶要超过正常上限3倍。但单纯把这条规则训练到模型中，它给出的判断标准会出现严重偏差。”李盛举例说明。

神州数码团队创新性地提出了“垫脚石算法”和“忽略TOPK”策略。“垫脚石算法不是一次性把知识训练进去，而是逐步泛化、分层训练，这样能显著降低对原有知识体系的干扰。”在实际从场景验证中，这套方法不仅将准确性大幅提升，还减少了约81%的知识干扰，算力消耗降低了10%。

智能体协同：多Agent架构的实战效果

李盛详细介绍了该项目中使用的多智能体协作架构，展示了一个清晰的技术架构图：上层是数据优化链路，用Agent完成数据标注和提取；下层是智能体自由化链路，用多Agent协同生成诊断报告。

“这个项目的独特价值在于，我们不是单一使用大模型，而是采用了复合技术路线，结合了模型训练和多智能体协作。”目前，该系统已无缝嵌入医院的HIS和CDSS系统，并在试运行三个月后正式投入使用。

在本次全球软件案例研究峰会上，神州问学基于以上案例的分享，入选了Top100案例榜单。

从组织变革到技术攻坚，从方法论创新到行业实践，神州数码的分享为企业勾勒出AI赋能的完整路径。智能体与人协同工作将成为企业运营的新常态。展望未来，神州数码将持续深化“AI for Process”方法论在各行业的落地实践，推动企业从单点技术应用向全流程智能重构的跨越。