IT时报记者 孙永会
苏州河畔，数智涌动。
11月5日，2026“科技之光耀浦江”——“数智驱动、效赢未来”专题研讨活动在苏州河旁的邮电俱乐部举行，来自产、学、研一线的专家围绕“AI赋能基层治理与行业智能化”主题，从金融研究、数据合规等维度热议大模型、智能体在落地过程中的机遇、风险与现实困境。
上海市黄浦区信息技术协会代表、上海电信中区局总经理徐达在致辞环节中指出，团队在日常服务过程中观察到，黄浦区内企业的AI需求呈现差异化特征：既有金融科技企业对大算力、大型AI应用的投入需求，也有楼宇内大量中小微企业，期盼短平快、易上手、可实操的AI智能体场景。他呼吁协会各会员单位能够发挥自身技术优势，协同开拓这片市场。
时下，人人皆提AI、皆用AI，如何让AI从“单点工具”进化为“生产力范式”，如何合规、安全、高效地释放数据与智能的价值，已经成为每家企业要回答的时代课题。
论实践：AI如何提质增效？国家数据局《全国数据资源调查报告（2025年）》显示，2025年我国全年Token调用量达到约21100万亿次，日均调用量从年初的超过1万亿次增长至年末的100万亿次。2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》，明确提出推动人工智能与经济社会各行业深度融合，促进智能终端、智能体等应用普及。政策目标提出，到2027年，新一代智能终端、智能体等应用普及率超过70%；到2030年，超过90%。
可以看到，中国人工智能正在进入大规模应用发展阶段，模型能力、算力基础设施和高质量数据供给持续发展，AI调用需求也快速增长，产业应用基础不断增强。
上海电信科技发展有限公司集团专家王萌哲作《从单点智能到多智能体协同：基于Google ADK的智慧巡检实践》主题报告时分享道，在楼宇、园区、机房的综合运维场景中，传统故障处置长期面临“发现靠人工、定位跨系统、闭环有断点”的瓶颈。上海电信以Google ADK（Agent Development Kit）为技术底座，构建了主巡检、设备关系、网络诊断、故障分析多智能体协同的智慧巡检体系。
王萌哲说，团队早前对比单智能体与多智能体方案后发现，单智能体存在职责过度集中、提示词冗长容易模型跑偏等短板。而多智能体采用主从协同模式，主智能体负责整体编排调度，各个专业子智能体分工执行，工具与角色绑定，任务链路全程留痕便于复盘，模块式扩展不会破坏原有业务，更适配复杂的巡检业务。
基于Google ADK多智能体框架，相关项目搭建三层架构：数据采集层负责感知设备状态；模型推理层由主巡检智能体，带领设备关系查询、网络诊断、故障分析3个子智能体协同工作；结果输出层自动生成故障报告、派发维修工单，数据在仪表板可视化展示。
王萌哲进一步介绍，落地之后，这套智慧巡检方案产生了直观的业务价值，报告生成效率提升96%，平均故障响应时间从6小时压缩到30分钟，诊断准确率达到92.3%，每年节省运维成本超过20万元。
论差异：AI时代的新复利体系不过，也有从业者认为人工智能开始显著提升个人工作效率，但这种效率改善尚未充分转化为企业或组织整体的价值。
麦肯锡发布的《2026年AI发展现状（The State of AI in 2026: On the Road to ROI）》报告显示，AI应用普及、规模化推进与经营结果之间仍存在明显差距。80%的受访者认为AI提高了个人工作效率，44%表示所在企业正在规模化应用AI，但只有37%认为AI对企业营业利润（EBIT）产生正向贡献。其中，达到显著价值与较高利润贡献标准的AI高绩效组织仅占6%。
“个人侧的AI智能体平台正在快速普及，而面向组织的智能体平台，在迭代速度、价格、场景深度和约束条件上，距离真实业务要求仍有明显落差。”新点软件数字政府研究院院长沈武在作主题报告时也提出类似的观点，政府组织落地AI面临不少难题，普遍遇到太贵、麻烦、不会做、留不下来四大痛点。他们被高昂算力成本、繁杂多变的基层需求、高技术门槛等困难困扰着。
“很多公司装了大模型、上线智能体，就以为完成智能化了，结果只是把它当成高级搜索工具，本质上只是 ERP（企业资源计划系统）的升级版。”上海交大上海高级金融学院、中国金融研究中心副主任董平也观察到，当下不少企业对AI的使用，看似热闹，却没有真正释放生产力。在他看来，人工智能能够显著提升单项工作的效率，但企业整体经营成果并不是单个任务效率的简单相加，需求识别、信息判断、业务决策、资源协调和任务执行等环节共同影响最终结果。即使某个环节的工作效率大幅提高，如果其他环节仍然存在等待、重复劳动、信息断点或资源约束，整体业务表现也未必同步改善。
“因此，AI价值释放的关键，正在从单项任务的局部优化，进一步转向完整业务流程的整体改善。”董平作出预判，再过一年，通用大模型的热度会逐步回落，迭代也会变慢，可能一年更新一版，但行业决策智能模型，会一到三个月就迭代一轮，智能体会大范围渗透企业核心业务。
那么，AI时代的企业或者政务组织如何才能真正实现提升生产力？董平认为，当下企业真正的核心利润是建立自身全新的三层复利体系：第一是组织复利。过去好企业等于好的培训机构，靠老带新培养人才，在AI时代，不用完全“老人”带新人，把顶尖员工、顶尖工程师的经验沉淀下来，交给AI，由其来完成培训赋能；第二是数据—智能复利。每一次业务决策、每一个成功案例，都要沉淀，反哺下一次决策。他特别提醒道，有的企业KPI只考核成功结案，直接丢掉无效客户需求数据，但无效数据集恰恰代表潜在市场。第三是策略智能复利，从事实依据出发，形成策略，再将策略沉淀为可执行的智能体，在迭代中形成生产力。
“工具谁都可以买，可以复制，但企业独有的数据和复利体系是竞争对手抄不走的。”董平如是说。
“想要破解政务AI落地难题，不能一味堆砌大模型，要复用公共底座能力，按需调用大、小模型，控制算力成本。”沈武的观点是，可以探索“构建智能体的智能体”，让业务人员依靠业务描述就可以搭建业务应用，从而降低技术门槛。例如新点软件打造的NexBot平台解决方案，就具备灵活构造智能体的能力，让业务人员用一句话搭建智能体等功能。
论合规：安全已成必选项现场，产业人士普遍强调，AI时代，安全不可忽视。
“大模型能力虽强，但在生产场景里使用AI，安全、可控、可追溯要排在效果前面。”王萌哲说，为规避大模型调用带来的生产风险，相关系统设置了工具层、权限层、审计层三层安全校验。
上海临港国际数据产业研究院院长徐龙章厘清了数据合规、数据治理、数据安全三者的边界：数据合规，即回答“能不能做，如何合规地做”的问题；数据治理解决“谁来管、按什么规则管”的问题，核心是提升数据质量、安全性和合规性；数据安全主要通过技术手段和管理措施，防止数据被非法访问、篡改、泄露或滥用。
据其观察，数据合规监管的逻辑发生了三个变化：其一，从“抽查”到“全覆盖”，数据合规专项整治转为常态化执法，APP、小程序、SDK、AI生成内容均纳入检查范围，中小企业不再是盲区。其二，从“罚企业”到“罚企业+罚人”，《中华人民共和国个人信息保护法》确立的“双罚制”全面落地。企业层面，最高可被处以上一年度营业额5%的巨额罚款；个人层面，直接责任人可能面临百万元罚款、行业禁业甚至刑事追责。此外，从末端追责前移到风险识别和过程控制，具体来看，风险评估、合规审计、出境申报成为法定义务。数据合规监管正在从“事后处罚”为主转向事前预防、事中管控、事后追责的全链条常态化监管。
“随着AI、智能体大量普及，数据合规已经不再是‘选择题’，而是企业高质量发展的‘必答题’。”徐龙章表示。
