“大模型落地，外面好像都是星星、太阳、月亮的，但是我中间发现那么多坑，到底别人是不是也会遇上这些坑？难道就是我倒霉吗？”

带着这个问题，蒋林泉发起了一场走访业界公司 CIO 的行动。在和 30 多位 CIO 接触过后，他不出意外地发现，大模型应用落地中的坑点就在那里，只是被 AI 应用落地的炫目光芒所掩盖，还未进入公共语境。

业界仍在寄望 ChatBI、ChatSQL 之类的产品能帮助公司完成 AI 转型，但蒋林泉越过这些看似光鲜的技术叙事，清醒地看见了业务场景的坚冰。这是源于他是最早一批与大模型正面交锋的人。

蒋林泉在阿里云担任 CIO 三年，正是 AI 浪潮席卷而来的三年。大模型声势浩大，蒋林泉却潜下心来，埋头做一件事，那就是带领团队推进智能化进程。“之前 ATA 社区征集企业大模型应用专题，我把团队出的那张大图和文章毙掉了，因为当时我知道那么多项目中能靠谱落地的只有 1-2 个。”如今，这张大图中的项目基本都落地了，还剩 1-2 个没有。蒋林泉也终于决定，带着他在这一过程中沉淀的案例与经验，分享给行业内更多的 CIO。

龚银是蒋林泉 CIO 探访之行中的意外之喜，在蒋林泉眼中，龚银是推动 AI 应用落地决心最大的 CIO 之一。龚银的决心，体现在他对“All in AI”的彻底贯彻，而不仅仅是一句可以随便被挪用的口号。他做成了其他 CIO 做不到甚至想象不到的一件事，那就是把握住了安克创新的业务实线，面对一家正在高速增长的全球化智能硬件科技公司，龚银享有绝对的信任，也承担着责任的千钧。

终于，在安克创新忙碌的深圳办公室，极客邦科技创始人霍太稳、阿里云 CIO 蒋林泉（花名：雁杨）和安克创新 CIO 龚银进行了一场深度对谈。这三位来自平台方、实战派与观察者位置的核心人物首次同台，聚焦一个关乎 AI 落地成败的根本问题：CIO 该如何带领组织突破认知壁垒、重构组织架构，让 AI 真正穿透业务肌理、转化为实实在在的商业价值？

两位 CIO 分享了他们在智能客服、广告营销、翻译等不同场景中的落地经验，包括在组织协同、业务机会识别、运营指标、AI 产品工程落地各个方面的体系化思考。他们的经验总结最终收敛于给 CIO 们的 三个关键建议和数个共识。通过这场交流，揭示了企业 AI 从“Demo”走向“落地”的关键卡点，更提供了一条具备高度复用性的思考路径和破局之道。

完整版内容可观看《云栖来了——AI 大模型时代的 CIO》视频播客

以下为经编辑整理的专家访谈实录。

驶向 AI：CIO 的方向感与组织的换挡时刻

Q1：CIO 如何做出正确的判断和决策，并带动组织形成合力？在和下属意见不一致时该如何处理？

雁杨：硅谷常讲“品味”。1995 年，有记者问乔布斯你怎么知道哪个方向是正确的，他沉思片刻后回答，正确的产品方向最终取决于品味。所谓品味，本质上是信任。你是不是比你的下属更明白技术的边界和业务的边界。因为你要为全局利益负责，而他们更多是为某个项目的成功负责，所以你要靠品味做出判断。在初期，很多决策只能靠直觉，但一定会遇到阻力。关键在于如何化解阻力、达成共识，而不形成摩擦力。真正能让组织长期保持战斗力的，不是独裁，而是回到真实的原理，把事情讲清楚，让大家形成共同认知。乔布斯看似独断，但能聚集顶尖人才，说明他一定有一套让人信服的逻辑。

龚银：我们的价值观强调“第一性原理”，抛开表面事实、回归基础原理、抓住突破关键。很多决策若只看表面事实，容易被沉没成本左右。但从原理出发，就能看到模型能力在持续增强，感知能力也在不断拓展，万物都在变得更加智能。基于这一判断，我们能形成清晰逻辑去推动方向，并逐步让团队达成共识。

霍太稳：达成共识的关键在于领导不贪功，而是把决策变成团队的共同意志。在第一性原理面前，不论 title 是什么，每个人都能表达观点，回到本质问题，才能更容易形成正确的共识。

Q2：在 AI 时代，组织如何实现结构与能力的全面升级？

龚银：我们正在推动整个组织的 AI 化转型。因为在 AI 时代，传统的矩阵式、职能化、专家驱动的组织模式必然会被颠覆。我们的判断是，未来组织必须更加微小化，而个体则需要具备复合化的能力。以程序员为例，他不再只是写代码，而是可以通过 AI 工具获得设计或项目管理的能力。我们在内部建立了类似“A 照”“C 照”的机制，员工可以通过考核和实践，获得跨界的“执照”。例如，一名程序员通过 AI 工具考取设计师的“A 照”，就能承担设计工作；再考取项目管理的“C 照”，则能快速管理项目。这样一个人可以兼顾多个角色，原本需要五六个岗位才能完成的项目，现在两三个人就能搞定，这就是人的能力的 CIO 复合化，组织微小化。

在组织架构上，我们也做了调整。过去叫 IT 部门，后来叫 BPIT（Business Process Information Technology），但在 AI 时代，这个定义已经不够。我们将其升级为 ATIT（Ability Transformation & Intelligent Technology），强调自动化和智能化的能力转型。我们把业务线的专家抽调进 ATIT，让他们既懂业务又能掌握 AI 工具，从而推动整个组织的能力进化。

在人才方面，我认为人才不是培养出来的，是筛选出来的。我们为业绩复合型人才规划了多样晋升空间，提出了“大 New 人”和“小 New 人”的概念（New，N time Efficiency Worker）。大 New 人是指那些原本是业务专家，但现在能够利用 AI 工具构建解决方案，为其他同事赋能；小 New 人则是借助大 New 人构建的工具，提高自身效率和产能的员工。这样，一个 10 人的团队可以由 5 人完成原有的全部工作，剩下的 5 人则有更多精力投入到新业务和创新探索中。

为了保障这一机制有效运转，我们也重新设计了激励与价值分配体系。大 New 人因为创造了工具和方法，给予 3 倍的收益份额；小 New 人因为效率提升和价值增加，也能获得一点几倍的额外激励。通过这种方式，我们希望在组织内部真正释放 AI 工具的价值，让更多人具备跨界的能力，推动组织走向更加高效、更加灵活的未来。

雁杨：组织里存在两个层面的认知差异，一是业务团队与产研团队之间对 AI 的理解差距很大；二是即便在技术团队内部，产品经理、前端、后端、算法、测试等角色，对大模型的能力和边界的认知也存在明显差异。这使得团队协作中常常出现理解偏差。

原因在于，AI 时代的知识体系已发生根本性变化。无论是移动互联网的前后端，还是上一轮的算法、计算机视觉，在这一轮大模型浪潮中都不再完全适用。因此，除了专业技能的培养外，更重要的是为全员提供“通识教育”，让大家重新理解新的技术原理与应用边界，相当于“重新上高中、大一”。

为此，阿里云新推出了大模型认证及课程。阿里云自身也在用这套体系拉齐组织的 AI 通识认知，其中 ACA 是所有非技术人员需要通过，确保具备大模型的整体认知；ACP 则要求技术人员能够完成，有实际操作、要动手编程。大模型领域的知识更新很快，因此每隔一段时间就需要做迭代与更新，以保证内容鲜活，与行业前沿同步。

不同于以往的 Top-Down 自上而下推动，阿里云这次采取 Bottom-Up 自下而上的方式，鼓励团队派人先进行体验，看能否在 AI 方向帮到工作，觉得好再回去向老板提建议，团队进而更大规模展开。通过这样，阿里云逐步形成全员具备大模型素养的组织氛围。

落地的真相：AI 如何真正创造业务价值

Q3：企业 AI 应用落地了哪些场景？取得了哪些成果？

龚银：从 2023 年开始，我们经历了几个阶段。最初和很多公司一样，大模型刚出现时，我们尝试用它改造一切，组织了大量 Hackathon 和 Workshop，但最后发现难以真正落地。半年后，我们意识到必须建立方法论：先评估大模型的能力，再匹配合适的业务场景，选择能产生价值的方向深挖。我们聚焦了三个场景：智能客服、广告内容生成、电商营销素材生产。这些业务以文本、图片、音视频为主，规模大且 ROI 可衡量，最适合率先切入。团队将主要资源投向这些方向，其他领域则保持探索或观望。

以智能客服为例，这是我们最早也是最成熟的落地场景。2023 年下半年，客服自动解决率达到约 30%。我们与合作伙伴一起推动，设定目标 50%，但遇到瓶颈。于是团队回到“第一性”原理重新拆解基础问题，最终把目标提高至 60%。

• 数据与知识：如何提高问题感知的准确率，并建立高效的知识管理体系，让新知识能快速注入模型。

• 算法与推理：更强的大模型（如 GPT-4o）的到来，推理能力显著提升。

• 工具与系统打通：大量客户需求涉及退款、物流、排账等操作，必须把企业内部能力抽象为模块，供大模型调用。

通过这种方式，我们逐步提升了解决率，并形成了可复制的方法论：明确场景—设定目标—回归基础原理—打通能力，从而推动 AI 在业务中的真正落地。

雁杨：在推动智能客服项目时，我最大的体会是必须站在客户视角来看问题。很多时候，项目组会强调模型准确率，但这并不代表真实体验。因此我养成了每天亲自使用智能客服的习惯，后来团队也要求这样做。最终我们发现，工程迭代的验证数据必须来自客户真实提问，否则指标会失真。

在衡量效果时，我们也踩过坑。准确率并不能说明问题，真正关键的是留存率。如果客户用过一次后马上切换到人工客服，说明问题没有被解决。我们曾因为留存率过低而选择让系统下线三个月进行整改，直到优化后留存率显著提升，DAU 才真正增长。经验是：必须从用户视角出发，把留存率作为核心指标，而不是沉迷于漂亮的准确率。

除了客服，我们还探索了翻译场景。阿里云有 300 多个产品、十几万篇文档，上亿文字，且需要多语言覆盖。过去依赖人工翻译成本高昂、人才稀缺。大模型出现后，我们逐步用它解决了国际化痛点。起初 3.5 版本的效果不理想，但在 4.0 时，直接跟我们本地的 Native Speaker，而且又懂技术的人翻译出来的分数差不多一样，成本却只有原来的 1/200。

未来，我们的目标不仅是提升接管率、降低成本，更要让客户真正感受到服务质量的提升。无论是客服还是语音交互，我们希望 AI 不仅具备“智商”，还能带来“情商”，让客户觉得体验更顺畅、更愉快。换句话说，AI 的价值不只是降本增效，而是通过不断扩展覆盖度和提升服务深度，让产品和服务在客户侧产生真正差异化的体验。

技术的边界：一条增量式创新之路

Q4：现有技术储备能否支撑 AI 真正落地，还是仍需等待下一轮突破？

龚银：企业在选择技术方向时，必须清楚成熟度的边界。过早投入未成熟的语音模型，往往会导致团队长时间投入却无法产出，最终损耗士气与信任。而一旦时机成熟，例如近年来多模态语音模型的突破，便可迅速推动目标落地。

类似地，在 AIGC 探索中，我们曾开发过文生图与商品详情联动的产品，但模型升级极快，原有方案很快过时，反而成了负担。此时需要果断放弃“沉没成本”，重新基于最新能力设计，或转向与更优秀的生态伙伴合作。

智能体平台的建设亦如此。我们很早立项并投入，但随着技术迭代，也要不断审视原有架构是否仍为最优，必要时及时调整甚至重建。试错不可避免，但它能让团队快速积累经验、加深理解，为下一个方向提供坚实基础。

因此，CIO 面临的关键抉择是：在技术尚不成熟时，要谨慎评估投入产出，避免看到了 Demo 就很兴奋地拿来用；在技术飞速迭代时，要敢于舍弃既有成果，面向未来选择最佳路径。另外我还有个观点是，即便大模型能力止步于当下，如果用得好，企业也能实现数倍提升。

雁杨：所谓的技术，本质上是团队的组织能力和技术平台长期沉淀的结果。基模在不断提升，基础技术也在持续进步，你的积累不断接入新的场景，再继续握手，是一个循环的 Incremental 的一个 Innovation 的过程，并不是突然放一个大招。GPT-5 出来之后，其实并没有带来颠覆性的变化。过去一年里，除了 DeepSeek 那一轮突进，以及 Claude Sonnet 在编程上的突破，我在语言能力上几乎没有看到明显提升。甚至我自己评测过的新模型，语言表现还有所衰减。所以至少这 6 个月我的观察是：语言能力已接近瓶颈，但编程能力仍在快速进化。

CIO 的实践经验与未来愿景

Q5：对于那些仍在观望，或已经踏上 AI 转型与应用落地之路的 CIO 们，你会分享哪三点最重要的经验？

龚银：第一，要行动起来。就像雁杨总说的，必须躬身入局，要学会游泳，先下水扑腾几下，不要光在岸上看。这是最重要的。

第二，要围绕着去发挥创造业务价值的角度去思考。关键是看技术能不能真正解决业务里的痛点，创造实际价值。只有盯住业务、懂业务，把技术嵌进去，才能发挥作用。

第三，要保持开放心态。要去看更多的东西，你要懂这些东西，至少要有一些自己的思考，不能人云亦云，别人说这个好那个好，但是你要有自己的思考判断。

雁杨：我觉得核心逻辑有三个。第一，还是要盯住业务价值，找到 AI 在业务里最能产生价值的那个点，把它打透。

第二，要躬身入局，真正 Hands-On。你既要理解业务，也要理解技术。只有亲自下场，你才会发现一堆实际问题，组织的、平台的、流程的……这些问题你在实践中自然慢慢地就会摸索出经验。

第三，等你真正做过之后，再去看外部的方法和经验，才会明白哪些对你有用，哪些只是表象。否则别人的建议可能能解“形”，却未必能解“神”。

所以，顺序就是：先紧盯业务价值，再真正 Hands-On，最后再去看看外面的那些痛点和方法，大家的经验，你就真正有体会，应该如何做，做到什么程度。

Q6：如果把视野放到未来一年，你们在想什么事情？存在哪些难点需要去攻克？

龚银：AI 时代需要一套新的企业架构。上一代的架构是互联网思维，以人为中心，人操作系统完成任务。但在 AI 时代，系统要为 AI 服务。所有数据、功能和能力都要能被 AI 感知和理解，然后基于业务上下文做出决策，并推动行动。

比如 AI 感知到某个仓库库存超标，它就能判断这批货价值在下降，随即触发销售系统，加快渠道铺货。这就是一个完整的“感知—决策—行动”闭环。问题是，如何把传统的企业数字资产转化为 AI 可驱动、可组合的资产？我们内部正在尝试产品化，一些场景已经跑起来，有的效果很惊艳，但也存在稳定性和一致性的问题。ToB 场景不同于 ToC，它必须高度确定性，价格、数字容不得出错。

在我看来，未来每个智能体负责一个领域的任务，智能体跟智能体之间组合协作解决复杂问题。人类负责更高阶的决策、监督与创造性工作。这是人机协作的格局。

要实现这一点，底层必须先打通。核心是把企业的显性知识和隐性知识数字化，形成高质量数据对象，能直接被 AI 感知和调用，而不是像现在很多 ChatBI、ChatSQL 工具那样，AI 是没有办法去认识它和理解它，还需要翻译和补充。我们正在做数据对象管理系统，把所有行为和知识结构化、对象化。这样 AI 能直接理解数据的意义，真正驱动业务。我认为，这件事越早做越好。

雁杨：我之前和一些 CIO 聊过，他们对未来有一种愿景：所有决策都由 AI 发起，人被 AI 调度。如果有一天 LLM 不再调你，可能就意味着你在工作流里不再需要，或者上次表现不佳。听起来有点科幻，但这就是 OpenAI 提出的 AI 发展到第五阶段时的情况（Chatbot、Reasoner、Agent、Innovator、Organization）。

回到现实，我非常认同龚银总说的——我们需要为智能体准备好平台，这一点已经刻不容缓。因为不管是知识还是数据，格式是否“AI 亲和”非常关键。比如非结构化和半结构化数据要用 Markdown 来组织，结构化数据要有清晰的 Meta 与自然语言映射，再加上高效的 API。这三方面决定了智能体能否真正高效调用企业资产。

所以，企业的数字化资产必须长期保持“Ready”状态。基建足够好，智能体才能快速生长；基建不好，就像浮沙筑高台，不可能建出坚固体系。未来无论 AI 是做 Innovator 还是 Organization，这层“土壤”是绕不过去的。

本次对话也是 2025 云栖大会《AI 大模型时代的 CIO》专场论坛的预热和前瞻。作为首次亮相云栖大会的 CIO 专场论坛，本场论坛直击企业 AI 大模型落地痛点，聚焦“技术热浪下如何避免盲目投入、实现价值转化”的核心命题。阿里云 CIO 蒋林泉和极客邦科技创始人霍太稳作为此次 CIO 专场论坛的联合出品人，特邀 AI 实践头部企业，围绕"大模型入场机会点"与"关键落地要点"等热点议题展开深度对话和圆桌讨论。并以阿里云基于自身实践提出的"RIDE"落地路径为方法论，系统性解析 AI 大模型应用落地之道，正如蒋林泉在预热圆桌中所言，论坛旨在“定义真问题，找到真解法”，以期为行业更多 CIO 带来启示与借鉴。

⏳ 专场时间：2025 年 9 月 25 日 13:30

🏢 专场地点：杭州·云栖小镇国际会展中心 B 馆 3-1

扫描下方二维码，立即报名