All in AI 两年，AI 代码采纳率突破 50%！安克创新龚银：AI 平台一旦过时，我们会毫不犹豫重构

“2023 年，我们投入一个小团队构建了 AI 内容中台，做出来很骄傲，还计划将其商业化。然而，到了 2024 年下半年，AI 能力完全变了。我们果断把这个平台重新做了，接受失败。”安克创新 CIO 龚银说道。

安克创新成立于 2011 年，专注在智能硬件领域，其在 2023 年决定 All in AI，探索 AI 如何适配内部运营和新的产品形态。这期间，有在技术快速发展下被无奈放弃的项目，也有做得不错的项目。那么，这两年来，安克创新具体是如何一步步探索，并取得了哪些成果和经验呢？ 

落地可行性评估

2023 年，安克创新内部大部分的时间都在探讨各种可能性，从公司层面号召员工们使用 AI 工具。这种探索不拘泥于产研部门，而是全体员工一起挖掘场景，并且初步在智能客服、营销等场景落地。

到了 2024 年，AI 势头已经非常明显。区别于之前零散使用 AI 工具解决单一场景的做法，安克创新开始了更深一步的探索，同时选择亚马逊云科技的生成式 AI 技术与云计算服务，从产品线和内部效率两方面进行实践。

安克创新内部建设了 AIME 智能体平台，关键作用是普及 AI 能力，让营销、服务、供应链等非技术岗位员工也可以使用，而非仅限于研发人员。其次，在研发领域，从 2023 年开始，安克创新就自研插件式编程体系，2023 年代码采用率达 30%，2024 年提升至 37%，2025 年借力亚马逊云科技突破 50%。

此外，安克创新也深入具体业务场景的 AI 产品化路径，比如借 Vela 内容生产平台，覆盖从产品设计到营销物料的内容生成，助力设计团队效率提升超 50%，目前已成为公司设计师核心工作系统。核心智能硬件业务上，利用端侧模型等做各种升级探索，比如在 AnkerSOLIX 充电产品中融合 AI 技术来动态识别电能供需等。

中美是安克创新技术探索的主要阵地，国内与美国技术团队保持高频沟通协作，并建立了联合项目机制：双方共同确定年度重点探索项目，项目验证成功后，进入下一阶段的深化落地。数据科学家和算法工程师核心利用 Amazon SageMaker 和模型定制化服务，用于进行大量小型模型的训练、数据处理以及推理任务，并利用 Amazon Bedrock 的预置 AI 能力来加速应用开发。

根据龚银介绍，安克创新在评估 AI 场景落地可行性时，核心关注下面三大维度：

• 业务成熟度，具体包括业务流程是否清晰、数据质量是否达标、业务目标与结果是否明确、以及是否有明确的责任人等。这些要素共同构成了业务成熟度的基础。

• 技术成熟度，当前 AI 技术是否足够成熟以支撑应用（无论是商业化还是内部使用）。许多 AI 技术目前可能仅适用于概念验证或简单场景（如生成短视频），但距离商业级应用（如制作专业广告片）仍有较大差距。因此，需要具体评估相关 AI 技术的成熟状态。

• 团队成熟度，组织内部团队是否具备实施能力。即使业务场景明确且技术可行，若团队能力不足，项目也难以落地。面对这种情况，通常有两种选择：一是寻求外部合作伙伴共同开发；二是暂缓项目，待内部团队能力建设完成后再行推进。

实际上，这些也正是企业在推进 AI 落地时的核心难点。

2023 年的 AIGC、2024 年的模型推理、当下的 MCP 和 A2A 等，准确识别哪些技术已达到足够成熟度，且与自身业务场景高度契合，并在恰当时机果断投入、深度挖掘，这对大多数企业而言都是极具挑战性的决策。

“需要接受一定程度的不确定性”

具体实践中，各企业间如今在算力和算法上的差距可能相对较小，数据质量基础却天差地别。

国内各企业的信息化、数字化基础，以及管理模式都各不相同。实践表明，即使采用相同的 AI 解决方案，效果也大相径庭，根源就在于有的企业自身流程成熟度不足、数据质量不高、基础设施建设薄弱，这必然导致实施过程中问题频发。

因此，在龚银看来，数据建设并非简单地处理结构化、非结构化数据，更大的机会在于将业务人员头脑中的经验、诀窍（Know-how）等隐性知识有效地转化为高质量、AI 友好的数据。

但目前，多数企业尚无法直接做到这一点。大家现在普遍采用的方式是：先将数据整理成人类可理解的形态（如报表、文档），再通过中间转换层提供给 AI。安克创新的目标则是：让数据本身天然蕴含丰富的语义，使 AI 能够直接、快速、准确地理解其含义，内部正在推进相关项目。

“这轮技术浪潮的本质在于，如何极致运用大模型的两大核心能力：信息汇聚与信息理解。 ”龚银进一步解释道，从产品应用角度看，真正的创意构思仍需依赖从业者的专业洞察和经验判断。这些创意构想如何获得数据层面的验证或支持，涉及到数据收集、整理与分析的过程，而这正是大模型可以充分发挥的地方——它将传统上依赖人工反复处理数据、进行提炼和验证的工作，高效地承接了过来。

需要指出的是，落地过程中，大模型的不确定性本质特性与应用场景对高确定性的需求构成了主要矛盾。许多企业核心业务场景要求精确、可控、零差错，如严格避免幻觉和显著误差，大模型还做不到这些。另外，大模型厂商往往缺乏对具体行业或企业独特痛点的深刻理解，这些痛点信息恰恰掌握在业务一线的管理者手中。因此，企业或许需要接受一定程度的不确定性，来换取模型带来的远超传统方法的潜在商业价值提升。

创新时，要不要考虑 ROI？

关于创新探索创新过程中的 ROI 问题，龚银思考了很久。“对创新一旦设立很短期的 ROI，创新就变了，可能就会变方向了，大家就会为了 ROI 而 ROI，那就不叫创新了。但是你说没有 ROI，好像这个事情又证明不了，这就是两难之处。”

他当前给出的策略是：根据业务场景的确定性，采取不同的管理方式。

对于确定性高的场景，明确要求 ROI。像智能广告、智能客服这类业务路径清晰、结果可量化、确定性高的场景，必须设定明确的投资回报率（ROI）目标，并确保达成。因为其成效相对容易衡量，ROI 要求是必要且可行的。

而对于探索性场景，支持做未知投入的探索。如在制造业创新探索等方向不明、充满不确定性的场景，安克创新会进行战略性投入，初期不会对这类项目设立明确的 ROI 目标和严格时间表，允许团队自由探索。

龚银表示，当前在安克创新，约 1/3 的团队会肩负明确 ROI 指标，有严格的时间节点要求，必须在规定时间内达成既定目标。其余团队则专注于不确定性领域的探索，不设短期 ROI 和时间限制，但需要定期汇报进展、有价值的发现或阶段性成果。

这种差异化管理的核心目的在于：通过探索性团队的实践，洞察哪些潜在机会可以逐步转化为可量化、高确定性的业务，进而引入 ROI 进行短期目标牵引。“需要强调的是，ROI 本质上是一种短期管理工具，适用于驱动明确的目标，但不适用于需要长期投入和孵化的创新探索。”龚银说道。

“当前 AI 领域的创新，在很大程度上是通过技术原生驱动创造出全新的 C 端用户体验，而非完全基于传统的用户需求洞察。”龚银补充道，在业务端探索 AI 创新，安克创新正处于“摸着石头过河”的状态，几乎没有现成经验可循。因此，核心策略是营造一个开放的环境，鼓励团队勇敢探路，同时设定明确的阶段性目标，用以评估探索成果是否转化出核心价值并被用户感知。

许多领域为了适配 AI 技术都在重构产品。然而在龚银看来，与其说是重构，不如说是在“重新定义”产品的每一个维度。

“在定义一款产品时，从最初的用户调研、到市场洞察、再到用户洞察等各个环节，都可以深度融入 AI 能力。这将极大提升各环节内容产出的效率。而正是在这种对效率的极致追求下，才能支撑起大量业务内容的快速生成与迭代。” 龚银说道。

在此期间，面对技术快速迭代，一旦在关键节点发现成果未达预期，安克创新主张迅速调整方向。

“我们去年开发的智能体平台也面临迭代。随着模型推理能力的大幅增强，过去依赖复杂的 workflow 和流程化编排来保证确定性的方式，以后可能不再必要。若平台的核心价值因此发生转移，我们将毫不犹豫地选择重构。”龚银说道。