帮 10000 家企业 AI 转型落地，我们找到了 4 大场景 | 对谈 BISHENG.ai 创始人覃睿

Part 1: 开场与开源理念

AI炼金术士的介绍与BISHENG的开源理念

• 核心内容

  • 核心主旨/议题: AI 在 2B 企业中的落地与应用

  • 关键论点/分论点:

    • BISHENG 的定位与演进

    • 开源模式的优势与挑战

    • 企业级 AI 应用的特殊性

  • 重要观点/洞察:

    • 企业级 AI 应用需要咨询和实施服务

    • 开源模式能快速获取用户反馈

    • 产品团队主导的标品更有利于吸引人才

  • 论据/例证:

    • BISHENG 的发展历程

    • 客户对开源产品的积极反馈

  • 关键定义/概念解释:

    • 企业级 DeFi (企业级的开源平台)

    • Agentic Workspace (企业的一个开源的 Agentic Workspace)

• 实用性与关联性

  • 行动建议/方法论:
    • WorkSmart (帮组织把 AI 用好，让它真正能够产生价值)
  • 提及的资源:

    • BISHENG (企业级的开源平台)

    • DeFi (去中心化金融)

    • Langchain

  • 不同观点/争议点:

    • 开源环境的挑战 (国内开源环境较差)

    • 是否应该做定制化 (以产品团队为主导的标品)

  • 结论/总结:
    • 开源模式在 2B 领域具有独特优势，但需要结合咨询和服务才能真正落地。

• BISHENG

  • 产品定位:

    • 企业级 DeFi

    • 开源的 Agentic Workspace

  • 核心价值:

    • 帮助企业落地 AI 应用

    • 提供咨询和实施服务

  • 开源优势:

    • 快速获取用户反馈

    • 提升知名度，便于获客

    • 产品团队主导，吸引人才

  • 商业模式:

    • 上门安装 (基础)

    • 咨询和实施服务 (核心)

开源的商业价值与企业级市场的需求

• 开源的价值

  • 加速客户反馈

    • 更多用户使用，更快发现 Bug

    • 用户反馈不占用团队时间

  • 打造标杆产品

  • 吸引人才

    • 吸引对开源项目感兴趣的人才

  • 盈利模式

    • 线上用户使用后提出定制化需求

    • 原厂提供升级或咨询服务

    • 节省营销渠道费用

• 开源项目热度的原因

  • 满足企业未被满足的需求

    • 与 DeFi 等项目的差异化

    • 团队更擅长企业服务市场

  • 时间节点：大模型是底层动力

• 企业级市场的差异化需求

  • 模块缺失

    • DeFi 等项目不关注企业级需求

  • 数字化转型需求

    • 数据统计大屏

      • 展示 AI 使用情况

      • 统计 Token 消耗

      • 应用节省时间

      • 为领导汇报提供数据支撑

Part 2: 企业AI Agent应用场景

企业AI Agent落地的主要应用场景：问答

• 应用场景分类

  • 问答类

  • 审核类

  • 写报告类

  • 智能问数类

  • 其他 (不好归类的)

• 问答类应用场景

  • 基础应用：

    • 汇聚企业内部非结构化文档数据到一个平台

      • 各业务系统沉淀的合同、审批、科研、情报等

  • 特色应用：

    • 芯片制造：

      • AI服务客户，解答芯片SDK文档问题

      • 优化：代码以ID形式存储，保证代码准确性

    • 客服场景（民航领域）：

      • 服务全国机场和航空公司

      • 关注确定性，保证准确性

      • 以QA库为准，AI做前期多轮引导

        • 理解用户问题，从QA库找到相关问题，反问确认

        • 无法在QA库找到的问题转人工，积累QA库

  • 新兴应用：

    • 降低知识库构建周期，提升用户体验

      • 模仿腾讯iMark，强调文档产品逻辑

        • 建立知识库，甩入文档，邀请共享共建

        • 方便管理外部文章和内部文件

        • 部门间共享资料，方便查询

• 关键点

  • 传统IT转型未完成：企业内部文档数据分散

  • 确定性/准确性：面向客户场景的核心需求

  • 用户体验：一线业务人员对体验关注度高

  • 知识库构建周期：降低构建周期是新趋势

知识库问答的确定性问题与审核场景的挑战

• 问答场景 (客服)

  • 核心问题：确定性与准确性

    • 确定性：难以保证100%确定性，命中率通常在80%以上

    • 准确性：即使命中，也需要人工确认，难以达到100%准确

  • 解决方案

    • QA库：依赖人工审核过的QA库

    • 意图补全：大模型帮助补全用户不准确的提问意图

    • 人工Check：最终依赖人工check问题是否匹配

  • 竞争与市场

    • 垂直领域竞争：存在专注于客服领域的2B服务商

    • 市场定位：不追求垂直深入，构建通用底层能力，服务大型定制化客户

    • 客户类型：

      • 非目标客户：预算有限的小型客户，建议使用SaaS服务

      • 目标客户：预算充足的大型企业，需要定制化服务

  • 产品核心：交付工具，提高交付效率

• 审核场景 (文件审核)

  • 核心逻辑：预制审核逻辑 (几十项至上百项)

    • 审核维度：合同审核、消费者保护审核等

    • 审核顺序：各项审核逻辑存在先后顺序

    • 示例：合同首页与尾页甲乙方名称一致性

  • 挑战：需求不明确与迭代

    • 需求不全：用户最初提供的需求往往不完整

    • 迭代周期长：需要多次迭代才能完善

    • 业务信任：需要取得业务部门的信任

    • 需求变化：用户后续测试可能发现新问题

  • 价值：

    • 快速实现：在需求不明确的情况下，快速实现并与用户共同打磨

    • 电子化代码：业务价值清晰后，可形成电子化代码

  • 优势：

    • 流程植入：可植入业务流程，自动审核，提高使用率

    • 风险提示：提示风险，供参考

  • 关键：业务部门的配合程度

• 共同点与思考

  • Palantir模式：构建底层能力，服务大型客户

  • 持续学习：不断学习和改进

业务人员的配合问题与报告场景的介绍

• 挑战：业务人员的配合

  • 口头配合，实际抵制

  • 危机感

• 解决方案：笨办法

  • 陪同业务人员

    • 一点一点磨合

  • 企业服务的重要性

    • 深入业务

    • 共同配跑

• Agent RL 的技术方向

  • 让 Agent 在环境中学习

    • 学习规则或提示词

  • 产品形态：灵思

    • SOP 指导模型

    • 自动探索审核流程

• NDA 审核案例

  • 法务同事的痛点：每天看 NDA 看疯了

  • 解决方案：AI 辅助

    • 收集批注和文件

    • AI 识别规则

    • 生成 Prompt

    • 达到七八十分的效果

  • 适用场景：非重要合同

    • 容错率高

• 应用场景

  • 问答

  • 审核

报告生成的溯源问题与智能问数场景的谨慎态度

• 报告类型与场景

  • 国央企内部报告

    • 规划报告

    • 中期报告 (季度、半年、年度)

  • 对外输出报告

    • 金融机构研报 (债券、证券等)

    • 银行禁交报告

    • 交通规划报告

    • 事故报告

• 大模型在报告生成中的应用

  • 报告框架搭建

    • 基于过往文档格式

    • 数据来源与分析思路

  • 内容生成

    • 数据段落描述转换

    • 变量形式引用 (在线 Word 模板)

• 产品差异化与挑战

  • 差异化

    • 在线 Word 模板，变量引用

    • 工作流中间用户输入与反馈

  • 挑战

    • 报告内容溯源 (系统查询、中间过程)

    • 在线核验与修改

• 投资 Memo 生成场景

  • 需求

    • 整合多来源信息 (录音、财报、PDF)

    • 自动生成 Memo 或根据提问生成

  • 大模型能力

    • 目前可生成 Memo

    • 支持工作流中间用户输入与反馈

• 风险分析与判断

  • 版式固定、逻辑固定的报告

    • 简单，但可能低于用户预期 (希望复制粘贴)

  • Memo 风险分析

    • 大模型可提供意想不到的风险点

    • 挑战：用户前期沟通可能未提及所有分析角度

• 落地方法论

  • 目标

    • 让业务人员喜欢并使用产品

    • 在使用过程中记录专家 know-how (SOP)

  • 步骤

    • 历史文档分析

    • 使用时呈现 SOP，而非前期咨询

智能问数的挑战与成功案例

• 核心观点：问数场景谨慎，成功案例少

  • 相对最谨慎的场景

  • 成功案例少，多为劝退

  • 客户提出需求，评估风险后决定是否进行

• 成功要素：数据治理水平和认知

  • 数据治理水平

    • 客户有决心做数据治理

  • 对准确率的认知

    • 接受非100%准确率

    • 通过交互方式补偿准确率缺失

• 成功案例：大宗贸易领域顶级单位

  • 背景：商情数字化需求

    • 领导每周开周会 review 各业务线

    • 希望更快看到一手数据，而非汇报结果

  • 解决方案：

    • 将非结构化数据转为结构化数据，再变成图表

    • 数据逻辑面向业务导向和应用决策导向

    • 数据并非直接从 SAP 或 OA 系统接数据库

  • 具体细节：

    • 指标变频：每日、每周、每月、每季、每年

    • 维度扩展：同比、环比、过去十年最高/最低/平均

    • 索引全扩展，一阶查询，提高准确率

• 失败案例：项目管理系统

  • 场景：工程项目管理（盖房子、修路等）

    • 项目阶段、材料采购、供应商情况等

  • 问题：

    • 直接接入原始业务软件的表

    • 数据原始，业务链路长

  • 尝试：

    • 腾讯音乐开源的 Super Sonic (语义层)

    • 在原始表上建立字段语义和指标

  • 失败原因：

    • 系统变得非常复杂，难以使用

    • 最终发现不如直接建立新表

• 数据治理的重要性

  • 数据治理不足导致自然语言 to SQL 无法实现问数

  • 原始数据表结构复杂，语义不清晰

  • 建议：面向业务需求，建立新的数据表，而非依赖原始表

Part 3: 企业AI落地与业务参与

数据治理的重要性与企业AI落地的四个阶段

• 数据与模型挑战

  • 表间关系混乱

    • 缺乏统一ID关联

    • 数据结构复杂

    • 历史遗留问题

    • 字段含义不清

  • 多表查询 vs 单表查询

    • 多表查询对模型能力要求更高

    • 非模型不可解问题

• 场景误区与务实选择

  • 问数（数据看板）

    • 领导关注，易立项

    • 基建要求高，数据治理是关键

    • IT领导与业务领导认知需一致

  • 酷炫 vs 实用

    • 避免过度追求技术

    • 关注用户实际需求

• 高频实用场景

  • 知识库问答 (类似IMA)

    • 用户视角出发

    • 使用率高

  • 情报类应用 (类似ChatGPT Pause)

    • 自动爬取信息

    • 部门相关信息过滤

    • 信息来源多样 (部委、公众号、论文库)

    • 替代人工筛选

• 实施难点与经验教训

  • 业务理解深度

    • 低估业务复杂性

    • 真实世界复杂性

  • 人的配合

    • 业务沟通

    • 需求确认

企业AI落地的四个阶段与业务人员的参与

• 阶段一：玩具阶段 (发烧友拥抱)

  • 技术人员 (发烧友) 拥抱

    • 觉得技术厉害，想赋能业务

    • 业务感知不强，被动状态

• 阶段二：通用场景喜爱 (业务人员开始使用)

  • 业务人员日常工作中使用

    • 使用频率和 Token 消耗量增加 (DeepSeek, 豆包, Manus)

    • 解决工作问题，感受模型价值

  • 关键：业务人员主动参与

    • 产生体感和热情

    • 主动寻求合作

  • 挑战：企业内网环境

    • 不涉密信息使用公网模型

    • 涉密信息使用企业内系统

  • 改进方向：提升 2B 平台用户体验

    • 关注用户感受，缩小与 C 端产品差距

• 阶段三：垂直 Agent 落地 (业务深度参与)

  • 真正意义上的垂直 Agent 落地

    • 业务人员深度参与场景打造

    • 联合 IT 人员共同构建场景

• 阶段四：数字员工 (自主智能体)

  • Agent 作为自主智能体

    • 无需人工构建测试场景

    • 在企业内部自主工作 (如：查询 HR 信息、研发规范等)

    • 游刃有余地完成工作

• 核心观点

  • 不要高估短期变化，低估长期变化

  • 产品落地需要用户认知和长期使用

  • 甲乙方都不能太着急，避免透支信用

  • 业务参与是本质关键

如何吸引业务人员参与与BISHENG的社区关注度

• 大模型落地现状

  • MIT 报告解读

    • 5% 企业真正拥抱大模型 (存在断章取义的可能)

    • 大量员工使用公共工具，体验优于企业内部工具

  • 企业自建 GPT 的问题

    • 体验不如 ChatGPT

    • 员工倾向于私下使用公共工具

• 大模型落地挑战

  • 甲乙方认知差异

    • 业务人员参与度低

    • IT 部门难以推动

  • 业务人员体感的重要性

    • 需了解大模型在业务场景中的表现

    • 能够判断模型优劣，提高效率

  • 调量不足的问题

    • 部分企业搭建后使用率不高

    • 需深入挖掘业务需求，持续迭代

• 如何吸引企业用户

  • 安全性考虑

    • 担心数据泄露

    • 内部部署可解决安全问题

  • 体验至上

    • 提供与 ChatGPT/DeepSeek 相似的体验

    • 交互体验、推理速度等

  • 工作流搭建

    • 拖拽式工作流

    • 降低使用门槛

• 用户使用情况

  • 自主搭建为主

    • 大量用户自行搭建工作流

    • 付费用户享受定制服务

  • 技术天花板高

    • 领导和一线员工都愿意投入

    • 掌握下一代生产力

  • 学习意愿强

    • 与 OCR 等技术相比，大模型更具吸引力

    • 提升个人价值，增加择偶权/加工资机会

• 社区关注度获取

  • 未进行营销推广

  • 开源项目评测

    • 早期与博主合作，免费推广

    • 口碑传播，持续吸引用户

  • 报告生成

    • 较早支持报告生成功能

Part 4: 商业模式与转型建议

中国2B市场的盈利问题与BISHENG的客户筛选策略

• 核心观点

  • 中国 2B 市场潜力巨大，并非不能盈利。

  • 关键在于筛选客户、做正确的项目、与客户达成共识。

  • 开源社区带来的良性循环是成功的关键因素之一。

• 盈利模式

  • 筛选正确的客户

    • 通过开源社区吸引客户，减少销售成本。

    • 避免说服不认可的客户，节省精力。

  • 做正确的项目

    • 拒绝不合理预期或不具备数据基础的项目。

    • 避免做错误的项目导致亏损和用户不满意。

  • 与客户达成共识

    • 目标是客户成功，建立在共同预期之上。

    • 即使超出预期，也要关注项目是否能产生业务价值。

    • 不过度计较成本，着眼于长期合作和二三期项目。

• 开源社区的价值

  • 吸引开发者

    • 开源项目吸引大量开发者关注。

    • 开发者来自大企业 IT 部门，带来销售线索。

  • 建立信任

    • 真诚表达项目预期，避免过度承诺。

    • 类似“学佛老师”的例子，不夸大效果，反而更受信赖。

  • 形成良性循环

    • 客户预期合理，项目更容易成功。

    • 成功案例带来更多客户，进一步巩固优势。

• 风险与挑战

  • 不能依赖现有模式

    • 当前阶段是“发烧友市场”，面临新的挑战。

    • 需要观察市场变化，持续满足用户需求。

  • 技术形式的局限性

    • “拖拉拽”形式不够优雅，可能不是最佳终局。

    • 需要探索更先进的技术和解决方案。

• 经营策略

  • 账期管理

    • 账期是经营的关键因素，不同行业账期不同。

    • 账期越长，可以考虑更高的利润率。

    • 根据自身情况选择合适的行业。

传统企业AI转型的建议与模型能力的诚恳认识

• 转型困境与挑战

  • 传统企业普遍面临转型难题

    • 吆喝多年，转型效果不佳

    • 踩坑无数

  • 常见心态

    • 有钱但抠门

    • 希望见到效果再付费

    • 对AI落地效果持怀疑态度

• AI落地现状

  • 技术本身并非确定性技术

  • 尚未掌握最优落地实践方案

  • 仍处于探索阶段

    • 逐渐从第一阶段（拔苗助长）转向第二阶段（诚恳认识模型能力）

• 转型建议：心态与方法论

  • 心理挑战：坦诚认识模型能力

    • 甲方和乙方都需要

  • 关注点：提升业务人员的AI体验

    • 解决落地卡在业务人员没感觉的问题

  • 方法论：

    • 缩短交付项目周期

    • 降低试错成本，鼓励业务人员上手

    • 避免长时间沟通后交付效果不佳导致信心受挫

• 具体行动建议

  • 第一阶段：通用能力认知

    • 部署开源AI工具（如BISHENG.ai）

    • 提供咨询服务

    • 举办内部比赛，鼓励业务人员使用

    • 利用日常对话模式、通用知识库、商情订阅等

    • 使用零丝（企业版Manas）进行更复杂的Agentic操作

  • 第三阶段：垂直应用（针对已具备通用能力认知企业）

    • 核心：底层数据质量和交付工具效率

    • 类似于Palantir模式

    • 快速、低成本地满足客户定制化需求

    • 避免推诿

• 产品与服务

  • BISHENG.ai

    • 企业统一的AI入口（工作台）

    • 多种Flow选择

    • 类似DeepSeek的对话界面

    • 临时模式（企业版Manas）

企业内部上下文的重要性与Palantir的底层逻辑

• 大模型落地挑战与误解

  • 落地成本：

    • 并非开箱即用，需要成本投入。

    • 需要考虑硬件、软件、维护等方面的成本。

  • 学习成本：

    • 模型需要学习企业内部的业务流程和上下文。

    • 业务人员需要指导模型，并提供必要的知识和信息。

  • 期望过高：

    • 期望模型在没有业务人员参与的情况下，能够独立完成任务。

    • 忽略了模型需要学习和适应企业特定需求的过程。

  • 宣传与现实差距：

    • 媒体宣传过于夸大模型能力，导致不切实际的期望。

    • 企业内部为了拿下项目，可能存在不合理的描述。

• 企业内部上下文的重要性

  • 专家知识：

    • 业务专家的知识和经验是模型达到预期效果的关键。

    • 需要将专家的品味和偏好融入到模型中。

  • 企业数据语义层：

    • 需要一个智能、干净、统一的语义层，让业务人员和工程师可以共享数据。

    • Palantir 的成功在于其构建的数据语义层，为大模型应用奠定基础。

  • Ontology 与低代码：

    • Ontology 的作用是将数据进行结构化和语义化。

    • 低代码工具可以帮助业务人员更方便地使用 Ontology 中的数据。

• 未来业务软件的演变

  • 数据湖与智能体：

    • 未来可能出现一个大的数据湖，上面运行着强大的智能体。

    • 智能体可以直接与底层数据交互，无需与传统软件交互。

  • 业务软件的折叠：

    • 随着智能体的发展，传统业务软件可能会被折叠。

    • 用户更关注结果，而非具体的操作步骤。

  • 技术角度的解释：

    • 智能体可以直接调用底层数据，减少了中间环节，提高了效率。

• Palantir 的案例分析

  • 长期积累：

    • Palantir 多年来的积累，为大模型的应用做好了准备。

    • 其 CEO 认为，终于等到了大模型时代的到来。

  • 产品架构：

    • 核心概念：对象、连接、动作。

    • Object

广告机会与BISHENG的目标用户画像

• 核心议题

  • AI 在企业落地的挑战与机遇

  • BISHENG.ai 的定位与服务

  • 目标用户画像与合作模式

• 关键论点/分论点

  • 企业 AI 转型的需求与痛点

    • 缺乏清晰的落地场景

    • 对 AI 能力的认知不足

    • 预算与企业规模的匹配问题

  • BISHENG.ai 的解决方案

    • 开源 AI 平台 BISHENG.ai

    • 提供企业 AI 转型咨询与落地服务

    • 撮合 BISHENG 达人提供低成本部署服务

  • 目标用户画像

    • 细分领域头部企业

    • 中型企业，预算几十万到几百万

    • 愿意尝试开源技术

    • 务实，对 AI 有合理预期

  • 合作模式

    • 与 ISV 合作，提供 AI 模块

    • 发展城市合作伙伴，提供本地化服务

    • BISHENG.ai 转商机给合作伙伴

• 重要观点/洞察

  • 避免“不就是”的思维陷阱
    • 对复杂技术保持谦逊和学习的态度
  • Palantir 的启示
    • 学习其产品文档的易懂化
  • 开源项目的价值

    • 吸引潜在客户

    • 建立社区生态

  • 找到正确的客户
    • 匹配企业需求与服务能力

• 行动建议/方法论

  • 企业 AI 转型

    • 从小规模试点开始

    • 关注细分领域的应用场景

    • 寻求专业咨询与技术支持

  • 使用 BISHENG.ai

    • 访问 BISHENG.ai 官网

    • 在 GitHub 上 star 项目

    • 加入社区群，与核心成员交流

• 提及的资源

  • BISHENG.ai 开源 AI 平台 (BISHENG.ai)

  • BISHENG.ai GitHub 仓库

  • BISHENG.ai 社区群

• 广告机会

  • 企业 AI 转型咨询与落地服务

  • BISHENG 达人部署服务

  • IS