圆桌对话:从GEO获客到AI管水,集团化公司的AI落地实战!

多产业、多系统、多数据边界的现实，决定了集团化公司无法依靠单一模型或单一算力方案解决全部问题。从一个场景的验证，到一套方法的沉淀，再到多个板块的复制推广，正成为集团化公司探索AI落地的关键路径。

作为长期关注产业数字化与智能化转型的行业媒体，《微型计算机》希望通过此次对话，观察集团化公司如何以真实业务为牵引开展AI试点，并从英特尔、华硕等产业链厂商的技术与产品布局中，探讨企业如何构建更灵活、更安全、更具可持续性的混合AI架构。

面对产业园运营、教育、水务、汽车等差异较大的业务板块，吴中集团并未采用“一套方案覆盖全集团”的方式。张总介绍，集团整体思路是“顶层统筹、一业一策、场景深耕、全域赋能”：由数字化管理部搭建统一数字底座，统一技术与安全标准；在业务侧，则围绕具体痛点筛选场景，小范围试点、验证价值后再逐步推广。

▲江苏吴中集团数字化管理部总经理张总

目前，集团已在AI精准营销、智慧水务、流程协同和经营管理等方向推进应用。营销场景中，集团尝试通过知识库与GEO等方法，让产业园、教育等业务的真实信息被大模型更准确地理解和传递；水务场景中，AI则被用于管网风险预警、水厂运行优化、客服分流和水质监测。

另外，张总还强调了，AI应用不能脱离真实业务，更不能为了营销而夸大甚至虚构信息。对于集团化公司而言，AI项目是否能够解决业务问题、形成可衡量的经营价值，仍然是决定其能否从试点走向推广的核心标准。

从媒体观察看，企业AI应用正在从单纯的办公辅助，逐步进入营销、客服、经营分析、风险预警和基础设施运营等更深的业务流程。随着AI处理的数据越来越接近客户资料、销售线索、经营指标与内部策略，企业需要重新考虑不同任务应该放在云端、数据中心、边缘还是终端侧运行。

▲《微型计算机》智范儿主编宋伟

宋伟表示，未来企业真正需要的，可能并不是某个单点算力有多高、某个大模型参数有多大，“而是会像上游厂商，类似英特尔这种，提供覆盖边缘系统的AI套件和开放平台的可规模化的基础设施能力，把不同的站点、不同的设备，全部串联起来，为整个AI的发展提供技术和数据上的支撑”。

以英特尔提出的智能体PC和混合AI部署为例，在营销、销售和客服团队中，端侧AI不仅可以承担内容初稿生成、知识检索、会议整理等任务，也更适合处理部分不宜外传的本地资料。营销人员由此可以将更多精力投入客户关系维护、活动策划或转化效果等需要判断力的工作，而不是重复性的内容生产。

在水务等城市生命线场景中，端侧和边缘侧算力的价值更加直接。设备运行状态、管网压力和水质监测数据，需要在靠近现场的位置完成采集、低时延分析与异常识别；数据中心和云端则可承担模型管理、全网数据融合和跨区域调度。通过端、边、云协同，企业能够兼顾现场的稳定运行和更复杂的全局分析。

目前，英特尔已经形成了覆盖客户端、服务器和边缘侧的全栈产品布局。面向大型企业和数据中心场景，英特尔®至强®6＋处理器能够为AI推理、训练及CPU集群建设提供支撑。面向中小企业和端侧部署，英特尔®至强®600系列工作站处理器、英特尔®锐炫™Pro B70/B60 GPU，以及基于英特尔vPro技术的第三代英特尔®酷睿™ Ultra X处理器家族等产品组合，则可提供从高性能专业创作、边缘AI推理到企业级终端管理与安全保障的一体化算力支持，帮助企业以更灵活的方式推进AI应用落地。

从这一角度看，英特尔提出的智能体PC与混合AI部署，并不是简单地将AI从云端转移到本地，而是根据不同任务对实时性、数据安全和模型能力的要求，让本地、边缘、中心与云端协同分工，在隐私、响应速度、成本和模型能力之间取得平衡。

在多元集团中，不同业务的模型需求、数据来源、终端形态和部署环境往往并不相同。如果每个场景都重新采购硬件、独立建设平台、重复适配模型，AI建设很容易演变为新的系统孤岛，随之而来的则是设备投入、模型适配和日常运维成本的持续上升。

▲华硕电脑FAE技术专家姬老师

对此，华硕电脑FAE技术专家姬老师表示，华硕开放生态的算力方案可以帮助企业从集团数据中心到子公司边缘站点建立统一标准，让大模型推理、持续数据处理，或者是智能体的运行，都能够在同一套算力架构上进行适配。“不需要企业为了不同的业务场景，单独再去采购一些硬件”。

对于企业普遍担心的既有IT基础设施改造问题，华硕的思路是通过分布式的开放算力架构，“在通用的算力平台上，让用户实现意识的识别、知识库推理的高效运行。同时，这种架构又天然适配数据不出域的合规要求，帮助企业在降本的前提下快速进行AI能力落地”。

在城市供水、燃气等强调连续运行的场景中，姬老师还提出应采用云、中心、边缘和现场端同时分层的模式：“现场端负责数据采集和安全连锁；边缘侧承担低延时推理、视频分析、异常检测和断网续行；中心侧负责全网数据融合、模型训练、跨区域调度；云端则主要承担弹性训练、灾备和非实时性大模型分析”。这种架构的重点并非单纯提升AI性能，而是为关键业务提供实时性、稳定性和安全性保障。

AI在企业中的价值，最终不会只体现在自动生成文案、总结会议纪要或提升某一个岗位的效率上。随着AI连接更多业务数据、进入更多工作流程，并开始参与经营分析、风险管控和服务调度，企业需要建设的是一套能够持续运行的AI组织能力。

吴中集团目前已将AI用于数据治理、合同初审、法务检索、经营分析和报销审核等场景，并私有化部署大模型，结合隐私计算实现跨板块数据“可用不可见”。与此同时，集团通过AI导入先锋小组、业务板块种子人员培养和AI应用场景大赛，推动AI能力从技术部门向更多业务人员扩散。

张总表示，“AI是管理的放大器，而不是管理者的代替”。战略判断、权责审批和最终决策，仍需由管理层和业务团队承担，AI提供的则是信息整理、风险提示、分析线索与执行辅助。

对集团型企业而言，未来的竞争并不只是谁更早接入大模型，而是谁能将AI能力建立在清晰的数据底座、规范的业务流程、可靠的算力架构和完善的治理机制之上。只有让技术贴近真实场景，并始终守住数据安全与业务连续性的底线，AI才可能从局部试点走向可持续、可复制的组织能力。