抢先看 | AI项目治理专题会议程来了!

演讲介绍：

我们不断听到AI Agent正在自动写报告、协调任务、分析数据，甚至参与决策。似乎Agent已经开始全面接管企业Workflow，并大规模替代人类员工。但真实情况到底如何？本次演讲将基于238家企业的Agent应用调研，拆解AI Agent进入企业Workflow的真实进度。分析当前Agent工作流编排的主流技术路线、典型应用场景，以及不同路线背后的优缺点与落地挑战。基于这些挑战，展现人类员工下一步的职业发展真正的机会。

演讲介绍：

本演讲聚焦产研项目管理中普遍存在的“过程黑箱化”和“协作断层”问题，分享一套落地的AI数字管理员工实践方案，包括感知、执行和治理三个层面的工程化设计与实施经验。治理困境：传统层层汇报导致项目状态不透明，决策依赖经验，团队协作效率低，治理难以量化。

AI实践方案：

1. 感知层：通过AI行为分析与多源系统数据融合，建立统一的项目过程数据底座，实现团队动作和产出透明化；

2. 执行层：编排日报、协作、数据三类数字员工，自动发现并闭环解决协作阻塞问题；

3. 治理层：提供权限控制和安全合规保障，确保AI落地过程符合法规与企业政策。

落地路径：三阶段推进（建基线→替环节→治理闭环），同步处理隐私与准确率迭代问题。

实践收益：从经验驱动走向数据驱动，实现产研效能的精益治理升级，为企业构建可复用的AI协作与项目管理参考体系。

演讲介绍：

本演讲围绕AI时代研发项目治理体系的重构实践展开，分享企业如何从传统PMO工作模式，逐步升级为AI-Native PMO治理体系。议题将聚焦项目治理中的典型痛点：信息分散、风险识别滞后、状态汇总依赖人工、指标分析难以支撑决策，以及会议和文档协作质量难以持续管理。演讲将重点介绍以下实践场景：

1. 会议治理与风险自动识别：利用AI从会议纪要中自动提取风险项、行动项、责任人和截止时间，减少会后信息遗漏，让项目风险更早暴露、更快进入跟进闭环；

2. 项目状态智能汇总：通过日报、周报和项目系统数据的自动归纳，实现项目状态、风险类型和关键阻塞的智能分类，帮助PMO从“收集信息”转向“判断问题”；

3. 智能化研发指标平台：基于数据湖仓与AI分析能力，对研发过程指标进行异常识别、趋势分析和治理建议生成，帮助项目团队建立数据驱动的管理习惯，同时显著减轻PMO和PQA在数据收集、信息跟进、流程检查上的重复性投入；

4. 运维知识智能推荐：将历史问题、运维经验和项目知识沉淀为可调用的知识资产，在问题处理和风险分析过程中提供智能推荐，提升项目响应效率；

5. 协作质量治理：对会议质量、文档质量和协作过程进行智能分析，识别低效沟通、决策缺失和责任不清等问题，推动项目协作从“形式合规”走向“质量可治理”。

本议题将结合实际落地经验，分享从数据、知识、AI洞察、多Agent协同到决策闭环的治理架构，以及AI能力如何真正嵌入项目治理主流程。演讲也将讨论实践中的量化收益，例如决策响应速度提升、报表时效改善、重复性工作减少等，并总结可复制的实施路径。

演讲介绍：

本议题分为两大模块：AI模型风险管理框架、AI模型风险管理实务。

1. 框架层面：解读NIST AI风险管理框架、国标GB/T 46347—2025及行业成熟度模型，介绍可信AI七大特性、RMF四大核心模块、国标6大能力域与5级成熟度等级。

2. 实务层面：界定企业AI风险定义、四大独特性及与传统IT风险差异；从技术、伦理、法律、社会四维拆解风险，按业务、概率影响、生命周期多维度分级分类；给出不同风险等级、全生命周期的差异化应对策略，讲解AI风险生命周期管控流程与企业风控体系搭建要点。

演讲介绍：

本演讲聚焦企业AI项目治理与组织演进实践，分享如何在确保业务价值的前提下，推动AI项目从单点试点到规模化落地。演讲内容包括三个核心板块：

1. AI项目价值定义与成功标准：分析传统项目与AI项目在治理、交付和价值评估上的差异与挑战。强调技术达标必须回归业务价值，以量化指标衡量AI项目的真正贡献。

2. AI项目价值交付的治理演进：管理范式升级：从阶段性固定管控演化到AI全生命周期迭代治理，实现持续风险控制和价值评估闭环；组织协作模式：从单兵作战到人机协同，明确AI与团队成员在各阶段的职责与互动机制；创新与复用思维：从单点项目试错到平台化沉淀和复用，优化知识和资产管理，提高治理效率。

3. AI项目量产与落地难题的治理方案：组件中台化：沉淀可复用AI资产，实现标准化治理，降低投产成本；验收标准化：量化业务价值，确保AI立项符合治理目标，防止资源浪费；资源集约化：优化人机分工，明确治理边界，实现规模化交付的组织效率提升。

演讲将结合真实案例，分享治理过程中量化指标、风险管理和协作模式的落地经验，为企业搭建可复制的AI项目治理方法论提供参考。

演讲介绍：

随着AI项目进入规模化落地阶段，智能体（Agent）已成为企业构建业务应用的重要方式。然而，相比传统软件项目，智能体运行过程中涉及模型调用、工具使用、多Agent协作及推理链路等复杂资源消耗，给项目成本核算带来了新的挑战。本演讲聚焦AI项目中的智能体成本核算体系，围绕以下四个关键问题展开：

1. 成本如何归集：智能体消耗如何准确计量。统计模型、工具、算力等资源成本；

2. 成本如何分摊：项目费用如何归属业务。建立任务、部门与项目分摊机制；

3. 成本如何优化：资源投入是否存在浪费。识别高消耗环节与优化空间；

4. 成本如何衡量价值：投入产出是否合理。建立成本与业务收益评估体系。本议题将结合AI项目实践，探讨智能体成本核算的方法体系，帮助企业建立透明、可追踪、可分析的成本管理机制，为AI项目预算管理、资源优化和价值评估提供支撑。