ITPub博客

本文介绍了AI落地过程中遇到的三大鸿沟、五步实施路径，并通过消费电子、文旅、新能源车企、B2B四个行业的真实案例，最后落到业务语言的三门一表方法论，给出一套可落地的治理与责任框架。

客服机器人最怕听到的三个字，是转人工。客户打进电话，机器人没听懂、答非所问，客户连喊三声转人工，这一次交互的成本就从几分钱变成几块钱，此前的智能化投入也付之东流。衡量这件事的指标叫人机拦截率，即不需要转人工、由机器人独立解决的比例。项目启动前，天津长城滨银汽车金融有限公司（简称长城滨银汽金）的这个数字停留在60%上下。一年之后，还款、档案、提前还款三大高频场景下的语音机器人人机拦截率大于70%。十

导读：从传统BI到AI问数，数据分析的门槛正在被自然语言交互彻底拉低。面对真实世界中海量的数据表和复杂的业务口径，单纯依赖大模型的生成能力往往会导致幻觉频发。我们该如何在成本、速度与准确性之间找到平衡？本文不仅指出了企业建设AI问数的三大常见误区，更分享了一套经过验证的 AI问数解决方案，并分享超大型央企是如何构建AI问数的全过程，将AI问数从简单的对话工具升级为可复用的业务底座，为大家带来一些参

导读随着大模型能力持续演进，AI已逐步应用于数据查询、代码生成、分析洞察和报告生成等环节。在此背景下，企业对BI与Data Agent的关系出现了不同判断：一方面，部分企业关注AI对传统BI的替代可能；另一方面，模型幻觉、数据准确性和结果可信度等问题，也使企业对智能问数的实际应用价值保持审慎。事实上，BI与Data Agent并非简单的替代关系，而是在企业数据分析体系中承担不同角色、形成能力互补。

拓尔思提供动态本体一体化平台，并将其与数据中台、智能底座和场景应用结合，形成从数据处理、本体构建到智能应用的整体产品体系。

企业Agent即将进入应用爆发期。大量企业有机会利用AI低成本快速补上企业数字化功课，并逐步走向AI原生。"Claude Code在单机和coding的Harness架构上，对用户体验的追求更加好。"景栗科技CEO赖罡斌说。在他看来，Harness不会被模型吃掉，两者是相互增强的关系，Harness更像是AI时代的新操作系统。他把未来Agent平台的竞争，理解为一系列技术路线的

Anthropic最该担心的竞争对手，不是OpenAI，而是Meta。这不是因为Meta研发出了Coding能力更强的模型，也不是因为Anthropic的模型不再领先，而是Meta可能押中了下一轮AGI竞争的关键方向：Personal Agent。

宇树本周开了个大会，要加码物理AI，但市场机会越大反而越难守住一哥地位。MiniMax条件并不差，也不缺算力，却在基模竞争中掉队。豆包手机遭到166款App的拒绝接入，AI即使能操作手机，也得过APP厂商这一关。以上这三件事连起来看，AI公司手里原有的优势，都未必能换来下一轮竞争的领先。01 物理AI市场越大，宇树“一哥”地位越不稳本周，宇树在物理AI大会上公布了自研模型与外部合作并行的计划，重点

本文追溯这套架构的思想来源，分析动态本体专利与数据集群专利的技术机制，解释不完整信息如何被转化为关系、风险变量和行动依据，再以AIP及经营数据说明，大模型为何能够放大Palantir原有能力。

收购完成后，各家子公司仍使用自己的业务系统，分别管理库存、生产和财务。集团要协同经营，就得解决信息分散、流程不同、内部规则不一致的问题，况且各自的客户业务还在运行，整合也必须同步推进。美国无人系统企业集团Ondas正在处理这个问题。Ondas通过一系列并购，逐步将无人机、地面机器人和平流层观测平台纳入集团，面向国防、安防及工业客户提供产品和服务。Ondas与Palantir合作，保留各子公司的原有

同一台设备功率下降，原因可能出在设备性能退化、环境变化、传感器异常、控制策略或者生产计划。工业 Data Agent 要给出能落地的判断，就得同时搞懂设备、工艺、数据关系和现场约束，并调用专业分析工具做验证。

多数 Data Agent 项目能在很短时间内做出演示，用户提问之后系统就返回查询、图表或一段分析结论。但进入生产环境之后，检验标准会具体得多：到底解决了哪个业务问题，上线之后效果能不能维持住。

内容来源：《2026爱分析·Data+AI厂商全景报告》关键词：Data Agent厂商、Data Agent厂商全景、Data+AI厂商、通用Data Agent、工业Data Agent、金融Data Agent、能源Data Agent、AI行业分析摘要：《2026爱分析·Data+AI厂商全景报告》把 Data+AI 拆成 Data Agent 开发与 Data Agent 应用两大环节，

内容来源：《2026爱分析·Data+AI应用实践报告》关键词：Data Agent、Data Agent案例、Data+AI应用实践、自助数据分析、工业智能体、AI产业研究摘要：判断 Data Agent 是否真的可用，标准不是它回答了什么，而是它能不能跑完一整件事。《2026爱分析·Data+AI应用实践报告》收录的两类案例给出了对照样本：Anthropic 把约 95% 的业务分析查询交给

基础模型与具身智能的边界正在变得模糊。在梁文锋的研发路线图中，具身智能被放在最后，但DeepSeek的投资布局已先行一步。DeepSeek此前投资了宇树科技，如今又拟领投前腾讯混元多模态理解负责人胡瀚创办的Winverse AI。一家擅长机器人硬件和运动控制，另一家探索具身智能。DeepSeek的研发重心仍在基础模型，投资却已经伸向了物理世界。这两件事并不矛盾。在梁文锋设想的路线中，先让AI具备持

制造业AI仍处于早期阶段。多数企业的应用还停留在问答、个人助手等浅层场景，少数头部制造企业已经开始把AI放进真实岗位中检验：能否承担明确职责、完成稳定交付，并改善订单处理效率、错单率、准时交付率等管理指标。在这些先行企业中，评价AI的标准正从有没有用，转向能否形成可核算的岗位价值与经营结果。围绕这一变化，灵核数智将岗位级数智员工定位为制造业AI的落地形态，并选择从离散制造切入。与通用智能体不同，岗

本周，Meta重回前沿模型第一梯队，阿里加码智能终端，大厂仍在争夺AI市场；另一边，Anthropic三季度营收增速不及预期，算力厂商CoreWeave遭遇股债双杀。

一台计划几个月后安装在屋顶的空气处理机组，因设计变更不再符合要求。看起来不急，但重新采购设备需要很长时间；若拖到安装前才处理，工地可能只能在加钱赶工和推迟进度之间做选择。在Palantir AIPCon 10上，美国建筑公司McCarthy用这个场景演示了大型项目运营中的AI应用Pulse。开篇提到的设备规格变更，出现在一份RFI(Request for Information，信息请求)中，即项

Palantir让市场看到，本体可以将企业数据、业务逻辑与Action组织进统一的运营语境。但当这套范式进入中国企业，一个更具体的问题随之出现：Action调用成功之后，订单风险真的解决了吗？由谁负责最终的验收？依据是什么？

2026年下半年，大模型这条路的竞争正在走过拐点。当大语言模型的窗口逐渐关闭，端侧、科学智能（AI for Science）成了新一批创业者的押注方向。这次访谈重点聚焦端侧AI未来的趋势，以及科学智能领域的自进化闭环。