先做这几件事
第一轮通常从这四件事里挑：文档起草与整理、表格与数据汇总、会议纪要与待办提取、制度与资料的知识库问答。共同点是重复、耗时、结果容易核对——正好适合交给智能体先跑。
文档处理数据汇总会议纪要知识库问答
AI 应用服务：推动企业全面 AI 化
AI 应用服务，是推动企业全面 AI 化：从一个部门的试点起步，把 AI 推到各部门、各业务线、各业务流程里用起来，让 AI 成为企业日常运转的一部分。
沈阳市胜富力科技有限公司 2010 年成立于沈阳，业务覆盖机房、信息、算力三层基础设施。全面 AI 化要铺得开，前提是算力放得下、数据不出域、系统常年跑得动——这三件事落在机房、网络和算力上，正好是我们做了 16 年的部分。
做法上，先挑一两个真实场景把 AI 用起来，按数据敏感程度分 SaaS、VPC、私有化三档交付；平台侧以腾讯企业版 WorkBuddy 承接，服务辽宁、吉林、黑龙江的政企客户。
AI 化范围全部门 · 全业务 · 全流程
推进节奏试点 → 铺开 → 长期运营
交付形态SaaS / VPC / 私有化
落地验收人时 · 可查性 · 自动化
一分钟速答
AI 应用服务具体做什么？
推动企业全面 AI 化：从一个部门的试点起步，把 AI 推到各部门、各业务线用起来，再逐步接进业务流程，包含场景选型、系统对接、培训陪跑与长期年服运营。
「全面」是多大范围？
横向是部门全覆盖，办公、人事、财务、销售、生产各自找到用法；纵向是从办公提效走到业务系统对接与行业智能体；时间上是从一次性项目变成长期运营。
三档交付怎么选？
日常办公文档与公开资料为主，选 SaaS；涉及客户名单、财务数据的，走 VPC 专享；涉及患者信息、政务数据、涉密内容的，必须私有化部署。
你们是卖平台还是做实施？
做实施和运营，不做纯渠道。平台用腾讯企业版 WorkBuddy，选型、落地、对接、培训和长期维护都由我们做。
试点多久能看出效果？
通常两到四周就能看到可查的记录——这段时间跑的是「人时 / 可查性 / 自动化」三条口径的实测对比。如果四周之后仍然没人日常使用，说明场景选错了，该换场景而不是加大投入。
切入点：先拿一件事跑通，再谈全公司铺开
多数企业卡住的不是「不知道 AI 能干什么」，而是「从哪一步开始、由谁来落地」。做法是先挑重复、耗时、对错又容易核对的事，让员工在日常办公里先用起来——真实场景自己会浮出来，后面铺到全公司才有依据。
做法：先跑通，再定方向
不先交一份选型报告。先挑一两个部门、一两个真实场景跑起来，用几周时间看员工到底用不用、在哪用得上；有了这个结果，再决定要不要往行业智能体走、走哪个行业。顺序反了，钱花了也落不下来。
小范围试点按场景验收
平台：腾讯企业版 WorkBuddy
用哪套平台是第二步。WorkBuddy 是面向企业的通用智能体平台，覆盖文档处理、数据分析、深度研究、演示文稿等日常办公场景；企业版提供席位管理与企业数据边界，是政企客户启动 AI 化门槛较低的入口。我们以腾讯企业版 WorkBuddy 服务商身份承接实施。
通用办公场景企业版席位管理本地化实施
全面 AI 化怎么铺：三步加一段长期运营
「全面」不是买一套平台、给全员发账号。它是一条有先后的路：先在点上证明有用，再横向铺到各部门，然后纵向接进业务流程，最后靠长期运营维持住。每走一步都有能判断「要不要往下走」的依据，不靠感觉。
图 1 「全面」不是买一套平台、给全员发账号，是一条有先后的路：试点先在 1–2 个部门把重复耗时的事跑通，铺开把跑通的场景做成模板按部门复制，深入把 AI 接进业务流程与系统，长期运营靠培训陪跑和知识库迭代维持住。每一段的判断依据都写在图里——不靠感觉往下走。
| 阶段 | 覆盖范围 | 典型动作 | 判断依据 |
|---|---|---|---|
| 第一步 · 试点 | 1–2 个部门，2–4 个场景 | 挑重复、耗时、结果容易核对的事先跑：文档起草与整理、表格与数据汇总、会议纪要与待办提取、制度与资料问答 | 有没有人每天真的在用；省下的时间能不能对账 |
| 第二步 · 铺开 | 全公司各部门、各业务线 | 把跑通的场景做成可复制的模板，按部门配知识库与权限，分批培训到员工自己会用 | 使用面从「几个人」变成「多数人」；同一个场景换个部门能不能直接用 |
| 第三步 · 深入 | 业务流程与业务系统 | 与现有系统对接，把 AI 嵌进流程节点；把行业知识、制度、案例沉淀成本行业的专属智能体 | AI 是嵌在流程里，还是仍然挂在旁边当工具用 |
| 长期 · 运营 | 常态化使用 | 培训陪跑、知识库与智能体持续迭代、问题跟踪与权限复核 | 按年复盘：还有哪些没用起来、哪些用法可以退掉 |
跨步铺开最常见的结局是“账号发了没人用”。点上跑出来的真实使用记录，才是说服各部门、判断这笔投入要不要继续的依据。每个阶段我们扮演什么角色见 服务路径，该选哪一档交付见 三档交付。
三档交付：按数据能出多少内网来选
同一套平台，交付形态不一样，能碰的数据范围就不一样。选哪一档，先看你哪些数据能出内网、哪些必须留在本地，而不是先看单价高低。
| 交付形态 | 数据放在哪 | 适合谁 | 启动速度 |
|---|---|---|---|
| SaaS 公有云 | 走公有云通道，按席位订阅 | 没有强合规限制、想让员工尽快用起来的企业 | 最快，开通即用 |
| VPC 专享 | 专属隔离环境，与公有云租户分开 | 数据比较敏感、但还不需要完全离线的单位 | 较快，需先做环境开通 |
| 私有化部署 | 数据不出域，部署在本地或信创环境 | 政务、医疗等高合规场景，要求数据不出内网 | 较慢，需机房与算力先行 |
第三档能不能做，取决于机房和算力条件，这一条正好是算力基础设施那一页讲的事——这块我们自己干，所以判断不外包。三档的数据边界与合规条款以平台正式文件为准，价格以正式报价为准。
AI 层的安全清单：数据不出门，输出不惹事
三档交付解决的是「数据放在哪」，但评审会上更常被追问的是另外两个问题：模型会不会把数据带出去？输出的内容会不会惹事？这两件事靠 AI 层的具体动作兜住，按输入、模型、输出、审计四个环节走。
输入侧：该屏蔽的先屏蔽
- 提交内容先做脱敏：身份证号、银行卡号、手机号这类敏感字段不让进模型
- 明确哪些系统、哪些数据不允许接入，列成清单而不是口头约定
- 提示词注入防护：外部检索回来的内容不当指令执行
模型侧：边界先划清
- 能调用哪些工具、能连哪些系统，按最小必要授权
- 模型与知识库都在内网时，推理链路不出公网
- 用 SaaS 时先确认：数据是否出境、是否被用于模型训练
输出侧：能审的尽量审
- 对外输出配置敏感词与合规审核规则
- 关键动作（发邮件、改数据、发起流程）加人工确认节点
- 越权查询、批量导出这类行为做拦截与告警
审计侧：查得到才是底线
- 对话与操作留日志：谁在什么时候问了什么、智能体执行了什么
- 日志留存期限与等保要求对齐，不设「不留」的例外
- 定期复核一次权限与日志，不是上线时配一次就完
三档交付覆盖的层级不一样：SaaS 主要靠平台侧的通用安全能力，能管住输入与输出的规则，但数据在内网之外；VPC 在专有环境里做隔离，多一层网络与资源边界；私有化覆盖最全，上面四个环节的动作都能落在你自己的机房和设备上——这也是涉密与强合规场景必须选私有化的原因。
服务路径：先期轻、后期重，中间不跳步
这一节讲每个阶段我们扮演什么角色、你会拿到什么。难点从来不在第一步，而在「用起来之后怎么常年维持」——所以年服运营单独列成一段，而不是签完合同就结束。
| 阶段 | 角色 | 做什么 | 你拿到什么 |
|---|---|---|---|
| 先期 | AI FTC （AI 场景顾问） |
轻量部署、方案咨询、办公提效试点，快速见效 | 试点范围与场景清单、真实使用记录 |
| 后期 | AI FDE （AI 落地工程师） |
私有化深度部署、系统集成、数据不出域 | 私有化环境、与现有业务系统的对接方案 |
| 长期 | 年服运营 | 培训陪跑、知识库与智能体迭代、持续订阅 | 运营记录与迭代计划，按年续 |
两个名字先说明白：FTC、FDE 这两个缩写在业内另有其他含义，这里指的是我们项目里的两个角色阶段——FTC 即 AI 场景顾问，负责先期的场景梳理、轻量部署与试点陪跑；FDE 即 AI 落地工程师，负责后期的私有化部署、系统集成与持续运营。两者都是项目内的角色叫法，不是标准认证名称、也不对应任何资格证书，正式合同以条款文本为准。我们不做只卖 License 的生意，定价里包含实施与运营服务。
客户侧要出的人和事
AI 项目做不成，多数不是技术问题，是客户侧没人对接、数据没准备、流程没梳理、员工不推开。这几件事提前讲明，后面省掉的是扯皮。
- 一个能拍板的对接人：不用全职，但得能在场景选择、权限范围、系统对接这些事上做决定，或者把决定带回去。最怕的是「谁都在问、谁都不能定」，项目会一直悬着。
- 数据与资料准备：试点场景要用的制度文件、业务资料、表格模板，得有指定的人整理出来，并确认可以喂给系统。这一步通常是整个项目里最耗时的，越早启动越好。
- 流程梳理：把要改造的那件事现在的做法写下来——谁做、分几步、产出什么。AI 换掉的是其中某些步骤；流程不清楚，改完就没人认。
- 试点部门的授权：试点部门要有一位愿意试的负责人，并明确「允许员工花工作时间试」。没有这层授权，试点会变成下班后的额外活，活跃度上不去。
- 内部推广：铺开阶段靠我们培训，但真正的扩散靠你们内部用得好的那几个人去带。找两三个「种子用户」，比发一百个账号管用。
客户侧投入不足时，见效慢通常不是模型的问题。「谁出人、谁出数据、谁推动」，会在方案阶段写进实施计划。
怎么让答案靠谱：四条能落地的手法
「AI 会不会胡说」是客户最本能的疑虑，也是唯一值得正面回答的问题。回避不解决问题，正解是把控制手段直接讲出来——这四条属于交付内容的一部分，不是可选配置。
| 做法 | 具体怎么落 | 解决什么 |
|---|---|---|
| 限定回答范围 | 把回答约束在企业自己的知识库与制度文件里，资料里没有的内容不让它自由发挥；范围之外直接拒答 | 从源头减少「编」的机会，这是四条里最重要的一条 |
| 答案带出处 | 输出的结论附上来源文件与具体段落，人能点回去核对原文 | 让使用者能自己验证，而不是只能选择相信 |
| 关键动作留人工复核 | 涉及对外发布、发邮件、改数据、发起流程的动作，先给人确认再执行；智能体只做初稿和草拟 | 把不可逆的动作挡在人工确认之后 |
| 答不了就说不知道 | 知识库里找不到依据时，明确输出「没有找到依据」，不用相似内容凑答案 | 避免「看起来对、实际错」这种最危险的输出 |
这四条会在试点方案里逐条写明怎么配；准确率以试点期的实测结果为准。
怎么算落地了：三条可以拿去验收的口径
企业做 AI 最怕「说不清效果」，采购负责人也没法向领导交代。与其承诺一个百分比，不如把验收口径摆到桌面上——下面三条都能在试点期实测，写进方案就能对账。
| 验收项 | 试点前先记下来 | 试点后比什么 |
|---|---|---|
| 人时 | 这件事原来几个人、每天或每周花多少小时 | 同样的事现在几个人、花多长时间——差值是唯一需要看的数 |
| 可查性 | 原来查一份资料、一条制度平均要多久，还是根本查不到 | 现在能不能一句话问出来，答案能不能点回原文核对 |
| 自动化提醒 | 原来有哪些事靠人盯着（到期、超限、异常） | 能不能自动跑起来并推到人手里，漏没漏 |
试点期建议两到四周出结论：太短看不出习惯变化，太长浪费预算。不承诺「上了 AI 能省多少人」这类数字——同一个场景，不同部门的数据质量和流程规范程度不一样，能省多少要测完才知道。
从通用到垂直：四个先走的方向
通用智能体解决「人人能用」，行业智能体解决「这个行业真用得上」。后者的前提是先把行业知识、业务流程、已有系统摸清楚——这件事我们干了 16 年，客户也正好集中在这四个行业里。
| 行业 | 智能体方向 | 数据与部署要求 |
|---|---|---|
| 医院 · 医疗 | 行政与医务知识助手、医疗设备运维知识库、临床科研文献助手 | 数据敏感，倾向私有化部署 |
| 高校 · 教育 | 校园服务智能助手、教务与招生知识库、科研协同与文献检索 | 本地化 + VPC 交付 |
| 政府 · 央国企 | 政务问答与办事助手、公文与制度辅助、内部知识沉淀与检索 | 数据不出域，私有化优先 |
| 制造 · 工业 | 设备手册知识库、巡检与安全助手、工艺文档智能化 | 边云协同交付 |
表 6 列的是方向，不是已经交付的成品：这四个方向处于方案设计与标杆落地阶段，没有可公开的完整案例。你所在的行业如果在其中，说清场景即可，我们按实际条件判断能不能做。
已落地：机房 AI 智能运维
这是目前已经交付、可以让你现场看的能力。做法是在动环监控之上加一层：把告警聚合、分级、看趋势，让值班人先看该看的那一台。下面这五件事都不替人做决定，作用是减少无效告警。
| 能力项 | 做什么 | 适用场景 | 状态 |
|---|---|---|---|
| 动环数据统一采集与告警聚合 | 把不同来源的环境与电力告警汇到一处，按设备和点位归并，避免同一次异常反复刷屏 | 多机房集中管理；动环系统与设备告警各说各话的机房 | 已落地 |
| 告警降噪与分级 | 按影响面排序后再推送值班人，把需要立刻处理的排在前面 | 告警量大、值班人少，需要先分级再派人 | 已落地 |
| 设备运行趋势观察与异常提示 | 看运行参数的变化方向，提示某些设备值得先看一眼 | 设备年限较长、需要提前安排更换或检修 | 已落地 |
| 巡检记录与运维报告自动整理 | 把巡检和处置过程归到一处，按周期整理成报告 | 需要留痕与汇报的政企单位、多机房统一报表 | 已落地 |
| 集中与远程值守值班视图 | 给值守人员一个统一的查看界面，减少来回切系统 | 夜间与节假日无人值守时段；跨园区多机房 | 已落地 |
它做什么
- 把告警归并、排序，告诉你先看哪台
- 看趋势，提前提示哪些设备该检查
- 把巡检和处置记录整理成报告
它不做什么
- 不做故障定论，最终判断和操作仍由人完成
- 不替代设备保修和厂家技术支持
- 不在没有动环数据基础的机房里凭空工作
「不做什么」列出来，是为了让你提前判断这套东西在你自己机房里有没有用得上的前提。
为什么是我们：AI 落地的最后一公里是机柜、是电、是网
AI 应用的天花板由软件决定，地板由基础设施决定。企业要的是全面 AI 化，而「全面」意味着算力得放得下、数据得不出域、系统得常年跑得动——这三件事分别落在机房、网络和算力上，我们做了 16 年。
| 通常谁在做 | 强项 | 接不了哪一段 |
|---|---|---|
| 网络布线商 | 布线、网络设备安装调试，点位施工经验足 | 强电与供配电、算力底座、AI 应用场景 |
| 信息系统集成商 | 系统集成与政务项目经验，接口协调能力强 | 机房强电与精密制冷、本地算力与模型服务这一层 |
| 云与安全商 | 云平台与安全产品线，产品化程度高 | 本地机房的落地交付，以及应用层的场景实施 |
| 纯 AI 软件商 | 模型与智能体软件，应用层比我们强，这是事实 | 机房、电、网这些落地环节，通常要甲方自己去协调 |
我们补的是最后一栏里那些「接不了」的：机柜、电、网、安全，以及本地化的长期运维。四层由同一家交付，省掉的主要是供应商之间的接口协调——出了问题时不用先开会分清是谁的责任。
16 年底座
从施耐德 UPS、精密空调代理起家，一路做到机房整体交付、信息集成与算力底座，不是拼凑的合作关系。
四层能力
机房、信息、算力、AI 应用四层在同一家公司里打通，客户不用为一件 AI 的事分别对接四家供应商。
40+ 政企客户
医疗、公检法、政务、高校、金融、制造等九类行业，服务半径在辽宁、吉林、黑龙江，本地响应与长期运维有基础。
常见问题
下面五条是客户最常问的。答案给判断口径，不给承诺数字——规模差别很大，写死的数字反而会误导你。
企业 AI 化的第一步到底该做什么？
把「最想让谁先省时间」这件事说清楚，其他都是次要的。通常先挑一个部门、一件具体的事，比如周报整理、制度检索、投标文档初稿，跑两到三周，看有没有人真的每天在用。用起来了再谈扩大范围，用不起来就换场景——这一步成本很低，踩错了也不至于浪费预算。
什么叫「全面」AI 化？跟买套工具、发一批账号有什么区别？
区别在于「用了多少人、用在哪一层」。买套工具、发一批账号，最多算全员能用；全面 AI 化要的是各部门都在自己的实际工作里用起来，并且有一部分业务已经嵌进流程，而不是挂在一旁当辅助工具。
判断可以看三条：用的人是不是覆盖了多数部门；用的事是不是从办公提效走到了业务；用完之后有没有人接着管（迭代、培训、权限复核）。三条都对上，才算铺开。
三档交付怎么选？
看数据能出多少内网。日常办公文档、公开资料为主，SaaS 就够；客户名单、财务数据这类比较敏感的，走 VPC；涉及患者信息、政务数据、涉密内容的，必须私有化。
拿不准的话，把你们的数据类型列一遍，我们逐类给结论——这一步在方案阶段就能做完，不用先花钱。
机房 AI 智能运维要满足什么前提条件？
四项，缺哪项我们会明说：
- 一是动环数据有采集点。温湿度、漏水、市电、消防等是否已接入监控系统。多数机房已有，采集点多少不一。
- 二是设备告警可获取。UPS、精密空调是否支持告警输出或接口对接，需按型号逐个确认。
- 三是网络可达。采集侧到机房的通道要通；政务内网项目还要按管理单位口径报审。
- 四是有人承接告警。分级之后得有值班人或运维方接手，这一项可以和 机房运维 一并安排。
我们不写「必备清单必须买什么」，因为不同机房的采集基础差别很大。评估时按这四项逐条给结论：缺什么、能不能补、要不要额外施工，都会写清楚。
你们是做平台还是做实施？
做实施和运营，不做纯渠道——只卖 License 的生意我们不接，客户买了不用，对我们没有任何意义。
所以从场景选择、与现有系统的对接，到培训和长期维护，都是我们自己的人在做，不转手给第三方。
怎么报价？
分三块：平台席位或部署费用、实施服务费、年服运营费。前两块按范围和工期算，第三块按年算。评估阶段不收费，也不需要你先买设备。
这一页不写价格数字，是因为不同规模差别很大，写了容易误导。把需求说清楚，我们给书面报价。
相关页面
全面 AI 化不是单独一层，它踩在另外三层上。下面几个页面是这条线的上下游。