华为发布企业AI白皮书：提出“让经营定义技术”与DIMAK体系

过去一年，AI正从回答问题的工具走进企业真实业务，覆盖办公助手、代码生成、营销内容制作、供应链分析等环节。但一个反复出现的现象是：某个岗位明显提速，整条业务流程却未必同步受益。

量子位报道中的一个电商AI商拍案例颇具代表性。一位为电商商家提供AI方案的彭经理称，其团队已将AI生图、换模特、换背景等能力接入商品上架流程，商品负责人完成素材处理、商品上架等操作的速度可达原来的约20倍。目前该系统已被8家店铺采用，单家店铺每月付费约2万元。

但彭经理也强调，“最好还是人工看一遍”——生成素材是否符合要求仍需人工检查，且这套能力主要集中在商品型录制作环节，与审核、选品、运营等后续流程的衔接尚未完全打通。换言之，AI帮一个岗位省下了时间，这部分收益如何传导到整个业务流程，仍是待解问题。

面对这一落差，华为给出的第一层主张是“让经营定义技术”。在华为看来，企业AI建设首先需要回答的不是“选择哪个模型”，而是企业真正需要解决什么业务问题。

过去很多AI项目从技术能力出发，先寻找可应用场景；但对企业而言，有价值的应用需要从经营目标出发，找到影响业务结果的关键环节。报道举例称，一个AI系统可以帮助销售更快整理客户信息，但如果这些信息没有进入销售决策、客户跟进和订单流程，最终产生的价值仍然有限。

华为AI应用首席专家李宏恺对量子位表示，局部提效也可能让瓶颈转移：“你这个环节提效了，导致下一个环节成了堵点了。”因此企业需要从完整业务流程出发，找到真正制约整体产出的关键环节，再判断AI应该用在哪里。白皮书建议，业务、财务和技术负责人需先共同确认当前业务基线、希望改善的经营指标、为何需要AI以及由谁对最终结果负责。

找到一个有价值的场景只是第一步。场景跑通之后，企业还要考虑：解决这次业务问题形成的数据、知识和方法，怎样保存、复用和持续改进，再扩展到更多业务。

华为提出的DIMAK，是一套面向企业智能能力建设、供给与持续改进的工程体系，由数据（Data）、AI基础设施（Infra）、模型（Model）、智能体（Agent）和知识（Knowledge）五个相互协同的工程域组成。围绕一项具体任务，数据工程提供可信业务事实，知识工程把制度、流程和专家经验整理成可检索、适用条件明确的规则和案例；模型工程负责模型接入、适配和评测，智能体负责组织数据、知识、模型、工具以及人与AI的协作，AI基础设施保障整套能力稳定运行。

任务完成后留下的经验也被继续利用：任务使用了哪些依据、人工改了什么、哪里发生异常、最终结果怎样，都可以记录；经过验证后，有效经验进入知识服务，失败记录用于后续评测，成熟方法沉淀为可复用的任务方法。白皮书将DIMAK的核心概括为“解耦技术生命周期与企业能力生命周期”——模型与框架可以持续更新，经过验证的数据服务、知识资产和任务方法则成为企业能够长期积累的能力。

白皮书中的电网设备评价实践让这种能力积累有了具体形态：某电网企业将原先供人阅读的专业导则，整理为来源明确、版本有效、适用范围清晰的知识资产；运检智能体结合设备台账、缺陷和监测数据，依据导则生成评价建议，由专业人员审核确认，评价依据与结果一并保存，人工修订、缺陷处置结果和设备状态变化持续反馈，成为下一轮评价的依据。

对于需要进一步改变订单、账户或生产状态的任务，形成判断之后还要完成正式操作，这涉及智能能力与企业原有业务系统的衔接。如果后续仍需人员逐个系统查询、录入和提交，分析环节的提效未必能缩短完整业务流程。

华为提出的H型双塔正是为衔接这两部分：企业AI体系（智能塔）以DIMAK为工程基础，负责理解目标、分析变化、比较方案和组织任务；企业IT/OT体系（现网塔）则是企业已运行的业务与生产系统，负责提供权威业务事实、校验并执行操作、记录正式结果；“H”中间的横向连接将数据、知识、权限、指令和结果贯通，让同一项任务从判断走到执行，再把结果返回智能体系。

白皮书中的银行理财到期案例展示了这种协同：某大型商业银行从客户的到期资金安排切入，手机银行智能体在获得必要授权后，结合产品到期状态、账户资金、风险等级和现有持仓形成多套方案，并解释期限、收益、流动性和风险等方面的差异；银行原有系统提供账户、持仓等权威事实。客户确定方案并完成适当性确认和必要的强认证后，智能体才能在授权范围内调用资金划转、理财购买等业务能力，交易校验、账户变更和持仓记录仍由银行原有系统完成。白皮书披露，这项实践已在限定范围内进入客户确认后的授权执行。

任务并非发出指令就结束。按照H型双塔的架构要求，购买请求被受理后，系统还需依据原有业务系统的正式记录确认交易是否完成、账户和持仓是否已更新；如果结果不明确，应先核验状态避免重复操作；如果执行失败或业务条件变化，则需重新调整任务或交由人员处理。这些真实执行结果又会返回DIMAK体系，成为下一轮能力改进的依据。

除上述案例外，白皮书还记录了金融、汽车、医药、材料化学和电力等多个领域的落地实践。不同行业的经营目标、业务流程、数据条件和风险边界各不相同，这些案例能够提供参考，但具体怎样建设，仍需企业结合自身业务作出判断。

华为AI系统科学家姚骏在发布会上表示：“业务价值流的最后一公里是由企业来建设的，我们无法替代。”这也决定了华为在其中扮演的角色：将不同项目中反复出现的共性问题梳理出来，形成参考方法、工程框架和共性工具，降低企业和生态伙伴重复摸索的成本。

华为给出的落地路径强调从核心场景切入，逐步完成验证、部署投产，再沿价值业务流扩展；进入具体行业后，则需要企业、华为与生态伙伴共同推进——企业明确经营目标、业务规则和责任边界，伙伴参与具体场景的适配与实施，华为提供可共同使用的参考设计与工程基础。回到开头电商商家的选择，企业可以采购已经成熟的能力，把自身建设投入放在业务规则、数据衔接和流程协同上，具体如何分配仍要由业务规模、现有条件和预期回报决定。