企业AI on AI 观察

企业 AI 项目 ROI 怎么算？避免“为 AI 而 AI”的评估方法

Tue, 04 Aug 2026 14:35:12 +0800

“我们也要用 AI”，这是很多企业在近两年的共同口号。但在热情之后，管理层往往会追问：这些 AI 项目到底带来了什么？投入了多少？值不值得继续做？大量 AI 项目停留在演示或试点阶段，无法规模化推广，很重要的原因是没有在一开始就设计好价值衡量方式。 算清楚 ROI，不是为了给项目设障碍，而是为了把资源投到真正有价值的地方。

AI 时代的数据治理：让企业数据真正成为可用的 AI 资产

Mon, 03 Aug 2026 16:06:59 +0800

大模型让很多企业看到了利用内部数据创造价值的新机会：基于内部文档构建知识库问答、用自然语言查询业务数据、让 Agent 自动处理业务流程。但当项目真正开始时，团队往往发现：数据散落在几十个系统里，同一个指标在不同部门有不同的口径，大量文档过时却无人清理，谁能访问哪些数据也说不清楚。 数据治理，这个过去被认为是“后台工作”的领域，正在成为 AI 落地的前提条件。

企业 AI 治理框架：从使用政策到风险分级的落地方法

Sat, 04 Jul 2026 15:31:56 +0800

很多企业的 AI 应用是从下往上自发生长的：一个部门开始用 AI 写文案，另一个团队搭了客服机器人，开发者在代码里接入了各种模型 API。等管理层意识到时，公司里已经运行着几十个 AI 应用，却没有人能说清楚它们用了什么数据、风险在哪里、出了问题谁负责。AI 治理不是为了限制使用，而是为了让 AI 在可控的前提下更快、更大规模地落地。

企业使用大模型的数据隐私指南：哪些数据不能直接发给 AI

Fri, 03 Jul 2026 18:57:01 +0800

大模型工具在企业中的普及速度，往往快于企业制定规则的速度。员工为了提高效率，把会议纪要、客户资料、合同条款甚至源代码直接粘贴到各种 AI 工具中。这些数据去了哪里、会被保存多久、会不会被用于训练模型、是否违反了客户协议和法律法规，很多时候没有人想清楚。数据隐私是企业 AI 落地必须先回答的问题。