芯耀
与非AI
277
“AI+”表征着人工智能与其他行业或领域的深度融合与应用，即借助人工智能技术为传统行业赋予新的能力，从而催生新的价值与商业模式。这表明人工智能并非仅仅是一项孤立的技术，更是一种强有力的赋能工具，能够与各行各业相结合，进而提升工作效率、优化业务流程，并创造全新的产品与服务。
读者可将“AI+”理解为“AI+X”，其中的“X”代表任意行业或领域，诸如：“AI+医疗”（涵盖人工智能辅助诊断、药物研发、个性化医疗等应用场景）、“AI+金融”（包括智能风控、欺诈检测、智能投顾等方面）、“AI+教育”（例如个性化学习、智能辅导、自动批改等）等等。
“AI+”体现了人工智能与各行业深度融合的发展趋势，能够有力推动传统行业的转型升级，同时催生出新的商业模式与经济增长点。这并非简单的技术叠加，而是对传统行业流程与模式的全面革新，其终极目标在于实现降低成本、提高效率、提升用户体验以及创造新价值。
本小节将重点探讨如何促成AI技术与业务中台的有机结合，以此助力企业实现创新发展，同时提升用户体验和生产力。
智能业务受理
云服务受理业务相较于一般商品销售更为复杂，主要体现在以下方面：
1)产品体系庞杂，配置灵活性与选择成本高。云服务产品覆盖计算、存储、网络、数据库、人工智能、安全等多个技术领域，每个领域又细分出多种类型（如计算领域包含通用型、内存型、高性能计算型实例）。用户需在海量产品中匹配自身需求，而云产品的灵活性（如CPU/内存/存储/网络带宽等参数的自定义配置）虽为优势，却也要求用户深入理解技术参数的业务影响，以平衡性能与成本。这对非技术背景用户构成较高门槛，易导致配置失误或资源浪费。
2)定价模型多元，成本预测难度显著。云产品普遍支持按需付费、预留实例、包年包月等多种计费方式，每种方式的折扣规则、适用场景及成本结构差异显著。例如，预留实例可享受较高折扣但需长期锁定资源，按需付费则灵活性高但单价成本较高。用户若缺乏对自身业务负载的长期分析，尤其是初次使用时，极易因计费方式选择不当导致成本超支或资源利用率低下，难以精准预估总体拥有成本（TCO）。
3)合规要求严格，合同条款理解门槛高。云服务合同涉及大量法律术语与技术规范，包括SLA、数据主权归属、隐私保护条款、责任划分细则等。用户需准确理解条款中的权利义务（如数据泄露责任界定、服务中断赔偿机制），以规避法律风险。面对云服务受理业务的复杂性，多数云服务商通过设立“客户经理”岗位，为客户提供售前咨询与售后支持。以天翼云为例，客户经理不仅承担问题解决职责，还提供代订购服务。
然而，这种模式本质上是将用户端的操作压力转移至服务侧，并未从根源上解决产品选型复杂、定价理解困难、合同条款晦涩等核心问题。基于此，依托AI技术实现受理流程智能化的构想应运而生，旨在通过向导式交互流程，依据用户需求生成精准的产品配置方案。
深度调研之后，一种基于AI大语言模型、以自然语言交互为核心的智能受理方案——“智能助手”被提出。该方案致力于达成以下目标：
1)个性化服务升级。摒弃标准化服务模式，构建个性化智能助理体系，为每位客户经理提供贴合其职能与兴趣的工作辅助与提醒，实现“千人千面”的服务体验。
2)自助受理能力提升。强化客户经理的自助服务能力，推动受理流程向100%自助化方向发展，降低人工依赖。
3)流程自动化革新。将传统的人工单击驱动模式升级为大模型主动引导模式，简化操作流程，降低使用门槛，显著提升用户操作体验。
4)对话式业务办理。通过自然语言交互引导客户完成全流程受理，同时针对法律条款、SLA等专业问题提供实时解答。
5)最佳实践推荐。基于用户需求、预算及业务场景，生成涵盖部署方案、成本估算、云产品组合等内容的最优解决方案。智能助手的实现深度依赖业务中台、数据中台与AI中台三大平台，其技术架构如图1所示。其中，AI中台与业务中台形成协同共生的技术闭环：
一方面，AI模型训练依赖业务中台输出的标准化业务数据（如订单信息、资源状态、账户体系及知识库文档等），通过数据中台完成数据接入、清洗、脱敏及结构化存储后，形成高质量训练数据集，支撑模型精准解析用户意图、生成合规解决方案。
另一方面，业务中台通过API接口调用AI中台的智能受理模型，将自然语言交互、配置推荐等智能化能力嵌入受理流程，实现从“人工操作”到“模型驱动”的升级。
图1 智能助手技术架构
读者可能更关注智能助手所依托的大模型来源，该模型是天翼云自主研发的企业级AI产品，由专属AI中台团队负责全生命周期管理与持续优化。
作为通用型智能底座，其应用场景不仅限于智能受理，还已深度集成至代码管理平台、知识库、智能客服等核心业务系统，实现AI能力的跨场景复用与协同增效。选择自研大模型的核心逻辑源于数据安全战略。以智能受理场景为例，模型训练需调用资源配置、账户体系等高度敏感数据。若采用第三方厂商的API接口服务，尽管可能降低初期技术成本，但敏感数据在跨平台传输与存储过程中存在显著泄露风险。虽然私有化部署可部分解决数据外溢问题，但其在系统可维护性与业务适配性方面存在天然短板，无法满足企业级数据安全治理与技术自主性要求。
天翼云通过构建“自研大模型+私有化训练环境”的技术闭环，实现了敏感数据“采集-训练-应用”全链路本地化管控，在保障数据主权的同时，确保模型迭代与业务需求的动态精准匹配。智能助手的核心功能之一是为用户提供私人助理功能，如图2所示。用户进入与AI的对话页面后，可直观呈现其关注或权限范围内的业务信息，具体包括待审批的优惠申请、到期需续订的云资源、适配的可用优惠及产品降价通知等关键内容。
图2 智能助手所提供的私人助力功能
相较于通过专用前端页面进行业务受理，智能助手的处理效率更具优势。以资源续订场景为例，用户仅需提供目标资源ID即可触发操作，如图3所示。系统内置的智能校验机制可自动验证输入信息的准确性，仅在资源ID合法有效时执行后续流程，避免因错误数据导致的操作失败。
另外，权限控制也是智能助手设计的核心考量之一。例如，客户经理A仅能对其名下客户的资源执行续订操作，系统通过业务中台的权限管理服务实现细粒度的访问控制。具体而言，业务中台提供统一的身份验证、角色权限校验及资源归属判定接口，智能助手通过调用这些标准化服务实现权限逻辑的复用，无需重复开发。
图3 通过智能助手进行资源续订
对于用户在受理过程中遇到的流程说明、术语解释、法律法规等各类疑问，均可通过智能助手获得专业解答。针对初次接触云产品的用户，智能助手提供配置推荐功能，可基于用户业务需求生成适配的产品配置方案，并完成费用初步测算，如图4所示。
尽管推荐配置仅供参考，用户仍需结合实际需求与预算调整，但相较于传统模式下需查阅多份产品文档或频繁咨询产品经理的操作流程，智能助手显著降低了人际沟通成本，且能保持客观中立的建议输出。
图4 智能助手根据用户需求进行配置推荐
智能助手的用户群体不仅限于客户经理，运营人员亦可通过其简化业务运营工作。例如，当受理流程出现异常时，运营人员可将错误信息文本或截图上传至智能助手，触发问题初步诊断功能，如图5所示。
图5 通过智能助手对业务运营问题进行初步诊断
智能助手的高效运行依赖于持续的模型训练。除高质量业务数据外，业务中台沉淀的需求说明、详细设计文档、标准作业流程（SOP）等资料，均可通过管理页面上传或链接导入的方式，转化为模型训练素材。
经过近两年的迭代优化，在业务受理场景中，智能助手已实现100%业务场景覆盖，积累超500篇文档知识库，每日处理的受理单占比达总受理量的70%，直接推动相关工作效率提升50%以上。
目前，研发团队正通过补充知识文档、扩展功能模块等方式进一步优化系统，目标是将其应用覆盖率提升至90%以上。
以上内容节选自《数字化转型：业务中台建设实践》作者：孙连山 黄创光 张杰 何燕辉
推荐阅读
▊《数字化转型：业务中台建设实践》
孙连山 黄创光 张杰 何燕辉
书中，天翼云系统总结了如何通过业务中台的架构解耦与能力原子化，将复杂的云网资源转化为高效、标准的数字化服务。这不仅是对中国电信IT架构从“支撑型”向“赋能型”转变的深刻映射，更是对全网如何实现算力与业务逻辑极致协同的实战提炼。这种将核心技术能力沉淀、模块化封装并转化为服务价值的实践，不仅提升了科技成果的转化效能，更为培育数字化时代的核心竞争力提供了极具参考价值的范本。当前正值企业数字化转型的关键节点，本书为从业人员提供了强有力的实践指导范本。
本书适合金融与科技等相关行业从业者阅读学习，也适合数学、金融、计算机等相关专业的在校师生参考阅读。
撰 稿 人：李杉
责任编辑：张淑谦
审 核 人：曹新宇
