9月12-14日，第九届CSDI Summit中国软件研发创新科技峰会在深圳举行，来自京东、阿里、百度、腾讯、华为、字节、顺丰、汇丰、亚马逊等上百家领航企业的专家与业界领袖，围绕“数算+智跃”主题深入探讨。
普元AI科学家王仕亿博士，作为会议联席主席，在峰会主论坛结合《构筑AI时代组织韧性：新型组织生态与数字员工治理》的主题演讲，分享企业AI治理A.I.G.E.T“五维方法论”，通过总结AI智能体在政企场景中的一些典型问题，梳理出从数据治理到高质量数据集和可信数据空间的建立，AI和现有业务的整合与迭代，以及企业从技术和管理制度更新适配等五方面，AI全流程思考和规划方向。

普元AI治理框架：源自最新实践验证的A.I.G.E.T五维方法论

AI治理是国家、行业以及企业共同面临的重大课题。在金融、政务、制造等行业客户的最新应用实践中，普元依托智能低代码开发、智能数据资产治理、智能集成三大核心产品体系帮助客户突破纯技术视角，融合适配、整合、制度、演进等多维智慧，研究出了企业AI治理的“五维方法论”，推动企业AI从工具属性向“被管理、被信任、被约束”的组织成员转型。

普元AI治理框架：数字员工等适应性智能体的“五维方法论”A.I.G.E.T

普元A.I.G.E.T“五维方法论”的核心价值，在于为企业应对人工智能带来的治理挑战提供了系统性的解决方案。基于该方法论，企业不再将AI仅仅视为一个信息处理的技术工具，而是将其提升到“AI治理”的战略高度，通过制度、技术、流程等多维度的整合与规范，输出人机协同、互信共生的新范式，以成熟体系构筑组织韧性。

在合规治理层面，“五维方法论”帮助企业在满足合规要求的基础上，建立起与AI技术发展相匹配的内部治理框架，从而在激烈的市场竞争中把握主动。可信演进方面，“五维方法论”通过对技术黑盒的有效管控和对智能体演进路径的清晰规划，帮助企业降低AI应用带来的潜在风险，确保AI系统安全、可控、可信，并推动企业建立自我进化、持续优化的AI治理生态，使AI真正成为企业创新和发展的核心驱动力。

深度解析：普元AI治理“五维方法论”的核心内涵

• 一、适配 (Adaptability)：业务知识的梳理和提炼

在企业数字化转型的过程中，原有的数据治理的主要工作，一般通过数据中台和数据湖仓建设，以求对数据本身进行治理。在AI智能体训练和部署时，这些已经完成治理的数据依然很难让AI学会企业业务的逻辑关系，从而输出有效地符合企业场景的内容。在AI落地的早期，尝试通过RAG和知识库的方式去穷举可能涉及的业务知识。但是面对自然语言的沟通方式，最终会面临业务知识无法穷举的壁垒。企业的决策往往依靠少数业务专家和领导者脑海中非结构化的业务知识进行。如何将非结构化的业务知识从企业少数专家和领导者的中解放出来，是让AI理解企业业务的最终愿景。

适配（Adaptability）维度的核心任务，就是解决AI从“工具”转变为“组织成员”时的业务知识结构化问题。该维度聚焦于梳理AI落地场景中的业务对象，通过详细定义其属性、事件、动作，明确各对象所需的数据支撑，并分析业务知识以理解对象数据的产生归因，最终构建针对不同场景的高质量数据集。此举旨在让AI不仅能处理数据，更能理解业务逻辑，完成面向大模型的深度数据适配。

在这个工作中存在本体（Ontology）和对象（Object）两个概念。本体是整个AI落地场景平台的组织框架和操作框架，提供一个概念模型来理解和操作数据，建立数字资产与真实世界事物的映射。对象是本体中一个个具体的实体，代表着真实且具有一定属性和行为的数据实例，比如一个客户、一件产品、一张订单等。与面向对象编程的思想类似，这些业务对象通常包括：描述、属性、动作/方法，以及与其他对象的关系等。在复杂的政企场景中，对象还应具备继承、多态、关联等特征或者能力，以精准映射现实业务的复杂关系。系统性地梳理和定义场景中丰富的业务对象，并将其转化为结构化的数据，AI才有可能理解企业独特且复杂的业务逻辑，并且对相应的数据和工具进行调用和处理，最终输出符合企业场景的有效内容。

• 二、整合 (Integration)：梳理统一的信息传递语言将AI能力整合进企业

政企场景中，数据共享的难题不仅源于系统架构差异和业务流程复杂，更核心的是各系统对业务对象的描述不一致。当引入自然语言与AI交互时，每位业务人员独特的表达方式进一步加剧了信息流的复杂性，使得传统ESB产品难以统一处理这些异构信息。然而，企业日常运行产生的海量正确执行日志（以往很少被利用），恰恰为AI提供了学习正确业务逻辑与关系的宝贵素材。这些记录，连同互联网上大量描述业务过程和客观事实的信息，正逐渐成为AI理解特定场景的核心语料。

普元AI治理“五维方法论”中的整合维（Integration）直面这一挑战，其核心是通过梳理和统一信息传递语言，将AI能力有机融入企业。该维度致力于解决“怎么做、如何融入原流程”的本质问题，可以整理出特定场景中的语言规则，进一步通过转译的方式形成从编码，到代码到自然语言表述企业业务的统一语言。这种操作语言的统一性是AI能够整合进入现有繁杂企业软件架构的核心基础，为AI在企业复杂系统中有序、高效、可靠地运行提供了一条可行的路径。

• 三、治理 (Governance)：消除制度真空，构建可溯源与进化的AI基座

以知识库安全问题为例，传统数据库可以采用各种方式来管控登录与数据访问权限以及数据内容审核等，还可在代码层采取措施来控制数据安全性。但是大模型的数据和访问安全是一个很难控制的方式。无论是通过底层架构还是外置网关，都很难100%杜绝数据流转的安全问题。对于AI场景落地，处理技术上对于安全的约束，也需要从企业管理的制度上共同配合。

普元积极参与AI相关的国家、行业和团体标准，从制度层去约束AI智能体的规范部署和使用。在实践中，普元帮助客户通过“虚拟岗位定义-责任映射机制-管理适配系统”的递进式设计消除制度真空地带，规避侵蚀企业长期竞争力的各项因素，构建可溯源、可解释、可进化的AI基座，实现AI数字员工与人类管理系统的融合。

• 四、演进 (Evolution)：根据业务发展动态演化能力

和传统企业软件部署不同，AI模型在部署完成后往往需要长期、持续的迭代优化。目前，业界的关注点通常集中在模型本身性能的提升（如准确率、召回率等）。然而，随着基础模型的能力在有限算力框架下逐渐进入发展缓坡期，单纯依赖模型能力的升级可能不再是最有效或唯一的迭代路径。

在不同的政企场景中，模型的迭代表现更多体现在业务知识梳理的提升、知识图谱的建设以及AI的后训练等。AI作为一个数字员工，其势必会经历一个自我迭代的过程。智能体作为新型的软件形态，其能力表现无法用好和不好来表示。在业务对象梳理的过程中，也需要配合响应对于业务完成度的指标去量化AI在特定场景中的表现。AI的基础能力就像我们面试员工时对于基本能力的硬性评估，但是实际数字员工在不同业务中的表现，也必须建立一套业务完成度的评估体系，从而去量化AI智能体的表现力，让它的每一个动作都透明、可控。

• 五、技术 (Technology)：智能体全栈技术迭代前所未有的快

智能体全栈技术复杂且迭代快，环境多样适配困难，企业难以在更迭中破解技术黑盒，敏捷开展不确定性量化、检索增强生成等防控措施，难以在可控情况下支撑建设层踩框架坑跑得稳，中间层调度统一并数据完整，以及应用层实现真正落地，从而无法强化多模态输出与结果的精准可控。企业对于技术的拥抱不一定像C端市场的反应那么迅速。其对于可靠性安全性的要求，往往会约束企业更谨慎和保守地选择新技术。因此，企业需要做好业务经验的梳理，才能明确发现AI可能的落地场景，去筛选出真正核心的AI业务需求。在技术层面，企业可以搭建从工具、智能体到数字员工三阶段发展的必要技术路线，强化多模态输出、全领域演化等破解技术黑盒，以架构整合、系统互通等支撑A.I.G.E.T五维并进。

普元：从方法论倡导者到产业实践引领者

在迈向数智化协同创新的征程中，普元还从方法论倡导者发展为产业实践引领者，循序渐进地引导各行业客户突破AI任务驱动型的能力边界，打造可信赖的新型生产力主体，促进数智化创新升级与新质生产力的最终培育，有力支撑各行各业构筑AI时代的组织韧性，可以踏实走向安全、高效、可信赖的人机共生未来。